采用svm选取预测模型的风电功率爬坡事件预测方法
【技术领域】
[0001] 本发明属于风电功率预测技术领域，尤其涉及一种采用SVM选取预测模型的风电 功率爬坡事件预测方法。
【背景技术】
[0002] 近年来，在我国大规模、高集中度的风电场发展趋势下，风资源的随机性和波动性 给电力系统带来的不利影响也越来越明显，其中危害最大的是风电功率爬坡事件，如2008 年在美国德州发生了一场大规模功率下坡事件。爬坡事件是指发生在短时间内的一类大幅 度风电功率变化事件，并对电力系统的安全稳定和经济运行造成潜在威胁。未来在大量风 电注入电网的形势下，为了维护电网的安全稳定，降低风电爬坡事件的危害十分必要，其中 对风电功率爬坡事件进行预测是进行爬坡危害控制的重要环节。
[0003] 目前，针对爬坡事件的预测，主要采用的风电功率预测法包括物理模型预测法和 统计模型预测法两类。其中统计模型预测法中常采用时间序列模型、神经网络模型和支持 向量机模型等，统计模型预测法对于短期的风电功率预测精度较高，但长期预测精度较差。 物理模型预测法通常基于数值天气预报（numerical weather prediction, NWP)系统，该方 法根据风场上空的风速变化，结合大气物理方程推导出未来可能的风速值，然后根据风电 功率曲线得到未来的风电功率预测值。NWP得到的预测结果对于把握风电的长期发展趋势 十分有用，但对于把握风电功率局部特征存在不足。
[0004] 由于爬坡事件是定义为长时间的功率变化事件，其预测过程不仅要涉及长期的风 电功率预测，同时短期内的细节信号对把握爬坡特征、分析爬坡影响十分重要。因此，综合 考虑统计模型预测法和物理模型预测法各自的优点，对于实现较好预测性能的风电功率爬 坡事件预测十分重要。
【发明内容】
[0005] 针对现有技术存在的不足，本发明提供了一种采用SVM选取预测模型的风电功率 爬坡事件预测方法。
[0006] 本发明将长期风电功率预测转换成连续的多个局部数据段的短期风电功率预测， 基于NWP提供的气象数据建立风电功率的支持向量机（SVM)短期预测模型，同时采用支持 向量机训练模型选取机制，指导局部数据段的支持向量机短期预测模型的选取。
[0007] 为解决上述技术问题，本发明采用如下技术方案：
[0008] 采用SVM选取预测模型的风电功率爬坡事件预测方法，包括：
[0009] Sl将第一样本集划分为局部数据段：
[0010] 采集第一样本集并对第一样本集进行预处理，根据窗长度将预处理后第一样本集 划分为时间连续的局部数据段，其中，第一样本集包括电网所在地的历史气象数据和同时 间的历史风电功率数据，窗长度为统计的历史爬坡事件持续时间的平均值；
[0011] S2构建短期风电功率预测模型库：
[0012] 以气象数据为输入、风电功率为输出，采用SVM表示短期风电功率预测模型；采用 局部数据段训练短期风电功率预测模型，得局部数据段的短期风电功率预测模型，所有局 部数据段的短期风电功率预测模型构成短期风电功率预测模型库；
[0013] S3训练预测模型选取机制：
[0014] 根据模型参数，采用Ward聚类法对短期风电功率预测模型库中模型进行聚类融 合，并标记各模型的类别编号，以各模型的类别编号和各局部数据段内历史气象数据为第 二样本集；以类别编号为输出、气象数据为输入，采用SVM分类模型表示预测模型选取机 制，并采用第二样本集训练预测模型选取机制；
[0015] S4爬坡事件预测：
[0016] 采用Sl中所述的窗长度将未来气象数据划分为时间连续的局部数据段，以局部 数据段为输入，基于预测模型选取机制获得局部数据段的短期风电功率预测数据；时间连 续的局部数据段的短期风电功率预测数据构成长期风电功率预测数据，根据长期风电功率 预测数据进行爬坡事件预测。
[0017] S2中，采用SVM表示的短期风电功率预测模型为y = <ω ·Χ>+13,其中，ω和b为 模型参数，X表示气象指标，y表示风电功率。
[0018] S2中，采用局部数据段训练短期风电功率预测模型，具体为：
[0019] 基于结构风险最小化原则，通过构造硬ε带的支持向量回归机求解短期风电功 率预测模型的参数。
[0020] S3中，采用Ward聚类法对短期风电功率预测模型库中模型进行聚类融合，具体 为：
[0021] 以短期风电功率预测模型库中各模型的模型参数为聚类输入，以Ward距离为聚 类判断依据，对短期风电功率预测模型库中各模型进行Ward聚类融合，得仅包含N个代表 性模型的短期风电功率预测模型库，N为聚类数。
[0022] S3中，采用SVM分类模型表示的预测模型选取机制为f (X) = sign (<ω · Xi>+b)， 其中，ω和b表示短期风电功率预测模型库中各模型的参数，X1表示局部数据段的气象指 标，f(x)表示类别编号。
[0023] 与现有技术相比，本发明具有如下特点和有益效果：
[0024] (1)本发明利用NWP提供的气象数据和历史风电功率数据建立SVM预测模型，充分 地考虑了气象因素的影响，可有效提高预测精度。
[0025] (2)为满足爬坡事件所需的长期风电功率要求，本发明将长期风电功率预测转换 成连续的多局部段的短期预测，不仅可实现长期预测，相比传统长期预测方法，还可显著改 善预测精度。
[0026] (3)本发明结合气象数据和局部段预测模型分析，通过SVM训练局部段的预测模 型选取机制，从而反映风电的长期发展模式，可有效指导爬坡事件的预测。
【附图说明】
[0027] 图1为本发明整体框图；
[0028] 图2为支持向量机预测模型的示意图；
[0029] 图3为含两种类别的基本SVM分类模型示意图；
[0030] 图4为局部段预测模型的Ward聚类分析结果图；
[0031] 图5为实施例中风电功率爬坡事件预测结果图，其中，图（a)为风电功率预测曲 线，图（b)为爬坡事件预测结果。
【具体实施方式】
[0032] 由于风电功率爬坡事件对电力系统的安全和稳定运行带来了严重威胁，为降低风 电功率爬坡事件对电网危害，爬坡事件的提前预测十分重要。
[0033] 下面将详细说明本发明的【具体实施方式】。
[0034] 见图1，本发明包括训练部分和预测部分，具体步骤如下：
[0035] 步骤1 :将第一样本集划分局部数据段。
[0036] 本步骤进一步包括：
[0037] I. 1第一样本集的预处理分析。
[0038] 采集第一样本集，包括① NWP提供的历史气象数据和②与历史气象数据时间、地 点相同的历史风电功率数据。对第一样本集中数据进行预处理分析，具体为：考虑到采集系 统的偏差和人为的切机等操作，对第一样本集进行坏值、缺值处理，以保证数据的完整性。 同时，考虑误差影响，对第一样本集进行去噪处理，以保证数据的有效性。
[0039] 1. 2将第一样本集划分为时间连续的局部数据段。
[0040] 考虑到爬坡事件是指一段时间内的大幅度风电功率变化，且一个爬坡事件是在特 定的气象场景下产生的，则可认为其内部风电功率变化的适用模型是一致的。为此，将统计 的历史爬坡事件持续时间的平均值作为窗长度，根据窗长度将第一样本集划分为时间连续 的局部数据段，下一局部数据段的时间起点即上一局部数据段的时间终点。
[0041] 步骤2 :构建短期风电功率预测模型库。
[0042] 本步骤进一步包括：
[0043] 2. 1采用SVM表示短期风电功率预测模型。
[0044] 为实现高精度的长期风电功率预测，针对各局部数据段分别采用SVM构建多变量 的短期风电功率预测模型。同时，考虑到不同局部数据段风电功率变化特性可能不同，为保 证预测有效性，并提高预测精度，对不同局部数据段的短期风电功率预测模型分别进行最 优模型参数识别，并构建可指导爬坡预测的短期风电功率预测模型库。
[0045] 由于SVM适用小样本学习，且具有较强的泛化能力等，因此，可将SVM应用于局部 数据段的短期风电功率预测中。
[0046] 假设SVM的训练集T如下：
[0047] T = ((X1, y!)，（x2, y2)，…（X1, Y1M e (RnXY)1 (1)
[0048] 式⑴中，X。x2、··％表示输入量，定义域Rr^n维实数空间，本步骤中输入量 即历史气象数据 ；yi、y2、…Y1表示输出量，值域Y为实数域，本步骤中输出量即历史风电功 率数据。
[0049] SVM基本模型见式（2):
[0050] y = < ω · x>+b (2)
[0051] 式（2)中，ω、b为模型参数，〈· >表示内积。
[0052] 设局部数据段i的样本数据集为{(X1) 1Xq，（P1) 1X1}，（X1) 1Xq表示局部数据段i内 的气象数据矩阵，大小为lx q，q表示气象指标数，1为窗长度；(P1)lxi为局部数据段i内 的风电功率数据矩阵，大小为1X1，1为窗长度。
[0053] 采用公式（2)所示SVM基本模型表示局部数据段i的短期风电功率预测模型，见 式⑶：
[0054] Plj j= <ω · X^ ^+b (3)
[0055] 式（3)中下标j表示局部数据段中行向量编号。
[0056] 2. 2构建短期风电功率预测模型库。
[0057] 采用各局部数据段的数据分别训练式（3)所示短期风电功率预测模型，获得各局 部数据段的短期风电功率预测模型的参数《、b。
[0058] 短期风电功率预测模型的训练具体为：
[0059] 基于结构风险最小化原则，通过构造硬ε带的支持向量回归机求解式（3)所示模 型参数《、b，见式（4):
[0060] 4'
[0061]
[0062] 式⑷中，M · 11表示向量范数，η为待求变量，且有
并引入乘子向量a构造 Lagrange函数，见式（5):
[0064] 由式（5)可得式⑷的对偶问题，见式（6):
[0065]