CN112072691A - 基于季节分解和支持向量机风功率预测的风机控制方法 - Google Patents
基于季节分解和支持向量机风功率预测的风机控制方法 Download PDFInfo
- Publication number
- CN112072691A CN112072691A CN201910497430.1A CN201910497430A CN112072691A CN 112072691 A CN112072691 A CN 112072691A CN 201910497430 A CN201910497430 A CN 201910497430A CN 112072691 A CN112072691 A CN 112072691A
- Authority
- CN
- China
- Prior art keywords
- power
- support vector
- vector machine
- components
- seasonal
- 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
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 24
- 230000007774 longterm Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 16
- 230000001788 irregular Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000010248 power generation Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 2
- 241001484259 Lacuna Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于季节分解和支持向量机风功率预测的风机控制方法,包括以下步骤:S1、采集历史数据;S2、对历史数据中的功率数据进行预处理,得到功率序列;S3、利用X‑12‑ARIMA自回归滑动平均模型对功率序列进行季节分解,得到三个分量,所述三个分量分别是:长期趋势及循环分量、季节分量、不规则分量;S4、根据支持向量机算法,对优化模型进行求解,获取三个分量的预测值;S5、将三个分量的预测值叠加,得到功率预测值;S6、根据功率预测值,控制风机的并网发电。与现有技术相比,本发明对风功率的预测精度高,预测功率与实际输出功率的误差较小,能有效减少由于风能波动性带来的并网损失。
Description
技术领域
本发明涉及新能源发电技术领域,尤其是涉及一种基于季节分解和支持向量机风功率预测的风机控制方法。
背景技术
随着风力发电技术日臻成熟,风电单机容量和并网型风电场规模不断扩大,风电占电力***发电总量的比例也逐年增加。风电场穿透功率不断加大,给电力***带来的一系列问题日益突出,严重威胁电力***安全、稳定、经济、可靠运行。因此需要对风机的并网发电进行控制,以增强电力***的安全性、稳定性、经济性和可控性。
目前国内主要通过事先预测风功率以进行风机控制,风功率预测一般包括基于统计的方法和基于物理建模的方法:统计方法是指不考虑风速变化的物理过程,而根据历史统计数据找出天气状况与风场出力的关系,然后根据实测数据和数值天气预报数据对风电场输出功率进行预测;物理方法是指根据风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息,采用微观气象学理论或计算流体力学的方法计算得到风机轮毂高度的风速、风向等气压信息,然后根据风机的功率曲线计算得到风机的预测功率。
上述方法都对数据都有很高要求,如果数据本身不完整,或者存在错误的数据,都会影响预测结果的准确度,导致预测精度较低,此外,上述方法通常是进行直接预测,仅能给出确定性点的预测结果,难以完全描述风能的不确定性及其变化规律,最终导致风机控制的准确性较低,不利于电力***的稳定运行。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于季节分解和支持向量机风功率预测的风机控制方法。
本发明的目的可以通过以下技术方案来实现:一种基于季节分解和支持向量机风功率预测的风机控制方法,包括以下步骤:
S1、采集历史数据,所述历史数据为N个月的功率、风速、温度和风压数据,其中,3≤N≤6;
S2、对历史数据中的功率数据进行预处理,得到功率序列,所述预处理包括插值处理和异常值删除;
S3、利用X-12-ARIMA自回归滑动平均模型对功率序列进行季节分解,得到三个分量,所述三个分量分别是:长期趋势及循环分量、季节分量、不规则分量;
S4、根据支持向量机算法,对优化模型进行求解,获取三个分量的预测值;
S5、将三个分量的预测值叠加,得到功率预测值;
S6、根据功率预测值,控制风机的并网发电。
进一步的,所述步骤S2中插值处理是利用拉格朗日插值法对历史数据中的空缺值进行插值:
其中,L(x)为功率插值,n为历史数据的容量,x为风速插值,xm和xl均为历史数据中的风速数据,ym为历史数据中的功率数据。
进一步的,所述步骤S3中季节分解具体为:
Yt=Tt·St·It
其中,t表示时间周期,Yt为功率序列,Tt为长期趋势及循环分量,St为季节分量,It为不规则分量。
进一步的,所述步骤S3中长期趋势及循环分量包括趋势分量和循环分量,具体为:趋势分量反映时间序列的长期变化,循环分量表示一种以数年为周期的周期性变动;
所述步骤S3中季节分量具体是反映时间序列以年为周期的不同年份相同季度或月度表现出来的周期性变动;
所述步骤S3中不规则分量具体是表示气象因素导致的时间序列的短期变化。
进一步的,所述步骤S4中支持向量机算法的具体过程为:
获取训练数据集:
z={(x1,y1),(x2,y2),(x3,y3)……(xt,yt)}
xi∈Rn,yi∈Rn,i=1,2……t
其中,z表示数据集,xi表示输入值,yi表示输出值;
计算输出值与预测值的误差为:
f(xi)=(ωi·xi)+bi
其中,f(xi)表示预测值,ε为不敏感损失函数,ωi为权重向量,bi为偏移量,ωi·xi为ωi和xi的内积。
进一步的,所述步骤S4中优化模型为:
其中,w为实际输出值与预测值的误差之和,ξi和ξi *均为松弛变量,C为容错系数。
进一步的,所述步骤S4中优化模型的求解过程为:
引入拉格朗日算子:
令L(ω,b,a,a*)对ωi,bi,ξi,ξi *求导,求出最值:
得到最终回归函数为:
其中,gi为预测结果,b*为偏移量的最优值。
进一步的,所述步骤S4具体包括以下步骤:
S41、根据支持向量机算法,结合历史数据中的风速数据,获取长期趋势及循环分量预测值;
S42、根据支持向量机算法,结合历史数据中的温度数据,获取季节分量预测值;
S43、根据支持向量机算法,结合历史数据中的风压数据,获取不规则分量预测值。
与现有技术相比,本发明具有以下优点:
一、本发明通过对历史数据进行插值处理和异常值删除,保证了采集的历史数据的完整及质量,适用于多变量、非线性、小样本的风机控制。
二、本发明利用X-12-ARIMA自回归滑动平均模型进行季节分解,将功率序列分解为三个分量,对三个分量分别进行预测,最后再叠加得到总的预测功率,解决了以往由于风功率随机性以及波动性较大,直接预测会产生较大误差的问题。
三、本发明采用组合预测的方式,相比于传统单一预测的方式,增强了优化模型的鲁棒性,此外,基于三个分量,结合对应的影响数据进行求解,能有效提高预测结果的精度,以保证对风机控制的准确性。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示,一种基于季节分解和支持向量机风功率预测的风机控制方法,包括以下步骤:
S1、采集历史数据,包括历史3个月的功率数据、风速数据、温度数据和风压数据;
S2、历史数据预处理,对历史数据中的功率数据进行插值处理和异常值删除,得到功率序列,其中,插值处理是利用拉格朗日插值法对历史数据中的空缺值进行插值:
其中,L(x)为功率插值,n为历史数据的容量,x为风速插值,xm和xl均为历史数据中的风速数据,ym为历史数据中的功率数据。
S3、利用X-12-ARIMA自回归滑动平均模型对功率序列进行季节分解,得到三个分量:长期趋势及循环分量、季节分量、不规则分量,其中,季节分解的结果为:
Yt=Tt·St·It
式中,t表示时间周期,Yt为功率序列,Tt为长期趋势及循环分量,St为季节分量,It为不规则分量;
长期趋势及循环分量Tt包括趋势分量和循环分量:趋势分量反映时间序列的长期变化,循环分量表示一种以数年为周期的周期性变动,二者在季节分解中难以分开,故放在一起进行分析;
季节分量St反映时间序列以年为周期的不同年份相同季度或月度表现出来的周期性变动;
不规则分量It表示气象因素导致的时间序列的短期变化;
S4、根据支持向量机算法,对优化模型进行求解,获取三个分量的预测值,其中,支持向量机算法的具体过程为:
获取支持向量机在回归方面训练数据集:
z={(x1,y1),(x2,y2),(x3,y3)……(xt,yt)}
xi∈Rn,yi∈Rn,i=1,2……t
式中,z表示训练数据集,xi表示输入值,yi表示输出值;
计算输出值与预测值的误差为:
f(xi)=(ωi·xi)+bi
其中,f(xi)表示预测值,ε为不敏感损失函数,ωi为权重向量,bi为偏移量,ωi·xi为ωi和xi的内积;
优化模型为:
式中,w为实际输出值与预测值的误差之和,ξi和ξi *均表示松弛变量,C为容错系数;
优化模型的求解过程为:
引入拉格朗日算子:
令L(ω,b,a,a*)对ωi,bi,ξi,ξi *求导,求出最值:
得到最终回归函数为:
式中,gi为预测结果,b*为偏移量的最优值;
S5、将三个分量的预测值叠加,得到功率预测值;
S6、根据功率预测值,控制风机的并网发电。
本实施中,步骤S4是利用支持向量机的方法对各分量进行预测,具体包括:
S41、长期趋势及循环分量结合风速进行预测,设长期趋势及循环分量为y1',风速为x1',通过支持向量机算法得到长期趋势及循环分量预测值Tt';
S42、季节分量结合温度进行预测,设不规则分量为y2',温度为x2',通过支持向量机算法得到季节分量预测值St';
S43、不规则分量结合风压进行预测,设不规则分量为y3',分压为x3',通过支持向量机算法得到不规则分量预测值It'。
在实际应用中,经过步骤S4的训练数据集之后,能得到优化后的参数ai,ai *以及bi *,再基于步骤S4的最终回归函数,结合历史数据的输入值xi,从而得到预测结果gi。
采用平均绝对误差(MAE),均方误差(MSE)以及平均绝对百分误差(MAPE)对本实施例的功率预测效果进行衡量:
经过衡量计算,绝对误差(MAE)和均方误差(MSE)的计算结果均小于2.0,平均绝对百分误差(MAPE)的结果小于5%,进一步表明本发明方法对风功率的预测误差较小,预测结果精度高,保证了对风机控制的准确性。
Claims (8)
1.一种基于季节分解和支持向量机风功率预测的风机控制方法,其特征在于,包括以下步骤:
S1、采集历史数据,所述历史数据为N个月的功率、风速、温度和风压数据,其中,3≤N≤6;
S2、对历史数据中的功率数据进行预处理,得到功率序列,所述预处理包括插值处理和异常值删除;
S3、利用X-12-ARIMA自回归滑动平均模型对功率序列进行季节分解,得到三个分量,所述三个分量分别是:长期趋势及循环分量、季节分量、不规则分量;
S4、根据支持向量机算法,对优化模型进行求解,获取三个分量的预测值;
S5、将三个分量的预测值叠加,得到功率预测值;
S6、根据功率预测值,控制风机的并网发电。
3.根据权利要求1所述的一种基于季节分解和支持向量机风功率预测的风机控制方法,其特征在于,所述步骤S3中季节分解具体为:
Yt=Tt·St·It
其中,t表示时间周期,Yt为功率序列,Tt为长期趋势及循环分量,St为季节分量,It为不规则分量。
4.根据权利要求1所述的一种基于季节分解和支持向量机风功率预测的风机控制方法,其特征在于,所述步骤S3中长期趋势及循环分量包括趋势分量和循环分量,具体为:趋势分量反映时间序列的长期变化,循环分量表示一种以数年为周期的周期性变动;
所述步骤S3中季节分量具体是反映时间序列以年为周期的不同年份相同季度或月度表现出来的周期性变动;
所述步骤S3中不规则分量具体是表示气象因素导致的时间序列的短期变化。
8.根据权利要求1所述的一种基于季节分解和支持向量机风功率预测的风机控制方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、根据支持向量机算法,结合历史数据中的风速数据,获取长期趋势及循环分量预测值;
S42、根据支持向量机算法,结合历史数据中的温度数据,获取季节分量预测值;
S43、根据支持向量机算法,结合历史数据中的风压数据,获取不规则分量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497430.1A CN112072691A (zh) | 2019-06-10 | 2019-06-10 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497430.1A CN112072691A (zh) | 2019-06-10 | 2019-06-10 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112072691A true CN112072691A (zh) | 2020-12-11 |
Family
ID=73658176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910497430.1A Pending CN112072691A (zh) | 2019-06-10 | 2019-06-10 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112072691A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012042362A1 (en) * | 2010-09-30 | 2012-04-05 | Energie Etiche S.R.L. | Combined system for evaluating the producibility of a wind farm |
US20150339416A1 (en) * | 2014-05-22 | 2015-11-26 | Lars Dannecker | Forecast-model-aware data storage for time series data |
CN105184391A (zh) * | 2015-08-19 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
CN108022019A (zh) * | 2017-12-14 | 2018-05-11 | 西南石油大学 | 基于风电机组分类的风电场调度方法和*** |
CN109376953A (zh) * | 2018-11-21 | 2019-02-22 | 国网冀北电力有限公司 | 一种中长期电量预测方法及*** |
-
2019
- 2019-06-10 CN CN201910497430.1A patent/CN112072691A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012042362A1 (en) * | 2010-09-30 | 2012-04-05 | Energie Etiche S.R.L. | Combined system for evaluating the producibility of a wind farm |
US20150339416A1 (en) * | 2014-05-22 | 2015-11-26 | Lars Dannecker | Forecast-model-aware data storage for time series data |
CN105184391A (zh) * | 2015-08-19 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
CN108022019A (zh) * | 2017-12-14 | 2018-05-11 | 西南石油大学 | 基于风电机组分类的风电场调度方法和*** |
CN109376953A (zh) * | 2018-11-21 | 2019-02-22 | 国网冀北电力有限公司 | 一种中长期电量预测方法及*** |
Non-Patent Citations (9)
Title |
---|
任艳: "支持向量回归机在颜色测温中的仿真应用", 《***仿真学报》, 30 November 2016 (2016-11-30), pages 1 - 6 * |
任艳;周小敏;关威;傅莉;陈新宇;: "支持向量回归机在颜色测温中的仿真应用", ***仿真学报, no. 11, pages 2736 - 2741 * |
刘俊: "基于协整—格兰杰因果检验和季节分解的中期负荷预测", 《电力***自动化》, 10 January 2019 (2019-01-10), pages 1 - 8 * |
叶林;刘鹏;: "基于经验模态分解和支持向量机的短期风电功率组合预测模型", 中国电机工程学报, no. 31 * |
张志 等: "考虑关联因素的智能化中长期电力负荷预测方法", 电力***保护与控制, vol. 47, no. 2, pages 24 - 30 * |
徐敏;袁建洲;刘四新;郭含;: "基于支持向量机的短期风电功率预测", 南昌大学学报(工科版), no. 02 * |
程启明 等: "基于EEMD 和LS- SVM 模型的风电功率短期预测方法", 电力自动化设备, vol. 38, no. 5, pages 27 - 35 * |
郭丹;朴在林;胡博;张志霞;吕强强;梁永志;: "风电场运行数据分析", 电网与清洁能源, no. 04 * |
陈庆鸿 等: "基于模态分解和支持向量机的风电功率组合预测", 电气应用, vol. 36, no. 21, pages 65 - 71 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880789B (zh) | 一种风电、光伏联合发电***经济调度方法 | |
CN106779226B (zh) | 一种基于混核机器学习的风机批功率预测方法 | |
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及*** | |
CN114022021A (zh) | 一种基于集成学习的在线机组负荷预测方法 | |
Wu et al. | Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model | |
CN110705771A (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN115345076A (zh) | 一种风速订正处理方法及装置 | |
CN103984987B (zh) | 一种测风网络实时校正的arma模型风电功率超短期预测方法 | |
CN114819385A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN107732962B (zh) | 一种基于超短期弃风曲线预测的弃风减量方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、***、设备和介质 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及*** | |
CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
CN112072691A (zh) | 基于季节分解和支持向量机风功率预测的风机控制方法 | |
CN110474323B (zh) | 一种电力***惯性时间常数测量方法 | |
CN110363338B (zh) | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 | |
Chen et al. | Research on medium-long term power load forecasting method based on load decomposition and big data technology | |
Jiangxia et al. | A combination prediction model for wind farm output power | |
CN113723717B (zh) | ***日前短期负荷预测方法、装置、设备和可读存储介质 | |
CN115713029A (zh) | 一种考虑迟延的风电场随机模型预测优化控制方法 | |
CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |