[發(fā)明專利]基于支持向量機(jī)的超短期風(fēng)電功率組合預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201910398404.3
• 申請日: 2019-05-14
• 公開（公告）號: CN110263971A
• 公開（公告）日: 2019-09-20
• 發(fā)明（設(shè)計(jì)）人: 段建東;王鵬;田璇;樊華
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 涂秀清

本發(fā)明公開的基于支持向量機(jī)的超短期風(fēng)電功率組合預(yù)測方法，首先，對待處理的風(fēng)電功率歷史數(shù)據(jù)根據(jù)相鄰時(shí)間段的數(shù)據(jù)進(jìn)行線性插值替換，將預(yù)處理后的數(shù)據(jù)進(jìn)行歸一化；其次，利用經(jīng)驗(yàn)?zāi)B(tài)分解將處理過的風(fēng)電功率數(shù)據(jù)分解成本征函數(shù)序列和殘差序列；然后，對分解得到的本征函數(shù)序列和殘差序列建立量子粒子群?支持向量機(jī)模型進(jìn)行訓(xùn)練優(yōu)化，得到每個(gè)序列的預(yù)測值；最后，將每個(gè)序列的預(yù)測值疊加得到最終的風(fēng)電功率預(yù)測值，并進(jìn)行誤差評價(jià)分析。本發(fā)明的預(yù)測結(jié)果與支持向量機(jī)直接預(yù)測或者不進(jìn)行數(shù)據(jù)特征分解結(jié)果相比都有所提高，同時(shí)沒有出現(xiàn)局部誤差過大的情況。與現(xiàn)有的風(fēng)電功率預(yù)測方案相比魯棒性更強(qiáng)、計(jì)算速度更快、數(shù)據(jù)需求少、預(yù)測效果更好。

技術(shù)領(lǐng)域

本發(fā)明屬于風(fēng)電功率預(yù)測技術(shù)領(lǐng)域，涉及一種基于支持向量機(jī)的超短期風(fēng)電功率組合預(yù)測方法。

背景技術(shù)

隨著能源逐漸枯竭和環(huán)境污染嚴(yán)重等問題的出現(xiàn)，風(fēng)力發(fā)電接入電網(wǎng)的規(guī)模越來越大。但風(fēng)能具有間歇性、隨機(jī)性且易受風(fēng)速、風(fēng)向、地理位置和氣象等諸多因素的影響。當(dāng)并網(wǎng)規(guī)模達(dá)到一定程度時(shí)，將可能會(huì)給電力系統(tǒng)帶來一系列的問題，如電壓擾動(dòng)、三相不平衡、優(yōu)化調(diào)度、甚至造成安全事故等。再加上突發(fā)因素(臺(tái)風(fēng)、雷電天氣等)的影響，使得風(fēng)電功率預(yù)測精度一直未能滿足大規(guī)模并網(wǎng)的需求，限制了可再生能源的充分利用與消納。因此，對風(fēng)電功率預(yù)測進(jìn)行精確預(yù)測具有非常重要的理論意義與工程應(yīng)用價(jià)值。

為此，各國學(xué)者紛紛提出了許多風(fēng)電功率預(yù)測算法，主要包括基于統(tǒng)計(jì)模型的預(yù)測算法、基于物理模型的預(yù)測算法以及組合模型預(yù)測算法?；诮y(tǒng)計(jì)模型的預(yù)測算法常見的有灰色預(yù)測法、卡爾曼濾波法、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。其中，灰色預(yù)測法只能擬合線性離散序列，而往往大多數(shù)原始序列都是連續(xù)非線性的；卡爾曼濾波法只適用于噪聲服從高斯分布的信號，所以不適合噪聲非高斯分布的風(fēng)電功率信號；人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)與自組織特性，泛化性較強(qiáng)，能高效的處理復(fù)雜性問題，但存在易陷入局部最優(yōu)和收斂速度慢等問題；支持向量機(jī)是當(dāng)前比較流行的方法，具有全局收斂且不依賴于經(jīng)驗(yàn)信息等優(yōu)點(diǎn)，不過對大規(guī)模、多維的信號運(yùn)算時(shí)間較慢。基于物理模型的預(yù)測算法主要指數(shù)值天氣預(yù)報(bào)(NWP)，它需要十分精準(zhǔn)的地表粗糙度、空氣密度及風(fēng)速等信息，輸入?yún)?shù)多且造價(jià)高，國內(nèi)很少使用該方法。組合算法主要分為數(shù)據(jù)處理后與智能算法的組合算法和幾種智能算法加權(quán)組合算法兩種。比如小波分解與和支持向量機(jī)的組合算法，小波分解對時(shí)間跨度大且小樣本數(shù)據(jù)處理效果不好，同時(shí)合理選擇小波基也比較困難；幾種智能算法加權(quán)組合雖然精度提高了但是沒考慮數(shù)據(jù)本身特征且人為因素比較多，不能滿足風(fēng)電功率高精度預(yù)測的需求。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于支持向量機(jī)的超短期風(fēng)電功率組合預(yù)測方法，解決了現(xiàn)有技術(shù)條件下風(fēng)電功率預(yù)測模型精度不高，難以滿足大規(guī)模并網(wǎng)要求的問題。

本發(fā)明所采用的技術(shù)方案是，基于支持向量機(jī)的超短期風(fēng)電功率組合預(yù)測方法，具體操作過程包括如下步驟：

步驟1，數(shù)據(jù)預(yù)處理

對待處理的風(fēng)電功率歷史數(shù)據(jù)根據(jù)相鄰時(shí)間段的數(shù)據(jù)進(jìn)行線性插值替換；

步驟2，將預(yù)處理后的數(shù)據(jù)進(jìn)行歸一化；

步驟3，利用經(jīng)驗(yàn)?zāi)B(tài)分解將經(jīng)步驟2處理過的風(fēng)電功率數(shù)據(jù)分解成本征函數(shù)序列和殘差序列；

步驟4，對分解得到的本征函數(shù)序列和殘差序列分別建立量子粒子群-支持向量機(jī)模型進(jìn)行訓(xùn)練優(yōu)化，得到每個(gè)序列的預(yù)測值；

步驟5，將每個(gè)序列的預(yù)測值疊加得到最終的風(fēng)電功率預(yù)測值。

本發(fā)明的其他特點(diǎn)還在于，

步驟1中數(shù)據(jù)預(yù)處理過程中，對于缺損的數(shù)據(jù)間隔時(shí)間比較長，則使用相同時(shí)間段、類似氣象條件及相鄰幾天的數(shù)據(jù)來取代；對于錯(cuò)誤數(shù)據(jù)根據(jù)前/后5min的數(shù)據(jù)加權(quán)平均進(jìn)行補(bǔ)充。

優(yōu)選的，步驟2中數(shù)據(jù)歸一化的過程如下：

采用公式(1)進(jìn)行歸一化處理：