專利名稱：基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于風(fēng)電場技術(shù)領(lǐng)域，尤其涉及一種基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法。
背景技術(shù)：
隨著風(fēng)力發(fā)電的跨越式發(fā)展，風(fēng)力發(fā)電固有的間歇性、隨機(jī)波動性嚴(yán)重威脅電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性、穩(wěn)定性和供電質(zhì)量。風(fēng)電場功率預(yù)測技術(shù)是減輕風(fēng)電場并網(wǎng)對電力系統(tǒng)不利影響的有效途徑之一。準(zhǔn)確可靠的風(fēng)電場功率預(yù)測還有助于(1)減少旋轉(zhuǎn)備用容量，合理安排檢修計劃，從而降低運(yùn)行成本；( 提高風(fēng)電并網(wǎng)比例；C3)提高風(fēng)電企業(yè)競爭力，為風(fēng)電競價上網(wǎng)提供有利條件。國內(nèi)外常用的風(fēng)電場功率預(yù)測方法有人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM) 等。人工神經(jīng)網(wǎng)絡(luò)方法在理論上可以逼近任何非線性連續(xù)函數(shù)，因此被成功的應(yīng)用于風(fēng)電功率預(yù)測領(lǐng)域。但ANN在訓(xùn)練中容易導(dǎo)致過學(xué)習(xí)問題。其后果是當(dāng)針對已知數(shù)據(jù)時，預(yù)測誤差很?。划?dāng)輸入樣本外的未知數(shù)據(jù)時，預(yù)測誤差激增。這也被稱為有限的泛化能力?；谶@種認(rèn)識，提高ANN模型泛化能力的辦法之一就是增加訓(xùn)練樣本數(shù)量。對于大量訓(xùn)練樣本的需求反過來也增加了 ANN的應(yīng)用局限性，如我國風(fēng)電場大多運(yùn)行時間不長，歷史數(shù)據(jù)不足，很難取得足夠訓(xùn)練樣本建立ANN預(yù)測模型；更不易于劃分月份或季節(jié)建立ANN預(yù)測模型。為了提高模型的泛化能力且擺脫對于大量訓(xùn)練樣本的需求，不少學(xué)者將SVM技術(shù)應(yīng)用于風(fēng)電功率預(yù)測領(lǐng)域中，運(yùn)用較少的訓(xùn)練樣本實現(xiàn)較為精確的預(yù)測，并有效避免陷入局部最小的危險。但在實際工程運(yùn)用中SVM也體現(xiàn)了一些不足之處1.核函數(shù)必須滿足馬瑟條件，即核函數(shù)局限于連續(xù)對稱函數(shù)；2.預(yù)測結(jié)果為點(diǎn)估計，不能提供任何不確定性信息；3.支持向量的數(shù)目隨著訓(xùn)練樣本數(shù)的增加而線性增長，增加了計算復(fù)雜度；4.必須對一些不敏感參數(shù)進(jìn)行估計，導(dǎo)致計算量和參數(shù)量的無謂增加。為了克服上述缺點(diǎn)，2001年Michael Ε. Tipping提出了一種基于貝葉斯理論、邊緣似然理論的概率學(xué)習(xí)方法——相關(guān)向量機(jī)(Relevance Vector Machine，RVM)。它是一種結(jié)構(gòu)簡單的非線性模式識別模型，不僅保留了 SVM出色的預(yù)測能力和泛化能力，還改善了 SVM的不足之處。因此，該方法已成功運(yùn)用于多種領(lǐng)域中，如負(fù)荷預(yù)測、故障分類等，但尚未被應(yīng)用于風(fēng)電場功率預(yù)測中。

發(fā)明內(nèi)容
針對上述背景技術(shù)中提到的現(xiàn)有風(fēng)電功率預(yù)測方法泛化能力弱和無法提供不確定性信息等不足，本發(fā)明提出了一種基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法。本發(fā)明的技術(shù)方案是，基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是該方法包括以下步驟
步驟1 采集數(shù)據(jù)并歸一化，根據(jù)數(shù)值天氣預(yù)報中風(fēng)速的絕對誤差選出相關(guān)向量機(jī)預(yù)測模型的訓(xùn)練樣本；步驟2 在步驟1的基礎(chǔ)上對相關(guān)向量機(jī)預(yù)測模型的參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)化的核函數(shù)寬度和相關(guān)向量機(jī)預(yù)測模型的迭代初值；步驟3 在步驟2的基礎(chǔ)上求得核函數(shù)，進(jìn)而求得收斂后的相關(guān)向量機(jī)預(yù)測模型參數(shù)；步驟4 求得風(fēng)電場功率的預(yù)測值和方差，得到風(fēng)電場功率的預(yù)測區(qū)間。所述根據(jù)數(shù)值天氣預(yù)報中風(fēng)速的絕對誤差選出相關(guān)向量機(jī)預(yù)測模型的訓(xùn)練樣本具體為步驟1 按照數(shù)值天氣預(yù)報中風(fēng)速的絕對誤差為分組訓(xùn)練樣本；步驟2 將每一組分別用相關(guān)向量機(jī)預(yù)測模型進(jìn)行測試，選取其中預(yù)測精度最高的一組作為相關(guān)向量機(jī)預(yù)測模型的訓(xùn)練樣本。所述步驟2具體為步驟2. 1 以訓(xùn)練樣本作為粒子群算法的輸入樣本，求得粒子群算法中各個群中的每個粒子的適應(yīng)函數(shù)的適應(yīng)值；步驟2. 2 選出全部粒子中適應(yīng)值最小的粒子的位置作為全局極值；步驟2. 3 檢驗適應(yīng)值是否滿足迭代要求，若滿足迭代要求，則全局極值為最優(yōu)的核函數(shù)寬度參數(shù)及相關(guān)向量機(jī)模型的迭代初值；否則，更新粒子的速度和位置，重新計算適應(yīng)值。所述適應(yīng)函數(shù)為
權(quán)利要求
1.基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是該方法包括以下步驟步驟1 采集數(shù)據(jù)并歸一化，根據(jù)數(shù)值天氣預(yù)報中風(fēng)速的絕對誤差選出相關(guān)向量機(jī)預(yù)測模型的訓(xùn)練樣本；步驟2 在步驟1的基礎(chǔ)上對相關(guān)向量機(jī)預(yù)測模型的參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)化的核函數(shù)寬度和相關(guān)向量機(jī)預(yù)測模型的迭代初值；步驟3 在步驟2的基礎(chǔ)上求得核函數(shù)，進(jìn)而求得收斂后的相關(guān)向量機(jī)預(yù)測模型參數(shù)； 步驟4 求得風(fēng)電場功率的預(yù)測值和方差，得到風(fēng)電場功率的預(yù)測區(qū)間。
2.根據(jù)權(quán)利要求1所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述根據(jù)數(shù)值天氣預(yù)報中風(fēng)速的絕對誤差選出相關(guān)向量機(jī)預(yù)測模型的訓(xùn)練樣本具體為步驟1 按照數(shù)值天氣預(yù)報中風(fēng)速的絕對誤差為分組訓(xùn)練樣本； 步驟2 將每一組分別用相關(guān)向量機(jī)預(yù)測模型進(jìn)行測試，選取其中預(yù)測精度最高的一組作為相關(guān)向量機(jī)預(yù)測模型的訓(xùn)練樣本。
3.根據(jù)權(quán)利要求1所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述步驟2具體為步驟2. 1 以訓(xùn)練樣本作為粒子群算法的輸入樣本，求得粒子群算法中各個群中的每個粒子的適應(yīng)函數(shù)的適應(yīng)值；步驟2. 2 選出全部粒子中適應(yīng)值最小的粒子的位置作為全局極值； 步驟2. 3 檢驗適應(yīng)值是否滿足迭代要求，若滿足迭代要求，則全局極值為最優(yōu)的核函數(shù)寬度參數(shù)及相關(guān)向量機(jī)模型的迭代初值；否則，更新粒子的速度和位置，重新計算適應(yīng)值。
4.根據(jù)權(quán)利要求3所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述適應(yīng)函數(shù)為Cap χ 4η其中f為適應(yīng)函數(shù)； Pli為i時刻的實際功率； Ppi為i時刻的預(yù)測功率； Cap為風(fēng)電場開機(jī)總?cè)萘浚?η為所有樣本個數(shù)。
5.根據(jù)權(quán)利要求3所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述迭代要求為適應(yīng)值小于0. 1。
6.根據(jù)權(quán)利要求1所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述步驟3具體為步驟3. 1 計算相關(guān)向量機(jī)預(yù)測模型的核函數(shù)、訓(xùn)練樣本后驗分布的方差和后驗分布的權(quán)重值；步驟3. 2 在步驟3. 1的基礎(chǔ)上，利用最大邊緣估計法計算超參數(shù)的先驗分布的最大化數(shù)值；步驟3. 3 檢驗當(dāng)前迭代步驟中超參數(shù)是否滿足指定條件，若滿足迭代要求，則此時的超參數(shù)為相關(guān)向量機(jī)預(yù)測模型參數(shù)；否則，更新超參數(shù)，直至滿足迭代要求。
7.根據(jù)權(quán)利要求6所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述核函數(shù)的計算公式為
8.根據(jù)權(quán)利要求6所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述訓(xùn)練樣本后驗分布的方差的計算公式為Σ= (σ_2φτφ+Α 廣1 其中Σ為后驗分布的方差；A為超參數(shù)對角線元素，A = diag(a0, Q1,…a N)； σ2為迭代初值； Φ為基函數(shù)向量。
9.根據(jù)權(quán)利要求6所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述后驗分布的權(quán)重值的計算公式為Wi = σ _2 Σ Φ Tt 其中Wi為后驗分布權(quán)重值； t為訓(xùn)練樣本的目標(biāo)參數(shù)。
10.根據(jù)權(quán)利要求1所述的基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法，其特征是所述風(fēng)電場功率的預(yù)測值和方差的計算公式分別是y* = wT Φσ 2* = σ 2 ρ+ ΦΤ Σ Φ 其中y*為風(fēng)電場功率預(yù)測單值； σ \為風(fēng)電場功率預(yù)測值得方差。
全文摘要
本發(fā)明公開了風(fēng)電場技術(shù)領(lǐng)域中的一種基于相關(guān)向量機(jī)的高精度風(fēng)電場功率區(qū)間預(yù)測方法。首先采集數(shù)據(jù)并歸一化，選出相關(guān)向量機(jī)預(yù)測模型的訓(xùn)練樣本；然后對相關(guān)向量機(jī)預(yù)測模型的參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)化的核函數(shù)寬度和相關(guān)向量機(jī)預(yù)測模型的迭代初值；之后求得核函數(shù)，進(jìn)而求得收斂后的相關(guān)向量機(jī)預(yù)測模型參數(shù)；最后求得風(fēng)電場功率的預(yù)測值和方差，得到風(fēng)電場功率的預(yù)測區(qū)間。本發(fā)明提高了模型的適應(yīng)能力，提高了預(yù)測精度，降低了訓(xùn)練樣本規(guī)模，減少了訓(xùn)練時間。
文檔編號G06F19/00GK102567636SQ20111044326
公開日2012年7月11日 申請日期2011年12月27日 優(yōu)先權(quán)日2011年12月27日
發(fā)明者劉永前, 張晉華, 閻潔, 韓爽 申請人:華北電力大學(xué)