專(zhuān)利名稱(chēng)：一種風(fēng)電功率預(yù)測(cè)的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電力系統(tǒng)預(yù)測(cè)與控制技術(shù)領(lǐng)域，尤其涉及一種風(fēng)電功率預(yù)測(cè)方法。
背景技術(shù)：
由于我國(guó)風(fēng)電功率預(yù)測(cè)研究工作起步較晚，目前，主要是理論探索，預(yù)測(cè)系統(tǒng)大多處于探索和研究階段，但我國(guó)的風(fēng)電場(chǎng)情況較復(fù)雜，需要因地制宜地開(kāi)展風(fēng)電功率預(yù)測(cè)工作，同時(shí)也需要對(duì)先進(jìn)預(yù)測(cè)方法進(jìn)行研究，以逐步提高預(yù)測(cè)精度。自然因素的不可控性，風(fēng)電輸出功率的隨機(jī)性、間歇性和波動(dòng)性都將會(huì)給風(fēng)電并網(wǎng)的安全穩(wěn)定運(yùn)行帶來(lái)嚴(yán)峻的挑戰(zhàn)。短期風(fēng)功率預(yù)測(cè)精度的提高，將有助于電力系統(tǒng)調(diào)度部門(mén)合理安排調(diào)度計(jì)劃，有效減輕風(fēng)電對(duì)整個(gè)電網(wǎng)的影響。近年來(lái)出現(xiàn)了組合預(yù)測(cè)算法，將多個(gè)算法組合起來(lái)進(jìn)行預(yù)測(cè)。組合模型結(jié)合多個(gè)算法的優(yōu)點(diǎn)來(lái)優(yōu)化預(yù)測(cè)模型，可以進(jìn)一步提高預(yù)測(cè)精度。一般組合預(yù)測(cè)的方法，都是兩種算法組合在一起，并不能體現(xiàn)出多種算法組合的優(yōu)勢(shì)。現(xiàn)有的預(yù)測(cè)方法在風(fēng)電功率預(yù)測(cè)上精度不高而且不能充分考慮外界因素的影響。

發(fā)明內(nèi)容
為了克服以上現(xiàn)有技術(shù)的問(wèn)題，本發(fā)明提供一種風(fēng)電功率預(yù)測(cè)方法，將遺傳算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)進(jìn)行組合，分別將遺傳算法有效地進(jìn)行概率意義的全局搜索能力、神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織和自適應(yīng)能力、支持向量機(jī)的有全局收斂以及樣本維數(shù)不敏感和不依賴(lài)于經(jīng)驗(yàn)信息的特點(diǎn)結(jié)合在一起。為解決上述技術(shù)問(wèn)題本發(fā)明的技術(shù)方案是
I)收集整理風(fēng)電功率歷史數(shù)據(jù)，研究影響風(fēng)電機(jī)組輸出風(fēng)功率的主要因素，分析數(shù)據(jù)特點(diǎn)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。a)對(duì)收集的風(fēng)電場(chǎng)數(shù)據(jù)要進(jìn)行統(tǒng)計(jì)和審核，對(duì)其中的異常值的進(jìn)行平穩(wěn)化處理、對(duì)缺失的數(shù)據(jù)進(jìn)行修補(bǔ)。b)風(fēng)電機(jī)組受自然風(fēng)力驅(qū)動(dòng)，輸出風(fēng)功率受風(fēng)速、風(fēng)向、溫度、濕度、氣壓等多種自然因素影響。風(fēng)電場(chǎng)的風(fēng)電機(jī)組受這些自然因素影響使得風(fēng)功率數(shù)據(jù)隱含自然規(guī)律，同時(shí)也具有隨機(jī)性、間歇性、波動(dòng)性等特點(diǎn)，充分利用這些特點(diǎn)對(duì)成功建立模型十分重要。c)利用SAS軟件來(lái)對(duì)風(fēng)電場(chǎng)歷史數(shù)據(jù)進(jìn)行聚類(lèi)分析、相關(guān)性分析、統(tǒng)計(jì)分析等，研究歷史數(shù)據(jù)中隱含的數(shù)據(jù)特征。2)利用遺傳算法卓越的優(yōu)化能力優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)建立遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。3)首先利用遺傳算法優(yōu)化支持向量機(jī)的參數(shù)遺傳支持向量機(jī)回歸預(yù)測(cè)模型。4)然后利用誤差中的信息熵對(duì)兩種子模型進(jìn)行加權(quán)，構(gòu)成優(yōu)化組合預(yù)測(cè)模型。5)確定預(yù)測(cè)評(píng)價(jià)指標(biāo)正確檢驗(yàn)?zāi)Ｐ?，利用檢驗(yàn)結(jié)果形成反饋機(jī)制優(yōu)化預(yù)測(cè)模型。采用均方根誤差、絕對(duì)平均誤差和相對(duì)誤差等作為預(yù)測(cè)誤差指標(biāo)來(lái)評(píng)價(jià)預(yù)測(cè)模型。
6)利用Matlab軟件編制組合預(yù)測(cè)模型仿真程序，采用實(shí)際的風(fēng)電場(chǎng)歷史數(shù)據(jù)作為輸入進(jìn)行仿真。根據(jù)仿真結(jié)果調(diào)整和完善預(yù)測(cè)模型，并對(duì)預(yù)測(cè)誤差進(jìn)行統(tǒng)計(jì)。本發(fā)明的有益效果是，能夠充分考慮外界影響因素并對(duì)多種預(yù)測(cè)方法進(jìn)行綜合，通過(guò)權(quán)重的配置提高了風(fēng)電功率的預(yù)測(cè)精度，為電力系統(tǒng)改善風(fēng)功率預(yù)測(cè)效果提供方法參考，有助于電力系統(tǒng)調(diào)度部門(mén)合理安排調(diào)度計(jì)劃，減少電網(wǎng)運(yùn)行成本，保證電網(wǎng)安全穩(wěn)定的運(yùn)行。


圖I為總體思路及研究方案圖2為風(fēng)電功率組合預(yù)測(cè)流程3為遺傳支持向量機(jī)法風(fēng)電功率預(yù)測(cè)結(jié)果圖4為遺傳神經(jīng)網(wǎng)絡(luò)法風(fēng)電功率預(yù)測(cè)結(jié)果圖5為組合預(yù)測(cè)法風(fēng)電功率預(yù)測(cè)結(jié)果
具體實(shí)施例方式
下面結(jié)合附圖對(duì)本發(fā)明進(jìn)一步說(shuō)明。圖I是本發(fā)明的總體思路及研究方案結(jié)構(gòu)圖。首先研究了風(fēng)電功率的影響因素，由于風(fēng)電機(jī)組受自然風(fēng)驅(qū)動(dòng)，風(fēng)電功率主要會(huì)受到風(fēng)速、風(fēng)向、氣壓、濕度、氣溫等因素的影響。然后收集原始數(shù)據(jù)，對(duì)原始風(fēng)電功率數(shù)據(jù)進(jìn)行分析處理，這里主要采用聚類(lèi)分析、統(tǒng)計(jì)分析以及小波分析三種方法，對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)化處理等。對(duì)數(shù)據(jù)進(jìn)行分析處理之后，就可以開(kāi)始建立預(yù)測(cè)模型。選擇遺傳算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)三種智能算法。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線(xiàn)性映射能力，特別適合處理具有隨機(jī)性、非線(xiàn)性特點(diǎn)的風(fēng)功率數(shù)據(jù)，但有易陷于局部最小值以及訓(xùn)練時(shí)間長(zhǎng)的缺點(diǎn)。支持向量機(jī)采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，具有收斂速度快和泛化能力好的優(yōu)點(diǎn)，當(dāng)預(yù)測(cè)區(qū)間較長(zhǎng)時(shí)仍然具有較高的準(zhǔn)確度，但存在核參數(shù)難以確定的問(wèn)題。而遺傳算法具有很強(qiáng)的尋優(yōu)能力，于是本發(fā)明采用遺傳算法分別對(duì)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行優(yōu)化，得到遺傳神經(jīng)網(wǎng)絡(luò)和遺傳支持向量機(jī)兩種優(yōu)化后的預(yù)測(cè)模型。利用誤差中的信息熵對(duì)兩種子模型進(jìn)行加權(quán)，構(gòu)成優(yōu)化組合預(yù)測(cè)模型，從而充分發(fā)揮神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線(xiàn)性映射能力和支持向量機(jī)的收斂速度快和泛化能力好的優(yōu)點(diǎn)，提高預(yù)測(cè)精度。將實(shí)際風(fēng)功率數(shù)據(jù)分別作為組合預(yù)測(cè)模型和誤差分析模型的輸入，利用誤差分析模型檢驗(yàn)組合預(yù)測(cè)模型的預(yù)測(cè)效果，對(duì)預(yù)測(cè)誤差進(jìn)行統(tǒng)計(jì)分析，并將誤差信息反饋到組合預(yù)測(cè)模型，利用誤差信息優(yōu)化遺傳神經(jīng)網(wǎng)絡(luò)和遺傳支持向量機(jī)兩種子模型的加權(quán)系數(shù)進(jìn)一步完善組合模型。圖2是風(fēng)電功率組合預(yù)測(cè)流程圖，收集原始數(shù)據(jù)，其中包括風(fēng)速、風(fēng)向、溫度、濕度、氣壓等多種自然因素的數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行分析和處理，利用SAS統(tǒng)計(jì)軟件提供的多種數(shù)據(jù)處理方法對(duì)歷史數(shù)據(jù)進(jìn)行聚類(lèi)分析、統(tǒng)計(jì)性、相關(guān)性分析以挖掘出數(shù)據(jù)隱含的自然規(guī)律，并利用分析的結(jié)果合理確定預(yù)測(cè)模型的輸入變量、訓(xùn)練樣本、測(cè)試樣本。將遺傳算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)相互組合建立預(yù)測(cè)模型，首先利用遺傳算法卓越的優(yōu)化能力優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和支持向量機(jī)的參數(shù)分別建立遺傳神經(jīng)網(wǎng)絡(luò)和遺傳支持向量機(jī)回歸子預(yù)測(cè)模型，然后利用誤差中的信息熵對(duì)兩種子模型進(jìn)行加權(quán)，構(gòu)成優(yōu)化組合預(yù)測(cè)模型。利用Matlab仿真軟件編制組合預(yù)測(cè)模型仿真程序，采用實(shí)際的風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行仿真，對(duì)預(yù)測(cè)誤差進(jìn)行評(píng)價(jià)檢驗(yàn)?zāi)Ｐ偷挠行院蛯?shí)用性，同時(shí)利用檢驗(yàn)結(jié)果反饋機(jī)制優(yōu)化預(yù)測(cè)模型。圖3是遺傳支持向量機(jī)法風(fēng)電功率預(yù)測(cè)結(jié)果與實(shí)際值的比較。圖4遺傳神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)結(jié)果。圖5為組合預(yù)測(cè)法風(fēng)電功率預(yù)測(cè)結(jié)果。采用組合預(yù)測(cè)方法對(duì)風(fēng)速預(yù)測(cè)進(jìn)行了研究。根據(jù)某風(fēng)電場(chǎng)風(fēng)電功率的實(shí)際數(shù)據(jù)，其中給出了 2006年5月10日至2006年6月6日時(shí)間段內(nèi)該風(fēng)電場(chǎng)中PA風(fēng)電機(jī)組進(jìn)行驗(yàn)證分析，結(jié)果表明本文提出的風(fēng)電功率預(yù)測(cè)方法提高了預(yù)測(cè)的準(zhǔn)確性，對(duì)接入風(fēng)電場(chǎng)的電力系統(tǒng)運(yùn)行調(diào)度有重要的實(shí)用價(jià)值。
權(quán)利要求
1.一種風(fēng)電功率預(yù)測(cè)的方法，其特征是充分利用聚類(lèi)分析、統(tǒng)計(jì)分析、相關(guān)性分析、小波分析等各種數(shù)據(jù)分析方法研究風(fēng)功率數(shù)據(jù)特點(diǎn)，根據(jù)分析的結(jié)果，選擇遺傳算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)三種智能算法，建立組合預(yù)測(cè)模型。
2.根據(jù)權(quán)利要求I所述的風(fēng)電功率預(yù)測(cè)的方法，其特征是利用SAS統(tǒng)計(jì)軟件提供的多種數(shù)據(jù)處理方法對(duì)歷史數(shù)據(jù)進(jìn)行聚類(lèi)分析、統(tǒng)計(jì)性、相關(guān)性分析以挖掘出數(shù)據(jù)隱含的自然規(guī)律，并利用分析的結(jié)果合理確定預(yù)測(cè)模型的輸入變量、訓(xùn)練樣本、測(cè)試樣本。
3.根據(jù)權(quán)利要求I所述的風(fēng)電功率預(yù)測(cè)的方法，其特征是將遺傳算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)相互組合建立預(yù)測(cè)模型，首先利用遺傳算法卓越的優(yōu)化能力優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和支持向量機(jī)的參數(shù)分別建立遺傳神經(jīng)網(wǎng)絡(luò)和遺傳支持向量機(jī)回歸子預(yù)測(cè)模型，然后利用誤差中的信息熵對(duì)兩種子模型進(jìn)行加權(quán)，構(gòu)成優(yōu)化組合預(yù)測(cè)模型，從而充分發(fā)揮神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線(xiàn)性映射能力和支持向量機(jī)的收斂速度快和泛化能力好的優(yōu)點(diǎn)，提高預(yù)測(cè)精度。
4.根據(jù)權(quán)利要求I所述的風(fēng)電功率預(yù)測(cè)的方法，其特征是利用功能強(qiáng)大的Matlab仿真軟件編制組合預(yù)測(cè)模型仿真程序，采用實(shí)際的風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行仿真，對(duì)預(yù)測(cè)誤差進(jìn)行評(píng)價(jià)檢 驗(yàn)?zāi)Ｐ偷挠行院蛯?shí)用性，同時(shí)利用檢驗(yàn)結(jié)果反饋機(jī)制優(yōu)化預(yù)測(cè)模型。
全文摘要
一種風(fēng)電功率預(yù)測(cè)方法，選擇遺傳算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)三種智能算法建立組合預(yù)測(cè)模型。首先采用遺傳算法分別對(duì)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行優(yōu)化，得到遺傳神經(jīng)網(wǎng)絡(luò)和遺傳支持向量機(jī)兩種優(yōu)化后的預(yù)測(cè)模型，然后利用誤差中的信息熵對(duì)兩種子模型進(jìn)行加權(quán)，構(gòu)成優(yōu)化組合預(yù)測(cè)模型。對(duì)預(yù)測(cè)誤差進(jìn)行統(tǒng)計(jì)分析，并將誤差信息反饋到組合預(yù)測(cè)模型，利用誤差信息優(yōu)化遺傳神經(jīng)網(wǎng)絡(luò)和遺傳支持向量機(jī)兩種子模型的加權(quán)系數(shù)進(jìn)一步完善組合模型。本發(fā)明提供的方法能夠充分考慮外界影響因素并對(duì)多種預(yù)測(cè)方法進(jìn)行綜合，通過(guò)權(quán)重的配置提高了風(fēng)電功率的預(yù)測(cè)精度。
文檔編號(hào)G06Q10/04GK102938093SQ20121039718
公開(kāi)日2013年2月20日 申請(qǐng)日期2012年10月18日 優(yōu)先權(quán)日2012年10月18日
發(fā)明者田麗, 裴瑞平, 王勇 申請(qǐng)人:安徽工程大學(xué)