CN103345585A - 基于支持向量机的风功率预测校正方法及*** - Google Patents
基于支持向量机的风功率预测校正方法及*** Download PDFInfo
- Publication number
- CN103345585A CN103345585A CN2013102940958A CN201310294095A CN103345585A CN 103345585 A CN103345585 A CN 103345585A CN 2013102940958 A CN2013102940958 A CN 2013102940958A CN 201310294095 A CN201310294095 A CN 201310294095A CN 103345585 A CN103345585 A CN 103345585A
- Authority
- CN
- China
- Prior art keywords
- wind power
- support vector
- vector machine
- data
- power prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风功率预测校正方法,包括步骤:S1.获取选定风电场总容量,获取该风电场最近一个自然年内全场风功率预测数据与风功率实测数据;S2.利用风电场总容量,对步骤S1获取的风电场风功率数据进行归一化处理;S3.根据步骤S2得到的预处理后的风功率预测数据和风功率实测数据,形成输入、输出数据集;S4.随机选取步骤S3得到输入、输出数据集的2/3作为训练集,剩下的1/3作为检验集;S5.选取支持向量机核函数和训练参数,利用步骤S4得到的训练集进行训练,并利用检验集进行检验;S6.利用网格搜索法,修正支持向量机的参数,并利用校正结果的平均绝对百分比误差和均方根相对误差作为评价标准,得到局部最优支持向量机训练模型,即局部最优风功率预测校正模型。
Description
技术领域
本发明涉及新能源发电与控制领域,尤其涉及一种基于支持向量机(SVM)的风功率预测校正方法及***。
背景技术
进入新世纪以来,化石能源短缺和环境污染的状况越来越严重,促使电力行业寻找开发可再生的清洁能源替代现有的化学能源,优化能源结构,其中,风电作为一种大规模存在的可再生的清洁能源开始逐渐受到人们的重视。另一方面,风电的一次能源风能具有很大的波动性和间歇性,会给电力***造成较大的干扰,因此需要对风功率进行一定的预测,将风电纳入常规发电计划,才能更好地管理和利用风电。根据国家能源局的要求,风电场应该上报日前预测数据(未来24小时,96个点)和实时预测(未来4小时,15分钟一个点)。但是实际中,风电场上报的日前预测数据误差很大,不能用于日前发电计划的计算,否则日前发电计划会非常不精确,甚至可能引发安全性问题。因此,需要开发一套简单、快捷的方法,对风电场上报的风功率原始预测数据进行校正,以满足日前发电计划计算的需要,这也符合新能源发电与控制的发展趋势。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何提供一种简单方便、经济实用的风功率预测校正方法。
(二)技术方案
为解决上述问题,本发明提供了本发明公开了一种风功率预测校正方法,包括步骤:S1.获取选定风电场总容量,获取该风电场最近一个自然年内全场风功率预测数据与风功率实测数据;S2.利用风电场总容量,对步骤S1获取的风电场风功率数据进行归一化处理;S3.根据步骤S2得到的预处理后的风功率预测数据和风功率实测数据,形成输入、输出数据集;S4.随机选取步骤S3得到输入、输出数据集的2/3作为训练集,剩下的1/3作为检验集;S5.选取支持向量机核函数和训练参数,利用步骤S4得到的训练集进行训练,并利用检验集进行检验;S6.利用网格搜索法,修正支持向量机的参数,并利用校正结果的平均绝对百分比误差和均方根相对误差作为评价标准,得到局部最优支持向量机训练模型,即局部最优风功率预测校正模型。
优选地,所述步骤S6包括:S6.1设定正则化参数的离散取值集合和RBF函数的离散取值集合,一共有121个组合;S6.2对于每一个组合,进行步骤S4和步骤S5,并记录每一个组合下得到的平均绝对百分比误差和均方根相对误差;S6.3选取平均绝对百分比误差和均方根相对误差最小的一对组合,作为局部最优支持向量机的参数,形成局部最优风功率预测校正模型。
另一方面,本发明还提供一种风功率预测校正***,其特征在于,包括:第一模块,用于获取选定风电场总容量,获取该风电场最近一个自然年内全场风功率预测数据与风功率实测数据;第二模块,用于利用风电场总容量,对步骤S1获取的风电场风功率数据进行归一化处理;第三模块,用于根据步骤S2得到的预处理后的风功率预测数据和风功率实测数据,形成输入、输出数据集;第四模块,用于随机选取步骤S3得到输入、输出数据集的2/3作为训练集,剩下的1/3作为检验集;第五模块,用于选取支持向量机核函数和训练参数,利用步骤S4得到的训练集进行训练,并利用检验集进行检验;第六模块,用于利用网格搜索法,修正支持向量机的参数,并利用校正结果的平均绝对百分比误差和均方根相对误差作为评价标准,得到局部最优支持向量机训练模型,即局部最优风功率预测校正模型。
优选地,所述第六模块包括:第一子模块,用于设定正则化参数的离散取值集合和RBF函数的离散取值集合,一共有121个组合;第二子模块,用于对于每一个组合,进行步骤S4和步骤S5,并记录每一个组合下得到的平均绝对百分比误差和均方根相对误差;第三子模块,用于选取平均绝对百分比误差和均方根相对误差最小的一对组合,作为局部最优支持向量机的参数,形成局部最优风功率预测校正模型。
(三)有益效果
本发明通过支持向量机对风功率预测历史数据和风功率实测历史数据进行训练,能够对风功率预测数据进行校正,得到更加准确的风功率预测数据,从而实现了对***风电功率更好的控制,具有以下有益效果:
1)可提高电网的控制技术水平,克服现有风功率预测手段不足、预测精度相对较差等因素,提高了电网的调度和运行质量,前瞻电网未来的发展,可很大限度地改善含高风电渗透率的绿色电力***运行的经济性和电能质量;
2)计算速度快,能够满足在线计算的要求;
3)简单方便,不需要获取数值天气预报信息,可以应用于多种不同的场合。
附图说明
图1为根据本发明一种实施方式的风功率预测校正方法的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明的方法根据常规风功率预测结果中隐性包含数值天气预报结果的特点,将数据挖掘理论中分类预测的思想引入电力***。如图1所示,依照本发明一种实施方式的基于支持向量机的风功率预测校正方法包括步骤:
S1.获取选定风电场总容量P额定,获取该风电场最近一个自然年内全场风功率预测数据与风功率实测数据,分别记为其中T=1,……,N表示一年内风功率预测数据与风功率实测数据的时标数列(其中,N表示时标的总个数,N=96×D,D表示一年内的总天数,根据实际情况可取值365或366)。按照中国能源局的规定,风电场上报的风功率数据为15min一个数据点,因此一个自然天有96个数据点,一个自然年有96×D个数据点;
S2.利用风电场总容量,对步骤S1获取的风电场风功率数据进行归一化处理,处理后的数据分别记为P预测(T)和P实测(T)。其中,归一化公式如(S2-1)和(S2-2)所示;
S3.根据步骤S2得到的预处理后的风功率预测数据和风功率实测数据,形成输入、输出数据集。其中,每一组输入数据包括9个数据单元,分别是P预测(t+1),P预测(t+2),P预测(t+3),P预测(t+4),P预测(t+5),P实测(t+1),P实测(t+2),P实测(t+3)和P实测(t+4),每一组输出数据包括1个数据单元,是P实测(t+5),即利用前一个小时的风功率预测值和实际输出值以及当前时刻的风功率预测值作为输入,输出值即为当前时刻风功率预测值的校正值。按照这种规则,一共可形成N-4组输入、输出数据组,用于后续计算;
S4.随机选取步骤S3得到数据组的2/3作为训练集,剩下的1/3作为检验集。则训练集中一共有[2(N-4)/3]组输入、输出数据组,检验集中一共有(N-4)-[2(N-4)/3]组输入、输出数据组,[*]是取整运算符;
S5.选取适当的支持向量机核函数和训练参数,其中核函数使用径向基函数(RBF),正则化参数γ初始设定为1,RBF函数参数σ2初始设定为1,利用步骤S4得到的训练集进行训练。然后,利用检验集进行检验,分别计算校正结果的平均绝对百分比误差eMAPE和均方根相对误差eMSE。其中,eMAPE和eMSE的计算方法如式(S5-1)和(S5-2)所示;
S6.利用网格搜索法,修正支持向量机的参数γ和σ2,并利用校正结果的平均绝对百分比误差eMAPE和均方根相对误差eMSE作为评价标准,得到局部最优支持向量机训练模型,即局部最优风功率预测校正模型。
其中,步骤S6进一步包括:
S6.1设定γ取值为[10-5,10-4,…,104,105],设定σ2取值为[10-5,10-4,…,104,105],一共有121个(γ,σ2)的组合;
S6.2对于每一个(γ,σ2)组合,进行步骤S4和步骤S5,并记录每一个组合下得到的平均绝对百分比误差eMAPE和均方根相对误差eMSE;
S6.3选取平均绝对百分比误差eMAPE和均方根相对误差eMSE最小的一对(γ,σ2)组合,作为局部最优支持向量机的参数,形成局部最优风功率预测校正模型。
本发明的基于支持向量机(SVM)的风功率预测校正算法可以用于我国各省级电力***和地区风电场的经济调度自动化***之中,能够提高风电场出力预测的安全性和准确性,具有重大的经济和社会效益。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (4)
1.一种风功率预测校正方法,其特征在于,包括步骤:
S1.获取选定风电场总容量,获取该风电场最近一个自然年内全场风功率预测数据与风功率实测数据;
S2.利用风电场总容量,对步骤S1获取的风电场风功率数据进行归一化处理;
S3.根据步骤S2得到的预处理后的风功率预测数据和风功率实测数据,形成输入、输出数据集;
S4.随机选取步骤S3得到输入、输出数据集的2/3作为训练集,剩下的1/3作为检验集;
S5.选取支持向量机核函数和训练参数,利用步骤S4得到的训练集进行训练,并利用检验集进行检验;
S6.利用网格搜索法,修正支持向量机的参数,并利用校正结果的平均绝对百分比误差和均方根相对误差作为评价标准,得到局部最优支持向量机训练模型,即局部最优风功率预测校正模型。
2.如权利要求1所述的方法,其特征在于,所述步骤S6包括:
S6.1设定正则化参数的离散取值集合和RBF函数的离散取值集合,一共有121个组合;
S6.2对于每一个组合,进行步骤S4和步骤S5,并记录每一个组合下得到的平均绝对百分比误差和均方根相对误差;
S6.3选取平均绝对百分比误差和均方根相对误差最小的一对组合,作为局部最优支持向量机的参数,形成局部最优风功率预测校正模型。
3.一种风功率预测校正***,其特征在于,包括:
第一模块,用于获取选定风电场总容量,获取该风电场最近一个自然年内全场风功率预测数据与风功率实测数据;
第二模块,用于利用风电场总容量,对步骤S1获取的风电场风功率数据进行归一化处理;
第三模块,用于根据步骤S2得到的预处理后的风功率预测数据和风功率实测数据,形成输入、输出数据集;
第四模块,用于随机选取步骤S3得到输入、输出数据集的2/3作为训练集,剩下的1/3作为检验集;
第五模块,用于选取支持向量机核函数和训练参数,利用步骤S4得到的训练集进行训练,并利用检验集进行检验;
第六模块,用于利用网格搜索法,修正支持向量机的参数,并利用校正结果的平均绝对百分比误差和均方根相对误差作为评价标准,得到局部最优支持向量机训练模型,即局部最优风功率预测校正模型。
4.如权利要求3所述的***,其特征在于,所述第六模块包括:
第一子模块,用于设定正则化参数的离散取值集合和RBF函数的离散取值集合,一共有121个组合;
第二子模块,用于对于每一个组合,进行步骤S4和步骤S5,并记录每一个组合下得到的平均绝对百分比误差和均方根相对误差;
第三子模块,用于选取平均绝对百分比误差和均方根相对误差最小的一对组合,作为局部最优支持向量机的参数,形成局部最优风功率预测校正模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102940958A CN103345585A (zh) | 2013-07-12 | 2013-07-12 | 基于支持向量机的风功率预测校正方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102940958A CN103345585A (zh) | 2013-07-12 | 2013-07-12 | 基于支持向量机的风功率预测校正方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103345585A true CN103345585A (zh) | 2013-10-09 |
Family
ID=49280380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102940958A Pending CN103345585A (zh) | 2013-07-12 | 2013-07-12 | 基于支持向量机的风功率预测校正方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345585A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761580A (zh) * | 2013-12-31 | 2014-04-30 | 北华大学 | 一种能源动态预测的啤酒生产企业能源消耗监督方法 |
CN103955755A (zh) * | 2014-04-18 | 2014-07-30 | 国家电网公司 | 采用复合数据源基于自学习多项式核函数支持向量机的风电功率短期预测方法 |
CN105046057A (zh) * | 2015-06-24 | 2015-11-11 | 上海大学 | 基于Morlet小波核的LSSVM脉动风速预测方法 |
CN105302848A (zh) * | 2014-10-11 | 2016-02-03 | 山东鲁能软件技术有限公司 | 一种设备智能预警***的评估值校准方法 |
CN105701562A (zh) * | 2016-01-05 | 2016-06-22 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自*** |
CN107609697A (zh) * | 2017-09-06 | 2018-01-19 | 南京邮电大学 | 一种风力发电功率预测方法 |
CN108304976A (zh) * | 2018-03-06 | 2018-07-20 | 西安交通大学 | 一种电力***精细化负荷预测和分析方法 |
CN109978204A (zh) * | 2017-12-27 | 2019-07-05 | 北京金风慧能技术有限公司 | 确定风电场的风功率的预测准确率的方法和装置 |
CN114462710A (zh) * | 2022-02-11 | 2022-05-10 | 华润电力技术研究院有限公司 | 一种风机发电功率的短期预测方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916998A (zh) * | 2010-07-12 | 2010-12-15 | 东北电力科学研究院有限公司 | 一种基于支持向量机的风电功率预测装置及方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102938093A (zh) * | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
-
2013
- 2013-07-12 CN CN2013102940958A patent/CN103345585A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916998A (zh) * | 2010-07-12 | 2010-12-15 | 东北电力科学研究院有限公司 | 一种基于支持向量机的风电功率预测装置及方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102938093A (zh) * | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
Non-Patent Citations (4)
Title |
---|
史洁: "《基于支持向量机的风电场功率短期预测方法研究》", 《中国优秀硕士论文全文数据库》 * |
叶徐静: "《基于最小二乘支持向量机的风电功率超短期预测》", 《电源学报》 * |
周松林 等: "《基于预测误差校正的支持向量机短期风速预测》", 《***仿真学报》 * |
王兴玲 等: "《基于网格搜索的支持向量机核函数参数的确定》", 《中国海洋大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761580A (zh) * | 2013-12-31 | 2014-04-30 | 北华大学 | 一种能源动态预测的啤酒生产企业能源消耗监督方法 |
CN103955755A (zh) * | 2014-04-18 | 2014-07-30 | 国家电网公司 | 采用复合数据源基于自学习多项式核函数支持向量机的风电功率短期预测方法 |
CN105302848A (zh) * | 2014-10-11 | 2016-02-03 | 山东鲁能软件技术有限公司 | 一种设备智能预警***的评估值校准方法 |
CN105302848B (zh) * | 2014-10-11 | 2018-11-13 | 山东鲁能软件技术有限公司 | 一种设备智能预警***的评估值校准方法 |
CN105046057A (zh) * | 2015-06-24 | 2015-11-11 | 上海大学 | 基于Morlet小波核的LSSVM脉动风速预测方法 |
CN105046057B (zh) * | 2015-06-24 | 2019-04-02 | 上海大学 | 基于Morlet小波核的LSSVM脉动风速预测方法 |
CN105701562A (zh) * | 2016-01-05 | 2016-06-22 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自*** |
CN105701562B (zh) * | 2016-01-05 | 2019-12-17 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自*** |
CN107609697A (zh) * | 2017-09-06 | 2018-01-19 | 南京邮电大学 | 一种风力发电功率预测方法 |
CN109978204A (zh) * | 2017-12-27 | 2019-07-05 | 北京金风慧能技术有限公司 | 确定风电场的风功率的预测准确率的方法和装置 |
CN109978204B (zh) * | 2017-12-27 | 2021-04-06 | 北京金风慧能技术有限公司 | 确定风电场的风功率的预测准确率的方法和装置 |
CN108304976A (zh) * | 2018-03-06 | 2018-07-20 | 西安交通大学 | 一种电力***精细化负荷预测和分析方法 |
CN114462710A (zh) * | 2022-02-11 | 2022-05-10 | 华润电力技术研究院有限公司 | 一种风机发电功率的短期预测方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Esteban et al. | 100% renewable energy system in Japan: Smoothening and ancillary services | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及*** | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
CN102269124B (zh) | 超短期风电场发电功率预测*** | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
Kondziella et al. | Flexibility requirements of renewable energy based electricity systems–a review of research results and methodologies | |
Foley et al. | Wind power forecasting & prediction methods | |
CN107609697B (zh) | 一种风力发电功率预测方法 | |
CN102479347B (zh) | 基于数据驱动的风电场短期风速预测方法和*** | |
CN102509173B (zh) | 一种基于马尔科夫链的电力***负荷准确预测方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
Chuang et al. | Analyzing major renewable energy sources and power stability in Taiwan by 2030 | |
Mao et al. | A novel short-term wind speed prediction based on MFEC | |
CN106897793B (zh) | 一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法 | |
Mohan et al. | Solar energy disaggregation using whole-house consumption signals | |
Majumder et al. | Selection of features for analysis of reliability of performance in hydropower plants: a multi-criteria decision making approach | |
CN103366225A (zh) | 风功率预测误差识别方法 | |
Alanazi et al. | Wind energy assessment using Weibull distribution with different numerical estimation methods: a case study | |
Eltohamy et al. | Technical investigation for power system flexibility | |
CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
CN104657787A (zh) | 一种风功率时间序列组合预测方法 | |
Sarkar | Minding the P's and Q's: Real and reactive power assessment of hybrid energy conversion systems with wind and solar resources | |
Ding et al. | Optimal intra-day coordination of wind farm and pumped-hydro-storage plant | |
CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 | |
Liu et al. | A strategy of minimising wind power curtailment by considering operation capacity credit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131009 |