采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法
【专利摘要】本发明公开了采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，主要包括：采用基于自学习Sigmoid核函数支持向量机的复合数据源，对风电功率预测模型进行训练；基于风电功率预测模型训练结果，对未来0-48小时的风电功率进行预测。本发明所述采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，可以克服现有技术中风电功率短期预测精度低的缺陷，以实现高精度的风电功率短期预测的优点。
【专利说明】采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法
【技术领域】
[0001]本发明涉及新能源发电过程中风电功率预测【技术领域】，具体地，涉及采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法。
【背景技术】
[0002]我国风电进入规模化发展阶段以后所产生的大型新能源基地多数位于“三北地区”(西北、东北、华北)，大型新能源基地一般远离负荷中心，其电力需要经过长距离、高电压输送到负荷中心进行消纳。由于风、光资源的间歇性、随机性和波动性，导致大规模新能源基地的风电、光伏发电出力会随之发生较大范围的波动，进一步导致输电网络充电功率的波动，给电网运行安全带来一系列问题。
[0003]截至2014年2月，甘肃电网并网风电装机容量已达702万千瓦，约占甘肃电网总装机容量的22%，成为仅次于火电的第二大主力电源；光伏发电装机容量已达到435万千瓦，约占甘肃电网总装机容量的13%，同时甘肃成为我国光伏发电装机规模最大的省份。目前，甘肃电网风电、光伏发电装机超过甘肃电网总装机容量的1/3。随着新能源并网规模的不断提高，风电、光伏发电不确定性和不可控性给电网的安全稳定经济运行带来诸多问题。对风力发电过程中的风电功率进行预测，可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键参考数据。
[0004]在实现本发明的过程中，发明人发现现有技术中至少存在预测精度低等缺陷。
【发明内容】
[0005]本发明的目的在于，针对上述问题，提出采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，具备高精度的风电功率预测的优点。
[0006]为实现上述目的，本发明采用的技术方案是:采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法,主要包括:
[0007]a、采用基于自学习Sigmoid核函数支持向量机的复合数据源，对风电功率预测模型进行训练；
[0008]b、基于风电功率预测模型的训练结果，未来0-48小时的风电功率进行预测。
[0009]进一步地,所述步骤a,具体包括:
[0010]al、模型训练基础数据输入；
[0011]a2、数据预处理；
[0012]a3、SVM分类器训练；
[0013]a4、得到 SVM 模型。
[0014]进一步地,所述步骤al,具体包括:
[0015]风功率预报系统模型训练所需输入数据，包括风电场基础信息、历史风速数据、历史功率数据，以及包含风电场/风机坐标、测风塔坐标、升压站坐标的地理信息系统GIS数据；其中，GIS数据主要用于功率预测时根据各风电场的上下游关系进行短期预测结果的优化，将基础数据输入到预测模型中进行模型训练。
[0016]进一步地,所述步骤a2,具体包括:
[0017]将风速数据和功率数据首先进行包含数据对齐及归一化的预处理，GIS数据通过预处理确定电站上下游关系。
[0018]进一步地,所述步骤a3,具体包括:
[0019]SVM分类器是一个包含一个隐层的多层感知器，通过算法经训练过程自动确定隐层节点数；
[0020]基于SVM分类器的非线性风电功率短期预测模型表示为:
[0021]
【权利要求】
1.采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，主要包括: a、采用基于自学习Sigmoid核函数支持向量机的复合数据源，对风电功率预测模型进行训练； b、基于风电功率预测模型的训练结果，对未来0-48小时的风电功率进行预测。
2.根据权利要求1所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤a，具体包括: al、模型训练基础数据输入； a2、数据预处理； a3、SVM分类器训练； a4、得到SVM模型。
3.根据权利要求2所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤al，具体包括: 风功率预报系统模型训练所需输入数据，包括风电场基础信息、历史风速数据、历史功率数据，以及包含风电场/风机坐标、测风塔坐标、升压站坐标的地理信息系统GIS数据；其中，GIS数据主要用于功率预测时根据各风电场的上下游关系进行短期预测结果的优化，将基础数据输入到预测模型中进行模型训练。
4.根据权利要求2所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤a2，具体包括: 将风速数据和功率数据首先进行包含数据对齐及归一化的预处理，GIS数据通过预处理确定电站上下游关系。
5.根据权利要求2所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤a3，具体包括: SVM分类器是一个包含一个隐层的多层感知器，通过算法经训练过程自动确定隐层节点数； 基于SVM分类器的非线性风电功率短期预测模型表示为:
6.根据权利要求2所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤a4，具体包括: 通过输入样本数据 的训练，确定函数参数，即得到SVM预测模型。
7.根据权利要求2-6中任一项所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤b，具体包括: 步骤bl、功率预测基础数据输入； 步骤b2、噪声滤波及数据预处理； 步骤b3、基于SVM的短期功率预测； 步骤b4、预测结果输出及展示； 步骤b5、预测结果后评估及模型修正。
8.根据权利要求7所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，在所述步骤bl中，风电功率预测所需输入数据包括资源监测系统数据和运行监测系统数据两部分，其中，资源监测系统数据包含风资源监测数据、风能预测数据以及数值天气预报NWP数；运行监测系统数据包括风机监测数据、升压站监测数据和数据采集与监视控制系统SCADA ； 和/或， 在所述步骤b2中，采用噪声滤波模块对实时监测系统采集得到的带有噪声的进行滤波处理，去除坏数据和奇异值；采用数据预处理模块对数据进行包含对齐、归一化处理和分类筛选的操作，使得输入的数据能够为模型所用。
9.根据权利要求7所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤b3，具体包括: 功率预测过程是将风资源数据及风电运行监测数据输入SVM模型，得到预测结果的输出； 和/或， 所述步骤b4,具体包括: 首先对预测结果进行输出，并通过图形和表格等形式对预测结果进行展示； 和/或， 所述步骤b5,具体包括:首先对预测结果进行后评估，分析预测值与实测值之间的误差；如果预测误差大于允许的最大误差，则跳转到 模型训练过程，重新进行模型训练。
【文档编号】G06Q10/04GK103942622SQ201410158380
【公开日】2014年7月23日 申请日期:2014年4月18日 优先权日:2014年4月18日
【发明者】汪宁渤, 路亮, 王多, 靳丹, 张玉宏, 师建中, 马彦宏 申请人:国家电网公司, 国网甘肃省电力公司, 甘肃省电力公司风电技术中心