CN101916998A - 一种基于支持向量机的风电功率预测装置及方法 - Google Patents

Abstract

一种基于支持向量机的风电功率预测装置及方法，属于风电功率预测技术领域。该装置包括有微处理器、传感器、外扩存储器、数据采集模块、能量管理模块(EMS)和通信接口；应用该装置的预测方法，步骤如下：步骤1、对历史数据进行归一化处理；步骤2、采用数据采集模块采集预测日的气象信息，形成训练样本集；步骤3、得到满足精度要求的最优聚类中心矩阵；步骤4、将训练样本集按聚类中心的距离进行分类；步骤5、得到风电功率预测结果。本发明的优点：实现了结构风险最小化的归纳原则，并且它的训练等价于解决一个线性约束的二次规划问题，存在唯一解。

Description

一种基于支持向量机的风电功率预测装置及方法

技术领域

本发明属于风电功率预测技术领域，特别涉及一种基于支持向量机(SVM)的风电功率预测装置及方法。

背景技术

近年来，随着风电规模的不断扩大，大容量的风电接入电网会对电力***的安全、稳定运行以及保证电能质量带来严峻的挑战。因此，必须对风电场未来24小时的功率进行准确的预测。这样可以及时调整调度计划，减少***的旋转备用量，降低***的运行成本，为风电场参与发电竞价奠定基础。

目前，对风电场输出功率的预测包括二种方法：一是物理方法，即先利用数值天气预报***得到风速、风向、气压、气温等天气数据，然后根据风机周围的物理信息得到风力风电机组风速、风向等信息，最后利用风机的功率曲线计算得出风机的实际输出功率；二是统计方法，其根据历史数据即风速或功率在天气状况和输出功率间建立映射关系，然后进行预测，建模方法包括时间序列、卡尔曼滤波法、神经网络法等。这些方法随着风电技术的深入暴露出一些难于克服的缺陷，如预测精度差、收敛速度慢和稳定性差等缺点。

发明内容

为了克服已有技术的不足，本发明提供一种基于支持向量机的风电功率预测装置及方法。

本发明的技术方案是这样实现的：该装置包括有微处理器、传感器、外扩存储器、数据采集模块、能量管理模块(EMS)和通信接口；

其中通信接口包括RS232接口和以太网接口；

外扩存储器包括假静态随机存储器(PSRAM)与闪存(Nand Flash)；

数据采集模块是信号的输入输出，包括A\D输入、D\A输出与数字量输入输出；

该装置各部件的连接是：传感器的输出连接数据采集模块的输入，数据采集模块的输出和能量管理模块(EMS)的输出连接微处理器的输入，微处理器的输出连接通讯接口的输入，通讯接口的输出连接外扩存储器，外扩存储器的双工端连接微处理器的双工端。

基于支持向量机的风电功率预测装置进行预测的方法，利用基于支持向量机模型进行预测，步骤如下：

步骤1、对历史数据进行归一化处理；

归一化公式为：

${\stackrel{\·}{x}}_i=\frac{x_i-x_{i\min }}{x_{i\max }-x_{i\min }},(i=\mathrm{1,2},\·\·\·,m)---\left(1\right)$

其中

为归一化的数据值，x_i为实测值，x_imin＝min(x_i)，x_imax＝max(x_i)，m为输入向量维数，即影响负荷因素的个数；

步骤2、采用数据采集模块采集预测日的气象信息，形成训练样本集，训练样本输入一般包括以下几类：利用公式(1)处理预测日之前与预测日的预测时刻数据；

为预测日之前预测时刻输出归一化数据；

为预测日前一日预测时刻输出归一化数据；

预测日的气象数据，包含最高温度、最低温度、平均温度、风力和湿度，k为气象参数的维数；

步骤3、用模糊c均值方法(FCM)聚类，得到满足精度要求的最优聚类中心矩阵：

根据训练样本集，确定聚类类别数c和迭代收敛精度，初始化聚类中心矩阵P＝P⁽⁰⁾；

用式 ${\mathrm{\μ}}_{\mathrm{ik}}^{\left(b\right)}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ik}}^{\left(b\right)}}{d_{\mathrm{jk}}^{\left(b\right)}}\right)}^2}---\left(2\right)$

$p_i^{(b+1)}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}^{(b+1)}\right)}^2{\stackrel{\·}{x}}_{\mathrm{ik}}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}^{(b+1)}\right)}^2},(i=\mathrm{1,2},\·\·\·,c)---\left(3\right)$

μ_ik为隶属函数；P_i表示聚类中心；

表示训练样本，包括

和

b表示迭代次数；k为气象参数的维数；d_ik表示训练样本；组成循环迭代公式，以迭代法可确定满足精度要求的最优聚类中心矩阵P^*；

步骤4、将训练样本集按聚类中心的距离进行分类：

计算与聚类中心P_i的距离

$d_{\mathrm{ik}}^2=\left|\right|{\stackrel{\·}{x}}_{\mathrm{ik}}-p_i\left|\right|={({\stackrel{\·}{x}}_{\mathrm{ik}}-p_i)}^T({\stackrel{\·}{x}}_{\mathrm{ik}}-p_i),(i=\mathrm{1,2},\·\·\·,c)---\left(4\right)$

确定训练样本集到聚类中心的距离；

$d_i=\underset{1\≤i\≤c}{\min }\left\{d_{\mathrm{ik}}\right\}---\left(5\right)$

得到距离最短的一类训练样本记为作为训练样本集所属类别，将该类包含的训练样本集作为支持向量机预测模型预测的训练样本集；

步骤5、将分类后的训练样本集和能量管理模块获得的功率数据作为支持向量机预测模型的输入量，利用支持向量机预测模型进行风电功率预测，公式(7)的输出值即为风电功率预测结果；

支持向量机预测模型为：

$y_i=f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}(a_i^{*}-a_i)K\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\stackrel{\‾}{b}---\left(7\right)$

其中y_i为支持向量机预测模型输出；若a_j∈(0，C)；ε为不敏感损失函数；C为调整参数；

为常数项，“T”为转置；

(i＝1，2，…l)为训练样本的输入；l为距聚类中心距离最短的训练样本的个数；m为训练样本维数，即输入条件的维数；α_i为拉格朗日乘子，

为α_i的对偶值。

所述的支持向量机预测模型应用，按如下步骤进行：

1)、建立如下式的目标函数：

$\min \frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}(a_i^{*}-a_i)K\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)---\left(6\right)$

$s\·t\·\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)=0$

$0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C$ (i＝1，2，…，l)

其中s.t.为约束条件；K(x_i，x_j)为核函数；l为距聚类中心距离最短的训练样本的个数；m为训练样本维数，即输入条件的维数；α_i为拉格朗日乘子，

为α_i的对偶值；

(i＝1，2，…l)为训练样本的输入；y_i为支持向量机预测模型输出；

2)、将训练样本集

带入公式(6)；求解α_i和

(i＝1，2，…，l)，得到最优解

3)将

代入下式，得到决策回归方程；

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}(a_i^{*}-a_i)K\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\stackrel{\‾}{b}---\left(7\right)$

其中

α_i∈(0，C)；

ε为不敏感损失函数；C为调整参数；

为常数项，“T”为转置。

本发明的优点：本发明为一种在统计学习基础上构建起来的机器学习方法，适合于风电场的有限样本情况下的功率预测，实现了结构风险最小化的归纳原则，并且它的训练等价于解决一个线性约束的二次规划问题，存在唯一解。随着不敏感损失函数的引入，支持向量机已经扩展为解决非线性回归估计问题的一种有效方法。

附图说明：

图1本发明风电场功率预测装置结构框图；

图2本发明微控制器与PSRAM连接电原理图；

图3本发明微控制器与FLASH连接电原理图；

图4本发明微控制器与以太网连接电原理图；

图5本发明联合聚类算法的支持向量机预测模型基本流程图；

图6本发明预测功率与实际功率曲线图。

具体实施方式：

本发明一种基于支持向量机的风电功率预测装置及方法的详细结构结合实施例和附图加以说明，

该装置包括微处理器、传感器、外扩存储器、数据采集模块、能量管理模块(EMS)和通信接口；如图1所示，其中微处理器是整个***的核心，采用NXP公司LPC2000系列ARM微控制器LPC2200，可外扩Flash和RAM，Ethernet、UART等***功能接口，微控制器完成测量数据的分析处理、控制动态存储与显示、控制信号输入输出及其它设备通信等功能。微处理器分别经数据采集模块从传感器得到的风电场的风速、温度、湿度和压强等实时气象信息；另一方面从电力部门已有的EMS模块获取风电场的功率数据；微控制器接受到由通信接口得到的电力调度指令，从数据采集模块获取所需的历史数据进行预测并将结果反馈到回来，最终从数据采集模块中读取风电功率预测值，并根据此值进行后续的调度安排；

外扩存储器包括PSRAM和Nand Flash，PSRAM是Cel lularRAM的MT45W4ML16PFA，它是4M*16位的64Mb器件；

LPC2200在外扩存储器接口Bank0上使用，所以将LPC2200的CS0与MT45W4ML16PFA的片选引脚连接，外扩存储器连接使用了16位总线方式，数据总线使用了D0～D15，地址总线使用了A1～A22。为了能够对MT45W4ML16PFA的字节单元进行单独操作(如高8位，或低8位)，把LPC2200的BLS1、BLS0(字节定位选择位)控制信号分别连接到MT45W4ML16PFA的UB#(高字节使能)、LB#(低字节使能)引脚；如图2所示，

Nand Flash是SAMSUNG公司生产的K9F2808U0C，存储容量为16M*8位，工作电压为2.7～3.6V，图3是LPC2200与K9F2808U0C连接图，其中，使用8位数据总线(D0～D7)与K9F2808U0C的I/O0～I/O7引脚相连，通过数据总线发送地址、命令和数据，K9F2808U0C的片选信号由CS3控制，CLE(命令锁存使能)、ALE(地址锁存使能)信号分别由A0、A1控制；如图3所示，

通信接口以太网接口与为微处理器的连接电路图，以太网接口采用CS8900A与为微处理器相连，CS8900A芯片是Cirrus Logic公司生产的一种局域网处理芯片，在嵌入式领域中使用非常常见，它的封装是100-pin TQFP，内部集成了在片RAM、10BASE-T收发滤波器，并且提供8位和16位两种接口，CS8900A通过nCS3引脚使能，D0～D15为双向的16位数据总线，TXD+/TXD-为10BASE-T发送端，RXD+/RXD-为10BASE-T接收端，通信接口完成于PC机和调度中心的信息交互；如图4所示，

数据采集模块是信号的输入输出，包括A\D输入、D\A输出与数字量输入输出；

本发明基于支持向量机(SVM)的风电功率预测方法，基本思路是先将历史数据根据FCM算法聚类；再识别待预测样本所属的类，选择所属类包含的样本作为学习样本；最后使用SVM方法进行负荷预测。这种方法考虑了样本之间的相似性，依据样本的相似度选用同类特征数据作为预测输入，保证了数据特征的一致性，强化了历史数据规律。

验证联合FCM聚类算法的SVM的功率预测方法。以预测某风场的日24小时输出功率为例，用预测日的前100天数据构建样本。

基于支持向量机的风电功率预测装置进行预测的方法，利用基于支持向量机模型进行预测，步骤如下：

步骤1、对历史数据进行归一化处理；

归一化公式为：

${\stackrel{\·}{x}}_i=\frac{x_i-x_{i\min }}{x_{i\max }-x_{i\min }},(i=\mathrm{1,2},\·\·\·,m)---\left(1\right)$

其中

为归一化的数据值，x_i为实测值，i_min＝min(x_i)，x_imax＝max(x_i)，m为输入向量维数，即影响负荷因素的个数；

步骤2、采用数据采集模块采集预测日的气象信息，形成训练样本集，训练样本输入一般包括以下几类：利用公式(1)处理预测日之前与预测日的预测时刻数据；A＝{0.49125，0.78，0.75375，0.83，0.68125，0.82625，0.41125，0.8925，0.88875，0.415，0.8075，0.86，0.8375，0.4825，0.8125}为预测日之前预测时刻输出归一化数据；B＝{0.41875，0.80125，0.615，0.4525，0.67875，0.78625，0.915，0.78875，0.6625，0.8475，0.52375，0.56375，0.4775，0.58625，0.9325}为预测日前一日预测时刻输出归一化数据；c＝{0.6925，0.8925，0.58，0.63，0.86375，0.51375，0.77125，0.5，0.55625，0.78，0.51125，0.765，0.8875，0.6225，0.6575}为预测日的气象数据，包含最高温度、最低温度、平均温度、风力和湿度，k为气象参数的维数；

步骤3、用模糊c均值方法(FCM)聚类，得到满足精度要求的最优聚类中心矩阵：

根据训练样本集，确定聚类类别数c和迭代收敛精度，初始化聚类中心矩阵P＝P⁽⁰⁾；

用式 ${\mathrm{\μ}}_{\mathrm{ik}}^{\left(b\right)}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ik}}^{\left(b\right)}}{d_{\mathrm{jk}}^{\left(b\right)}}\right)}^2}---\left(2\right)$

$p_i^{(b+1)}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}^{(b+1)}\right)}^2{\stackrel{\·}{x}}_{\mathrm{ik}}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}^{(b+1)}\right)}^2},(i=\mathrm{1,2},\·\·\·,c)---\left(3\right)$

μ_ik为隶属函数；P_i表示聚类中心；

表示训练样本，包括和

b表示迭代次数；k为气象参数的维数；d_ik表示训练样本；组成循环迭代公式，以迭代法可确定满足精度要求的最优聚类中心矩阵P^*；

步骤4、将训练样本集按聚类中心的距离进行分类：

计算与聚类中心P_i的距离

$d_{\mathrm{ik}}^2=\left|\right|{\stackrel{\·}{x}}_{\mathrm{ik}}-p_i\left|\right|={({\stackrel{\·}{x}}_{\mathrm{ik}}-p_i)}^T({\stackrel{\·}{x}}_{\mathrm{ik}}-p_i),(i=\mathrm{1,2},\·\·\·,c)---\left(4\right)$

确定训练样本集到聚类中心的距离；

$d_i=\underset{1\≤i\≤c}{\min }\left\{d_{\mathrm{ik}}\right\}---\left(5\right)$

得到距离最短的一类训练样本记为

作为训练样本集所属类别，将该类包含的训练样本集作为支持向量机预测模型预测的训练样本集；

步骤5、将分类后的训练样本集和能量管理模块获得的功率数据作为支持向量机预测模型的输入量，利用支持向量机预测模型进行风电功率预测，公式(7)的输出值即为风电功率预测结果；

支持向量机预测模型为：

$y_i=f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}(a_i^{*}-a_i)K\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\stackrel{\‾}{b}---\left(7\right)$

其中y_i为支持向量机预测模型输出；

若a_j∈(0，C)；ε为不敏感损失函数；C为调整参数；为常数项，“T”为转置；

(i＝1，2，…l)为训练样本的输入；l为距聚类中心距离最短的训练样本的个数；m为训练样本维数，即输入条件的维数；α_i为拉格朗日乘子，

为α_i的对偶值。

所述的支持向量机预测模型应用，按如下步骤进行：

1)、建立如下式的目标函数：

$\min \frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}(a_i^{*}-a_i)K\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)---\left(6\right)$

$s\·t\·\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)=0$

$0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C$ (i＝1，2，…，l)

其中s.t.为约束条件；K(x_i，x_j)为核函数；l为距聚类中心距离最短的训练样本的个数；m为训练样本维数，即输入条件的维数；α_i为拉格朗日乘子，

为α_i的对偶值；

(i＝1，2，…l)为训练样本的输入；y_i为支持向量机预测模型输出；

2)、将训练样本集

带入公式(6)；求解α_i和

(i＝1，2，…，l)，得到最优解

3)将

代入下式，得到决策回归方程；

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}(a_i^{*}-a_i)K\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\stackrel{\‾}{b}---\left(7\right)$

其中

a_i∈(0，C)；

ε为不敏感损失函数；C为调整参数；

为常数项，“T”为转置。

通过图6预测功率与实际功率曲线，可知本发明方发预测误差小，为10％左右。

Claims (3)

1.一种基于支持向量机的风电功率预测装置，其特征在于：该装置包括微处理器、传感器、外扩存储器、数据采集模块、能量管理模块和通信接口；其中通信接口包括RS232接口和以太网接口；外扩存储器包括假静态随机存储器与闪存；数据采集模块是信号的输入输出，包括A\D输入、D\A输出与数字量输入输出；

该装置的连接是：传感器的输出连接数据采集模块的输入，数据采集模块的输出和能量管理模块的输出连接微处理器的输入，微处理器的输出连接通讯接口的输入，通讯接口的输出连接外扩存储器，外扩存储器的双工端连接微处理器的双工端。

2.采用权利要求1所述的基于支持向量机的风电功率预测装置进行预测的方法，其特征在于，利用基于支持向量机模型进行预测，步骤如下：

步骤1、对历史数据进行归一化处理；

归一化公式为：

${\stackrel{\·}{x}}_i=\frac{x_i-x_{i\min }}{x_{i\max }-x_{i\min }},(i=\mathrm{1,2},\·\·\·,m)---\left(1\right)$

其中

为归一化的数据值，x_i为实测值，x_imin＝min(x_i)，x_imax＝max(x_i)，m为输入向量维数，即影响负荷因素的个数；

步骤2、采用数据采集模块采集预测日的气象信息，形成训练样本集，训练样本输入一般包括以下几类：利用公式(1)处理预测日之前与预测日的预测时刻数据；

为预测日之前预测时刻输出归一化数据；

为预测日前一日预测时刻输出归一化数据；c＝{x_ic1，x_ic2，…，x_ick}，

预测日的气象数据，包含最高温度、最低温度、平均温度、风力和湿度，k为气象参数的维数；

步骤3、用模糊c均值方法(FCM)聚类，得到满足精度要求的最优聚类中心矩阵：

根据训练样本集，确定聚类类别数c和迭代收敛精度，初始化聚类中心矩阵P＝P⁽⁰⁾；

用式 ${\mathrm{\μ}}_{\mathrm{ik}}^{\left(b\right)}=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ik}}^{\left(b\right)}}{d_{\mathrm{jk}}^{\left(b\right)}}\right)}^2}---\left(2\right)$

$p_i^{(b+1)}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}^{(b+1)}\right)}^2{\stackrel{\·}{x}}_{\mathrm{ik}}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{ik}}^{(b+1)}\right)}^2},(i=\mathrm{1,2},\·\·\·,c)---\left(3\right)$

μ_ik为隶属函数；P_i表示聚类中心；

表示训练样本，包括

和

b表示迭代次数；k为气象参数的维数；d_ik表示训练样本；组成循环迭代公式，以迭代法可确定满足精度要求的最优聚类中心矩阵P^*；

步骤4、将训练样本集按聚类中心的距离进行分类：

计算

与聚类中心P_i的距离

$d_{\mathrm{ik}}^2=\left|\right|{\stackrel{\·}{x}}_{\mathrm{ik}}-p_i\left|\right|={({\stackrel{\·}{x}}_{\mathrm{ik}}-p_i)}^T({\stackrel{\·}{x}}_{\mathrm{ik}}-p_i),(i=\mathrm{1,2},\·\·\·,c)---\left(4\right)$

确定训练样本集到聚类中心的距离；

$d_i=\underset{1\≤i\≤c}{\min }\left\{d_{\mathrm{ik}}\right\}---\left(5\right)$

得到距离最短的一类训练样本记为

作为训练样本集所属类别，将该类包含的训练样本集作为支持向量机预测模型预测的训练样本集；

步骤5、将分类后的训练样本集和能量管理模块获得的功率数据作为支持向量机预测模型的输入量，利用支持向量机预测模型进行风电功率预测，公式(7)的输出值即为风电功率预测结果；

支持向量机预测模型为：

$y_i=f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K+\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\stackrel{\‾}{b}---\left(7\right)$

其中y_i为支持向量机预测模型输出；ε为不敏感损失函数；C为调整参数；

为常数项，“T”为转置；

(i＝1，2，…l)为训练样本的输入；l为距聚类中心距离最短的训练样本的个数；m为训练样本维数，即输入条件的维数；α_i为拉格朗日乘子，

为α_i的对偶值。

3.按权利要求1所述的基于支持向量机的风电功率预测装置进行预测的方法，其特征在于，所述的支持向量机预测模型应用，按如下步骤进行：

1)、建立如下式的目标函数：

$\min \frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)---\left(6\right)$

$s\·t\·\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)=0$

$0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤C$ (i＝1，2，…，l)

其中s.t.为约束条件；K(x_i，x_j)为核函数；l为距聚类中心距离最短的训练样本的个数；m为训练样本维数，即输入条件的维数；α_i为拉格朗日乘子，

为α_i的对偶值；

(i＝1，2，…l)为训练样本的输入；y_i为支持向量机预测模型输出；

2)、将训练样本集

带入公式(6)；求解α_i和(i＝1，2，…，l)，得到最优解

3)将

代入下式，得到决策回归方程；

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K\left({\stackrel{\·}{x}}_{\mathrm{ik},}^{\′}{\stackrel{\·}{x}}_{\mathrm{ik}+1}^{\′}\right)+\stackrel{\‾}{b}---\left(7\right)$

其中y_i为支持向量机预测模型输出；

若a_j∈(0，C)；ε为不敏感损失函数；C为调整参数；

为常数项，“T”为转置；

(i＝1，2，…l)为训练样本的输入；l为距聚类中心距离最短的训练样本的个数；m为训练样本维数，即输入条件的维数；α_i为拉格朗日乘子，为α_i的对偶值。

Images