专利名称：一种风力发电短期负荷预测方法
技术领域：
本发明属于电力信息技术领域，其涉及一种风力发电短期负荷预测方法，其基于提升小波、LS-SVM和误差预测。
背景技术：
风能是理想的清洁能源，风能发电避免了火力发电对大气的污染、水力发电对生态环境的影响。随着风电技术的不断发展和风电场的规模不断增大，为了保证电力系统的稳定运行和供电可靠性，必须对风电系统进行有效的规划和调度。由于风电本身所特有的间歇性和不确定性，增加了电网调度的难度，为了解决风电场的发电量不确定问题，电网必须提供足够的旋转备用容量，而旋转备用容量的增加间接地增加了风力发电的整体运营成本，所以需要对风电场的输出功率进行预测，通过对风电场发电量进行准确的预测，可以大 幅降低电网旋转备用容量，从而有效降低风力发电系统的运行成本，为电网调度运行提供可靠依据。一个准确度高的风电负荷预测方法是非常关键的。负荷预测的核心问题是预测的技术方法，或者说是预测的数学模型。随着现代科学技术的快速发展，负荷预测技术的研究也在不断深化，各种各样的负荷预测方法不断涌现，从经典的单耗法，统计分析法，到目前的灰色预测法，专家系统发和模糊数学法，甚至到神经网络法，优选组合法和小波分析法，它们各自有各自的研究特点和使用条件，也都可以应用到风电的负荷预测中去，但是单独预测的效果不是很突出，预测的精度比较低。因此，如何根据风电的强随机性和不稳定特性，使用一种新的方法来提高对风电功率预测的精度，特别是提高在波峰波谷上的预测精度，是目前特需解决的问题。
发明内容
为了克服现有技术的缺陷，本发明公开了一种风力发电短期负荷预测方法，其很大地提高了对风电负荷预测的预测精度，且容易实现、计算量小、可操作性较高。本方法的构思是通过对规律性很少波动很大的风电负荷数据进行提升小波变换，将原始的风电负荷数据序列分解为低频信号A2和高频信号D1、D2，因为低频信号A2包含了原始数据的大部分特征和趋势，去除了毛刺，但是比原始数据序列光滑，这样有利于提高预测的精度，所以将A2数据序列和当时的风向角、风速、温度一起作为4个数据序列输入到已经建立好的LS-SVM的数学模型中进行训练和预测，得到的预测值，这就是我们需要的风电负荷的预测值。根据这些得到的预测值和实际值可以得到预测的相对误差，我们可以再把这些相对误差当成一个数据序列，再用前面提到的提升小波变换和LS-SVM预测的方法预测未来时刻的相对误差值，在这一步中我们用的也是二层提升小波分解，用的是其中的低频信号A2，因为在相对误差的数据序列中波动非常大，规律性更少，所以要用更加分解得精细的A2信号。最后利用这些预测得到的相对误差值来修正前面预测的风电负荷的功率。本方法解决技术问题所采取的技术方案是
—种风力发电短期负荷预测方法，基于提升小波、最小二乘支持向量机和误差预测，包括以下步骤SI :原始数据的预处理去除原始数据中的错误数据；S2:建立提升小波变换的数学模型，将记录的功率数据看作离散的数据序列，根据建立的提升小波变换进行二层分解，可以得到高频数据序列Dl、D2和低频数据序列A2 ；S3 :将需要的数据序列归一化；S4 :建立最小二乘支持向量机数学模型；S5 :将步骤S3中得到的归一化后的A2数据序列、气温、风向角、风速一起输入到步骤S4中建立的最小二乘支持向量机数学模型中，其中的3/4的A2数据作为训练样本，其余的作为测试样本；在最小二乘支持向量机模型中训练并预测最后的1/4的数据，输出得到 的数据序列就是A2后面的1/4预测结果；S6 :进行第二次预测，将A2分成两部分，前半部分用来作为最小二乘支持向量机的训练样本，后半部分作为测试样本，通过最小二乘支持向量机的预测，得到A2后半部分的预测值；通过计算可以得到这些预测点的相对误差值；S7 :根据步骤S6中得到的相对误差值，我们对其进行2层提升小波分解，并用其第二层的低频信号A2，再将A2信号分成两部分，前半部分作为训练样本，输入到最小二乘支持向量机模型中进行训练和预测；后半部分作为测试样本，以得到整个原始数据最后1/4的相对误差预测值；S8 :根据步骤S7中得到的相对误差的预测值与步骤S5中得到的原始信号最后1/4数据的预测值，并根据它们的符号和相对误差预测值的大小，对在步骤S5中得到的风电负荷的预测值逐个迭代修正；修正后的值就是最后预测结果。步骤S2中，“提升小波变换”的步骤如下S21 :分裂分裂是将信号Stl [η]分割成相互关联的奇偶两部分，即偶部分^en1 [η]和奇部分Odd1 [η];even! [n] =S0 [2η], Odd1 [η] =S0 [2η+1](I)S22 :预测预测就是用evenjn]预测Odd1 [η]，预测误差下式Cl1 [η] = Odd1 [n]-p Ceven1 [η])(2)Ρ(·)表示预测算子；S23 :更新更新的目的就是用(I1 [η]修改ever^ [η],使修改后的ever^ [η]维持原始数据集SJn]中某些整数性质，且只包含信号SJn]的低频成分，即S1 [n] =Gven1 [n] +U ((I1 [η])(3)其中，修改后的ever^ [η]记为S1 [η]。步骤S3中，具体的归一化的公式如下Λ =》^' = (^max — ) V, + -Tmin(4)
X 一 X
max min其中Xmax，Xfflin分别为训练样本集中输入变量的最大值和最小值；Xi，Yi分别为输入样本归一化前后的值。步骤S4进一步包括最小二乘支持向量机是先通过非线性映射函数Φ (x)将输入变量映射到高维空间，然后再在高维特征空间进行线性回归，即实现f (χ, ω ) =w Φ (X) +b(5)式中，ω为权值向量，而b为偏差，是两个待训练的参数，而对于非线性映射函数Φ(χ)的选取一般是在几个模板之间选择试算得到。与现有技术相比，本发明的有益效果如下I.该方法中建立了提升小波、LS-SVM和误差预测的数学模型。2.该方法很大地提高了对风电负荷预测的预测精度。3.该方法结构简单、计算量小、可操作较高。
图I是本发明一种风力发电短期负荷预测方法的流程图。具体的实现方法最小二乘支持向量机(leastsquares support vector machine, LS-SVM)是一种遵循结构风险最小化(structural risk minimization, SRM)原则的核函数学习机器,其算法是最小二乘法，其原理是结构风险最小化。下面结合附图和具体实施例对本发明做进一步的描述参看图1，一种风力发电短期负荷预测方法，基于提升小波和LS-SVM (最小二乘支持向量机)，包括以下步骤SI :原始数据的预处理，原始数据中有许多由于各种原因造成的错误的数据，这些数据需要去除，比如说数据中负的数值；S2 :建立提升小波变换的数学模型将记录的功率数据看作离散的数据序列，根据建立的提升小波变换进行二层分解，可以得到高频数据序列D1、D2和低频数据序列A2 ；提升小波变换的步骤如下S21 :分裂分裂是将信号S。[η]分割成相互关联的奇偶两部分，即evenjn](偶部分)和Odd1 [η](奇部分)even! [n] =S0 [2η], Odd1 [η] =S0 [2η+1](I)S22 :预测预测就是用evenjn]预测Odd1 [η]，预测误差为(下式中P( ·)表示预测算子)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](记为S1 [η])维持原始数据集Stl [η]中某些整数性质，且只包含信号SJn]的低频成分，即S1 [n] =Gven1 [n] +U ((I1 [η])(3)S3:数据的归一化将需要的数据序列都归一化，为了提高LS-SVM最后的分类的准确率，即将数据全部映射到O到I之间，具体的归一化的公式如下所示Λ = & Xmn，6 =^max-x腿)Λ + 义画I4)
X — X -
max min其中Xmax，Xfflin分别为训练样本集中输入变量的最大值和最小值。Xi, Yi分别为输入样本归一化前后的值。S4 :建立LS-SVM数学模型LS-SVM是先通过非线性映射函数Φ (χ)将输入变量映射到高维空间，然后再在高维特征空间进行线性回归，即实现
权利要求
1.ー种风カ发电短期负荷预测方法，基于提升小波、最小ニ乘支持向量机和误差预測，其特征在于，包括以下步骤 Si:原始数据的预处理去除原始数据中的错误数据； 52:建立提升小波变换的数学模型，将记录的功率数据看作离散的数据序列，根据建立的提升小波变换进行ニ层分解，可以得到高频数据序列Dl、D2和低频数据序列A2 ； 53:将需要的数据序列归ー化； 54:建立最小ニ乘支持向量机数学模型； 55:将步骤S3中得到的归ー化后的A2数据序列、气温、风向角、风速一起输入到步骤S4中建立的最小ニ乘支持向量机数学模型中，其中的3/4的A2数据作为训练样本，其余的作为测试样本；在最小ニ乘支持向量机模型中训练并预测最后的1/4的数据，输出得到的数据序列就是A2后面的1/4预测结果； 56:进行第二次预测，将A2分成两部分，前半部分用来作为最小ニ乘支持向量机的训练样本，后半部分作为测试样本，通过最小ニ乘支持向量机的预测，得到A2后半部分的预测值；通过计算可以得到这些预测点的相对误差值； 57:根据步骤S6中得到的相对误差值，我们对其进行2层提升小波分解，并用其第二层的低频信号A2，再将A2信号分成两部分，前半部分作为训练样本，输入到最小ニ乘支持向量机模型中进行训练和预测；后半部分作为测试样本，以得到整个原始数据最后1/4的相对误差预测值； 58:根据步骤S7中得到的相对误差的预测值与步骤S5中得到的原始信号最后1/4数据的预测值，井根据它们的符号和相对误差预测值的大小，对在步骤S5中得到的风电负荷的预测值逐个迭代修正；修正后的值就是最后预测結果。
2.根据权利要求I所述的ー种风カ发电短期负荷预测方法，其特征在于，步骤S2中，“提升小波变换”的步骤如下 521:分裂分裂是将信号SJn]分割成相互关联的奇偶两部分，即偶部分evenjn]和奇部分Odd1 [n]; Gven1 [n] =S0[2n], Odd1 [n] = S0[2n+1](I) 522:预测预测就是用evenjn]预测Odd1 [n]，预测误差下式 d, [n] =Odd1 [n]-p (even! [n])(2) p(o表示预测算子； 523:更新更新的目的就是用(I1 [n]修改evenjn],使修改后的evenjn]维持原始数据集SJn]中某些整数性质，且只包含信号SJn]的低频成分，即 S1[n] =Gven1 [n] +U ((I1 [n])(3) 其中，修改后的evenjn]记为S1 [n]。
3.根据权利要求I所述的ー种风カ发电短期负荷预测方法，其特征在干，步骤S3中，具体的归ー化的公式如下
4.根据权利要求I所述的ー种风カ发电短期负荷预测方法，其特征在于，步骤S4进ー步包括 最小ニ乘支持向量机是先通过非线性映射函数Φ (χ)将输入变量映射到高维空间，然后再在高维特征空间进行线性回归，即实现f (χ, ω) =w Φ (χ) +b(5) 式中，ω为权值向量，而b为偏差，是两个待训练的參数，而对于非线性映射函数Φ (χ)的选取一般是在几个模板之间选择试算得到。
全文摘要
本发明方法公开一种风力发电短期负荷预测方法，包括S1.原始数据的预处理；S2.建立提升小波变换的数学模型，得到高频数据序列D1、D2和低频数据序列A2；S3.将需要的数据序列归一化；S4.建立最小二乘支持向量机数学模型；S5.将步骤S3中得到的归一化后的A2数据序列、气温、风向角、风速一起输入到步骤S4中建立的LS-SVM数学模型中，作第一次的负荷预测，得到A2的最后1/4的负荷预测；S6.进行第二次预测，并得到这些预测点的相对误差值；S7.对步骤S6中得到的相对误差值进行2层提升小波分解，并用步骤S5中的方法预测A2后半部分的相对误差值；S8.修正步骤S5中得到的原始信号最后1/4数据的预测值。
文档编号G06F19/00GK102855385SQ20121026972
公开日2013年1月2日 申请日期2012年7月31日 优先权日2012年7月31日
发明者王昕 , 郑益慧, 李立学, 温锦斌, 张忠保, 邵凤鹏, 柳杨 申请人:上海交通大学, 吉林省电力有限公司延边供电公司, 国家电网公司