CN106529706A - 一种基于支持向量机回归的风电场风速预测方法 - Google Patents
一种基于支持向量机回归的风电场风速预测方法 Download PDFInfo
- Publication number
- CN106529706A CN106529706A CN201610936945.3A CN201610936945A CN106529706A CN 106529706 A CN106529706 A CN 106529706A CN 201610936945 A CN201610936945 A CN 201610936945A CN 106529706 A CN106529706 A CN 106529706A
- Authority
- CN
- China
- Prior art keywords
- data
- wind
- support vector
- training
- vector regression
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000001373 regressive effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 24
- 230000005684 electric field Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
一种基于支持向量机回归的风电场风速预测方法,本发明涉及基于支持向量机回归的风电场风速预测方法。本发明的目的是为了解决现有现有短缺风速预测方法预测精度低和收敛速度慢的问题。一种基于支持向量机回归的风电场风速预测方法包括如下步骤:步骤一、选取风电场采集的样本数据;步骤二、确定样本训练集和测试集;步骤三、对样本数据进行预处理;步骤四、选择支持向量机回归(SVM)核函数,确定SVM模型待寻优参数;步骤五、利用最佳参数训练SVM模型,预测未来时刻的风速值。本发明用于风电预测领域。
Description
技术领域
本发明涉及基于支持向量机回归的风电场风速预测方法。
背景技术
发展风电,对改善能源结构、保护生态环境、保障能源清洁安全和实现经济的可持续发展等方面有着极其重要的意义,这已经成为全世界的共识。但是,当前风电机组输出功率的特点是具有间歇性,非线性,变化速度快,波动范围较大等特点。风电并网对电能质量以及电力***具有的十分巨大的影响。想要实现风电的规模化利用,优化电网调度,加强风电市场竞争力,风电场必须开展风电功率预测预报,应具备日预报和实时预报能力。
因此,对风电输出功率进行准确预测,尤其是超短期、短期预测,可以改善风电并网对电力***的影响,对电场制定更加合理的发电计划,减少旋转备用和运行成本以及风电场参与发电竞争都具有重要作用。风电功率预测作为在风电并网中发挥重要作用的关键技术,是亟需解决的问题,具有广阔的应用前景。
发明内容
本发明的目的是为了解决现有现有短缺风速预测方法预测精度低和收敛速度慢的问题,而提出一种基于支持向量机回归的风电场风速预测方法。
一种基于支持向量机回归的风电场风速预测方法包括如下步骤:
步骤一、选取风电场采集的样本数据;
步骤二、确定样本训练集和测试集;
步骤三、对样本数据进行预处理;
步骤四、选择支持向量机回归(SVM)核函数,确定SVM模型待寻优参数;
步骤五、利用最佳参数训练SVM模型,预测未来时刻的风速值。
本发明的有益效果为:
本发明涉及一种基于支持向量机回归的风电场风速预测方法,本发明通过选取风电场采集的样本数据;确定样本训练集和测试集;对样本数据进行预处理;选择支持向量机回归(SVM)核函数,确定SVM模型待寻优参数;利用最佳参数训练SVM模型,预测未来时刻的风速值。在风速负荷的预测精度和预测方法的收敛速度等方面都有了提高,该方法具有重要的现实意义和应用前景。
附图说明
图1为基于支持向量机回归的风电场风速预测方法框图;
图2为一种SVM模型参数寻优方法流程图。
具体实施方式
具体实施方式一:本实施方式的一种基于支持向量机回归的风电场风速预测方法包括如下步骤:
步骤一、选取风电场采集的样本数据;
步骤二、根据样本数据确定样本训练集和测试集;
步骤三、对样本数据进行预处理;
步骤四、选择支持向量机回归(SVM)核函数,确定SVM模型待寻优参数,得到最佳参数训练SVM模型;
步骤五、利用最佳参数训练SVM模型,预测未来时刻的风速值。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中选取风电场采集的样本数据;具体过程为:
风电场采集的样本数据是在风电场的关键位置点设立测风塔,主要研究风力发电机组输出功率未来10分钟、30分钟和1小时的实时预测,时间分辨率均为10min;所以首先对风电机组性能特性进行分析。
选用风力发电机组采样间隔为10min的环境温度,风速和输出功率历史平均数据。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中根据样本数据确定样本训练集和测试集;具体过程为:
实验选取1号风电机组某7天的实时运行数据,用N×3的矩阵表示(3列分别为环境温度、风速、输出功率),搭建回归预测模型;考虑上述分析,通过仿真实验,用前5天720个样本数据作为SVM模型的训练集,风力发电机组的功率定义为:
PS=1/2ρv3fCp (1)
其中PS为风力发电机组功率值,单位为W,ρ为空气密度,单位为kg/m3,v数为来流速度,单位为m/s,f为面积,单位m2,Cp为风能利用系数,指风力机从自然风能中吸取能量的大小程度。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中对样本数据进行预处理;具体过程为:
风力发电机组并不是所有时刻都处于运行良好状态,因此需要剔除一些非正常状况数据,包括机组出现故障停机,功率呈负值,数据采集***不稳定导致存在异常点等情况。除此之外,还要对训练集和测试集数据进行归一化处理,使原始数据被规整到[0,1]范围内,统一运算。
(1)处理缺失数据,对于个别数据缺失的情况,其值通常处于其对应前后时刻负荷的中间值,可以采用线性插值法对其进行描述;
(2)数据归一化,计算公式如下:
Y=(X-Xmin)/(Xmax-Xmin) (2)
Y代表归一化后的值,Xmax,Xmin分别为原始输出参数X的最大值和最小值。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述SVM模型的训练集变为600×3的矩阵数据,测试集变为120×3的矩阵数据。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤四中选择支持向量机回归(SVM)核函数,确定SVM模型待寻优参数,得到最佳参数训练SVM模型;具体过程为:
所述的选择支持向量机回归(SVM)核函数,确定SVM模型待寻优参数,不敏感系数ε变化范围较小,对模型影响也较小,故可设定固定值为10-2,对惩罚因子C和RBF核函数参数σ进行寻优选取;使用交叉验证网格搜索法进行大范围搜索,最终选出使训练模型误差最小的参数组合。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤五中利用最佳参数训练SVM模型,预测未来时刻的风速值;具体过程为:
所述的输入样本测试数据,预测未来时刻的风速值,训练模型的输入量为上一时刻的风速、环境温度和输出功率,模型的输出量为下一时刻机组输出功率。从而使用直接法进行风电功率预测;通过训练集数据学习训练得到回归机模型,使用该模型可预测机组未来时刻的输出功率;
根据最优解构造预测函数:
输入样本测试数据利用预测函数f(x)预测出下一时刻的风速值。
其它步骤及参数与具体实施方式一至六之一相同。
Claims (7)
1.一种基于支持向量机回归的风电场风速预测方法,其特征在于:一种基于支持向量机回归的风电场风速预测方法包括如下步骤:
步骤一、选取风电场采集的样本数据;
步骤二、根据样本数据确定样本训练集和测试集;
步骤三、对样本数据进行预处理;
步骤四、选择支持向量机回归核函数,确定SVM模型待寻优参数,得到最佳参数训练SVM模型;
步骤五、利用最佳参数训练SVM模型,预测未来时刻的风速值。
2.根据权利要求1所述一种基于支持向量机回归的风电场风速预测方法,其特征在于:所述步骤一中选取风电场采集的样本数据;具体过程为:
风电场采集的样本数据是在风电场设立测风塔,主要研究风力发电机组输出功率未来10分钟、30分钟和1小时的实时预测,时间分辨率均为10min;
选用风力发电机组采样间隔为10min的环境温度,风速和输出功率历史平均数据。
3.根据权利要求2所述一种基于支持向量机回归的风电场风速预测方法,其特征在于:所述步骤二中根据样本数据确定样本训练集和测试集;具体过程为:
选取风电机组某7天的实时运行数据,用N×3的矩阵表示,搭建回归预测模型;用前5天720个样本数据作为SVM模型的训练集,风力发电机组的功率定义为:
PS=1/2ρv3fCp (1)
其中PS为风力发电机组功率值,单位为W,ρ为空气密度,单位为kg/m3,v数为来流速度,单位为m/s,f为面积,单位m2,Cp为风能利用系数,指风力机从自然风能中吸取能量的大小程度。
4.根据权利要求3所述一种基于支持向量机回归的风电场风速预测方法,其特征在于:所述步骤三中对样本数据进行预处理;具体过程为:
(1)处理缺失数据,对于数据缺失的情况,采用线性插值法对其进行描述;
(2)数据归一化,计算公式如下:
Y=(X-Xmin)/(Xmax-Xmin) (2)
Y代表归一化后的值,Xmax,Xmin分别为原始输出参数X的最大值和最小值。
5.根据权利要求4所述一种基于支持向量机回归的风电场风速预测方法,其特征在于:所述SVM模型的训练集变为600×3的矩阵数据,测试集变为120×3的矩阵数据。
6.根据权利要求5所述一种基于支持向量机回归的风电场风速预测方法,其特征在于:所述步骤四中选择支持向量机回归核函数,确定SVM模型待寻优参数,得到最佳参数训练SVM模型;具体过程为:
所述的选择支持向量机回归核函数,确定SVM模型待寻优参数,不敏感系数ε值为10-2,对惩罚因子C和RBF核函数参数σ进行寻优选取;使用交叉验证网格搜索法进行搜索,最终选出使训练模型误差最小的参数组合。
7.根据权利要求6所述一种基于支持向量机回归的风电场风速预测方法,其特征在于:所述步骤五中利用最佳参数训练SVM模型,预测未来时刻的风速值;具体过程为:
所述的输入样本测试数据,预测未来时刻的风速值,训练模型的输入量为上一时刻的风速、环境温度和输出功率,模型的输出量为下一时刻机组输出功率。从而使用直接法进行风电功率预测;通过训练集数据学习训练得到回归机模型,使用该模型可预测机组未来时刻的输出功率;
根据最优解构造预测函数:
输入样本测试数据利用预测函数f(x)预测出下一时刻的风速值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610936945.3A CN106529706A (zh) | 2016-10-25 | 2016-10-25 | 一种基于支持向量机回归的风电场风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610936945.3A CN106529706A (zh) | 2016-10-25 | 2016-10-25 | 一种基于支持向量机回归的风电场风速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106529706A true CN106529706A (zh) | 2017-03-22 |
Family
ID=58292137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610936945.3A Pending CN106529706A (zh) | 2016-10-25 | 2016-10-25 | 一种基于支持向量机回归的风电场风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529706A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960260A (zh) * | 2017-03-27 | 2017-07-18 | 深圳汇创联合自动化控制有限公司 | 一种便于电力调度的风电功率预测*** |
CN106979126A (zh) * | 2017-04-12 | 2017-07-25 | 浙江大学 | 基于svr的风力发电机组高风速段有效风速估计方法 |
CN107045574A (zh) * | 2017-04-12 | 2017-08-15 | 浙江大学 | 基于svr的风力发电机组低风速段有效风速估计方法 |
CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
CN110942182A (zh) * | 2019-11-14 | 2020-03-31 | 国网福建省电力有限公司建设分公司 | 一种基于支持向量回归建立台风预测模型的方法 |
CN110985290A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 一种基于支持向量回归的最优转矩控制方法 |
CN110992101A (zh) * | 2019-12-05 | 2020-04-10 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 车站广告媒体资源价值及收益预测回归方法及预测模型 |
-
2016
- 2016-10-25 CN CN201610936945.3A patent/CN106529706A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960260A (zh) * | 2017-03-27 | 2017-07-18 | 深圳汇创联合自动化控制有限公司 | 一种便于电力调度的风电功率预测*** |
CN106979126A (zh) * | 2017-04-12 | 2017-07-25 | 浙江大学 | 基于svr的风力发电机组高风速段有效风速估计方法 |
CN107045574A (zh) * | 2017-04-12 | 2017-08-15 | 浙江大学 | 基于svr的风力发电机组低风速段有效风速估计方法 |
CN106979126B (zh) * | 2017-04-12 | 2019-01-29 | 浙江大学 | 基于svr的风力发电机组高风速段有效风速估计方法 |
CN107045574B (zh) * | 2017-04-12 | 2020-02-28 | 浙江大学 | 基于svr的风力发电机组低风速段有效风速估计方法 |
CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
CN110942182A (zh) * | 2019-11-14 | 2020-03-31 | 国网福建省电力有限公司建设分公司 | 一种基于支持向量回归建立台风预测模型的方法 |
CN110985290A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 一种基于支持向量回归的最优转矩控制方法 |
CN110985290B (zh) * | 2019-12-04 | 2022-02-11 | 浙江大学 | 一种基于支持向量回归的最优转矩控制方法 |
CN110992101A (zh) * | 2019-12-05 | 2020-04-10 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 车站广告媒体资源价值及收益预测回归方法及预测模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529706A (zh) | 一种基于支持向量机回归的风电场风速预测方法 | |
Yang et al. | Day-ahead wind power forecasting based on the clustering of equivalent power curves | |
CN102479339B (zh) | 基于混合神经网络的风电场短期风速预测方法和*** | |
CN105356492B (zh) | 一种适用于微电网的能量管理仿真***及方法 | |
Kou et al. | Photovoltaic power forecasting based on artificial neural network and meteorological data | |
CN106979126B (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
CN105809293A (zh) | 一种多模型风电场短期功率组合预测方法 | |
CN110880789A (zh) | 一种风电、光伏联合发电***经济调度方法 | |
CN104992248A (zh) | 一种微电网光伏电站发电量组合预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN105404937A (zh) | 一种光伏电站短期功率预测方法和*** | |
CN103295077B (zh) | 一种考虑预测误差分布特性的风电场集群调度方法 | |
CN105787594A (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
CN106446440A (zh) | 基于在线贯序极限学习机的短期光伏发电功率预测方法 | |
CN107045574A (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Zhang et al. | Short-term wind power prediction based on EMD-LSTM combined model | |
CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 | |
Xiaojuan et al. | Short-time wind speed prediction for wind farm based on improved neural network | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170322 |