專利名稱：一種風(fēng)電功率預(yù)測(cè)方法及其裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種功率預(yù)測(cè)方法及其裝置，尤其是涉及一種風(fēng)電功率預(yù)測(cè)方法及其
>J-U裝直。
背景技術(shù)：
風(fēng)能由于其良好的經(jīng)濟(jì)效益和社會(huì)效益，已受到世界各國(guó)政府的高度重視，成為當(dāng)今世界增長(zhǎng)最快的可再生能源之一。許多國(guó)家已把大力發(fā)展風(fēng)電作為優(yōu)化能源結(jié)構(gòu)、改善生態(tài)環(huán)境的重要措施之一。然而由于風(fēng)能的波動(dòng)性和間歇性，風(fēng)電場(chǎng)在接入電網(wǎng)后對(duì)電 力系統(tǒng)的經(jīng)濟(jì)調(diào)度和安全穩(wěn)定帶來了嚴(yán)峻挑戰(zhàn)。如果能對(duì)風(fēng)電場(chǎng)功率進(jìn)行準(zhǔn)確有效的預(yù)測(cè)，將使電力調(diào)度部門能夠提前根據(jù)風(fēng)電場(chǎng)出力變化情況及時(shí)合理的調(diào)整調(diào)度計(jì)劃。從而減輕風(fēng)電并網(wǎng)對(duì)電網(wǎng)造成的不利影響，減少系統(tǒng)的備用容量，整體上降低風(fēng)電并網(wǎng)的運(yùn)行成本。風(fēng)電功率預(yù)測(cè)在電力系統(tǒng)調(diào)度中的應(yīng)用如圖3所示。 目前研究人員建立的基于統(tǒng)計(jì)方法的風(fēng)電功率預(yù)測(cè)模型主要有時(shí)間序列模型、數(shù)據(jù)挖掘模型、人工神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型等。其中支持向量機(jī)模型克服了人工神經(jīng)網(wǎng)絡(luò)泛化能力差、易陷入局部極小等缺點(diǎn)，在一定程度上提高了模型的學(xué)習(xí)能力，已經(jīng)受到了國(guó)內(nèi)外研究人員的重視。最小二乘支持向量機(jī)是標(biāo)準(zhǔn)支持向量機(jī)的一種改進(jìn)，采用二次規(guī)劃方法將支持向量機(jī)中的不等式約束改為等式約束，以誤差平方和損失函數(shù)作為訓(xùn)練集的經(jīng)驗(yàn)損失，把二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組問題，加快了問題求解的速度，提高了算法的收斂精度。對(duì)于基于統(tǒng)計(jì)方法的預(yù)測(cè)模型來說，大致有兩個(gè)方向第一、先預(yù)測(cè)風(fēng)速、風(fēng)向等氣象條件，再根據(jù)風(fēng)機(jī)的風(fēng)功曲線得到風(fēng)電功率；第二、直接擬合歷史風(fēng)速和風(fēng)向與功率之間的“黑箱”模型，不考慮風(fēng)功曲線等。這種方法可以有效減小環(huán)境溫度、氣壓等條件對(duì)空氣密度的影響，從而減小對(duì)風(fēng)功率的影響。

發(fā)明內(nèi)容
本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的技術(shù)問題；提供了一種直接考慮與相關(guān)歷史數(shù)據(jù)或者數(shù)字天氣預(yù)報(bào)數(shù)據(jù)與功率輸出的關(guān)系，建模方法簡(jiǎn)單的一種風(fēng)電功率預(yù)測(cè)方法及其裝置。本發(fā)明還有一目的是解決現(xiàn)有技術(shù)所存在的技術(shù)問題；提供了一種適應(yīng)性強(qiáng)，可作為一般風(fēng)電場(chǎng)的功率預(yù)測(cè)模型的一種風(fēng)電功率預(yù)測(cè)方法及其裝置。本發(fā)明再有一目的是解決現(xiàn)有技術(shù)所存在的等的技術(shù)問題；提供了一種計(jì)算速度較快，成本低，易推廣的一種風(fēng)電功率預(yù)測(cè)方法及其裝置。本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的一種風(fēng)電功率預(yù)測(cè)方法，其特征在于，包括以下步驟步驟I、數(shù)據(jù)提取模塊從數(shù)值天氣預(yù)報(bào)系統(tǒng)或者電力系統(tǒng)相關(guān)SCADA中進(jìn)行數(shù)據(jù)提取，對(duì)提去后的數(shù)據(jù)進(jìn)行預(yù)處理；并根據(jù)處理后的數(shù)據(jù)確定最小二乘支持向量機(jī)訓(xùn)練樣本的輸入和輸出；步驟2、數(shù)據(jù)初始化模塊對(duì)步驟I中初始化最小二乘支持向量機(jī)及改進(jìn)的自適應(yīng)粒子群算法的參數(shù)；步驟3、優(yōu)化模塊以回歸誤差平方和最小為適應(yīng)度，使用改進(jìn)自適應(yīng)粒子群算法基于步驟2中初始化后參數(shù)對(duì)最小二乘支持向量機(jī)的回歸模型參數(shù)進(jìn)行優(yōu)化；步驟4、模型建立模塊根據(jù)步驟3中優(yōu)化后的參數(shù)得到最小二乘支持向量機(jī)的模型；步驟5、預(yù)測(cè)模塊根據(jù)步驟4中得到的最小二乘支持向量機(jī)的模型進(jìn)行預(yù)測(cè)。 在上述的一種風(fēng)電功率預(yù)測(cè)方法，所述的步驟I中，所述的步驟I中，提取數(shù)據(jù)包括風(fēng)速、溫度以及風(fēng)電場(chǎng)實(shí)測(cè)輸出功率數(shù)據(jù)，所述風(fēng)速、溫度作為最小二乘支持向量機(jī)訓(xùn)練樣本的輸入數(shù)據(jù)；所述風(fēng)電場(chǎng)實(shí)測(cè)輸出功率作為最小二乘支持向量機(jī)訓(xùn)練樣本的輸出數(shù)據(jù)。在上述的一種風(fēng)電功率預(yù)測(cè)方法，所述步驟2中，在確定了訓(xùn)練最小二乘支持向量機(jī)模型的輸入和輸出以后，進(jìn)行模型優(yōu)化的前提是模型參數(shù)和優(yōu)化算法參數(shù)的初始化，初始化主要有以下三步步驟2. I、首先確定最小二乘支持向量機(jī)的懲罰參數(shù)Y和核參數(shù)O 2范圍；步驟2. 2、其次確定自適應(yīng)粒子群算法的相關(guān)參數(shù)；步驟2. 3、在最小二乘支持向量機(jī)的懲罰參數(shù)Y和核參數(shù)O 2范圍內(nèi)隨機(jī)初始化粒子群。在上述的一種風(fēng)電功率預(yù)測(cè)方法，所述的步驟3中，在參數(shù)初始化后，需要設(shè)定優(yōu)化算法的適應(yīng)度，選擇模型回歸誤差平方和最小為適應(yīng)度，根據(jù)步驟I中選擇的訓(xùn)練輸入和輸出數(shù)據(jù)，使用改進(jìn)的自適應(yīng)粒子群算法優(yōu)化最小二乘支持向量機(jī)的相關(guān)參數(shù)，步驟如下步驟3. I、初始化粒子群參數(shù)；步驟3.2、計(jì)算自適應(yīng)權(quán)重；步驟3. 3、以回歸誤差平方和最小為適應(yīng)度，計(jì)算并比較適應(yīng)度值；步驟3. 4、更新速度和位置；步驟3. 5、判斷終止條件，滿足則輸出優(yōu)化結(jié)果，不滿足則重復(fù)步驟3. 2至步驟3. 4。在上述的一種風(fēng)電功率預(yù)測(cè)方法，所述步驟4中，在使用改進(jìn)的自適應(yīng)粒子群算法得到最小二乘支持向量機(jī)的參數(shù)后，根據(jù)最小二乘支持向量機(jī)算法和訓(xùn)練樣本求解出最下二乘支持向量機(jī)回歸模型中的參數(shù)a ,和匕然后將求解得到的參數(shù)帶入回歸函數(shù)式(7)中，從而構(gòu)建出風(fēng)電功率預(yù)測(cè)的最小二乘支持向量機(jī)模型。在上述的一種風(fēng)電功率預(yù)測(cè)方法，所述步驟5中，根據(jù)訓(xùn)練模型時(shí)所選的相關(guān)輸入確定預(yù)測(cè)的輸入，使用優(yōu)化后的模型得到風(fēng)電功率的預(yù)測(cè)結(jié)果。在上述的一種風(fēng)電功率預(yù)測(cè)方法，所述步驟2. I中，最小二乘支持向量機(jī)模型基于下述方法給定一個(gè)訓(xùn)練數(shù)據(jù)點(diǎn)集(Xi，yi)，i = 1,...,1, Xi G Rd是與預(yù)測(cè)量密切相關(guān)的影響因素，d為所選輸入變量的維數(shù)，第i個(gè)輸出yi G R是預(yù)測(cè)量的實(shí)測(cè)值，I是已知數(shù)據(jù)點(diǎn)集的總數(shù)；支持向量機(jī)模型的目標(biāo)是構(gòu)造一個(gè)如式一格式的回歸函數(shù)
權(quán)利要求
1.一種風(fēng)電功率預(yù)測(cè)方法，其特征在于，包括以下步驟 步驟I、數(shù)據(jù)提取模塊從數(shù)值天氣預(yù)報(bào)系統(tǒng)或者電カ系統(tǒng)相關(guān)SCADA中進(jìn)行數(shù)據(jù)提取，對(duì)提去后的數(shù)據(jù)進(jìn)行預(yù)處理；井根據(jù)處理后的數(shù)據(jù)確定最小ニ乘支持向量機(jī)訓(xùn)練樣本的輸入和輸出； 步驟2、數(shù)據(jù)初始化模塊對(duì)步驟I中初始化最小ニ乘支持向量機(jī)及改進(jìn)的自適應(yīng)粒子群算法的參數(shù)； 步驟3、優(yōu)化模塊以回歸誤差平方和最小為適應(yīng)度，使用改進(jìn)自適應(yīng)粒子群算法基于步驟2中初始化后參數(shù)對(duì)最小ニ乘支持向量機(jī)的回歸模型參數(shù)進(jìn)行優(yōu)化； 步驟4、模型建立模塊根據(jù)步驟3中優(yōu)化后的參數(shù)得到最小ニ乘支持向量機(jī)的模型； 步驟5、預(yù)測(cè)模塊根據(jù)步驟4中得到的最小ニ乘支持向量機(jī)的模型進(jìn)行預(yù)測(cè)。
2.根據(jù)權(quán)利要求I所述的ー種風(fēng)電功率預(yù)測(cè)方法，其特征在于，所述的步驟I中，所述的步驟I中，提取數(shù)據(jù)包括風(fēng)速、溫度以及風(fēng)電場(chǎng)實(shí)測(cè)輸出功率數(shù)據(jù)，所述風(fēng)速、溫度作為最小ニ乘支持向量機(jī)訓(xùn)練樣本的輸入數(shù)據(jù)；所述風(fēng)電場(chǎng)實(shí)測(cè)輸出功率作為最小ニ乘支持向量機(jī)訓(xùn)練樣本的輸出數(shù)據(jù)。
3.根據(jù)權(quán)利要求I所述的ー種風(fēng)電功率預(yù)測(cè)方法，其特征在于，所述步驟2中，在確定了訓(xùn)練最小ニ乘支持向量機(jī)模型的輸入和輸出以后，進(jìn)行模型優(yōu)化的前提是模型參數(shù)和優(yōu)化算法參數(shù)的初始化，初始化主要有以下三步 步驟2. I、首先確定最小ニ乘支持向量機(jī)的懲罰參數(shù)Y和核參數(shù)σ 2范圍； 步驟2. 2、其次確定自適應(yīng)粒子群算法的相關(guān)參數(shù)； 步驟2. 3、在最小ニ乘支持向量機(jī)的懲罰參數(shù)Y和核參數(shù)σ 2范圍內(nèi)隨機(jī)初始化粒子群。
4.根據(jù)權(quán)利要求I所述的ー種風(fēng)電功率預(yù)測(cè)方法，其特征在于，所述的步驟3中，在參數(shù)初始化后，需要設(shè)定優(yōu)化算法的適應(yīng)度，選擇模型回歸誤差平方和最小為適應(yīng)度，根據(jù)步驟I中選擇的訓(xùn)練輸入和輸出數(shù)據(jù)，使用改進(jìn)的自適應(yīng)粒子群算法優(yōu)化最小ニ乘支持向量機(jī)的相關(guān)參數(shù)，步驟如下 步驟3. I、初始化粒子群參數(shù)； 步驟3. 2、計(jì)算自適應(yīng)權(quán)重； 步驟3. 3、以回歸誤差平方和最小為適應(yīng)度，計(jì)算并比較適應(yīng)度值； 步驟3. 4、更新速度和位置； 步驟3. 5、判斷終止條件，滿足則輸出優(yōu)化結(jié)果，不滿足則重復(fù)步驟3. 2至步驟3. 4。
5.根據(jù)權(quán)利要求I所述的ー種風(fēng)電功率預(yù)測(cè)方法，其特征在于，所述步驟4中，在使用改進(jìn)的自適應(yīng)粒子群算法得到最小ニ乘支持向量機(jī)的參數(shù)后，根據(jù)最小ニ乘支持向量機(jī)算法和訓(xùn)練樣本求解出最下ニ乘支持向量機(jī)回歸模型中的參數(shù)a i和b，然后將求解得到的參數(shù)帶入回歸函數(shù)式(7)中，從而構(gòu)建出風(fēng)電功率預(yù)測(cè)的最小ニ乘支持向量機(jī)模型。
6.根據(jù)權(quán)利要求I所述的ー種風(fēng)電功率預(yù)測(cè)方法，其特征在于，所述步驟5中，根據(jù)訓(xùn)練模型時(shí)所選的相關(guān)輸入確定預(yù)測(cè)的輸入，使用優(yōu)化后的模型得到風(fēng)電功率的預(yù)測(cè)結(jié)果。
7.根據(jù)權(quán)利要求I所述的ー種風(fēng)電功率預(yù)測(cè)方法，其特征在于，所述步驟2.I中，最小ニ乘支持向量機(jī)模型基于下述方法 給定ー個(gè)訓(xùn)練數(shù)據(jù)點(diǎn)集(Xi，Yi),! = 1,...,1, Xi e Rd是與預(yù)測(cè)量密切相關(guān)的影響因素，d為所選輸入變量的維數(shù)，第i個(gè)輸出I e R是預(yù)測(cè)量的實(shí)測(cè)值，I是已知數(shù)據(jù)點(diǎn)集的總數(shù)；支持向量機(jī)模型的目標(biāo)是構(gòu)造一個(gè)如式一格式的回歸函數(shù)
8.ー種采用權(quán)利要求I所述的ー種風(fēng)電功率預(yù)測(cè)方法的裝置，其特征在于，包括依次連接的數(shù)據(jù)提取模塊、數(shù)據(jù)初始化模塊、優(yōu)化模塊、模型建立模塊以及預(yù)測(cè)模塊。
全文摘要
本發(fā)明涉及一種風(fēng)電功率預(yù)測(cè)方法及其裝置。步驟一從數(shù)值天氣預(yù)報(bào)系統(tǒng)或者電力系統(tǒng)相關(guān)SCADA中進(jìn)行數(shù)據(jù)提取，對(duì)提取后的數(shù)據(jù)進(jìn)行平滑化處理；步驟二根據(jù)處理后的數(shù)據(jù)確定最小二乘支持向量機(jī)訓(xùn)練樣本的輸入和輸出；步驟三初始化最小二乘支持向量機(jī)及改進(jìn)的自適應(yīng)粒子群算法的相關(guān)參數(shù)；步驟四根據(jù)上面的優(yōu)化過程對(duì)模型參數(shù)進(jìn)行優(yōu)化；步驟五根據(jù)優(yōu)化后的參數(shù)得到最小二乘支持向量機(jī)的模型；步驟六根據(jù)最小二乘支持向量機(jī)的模型進(jìn)行預(yù)測(cè)。本發(fā)明建模過程簡(jiǎn)單使用，能快速有效的進(jìn)行風(fēng)電功率預(yù)測(cè)，對(duì)于電力系統(tǒng)的安全穩(wěn)定和調(diào)度運(yùn)行具有重要意義，因此具有廣泛的推廣應(yīng)用價(jià)值。
文檔編號(hào)G06F19/00GK102855412SQ20121035591
公開日2013年1月2日 申請(qǐng)日期2012年9月21日 優(yōu)先權(quán)日2012年9月21日
發(fā)明者張翌暉, 王凱, 陳立, 胡志堅(jiān), 王賀, 張承學(xué), 寧文輝, 周科, 仉夢(mèng)林, 龔曉璐 申請(qǐng)人:廣西電網(wǎng)公司電力科學(xué)研究院, 武漢大學(xué)