[發明專利]一種風電出力的智能預測方法

在審

• 申請號: 201710445132.9
• 申請日: 2017-06-13
• 公開（公告）號: CN107292434A
• 公開（公告）日: 2017-10-24
• 發明（設計）人: 趙欣;李昌陵;劉金朋;賈政豪;何琳;楊書英;楊亞麗;陳超
• 申請（專利權）人: 國網新疆電力公司經濟技術研究院;國家電網公司;華北電力大學;北京華電卓越科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 北京天達知識產權代理事務所(普通合伙)11386
• 代理人: 龐許倩,馬東偉

技術領域

本發明涉及風力發電的技術領域，尤其涉及一種風電出力的智能預測方法。

背景技術

風力發電是目前可再生能源發電技術中較為成熟，并具有大規模開發條件和商業前景的發電方式之一。隨著電力十三五規劃中對加大可再生能源發電占比的要求，未來風力發電將進一步得到長足發展。然而，風電出力受風速的影響較大，風速的不穩定性造成了風電出力的間歇性和不確定性，因此增加了電網計劃和調度的難度。一方面對電網的安全穩定運行帶來看挑戰，另一方面，由此帶來的旋轉備用容量的增加提高了風力發電的運營整體成本。因而，對風電出力進行準確預測就尤為重要。準確合理的風電出力預測可以為風電場的運營計劃及電網的調度安排提供必要的支持，對于降低電網運營風險、降低風電場發電及電網調度成本具有較大的作用和意義。

目前，針對風電出力的預測方法是在考慮風速等氣象因素的基礎上根據歷史數據進行仿真擬合得出未來的風電出力情況。預測方法分為傳統預測方法如趨勢外推、線性回歸及智能預測方法如神經網絡等。傳統預測方法通過不同的數學公式來擬合和研究風電出力的歷史變化規律，根據用電量的發展趨勢來達到預測風電出力的目的。智能預測方法則是借助機器學習算法通過對歷史數據的仿真進行預測。這些預測方法存在的各自的弊端，如傳統預測方法無法擬合復雜的非線性關系，神經網絡收斂速度慢且容易陷入局部最優，不能得到全局最優解，支持向量回歸機對核函數和懲罰因子參數的依賴性高，參數選擇的不準確對預測結果影響很大。

目前，針對風電出力預測的不足之處一方面是不能建立全面的影響因素即輸入變量集，另一方面是由于樣本量較少而帶來的智能預測方法預測性能不能完全體現，導致預測精度不高。因此，目前風電出力預測方法不能很好的滿足對預測精度的要求，這將顯著影響到電網調度的安全性和經濟性。

發明內容

鑒于上述的分析，本發明旨在提供一種風電出力的智能預測方法，用以解決現有預測方法預測精度不高的問題。

本發明的目的主要是通過以下技術方案實現的：

提供了一種風電出力的智能預測方法，包括以下步驟：

步驟S1.收集風電出力功率和氣象指標數據；

步驟S2.對收集的數據進行移動平滑處理；

步驟S3.構建支持向量回歸機模型，將經過移動平滑處理后的風電出力功率作為輸出變量，將經過移動平滑處理后的氣象指標數據作為輸入變量，對支持向量回歸機模型進行訓練；

步驟S4.對支持向量回歸機模型的參數進行優化，再重新利用步驟S3中的輸入變量和輸出變量對模型進行訓練；

步驟S5.獲取當前的氣象數據，移動平滑處理后輸入經過優化并重新訓練的支持向量回歸機模型，得到風電出力功率預測值。

其中，

步驟S1中，所述氣象指標數據包括平均氣壓、海平面氣壓、平均氣溫、最高氣溫、最低氣溫、相對濕度、2分鐘平均風速、2分鐘平均風向、10分鐘平均風向、10分鐘平均風速、10分鐘最大風速時風向、10分鐘最大風速、10分鐘最大風速時間的歷史基礎數據。

步驟S2中，通過構建移動平均模型F_t＝(A_t-1+A_t-2+A_t-3+…+A_t-n)/n進行移動平滑處理，式中，F_t表示新產生的當期數據值，n表示移動平均的期數，A_t-1表示前期原始數據值，A_t-2、A_t-3及A_t-n分別表示前2、3及n期原始數據值。

步驟S3中，訓練支持向量回歸機模型之前，還包括：對輸入變量及輸出變量收集的樣本數據進行歸一化處理。優選的，所述歸一化處理采用極值法。

步驟S3中構建的支持向量回歸機模型為：

其中，是把訓練樣本投射到一個高維空間，w是加權向量，b 是偏置。

基于拉格朗日函數將支持向量回歸機模型進一步優化為：

其中，K(x_i,x)為核函數，K(x_i,x_j)＝exp(-||x_i-x_j||²/σ²)，α_i為拉格朗日乘子。

步驟S4中對支持向量回歸機模型的參數進行優化，具體采用煙花算法進行優化，包括：