專利名稱：一種風(fēng)力發(fā)電短期負(fù)荷預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電力信息技術(shù)領(lǐng)域，其涉及一種風(fēng)力發(fā)電短期負(fù)荷預(yù)測(cè)方法，其基于提升小波、LS-SVM和誤差預(yù)測(cè)。
背景技術(shù)：
風(fēng)能是理想的清潔能源，風(fēng)能發(fā)電避免了火力發(fā)電對(duì)大氣的污染、水力發(fā)電對(duì)生態(tài)環(huán)境的影響。隨著風(fēng)電技術(shù)的不斷發(fā)展和風(fēng)電場(chǎng)的規(guī)模不斷增大，為了保證電力系統(tǒng)的穩(wěn)定運(yùn)行和供電可靠性，必須對(duì)風(fēng)電系統(tǒng)進(jìn)行有效的規(guī)劃和調(diào)度。由于風(fēng)電本身所特有的間歇性和不確定性，增加了電網(wǎng)調(diào)度的難度，為了解決風(fēng)電場(chǎng)的發(fā)電量不確定問題，電網(wǎng)必須提供足夠的旋轉(zhuǎn)備用容量，而旋轉(zhuǎn)備用容量的增加間接地增加了風(fēng)力發(fā)電的整體運(yùn)營(yíng)成本，所以需要對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)，通過對(duì)風(fēng)電場(chǎng)發(fā)電量進(jìn)行準(zhǔn)確的預(yù)測(cè)，可以大 幅降低電網(wǎng)旋轉(zhuǎn)備用容量，從而有效降低風(fēng)力發(fā)電系統(tǒng)的運(yùn)行成本，為電網(wǎng)調(diào)度運(yùn)行提供可靠依據(jù)。一個(gè)準(zhǔn)確度高的風(fēng)電負(fù)荷預(yù)測(cè)方法是非常關(guān)鍵的。負(fù)荷預(yù)測(cè)的核心問題是預(yù)測(cè)的技術(shù)方法，或者說是預(yù)測(cè)的數(shù)學(xué)模型。隨著現(xiàn)代科學(xué)技術(shù)的快速發(fā)展，負(fù)荷預(yù)測(cè)技術(shù)的研究也在不斷深化，各種各樣的負(fù)荷預(yù)測(cè)方法不斷涌現(xiàn)，從經(jīng)典的單耗法，統(tǒng)計(jì)分析法，到目前的灰色預(yù)測(cè)法，專家系統(tǒng)發(fā)和模糊數(shù)學(xué)法，甚至到神經(jīng)網(wǎng)絡(luò)法，優(yōu)選組合法和小波分析法，它們各自有各自的研究特點(diǎn)和使用條件，也都可以應(yīng)用到風(fēng)電的負(fù)荷預(yù)測(cè)中去，但是單獨(dú)預(yù)測(cè)的效果不是很突出，預(yù)測(cè)的精度比較低。因此，如何根據(jù)風(fēng)電的強(qiáng)隨機(jī)性和不穩(wěn)定特性，使用一種新的方法來提高對(duì)風(fēng)電功率預(yù)測(cè)的精度，特別是提高在波峰波谷上的預(yù)測(cè)精度，是目前特需解決的問題。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)的缺陷，本發(fā)明公開了一種風(fēng)力發(fā)電短期負(fù)荷預(yù)測(cè)方法，其很大地提高了對(duì)風(fēng)電負(fù)荷預(yù)測(cè)的預(yù)測(cè)精度，且容易實(shí)現(xiàn)、計(jì)算量小、可操作性較高。本方法的構(gòu)思是通過對(duì)規(guī)律性很少波動(dòng)很大的風(fēng)電負(fù)荷數(shù)據(jù)進(jìn)行提升小波變換，將原始的風(fēng)電負(fù)荷數(shù)據(jù)序列分解為低頻信號(hào)A2和高頻信號(hào)D1、D2，因?yàn)榈皖l信號(hào)A2包含了原始數(shù)據(jù)的大部分特征和趨勢(shì)，去除了毛刺，但是比原始數(shù)據(jù)序列光滑，這樣有利于提高預(yù)測(cè)的精度，所以將A2數(shù)據(jù)序列和當(dāng)時(shí)的風(fēng)向角、風(fēng)速、溫度一起作為4個(gè)數(shù)據(jù)序列輸入到已經(jīng)建立好的LS-SVM的數(shù)學(xué)模型中進(jìn)行訓(xùn)練和預(yù)測(cè)，得到的預(yù)測(cè)值，這就是我們需要的風(fēng)電負(fù)荷的預(yù)測(cè)值。根據(jù)這些得到的預(yù)測(cè)值和實(shí)際值可以得到預(yù)測(cè)的相對(duì)誤差，我們可以再把這些相對(duì)誤差當(dāng)成一個(gè)數(shù)據(jù)序列，再用前面提到的提升小波變換和LS-SVM預(yù)測(cè)的方法預(yù)測(cè)未來時(shí)刻的相對(duì)誤差值，在這一步中我們用的也是二層提升小波分解，用的是其中的低頻信號(hào)A2，因?yàn)樵谙鄬?duì)誤差的數(shù)據(jù)序列中波動(dòng)非常大，規(guī)律性更少，所以要用更加分解得精細(xì)的A2信號(hào)。最后利用這些預(yù)測(cè)得到的相對(duì)誤差值來修正前面預(yù)測(cè)的風(fēng)電負(fù)荷的功率。本方法解決技術(shù)問題所采取的技術(shù)方案是
—種風(fēng)力發(fā)電短期負(fù)荷預(yù)測(cè)方法，基于提升小波、最小二乘支持向量機(jī)和誤差預(yù)測(cè)，包括以下步驟SI :原始數(shù)據(jù)的預(yù)處理去除原始數(shù)據(jù)中的錯(cuò)誤數(shù)據(jù)；S2:建立提升小波變換的數(shù)學(xué)模型，將記錄的功率數(shù)據(jù)看作離散的數(shù)據(jù)序列，根據(jù)建立的提升小波變換進(jìn)行二層分解，可以得到高頻數(shù)據(jù)序列Dl、D2和低頻數(shù)據(jù)序列A2 ；S3 :將需要的數(shù)據(jù)序列歸一化；S4 :建立最小二乘支持向量機(jī)數(shù)學(xué)模型；S5 :將步驟S3中得到的歸一化后的A2數(shù)據(jù)序列、氣溫、風(fēng)向角、風(fēng)速一起輸入到步驟S4中建立的最小二乘支持向量機(jī)數(shù)學(xué)模型中，其中的3/4的A2數(shù)據(jù)作為訓(xùn)練樣本，其余的作為測(cè)試樣本；在最小二乘支持向量機(jī)模型中訓(xùn)練并預(yù)測(cè)最后的1/4的數(shù)據(jù)，輸出得到 的數(shù)據(jù)序列就是A2后面的1/4預(yù)測(cè)結(jié)果；S6 :進(jìn)行第二次預(yù)測(cè)，將A2分成兩部分，前半部分用來作為最小二乘支持向量機(jī)的訓(xùn)練樣本，后半部分作為測(cè)試樣本，通過最小二乘支持向量機(jī)的預(yù)測(cè)，得到A2后半部分的預(yù)測(cè)值；通過計(jì)算可以得到這些預(yù)測(cè)點(diǎn)的相對(duì)誤差值；S7 :根據(jù)步驟S6中得到的相對(duì)誤差值，我們對(duì)其進(jìn)行2層提升小波分解，并用其第二層的低頻信號(hào)A2，再將A2信號(hào)分成兩部分，前半部分作為訓(xùn)練樣本，輸入到最小二乘支持向量機(jī)模型中進(jìn)行訓(xùn)練和預(yù)測(cè)；后半部分作為測(cè)試樣本，以得到整個(gè)原始數(shù)據(jù)最后1/4的相對(duì)誤差預(yù)測(cè)值；S8 :根據(jù)步驟S7中得到的相對(duì)誤差的預(yù)測(cè)值與步驟S5中得到的原始信號(hào)最后1/4數(shù)據(jù)的預(yù)測(cè)值，并根據(jù)它們的符號(hào)和相對(duì)誤差預(yù)測(cè)值的大小，對(duì)在步驟S5中得到的風(fēng)電負(fù)荷的預(yù)測(cè)值逐個(gè)迭代修正；修正后的值就是最后預(yù)測(cè)結(jié)果。步驟S2中，“提升小波變換”的步驟如下S21 :分裂分裂是將信號(hào)Stl [η]分割成相互關(guān)聯(lián)的奇偶兩部分，即偶部分^en1 [η]和奇部分Odd1 [η];even! [n] =S0 [2η], Odd1 [η] =S0 [2η+1](I)S22 :預(yù)測(cè)預(yù)測(cè)就是用evenjn]預(yù)測(cè)Odd1 [η]，預(yù)測(cè)誤差下式Cl1 [η] = Odd1 [n]-p Ceven1 [η])(2)Ρ(·)表示預(yù)測(cè)算子；S23 :更新更新的目的就是用(I1 [η]修改ever^ [η],使修改后的ever^ [η]維持原始數(shù)據(jù)集SJn]中某些整數(shù)性質(zhì)，且只包含信號(hào)SJn]的低頻成分，即S1 [n] =Gven1 [n] +U ((I1 [η])(3)其中，修改后的ever^ [η]記為S1 [η]。步驟S3中，具體的歸一化的公式如下Λ =》^' = (^max — ) V, + -Tmin(4)
X 一 X
max min其中Xmax，Xfflin分別為訓(xùn)練樣本集中輸入變量的最大值和最小值；Xi，Yi分別為輸入樣本歸一化前后的值。步驟S4進(jìn)一步包括最小二乘支持向量機(jī)是先通過非線性映射函數(shù)Φ (x)將輸入變量映射到高維空間，然后再在高維特征空間進(jìn)行線性回歸，即實(shí)現(xiàn)f (χ, ω ) =w Φ (X) +b(5)式中，ω為權(quán)值向量，而b為偏差，是兩個(gè)待訓(xùn)練的參數(shù)，而對(duì)于非線性映射函數(shù)Φ(χ)的選取一般是在幾個(gè)模板之間選擇試算得到。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下I.該方法中建立了提升小波、LS-SVM和誤差預(yù)測(cè)的數(shù)學(xué)模型。2.該方法很大地提高了對(duì)風(fēng)電負(fù)荷預(yù)測(cè)的預(yù)測(cè)精度。3.該方法結(jié)構(gòu)簡(jiǎn)單、計(jì)算量小、可操作較高。


圖I是本發(fā)明一種風(fēng)力發(fā)電短期負(fù)荷預(yù)測(cè)方法的流程圖。具體的實(shí)現(xiàn)方法最小二乘支持向量機(jī)(leastsquares support vector machine, LS-SVM)是一種遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化(structural risk minimization, SRM)原則的核函數(shù)學(xué)習(xí)機(jī)器,其算法是最小二乘法，其原理是結(jié)構(gòu)風(fēng)險(xiǎn)最小化。下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步的描述參看圖1，一種風(fēng)力發(fā)電短期負(fù)荷預(yù)測(cè)方法，基于提升小波和LS-SVM (最小二乘支持向量機(jī))，包括以下步驟SI :原始數(shù)據(jù)的預(yù)處理，原始數(shù)據(jù)中有許多由于各種原因造成的錯(cuò)誤的數(shù)據(jù)，這些數(shù)據(jù)需要去除，比如說數(shù)據(jù)中負(fù)的數(shù)值；S2 :建立提升小波變換的數(shù)學(xué)模型將記錄的功率數(shù)據(jù)看作離散的數(shù)據(jù)序列，根據(jù)建立的提升小波變換進(jìn)行二層分解，可以得到高頻數(shù)據(jù)序列D1、D2和低頻數(shù)據(jù)序列A2 ；提升小波變換的步驟如下S21 :分裂分裂是將信號(hào)S。[η]分割成相互關(guān)聯(lián)的奇偶兩部分，即evenjn](偶部分)和Odd1 [η](奇部分)even! [n] =S0 [2η], Odd1 [η] =S0 [2η+1](I)S22 :預(yù)測(cè)預(yù)測(cè)就是用evenjn]預(yù)測(cè)Odd1 [η]，預(yù)測(cè)誤差為(下式中P( ·)表示預(yù)測(cè)算子)Cl1 [n] =Odd1 [n]-p Ceven1 [n])(2)S23 :更新更新的目的就是用(I1 [η]修改evenjn],使修改后的evenjn](記為S1 [η])維持原始數(shù)據(jù)集Stl [η]中某些整數(shù)性質(zhì)，且只包含信號(hào)SJn]的低頻成分，即S1 [n] =Gven1 [n] +U ((I1 [η])(3)S3:數(shù)據(jù)的歸一化將需要的數(shù)據(jù)序列都?xì)w一化，為了提高LS-SVM最后的分類的準(zhǔn)確率，即將數(shù)據(jù)全部映射到O到I之間，具體的歸一化的公式如下所示Λ = & Xmn，6 =^max-x腿)Λ + 義畫I4)
X — X -
max min其中Xmax，Xfflin分別為訓(xùn)練樣本集中輸入變量的最大值和最小值。Xi, Yi分別為輸入樣本歸一化前后的值。S4 :建立LS-SVM數(shù)學(xué)模型LS-SVM是先通過非線性映射函數(shù)Φ (χ)將輸入變量映射到高維空間，然后再在高維特征空間進(jìn)行線性回歸，即實(shí)現(xiàn)
權(quán)利要求
1.ー種風(fēng)カ發(fā)電短期負(fù)荷預(yù)測(cè)方法，基于提升小波、最小ニ乘支持向量機(jī)和誤差預(yù)測(cè)，其特征在于，包括以下步驟 Si:原始數(shù)據(jù)的預(yù)處理去除原始數(shù)據(jù)中的錯(cuò)誤數(shù)據(jù)； 52:建立提升小波變換的數(shù)學(xué)模型，將記錄的功率數(shù)據(jù)看作離散的數(shù)據(jù)序列，根據(jù)建立的提升小波變換進(jìn)行ニ層分解，可以得到高頻數(shù)據(jù)序列Dl、D2和低頻數(shù)據(jù)序列A2 ； 53:將需要的數(shù)據(jù)序列歸ー化； 54:建立最小ニ乘支持向量機(jī)數(shù)學(xué)模型； 55:將步驟S3中得到的歸ー化后的A2數(shù)據(jù)序列、氣溫、風(fēng)向角、風(fēng)速一起輸入到步驟S4中建立的最小ニ乘支持向量機(jī)數(shù)學(xué)模型中，其中的3/4的A2數(shù)據(jù)作為訓(xùn)練樣本，其余的作為測(cè)試樣本；在最小ニ乘支持向量機(jī)模型中訓(xùn)練并預(yù)測(cè)最后的1/4的數(shù)據(jù)，輸出得到的數(shù)據(jù)序列就是A2后面的1/4預(yù)測(cè)結(jié)果； 56:進(jìn)行第二次預(yù)測(cè)，將A2分成兩部分，前半部分用來作為最小ニ乘支持向量機(jī)的訓(xùn)練樣本，后半部分作為測(cè)試樣本，通過最小ニ乘支持向量機(jī)的預(yù)測(cè)，得到A2后半部分的預(yù)測(cè)值；通過計(jì)算可以得到這些預(yù)測(cè)點(diǎn)的相對(duì)誤差值； 57:根據(jù)步驟S6中得到的相對(duì)誤差值，我們對(duì)其進(jìn)行2層提升小波分解，并用其第二層的低頻信號(hào)A2，再將A2信號(hào)分成兩部分，前半部分作為訓(xùn)練樣本，輸入到最小ニ乘支持向量機(jī)模型中進(jìn)行訓(xùn)練和預(yù)測(cè)；后半部分作為測(cè)試樣本，以得到整個(gè)原始數(shù)據(jù)最后1/4的相對(duì)誤差預(yù)測(cè)值； 58:根據(jù)步驟S7中得到的相對(duì)誤差的預(yù)測(cè)值與步驟S5中得到的原始信號(hào)最后1/4數(shù)據(jù)的預(yù)測(cè)值，井根據(jù)它們的符號(hào)和相對(duì)誤差預(yù)測(cè)值的大小，對(duì)在步驟S5中得到的風(fēng)電負(fù)荷的預(yù)測(cè)值逐個(gè)迭代修正；修正后的值就是最后預(yù)測(cè)結(jié)果。
2.根據(jù)權(quán)利要求I所述的ー種風(fēng)カ發(fā)電短期負(fù)荷預(yù)測(cè)方法，其特征在于，步驟S2中，“提升小波變換”的步驟如下 521:分裂分裂是將信號(hào)SJn]分割成相互關(guān)聯(lián)的奇偶兩部分，即偶部分evenjn]和奇部分Odd1 [n]; Gven1 [n] =S0[2n], Odd1 [n] = S0[2n+1](I) 522:預(yù)測(cè)預(yù)測(cè)就是用evenjn]預(yù)測(cè)Odd1 [n]，預(yù)測(cè)誤差下式 d, [n] =Odd1 [n]-p (even! [n])(2) p(o表示預(yù)測(cè)算子； 523:更新更新的目的就是用(I1 [n]修改evenjn],使修改后的evenjn]維持原始數(shù)據(jù)集SJn]中某些整數(shù)性質(zhì)，且只包含信號(hào)SJn]的低頻成分，即 S1[n] =Gven1 [n] +U ((I1 [n])(3) 其中，修改后的evenjn]記為S1 [n]。
3.根據(jù)權(quán)利要求I所述的ー種風(fēng)カ發(fā)電短期負(fù)荷預(yù)測(cè)方法，其特征在干，步驟S3中，具體的歸ー化的公式如下
4.根據(jù)權(quán)利要求I所述的ー種風(fēng)カ發(fā)電短期負(fù)荷預(yù)測(cè)方法，其特征在于，步驟S4進(jìn)ー步包括 最小ニ乘支持向量機(jī)是先通過非線性映射函數(shù)Φ (χ)將輸入變量映射到高維空間，然后再在高維特征空間進(jìn)行線性回歸，即實(shí)現(xiàn)f (χ, ω) =w Φ (χ) +b(5) 式中，ω為權(quán)值向量，而b為偏差，是兩個(gè)待訓(xùn)練的參數(shù)，而對(duì)于非線性映射函數(shù)Φ (χ)的選取一般是在幾個(gè)模板之間選擇試算得到。
全文摘要
本發(fā)明方法公開一種風(fēng)力發(fā)電短期負(fù)荷預(yù)測(cè)方法，包括S1.原始數(shù)據(jù)的預(yù)處理；S2.建立提升小波變換的數(shù)學(xué)模型，得到高頻數(shù)據(jù)序列D1、D2和低頻數(shù)據(jù)序列A2；S3.將需要的數(shù)據(jù)序列歸一化；S4.建立最小二乘支持向量機(jī)數(shù)學(xué)模型；S5.將步驟S3中得到的歸一化后的A2數(shù)據(jù)序列、氣溫、風(fēng)向角、風(fēng)速一起輸入到步驟S4中建立的LS-SVM數(shù)學(xué)模型中，作第一次的負(fù)荷預(yù)測(cè)，得到A2的最后1/4的負(fù)荷預(yù)測(cè)；S6.進(jìn)行第二次預(yù)測(cè)，并得到這些預(yù)測(cè)點(diǎn)的相對(duì)誤差值；S7.對(duì)步驟S6中得到的相對(duì)誤差值進(jìn)行2層提升小波分解，并用步驟S5中的方法預(yù)測(cè)A2后半部分的相對(duì)誤差值；S8.修正步驟S5中得到的原始信號(hào)最后1/4數(shù)據(jù)的預(yù)測(cè)值。
文檔編號(hào)G06F19/00GK102855385SQ20121026972
公開日2013年1月2日 申請(qǐng)日期2012年7月31日 優(yōu)先權(quán)日2012年7月31日
發(fā)明者王昕 , 鄭益慧, 李立學(xué), 溫錦斌, 張忠保, 邵鳳鵬, 柳楊 申請(qǐng)人:上海交通大學(xué), 吉林省電力有限公司延邊供電公司, 國(guó)家電網(wǎng)公司