[發明專利]一種最小二乘支持向量機的風力發電短期負荷預測方法

在審

• 申請號: 201310371475.7
• 申請日: 2013-08-23
• 公開（公告）號: CN103488869A
• 公開（公告）日: 2014-01-01
• 發明（設計）人: 王昕;鄭益慧;李立學;李霄;生西奎;趙長順;孟波
• 申請（專利權）人: 上海交通大學;國家電網公司;吉林省電力有限公司延邊供電公司
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06Q50/06
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，包括如下步驟：

S1：原始數據預處理；

S2：將影響風電負荷的相關因素作為最小二乘支持向量機的原始數據序列輸入，通過主成分分析的方法對輸入至所述最小二乘支持向量機的原始數據序列進行主成分分析，并分析提取出風電負荷的主要影響因子；

S3：建立最小二乘支持向量機數學模型；

S4：將步驟S2分析提取出的所述主要影響因子輸入最小二乘支持向量機數學模型作為訓練樣本和測試樣本；

S5：通過最小二乘支持向量機數學模型進行預測，并獲取預測結果。

2.根據權利要求1所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，所述步驟S1進一步包括：去除原始數據中含有的錯誤信息。

3.根據權利要求1所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，所述步驟S2進一步包括：

S21：原始數據標準化，即對原變量做標準化處理；

S22：建立相關矩陣R，并計算該矩陣R的特征值和特征向量；且其中，所述X^*為標準化后的數據矩陣；

S23：確定主成分個數，其中，根據累積方差貢獻率確定主成分個數；

S24：根據主成分個數確定多個主成分構成的矩陣，從而確定主成分。

4.根據權利要求3所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，所述累積方差貢獻率為其中η_i為方差貢獻率，且所述方差貢獻率為

5.根據權利要求3所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，所述原變量為進行主成分分析之后提取的輸入數據，且所述輸入數據包括風能的風向角、風速、溫度和歷史負荷數據。

6.根據權利要求1所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，所述步驟S3進一步包括：

S31：所述最小二乘支持向量機模型通過非線性映射函數φ(x)將輸入數據映射到高維特征空間，并在高維特征空間進行線性回歸；

S32：通過平方誤差損失函數代替VC維一致收斂的ε不敏感損失函數，用等式約束代替支持向量機方法中的不等式約束，從而確定RBF高斯核函數，并對最小二乘支持向量機的函數進行優化，從而得出最小二乘支持向量機的估計函數。

7.根據權利要求1所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，所述步驟S4進一步包括：將所述步驟S2提取后的氣溫、風向角、風速和歷史負荷數據一起輸入至所述最小二乘支持向量機數學模型中；其中，該輸入數據包括訓練集和測試集，所述訓練集數據作為訓練樣本，所述測試集數據作為測試樣本。

8.根據權利要求7所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，所述輸入數據的前4/5數據作為訓練樣本，其余的1/5數據作為測試樣本。

9.根據權利要求7所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，所述步驟S4還需要確定超參數γ和核參數σ²；且所述步驟S4進一步包括：

S41：設定超參數γ和核參數σ²的范圍和步長；

S42：通過交叉驗證方法驗證優化所述超參數γ和核參數σ²，設定交叉驗證的范圍n，即將輸入樣本數據均分成n組，任意選取其中n-1組子集數據作為訓練集，剩余一組作為驗證集，所得模型經交叉驗證優化超參數γ和核參數σ²；并通過最小二乘支持向量機建立網格；

S43：重復步驟S42，直至網格搜索完畢；

S44：分析模型分類準確率，得出最優值γ和σ²。

10.根據權利要求9所述的最小二乘支持向量機的風力發電短期負荷預測方法，其特征在于，根據最優值的超參數γ和核參數σ²，將作為測試樣本的后1/5數據通過所述最小二乘支持向量機數學模型進行預測，從而得到后1/5數據的預測結果。