一種基于支持向量機篩選變量的風電功率預測方法
【技術領域】
[0001]本發(fā)明屬于發(fā)電功率預測領域，尤其涉及一種基于支持向量機(Support VectorMachine，SVM)的風電功率預測方法。
【背景技術】
[0002]近年來，風力發(fā)電的發(fā)展越來越迅速。據(jù)中國循環(huán)經(jīng)濟協(xié)會可再生能源專業(yè)委員會(CREIA)的《中國風電發(fā)展報告2014》統(tǒng)計，2013年全國風電新增裝機容量16089麗，全國累計風電裝機容量91413MW。風電場的輸出功率與自然環(huán)境有很大的關系。風速，風向，氣壓，溫度，以及位勢高度都會影響風電場的輸出功率，導致風電場輸出功率具有波動性、間歇性、隨機性的特點，在并網(wǎng)時會對電網(wǎng)的穩(wěn)定性產(chǎn)生很大的影響。風電場輸出功率的擾動更會影響電網(wǎng)的電能質量。所以，風電功率預測的精度便尤為重要。
[0003]經(jīng)對現(xiàn)有技術文獻的檢索發(fā)現(xiàn)，基于神經(jīng)網(wǎng)絡的風功率預測問題研宄(張濤，張新燕，王維慶.基于神經(jīng)網(wǎng)絡的風功率預測問題研宄[J].四川電力技術，2013，01:16-18+47.)研宄了基于神經(jīng)網(wǎng)絡的風功率預測方法，并驗證了神經(jīng)網(wǎng)絡模型的可行性，雖然符合相關標準，但預測的精度低，也未對輸入矢量做比較完備的處理。
[0004]基于支持向量機的風功率預測校正方法及系統(tǒng)(中國專利申請?zhí)枮?201310294095.8)提出用支持向量機進行預測，并用網(wǎng)格搜索法對支持向量機的參數(shù)進行修正，但該方法也沒有對輸入矢量做過多的處理，同時模型復雜，計算量大。

【發(fā)明內容】

[0005]本發(fā)明所要解決的技術問題是提供一種能提高功率預測的精度和簡化模型的風電功率預測方法。
[0006]本發(fā)明通過如下技術方案解決其技術問題:一種基于支持向量機篩選變量的風電功率預測方法，包括如下步驟:
51)利用SVM算法量化風電功率的輸入矢量對風電功率預測結果的影響，篩選出對風電功率預測結果影響顯著的變量；
52)將由SI)篩選出的變量作為神經(jīng)網(wǎng)絡算法的輸入變量進行功率預測。
[0007]本發(fā)明利用SVM算法對神經(jīng)網(wǎng)絡算法的輸入變量進行篩選，簡化了神經(jīng)網(wǎng)絡模型的同時，提高了功率預測的精度。
[0008]步驟SI)的具體實現(xiàn)步驟如下:
S1.1)對風電功率的輸入矢量進行初步篩選；
S1.2)獲取經(jīng)初步篩選后的輸入矢量和對應的風電功率的歷史數(shù)據(jù)作為訓練集，訓練集由訓練樣本構成，訓練集中訓練樣本的數(shù)量稱為觀測例數(shù)；
S1.3)建立基于所述歷史數(shù)據(jù)的SVM訓練模型；
S1.4)將訓練集中的訓練樣本中的某個輸入矢量的特征值分別增大和減少一定比率，得到兩個新的訓練集，將這兩個新的訓練集分別通過S1.2)中的SVM訓練模型進行仿真，得到兩個仿真結果，變動該輸入矢量后對風電功率結果的影響IV (Impact Value)即為兩所述仿真結果之差，將IV按照觀察例數(shù)平均下來得到該輸入矢量對風電功率預測結果的平均影響值 MIV (Mean Impact Value)；
S1.5)重復步驟S1.4)得到每個輸入矢量對風電功率預測結果的平均影響值MIV ；
S1.6)篩選出MIV值較大的輸入矢量作為對風電功率預測結果影響顯著的變量。
[0009]所述的一定比率為n%，5彡η ( 20，作為較佳實施例所述的η=10。
[0010]經(jīng)步驟S1.1)初步篩選出的變量一般包括天氣預報(Weather Research andForecasting，WRF)模式中第二層的水平風速，垂直風速，上下風速，氣壓，位勢高度，溫度，比例濕度等數(shù)據(jù)。
[0011]與現(xiàn)有技術相比，本發(fā)明具有如下有益效果:
本發(fā)明利用SVM算法對神經(jīng)網(wǎng)絡算法的輸入變量進行篩選，提高了風電功率預測結果的精度同時簡化了神經(jīng)網(wǎng)絡模型，本發(fā)明方法簡便，解決了現(xiàn)有技術中風電功率預測樣本因建模者的專業(yè)知識與經(jīng)驗進行選取而缺乏標準的問題。
【附圖說明】
[0012]圖1為本發(fā)明基于支持向量機篩選變量的風電功率預測方法的流程框圖；
圖2為沒有進行變量篩選時描述風電功率預測結果精度的曲線；
圖3為通過本發(fā)明方法進行變量篩選后描述風電功率預測結果精度的曲線。
【具體實施方式】
[0013]下面結合附圖，對本發(fā)明作進一步詳細說明。
[0014]圖1為本發(fā)明基于支持向量機篩選變量的風電功率預測方法的流程框圖，如圖所示，本發(fā)明包括如下步驟:
一)利用SVM算法量化風電功率的輸入矢量對風電功率預測結果的影響，篩選出對風電功率預測結果影響顯著的變量:
I)對風電功率中的輸入矢量進行初步篩選，選出需要進行訓練并分析MIV的輸入變量，排除明顯與風電功率不相關的輸入矢量。在風電功率預測中，一般采用天氣預報(Weather Research and Forecasting，WRF)模式中第二層的水平風速，垂直風速，上下風速，氣壓，位勢高度，溫度，比例濕度等數(shù)據(jù)作為輸入矢量。一般而言影響風力發(fā)電機組出力即風電功率的主要因素是風速、風向、空氣密度等。但是WRF中只有直接反映的風速，可以通過適當?shù)姆绞将@得風向和空氣密度作為輸入矢量，并通過計算MIV值對輸入矢量對風電功率的影響進行評估。通過水平風速和垂直風速也可獲得風速在水平面的夾角，同時可以直接求得風速在水平面的風速值。
[0015]2)獲取經(jīng)初步篩選后的輸入矢量和對應的風電功率的歷史數(shù)據(jù)作為訓練集，訓練集由訓練樣本構成，訓練集中訓練樣本的數(shù)量稱為觀測例數(shù)。
[0016]3)建立基于歷史數(shù)據(jù)的SVM訓練模型
4)將訓練集P中的訓練樣本中的某個輸入矢量的特征值分別增大和減少10% (這個比率一般在5%~20%范圍內取值)，得到兩個新的訓練集Pl和P2，將這兩個新的訓練集P1、P2分別通過所述SVM訓練模型進行仿真，得到兩個仿真結果A1、A2，變動該輸入矢量后對風電功率結果的影響IV即為兩仿真結果Al、A2之差，將IV按照觀察例數(shù)平均下來得到該輸入變量對風電功率預測結果的平均影響值MIV，即完成了該輸入矢量對風電功率預測結果影響的量化。
[0017]5)重復步驟4)得到每個輸入矢量對風電功率預測結果的平均影響值MIV。MIV值大的表示該輸入矢量對風電功率預測結果的影響較大，MIV值小的表示該輸入矢量對風電功率預測結果的影響較小。
[0018]6)根據(jù)各個輸入矢量MIV值大小進行排序，篩選出MIV值較大的輸入變量作為對風電功率預測結果影響顯著的變量。如一個變量的MIV值只有最大MIV值的四到五分之一或最大MIV值比某變量的MIV值大一個數(shù)量級，可以認為該變量對風電功率預測結果影響不顯著。
[0019]二)將由一)篩選出的變量作為神經(jīng)網(wǎng)絡算法的輸入變量進行功率預測，本發(fā)明利用SVM算法對神經(jīng)網(wǎng)絡算法的輸入變量進行篩選，簡化了神經(jīng)網(wǎng)絡模型的同時，提高了功率預測的精度。
[0020]下面以某個風場為例，驗證下本發(fā)明方法的可行性:
獲取數(shù)據(jù)集，總共有150條記錄，來源于整風場，整風場包括33臺風機，每臺風機功率為1.5MW。每個記錄包括有風電場實時地出力數(shù)據(jù)即風電功率值和對應的時間點的WRF數(shù)據(jù)即輸入矢量(即經(jīng)初步篩選后的輸入矢量)。每個樣本包括21維的輸入矢量和一個觀測的樣本值即風場的風電功率。將數(shù)據(jù)集分為兩個集合，其中訓練集為120條，驗證集為30條。每條的記錄時間間隔為15min，通過SVM算法對訓練集中的訓練樣本中的21維的輸入矢量進行篩選，作為輸入矢量篩選實驗組，與沒有進行輸入矢量篩選的驗證集進行對比。
[0021]運用本發(fā)明方法進行輸入矢量篩選后，選擇其中MIV值較高的7維數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入。為了驗證篩選變量的有效性，通過對比篩選變量及不做篩選的功率預測精度。圖2為經(jīng)過篩選后，以MIV值最高的7維作為輸入的預測誤差，圖3為輸入矢量不僅過篩選，直接以21維作為輸入的預測誤差。輸入矢量篩選前預測誤差為15%，輸入矢量篩選后預測誤差為9%。
[0022]從預測誤差來看，通過本發(fā)明方法對輸入矢量進行篩選后再通過神經(jīng)網(wǎng)絡算法預測風電功率能夠提高預測精度。主要原因是輸入矢量的篩選去掉了對功率預測影響微小的變量，有利于神經(jīng)網(wǎng)絡模型對顯著變量的訓練和預測，在改善精度的同時也簡化了模型，減少了輸入。
【主權項】
1.一種基于支持向量機篩選變量的風電功率預測方法，其特征在于，包括如下步驟: 51)利用支持向量機算法量化風電功率的輸入矢量對風電功率預測結果的影響，篩選出對風電功率預測結果影響顯著的變量； 52)將由SI)篩選出的變量作為神經(jīng)網(wǎng)絡算法的輸入變量進行功率預測。
2.根據(jù)權利要求1所述的基于支持向量機篩選變量的風電功率預測方法，其特征在于， 步驟Si)通過如下步驟實現(xiàn): S1.1)對風電功率的輸入矢量進行初步篩選； S1.2)獲取經(jīng)初步篩選后的輸入矢量和對應的風電功率的歷史數(shù)據(jù)作為訓練集，訓練集由訓練樣本構成，訓練集中訓練樣本的數(shù)量稱為觀測例數(shù)； S1.3)建立基于所述歷史數(shù)據(jù)的支持向量機訓練模型； S1.4)將訓練集中的訓練樣本中的某個輸入矢量的特征值分別增大和減少一定比率，得到兩個新的訓練集，將這兩個新的訓練集分別通過S1.3)中的支持向量機訓練模型進行仿真，得到兩個仿真結果，變動該輸入矢量后對風電功率結果的影響IV即為兩所述仿真結果之差，將IV按照觀察例數(shù)平均下來得到該輸入矢量對風電功率預測結果的平均影響值MIV ； S1.5)重復步驟S1.4)得到每個輸入矢量對風電功率預測結果的平均影響值MIV ； S1.6)篩選出MIV值較大的輸入矢量作為對風電功率預測結果影響顯著的變量。
3.根據(jù)權利要求2所述的基于支持向量機篩選變量的風電功率預測方法，其特征在于，所述的一定比率為η%，5 < η < 20。
4.根據(jù)權利要求3所述的基于支持向量機篩選變量的風電功率預測方法，其特征在于，所述的η=10。
5.根據(jù)權利要求2或3所述的基于支持向量機篩選變量的風電功率預測方法，其特征在于，經(jīng)步驟S1.1)初步篩選出的輸入矢量包括天氣預報模式中第二層的水平風速，垂直風速，上下風速，氣壓，位勢高度，溫度，比例濕度。
【專利摘要】一種基于支持向量機篩選變量的風電功率預測方法，包括如下步驟：S1）利用支持向量機算法量化風電功率的輸入矢量對風電功率預測結果的影響，篩選出對風電功率預測結果影響顯著的變量；S2)將由S1）篩選出的變量作為神經(jīng)網(wǎng)絡算法的輸入變量進行功率預測。本發(fā)明利用SVM算法對神經(jīng)網(wǎng)絡算法的輸入變量進行篩選，提高了風電功率預測結果的精度同時簡化了神經(jīng)網(wǎng)絡模型，本發(fā)明方法簡便，解決了現(xiàn)有技術中風電功率預測樣本因建模者的專業(yè)知識與經(jīng)驗進行選取而缺乏標準的問題。
【IPC分類】G06Q10-04, G06Q50-06
【公開號】CN104700156
【申請?zhí)枴緾N201510044371
【發(fā)明人】陳曉科, 曾杰, 楊汾艷, 李鑫, 徐曉剛, 楊蘋, 張弛, 李蘭芳, 汪進鋒, 黃嘉健, 黃楊玨, 謝寧, 靳冰潔
【申請人】廣東電網(wǎng)有限責任公司電力科學研究院
【公開日】2015年6月10日
【申請日】2015年1月29日