CN103345585A

CN103345585A - 基于支持向量机的风功率预测校正方法及***

Info

Publication number: CN103345585A
Application number: CN2013102940958A
Authority: CN
Inventors: 黄杨; 胡伟; 郑乐; 陆秋瑜; 王芝茗; 马千; 葛维春; 罗卫华
Original assignee: LIAONING ELECTRIC POWER Co Ltd; Tsinghua University; State Grid Corp of China SGCC
Current assignee: LIAONING ELECTRIC POWER Co Ltd; Tsinghua University; State Grid Corp of China SGCC
Priority date: 2013-07-12
Filing date: 2013-07-12
Publication date: 2013-10-09

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

基于支持向量机的风功率预测校正方法及***

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e_MAPE和均方根相对误差e_MSE。其中，e_MAPE和e_MSE的计算方法如式（S5-1）和（S5-2）所示；

e_{MAPE} = \frac{1}{n} Σ_{i = 1}^{n} \frac{| Y_{i} - {\hat{Y}}_{i} |}{| Y_{i} |} \times 100 % - - - (S 5 - 1)

e_{MSE} = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {(\frac{Y_{i} - {\hat{Y}}_{i}}{Y_{i}})}^{2}} \times 100 % - - - (S 5 - 2)

其中，Y_i表示检验集中存在的理想输出数据，

表示对应的经过支持向量机计算的实际输出数据，n表示检验集中输入、输出数据组的数量。

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e_MAPE和均方根相对误差e_MSE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e_MAPE和均方根相对误差e_MSE；

S6.3选取平均绝对百分比误差e_MAPE和均方根相对误差e_MSE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

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。