基于自學習徑向基核函數支持向量機的風電功率預測方法
【專利摘要】本發明公開了一種基于自學習徑向基核函數支持向量機的風電功率預測方法，通過模型訓練得出得到SVM模型的步驟；以及將風電功率預測所需的數據輸入上述訓練得出的SVM模型，得出預測結果的步驟。通過對風力發電過程中的風電功率進行預測，為新能源發電實時調度、新能源發電計劃和新能源發電能力評估和棄風電量估計提供關鍵信息。通過采用復合數據源，有效提高了超短期預測精度，從而實現高精度的風電功率短期預測。
【專利說明】基于自學習徑向基核函數支持向量機的風電功率預測方法
【技術領域】
[0001]本發明涉及新能源發電過程中風電功率預測【技術領域】，即基于自學習徑向基核函數支持向量機的風電功率預測方法，具體地，涉及一種采用復合數據源基于自學習徑向基核函數支持向量機的風電功率短期預測方法。
【背景技術】
[0002]我國風電進入規模化發展階段以后所產生的大型新能源基地多數位于“三北地區”(西北、東北、華北)，大型新能源基地一般遠離負荷中心，其電力需要經過長距離、高電壓輸送到負荷中心進行消納。由于風、光資源的間歇性、隨機性和波動性，導致大規模新能源基地的風電、光伏發電出力會隨之發生較大范圍的波動，進一步導致輸電網絡充電功率的波動，給電網運行安全帶來一系列問題。
[0003]截至2014年4月，甘肅電網并網風電裝機容量已達707萬千瓦，約占甘肅電網總裝機容量的22%，成為僅次于火電的第二大主力電源；光伏發電裝機容量已達到435萬千瓦，約占甘肅電網總裝機容量的13%，同時甘肅成為我國光伏發電裝機規模最大的省份。目前，甘肅電網風電、光伏發電裝機超過甘肅電網總裝機容量的1/3。隨著新能源并網規模的不斷提高，風電發電不確定性和不可控性給電網的安全穩定經濟運行帶來諸多問題。
【發明內容】
[0004]本發明的目的在于，針對上述問題，提出一種基于自學習徑向基核函數支持向量機的風電功率預測方法，以實現高精度的風電功率短期預測的優點。
[0005]為實現上述目的，本發明采用的技術方案是:
[0006]一種基于自學習徑向基核函數支持向量機的風電功率預測方法，包括:
[0007]通過模型訓練得出得到SVM模型的步驟；
[0008]以及將風電功率預測所需的數據輸入上述訓練得出的SVM模型，得出預測結果的步驟。
[0009]根據本發明的優選實施例，上述通過模型訓練得出得到SVM模型的步驟具體包括:
[0010]步驟101、模型訓練基礎數據輸入；
[0011]步驟102、對上述輸入的訓練基礎數據進行預處理；
[0012]步驟103、SVM分類器訓練；
[0013]步驟104、通過輸入上述預處理的樣本數據，經過SVM分類器訓練得到SVM預測模型。
[0014]根據本發明的優選實施例，上述步驟101中，模型訓練基礎數據輸入的數據包括風電場基礎信息、歷史風速數據、歷史功率數據和地理信息系統數據。
[0015]根據本發明的優選實施例，所述地理信息系統數據用于功率預測時根據各風電場的上下游關系進行短期預測結果的優化。[0016]根據本發明的優選實施例，上述步驟102中的訓練基礎數據進行預處理具體為:將風速數據和功率數據進行數據對齊及歸一化預處理，地理信息系統數據通過預處理確定電站上下游關系。
[0017]根據本發明的優選實施例，上述步驟103中，SVM分類器訓練具體為:基于SVM分
類器的非線性風電功率短期預測模型可以表示為:
[0018]
【權利要求】
1.一種基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，包括: 通過模型訓練得出得到SVM模型的步驟； 以及將風電功率預測所需的數據輸入上述訓練得出的SVM模型，得出預測結果的步驟。
2.根據權利要求1所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，上述通過模型訓練得出得到SVM模型的步驟具體包括: 步驟101、模型訓練基礎數據輸入； 步驟102、對上述輸入的訓練基礎數據進行預處理； 步驟103、SVM分類器訓練； 步驟104、通過輸入上述預處理的樣本數據，經過SVM分類器訓練得到SVM預測模型。
3.根據權利要求2所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，上述步驟101中，模型訓練基礎數據輸入的數據包括風電場基礎信息、歷史風速數據、歷史功率數據和地理信息系統數據。
4.根據權利要求3所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，所述地理信息系統數據用于功率預測時根據各風電場的上下游關系進行短期預測結果的優化。
5.根據權利要求2所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，上述步驟102中的訓練基礎數據進行預處理具體為:將風速數據和功率數據進行數據對齊及歸一化預處理，地理信息系統數據通過預處理確定電站上下游關系。
6.根據權利要求2所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，上述步驟103中，SVM分類器訓練具體為:基于SVM分類器的非線性風電功率短期預測模型可以表示為:
7.根據權利要求1所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，將風電功率預測所需的數據輸入上述訓練得出的SVM模型，得出預測結果的步驟包括， 步驟201、輸入功率預測基礎數據； 步驟202、對上述輸入的功率預測基礎數據進行噪聲濾波和數據預處理； 步驟203、上述步驟202處理后的數據輸入SVM模型，得出預測結果。
8.根據權利要求7所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，還包括: 步驟204、通過圖形和表格形式對預測結果進行展示； 步驟205、首先對預測結果進行后評估，分析預測值與實測值之間的誤差，如預測誤差大于允許的最大誤差，則從新進行模型訓練。
9.根據權利要求8所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，上述步驟201輸入功率預測基礎數據包括:資源監測系統數據和運行監測系統數據，所述資源監測系統數據包含風資源監測數據、風能預測數據以及數值天氣預報數據，所述運行監測系統數據包括風機監測數據、升壓站監測數據和數據采集與監視控制系統數據。
10.根據權利要求9所述的基于自學習徑向基核函數支持向量機的風電功率預測方法，其特征在于，上述步驟202對上述輸入的功率預測基礎數據進行噪聲濾波和數據預處理具體為:噪聲濾波模塊對監測系統實時采集得到的帶有噪聲的數據進行濾波處理，去除壞數據和奇異值；數據預處理模塊對數據進行對齊、歸一化處理和分類篩選操作。
【文檔編號】G06Q10/04GK103927599SQ201410163081
【公開日】2014年7月16日 申請日期:2014年4月22日 優先權日:2014年4月22日
【發明者】汪寧渤, 路亮, 王多, 張玉宏, 韓旭杉, 師建中, 馬彥宏 申請人:國家電網公司, 國網甘肅省電力公司, 甘肅省電力公司風電技術中心