一种基于支持向量机回归的风电场风速预测方法与流程

本发明涉及基于支持向量机回归的风电场风速预测方法。

背景技术：

发展风电，对改善能源结构、保护生态环境、保障能源清洁安全和实现经济的可持续发展等方面有着极其重要的意义，这已经成为全世界的共识。但是，当前风电机组输出功率的特点是具有间歇性，非线性，变化速度快，波动范围较大等特点。风电并网对电能质量以及电力系统具有的十分巨大的影响。想要实现风电的规模化利用，优化电网调度，加强风电市场竞争力，风电场必须开展风电功率预测预报，应具备日预报和实时预报能力。

因此，对风电输出功率进行准确预测，尤其是超短期、短期预测，可以改善风电并网对电力系统的影响，对电场制定更加合理的发电计划，减少旋转备用和运行成本以及风电场参与发电竞争都具有重要作用。风电功率预测作为在风电并网中发挥重要作用的关键技术，是亟需解决的问题，具有广阔的应用前景。

技术实现要素：

本发明的目的是为了解决现有现有短缺风速预测方法预测精度低和收敛速度慢的问题，而提出一种基于支持向量机回归的风电场风速预测方法。

一种基于支持向量机回归的风电场风速预测方法包括如下步骤：

步骤一、选取风电场采集的样本数据；

步骤二、确定样本训练集和测试集；

步骤三、对样本数据进行预处理；

步骤四、选择支持向量机回归(SVM)核函数，确定SVM模型待寻优参数；

步骤五、利用最佳参数训练SVM模型，预测未来时刻的风速值。

本发明的有益效果为：

本发明涉及一种基于支持向量机回归的风电场风速预测方法，本发明通过选取风电场采集的样本数据；确定样本训练集和测试集；对样本数据进行预处理；选择支持向量机回归(SVM)核函数，确定SVM模型待寻优参数；利用最佳参数训练SVM模型，预测未来时刻的风速值。在风速负荷的预测精度和预测方法的收敛速度等方面都有了提高，该方法具有重要的现实意义和应用前景。

附图说明

图1为基于支持向量机回归的风电场风速预测方法框图；

图2为一种SVM模型参数寻优方法流程图。

具体实施方式

具体实施方式一：本实施方式的一种基于支持向量机回归的风电场风速预测方法包括如下步骤：

步骤一、选取风电场采集的样本数据；

步骤二、根据样本数据确定样本训练集和测试集；

步骤三、对样本数据进行预处理；

步骤四、选择支持向量机回归(SVM)核函数，确定SVM模型待寻优参数，得到最佳参数训练SVM模型；

步骤五、利用最佳参数训练SVM模型，预测未来时刻的风速值。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中选取风电场采集的样本数据；具体过程为：

风电场采集的样本数据是在风电场的关键位置点设立测风塔，主要研究风力发电机组输出功率未来10分钟、30分钟和1小时的实时预测，时间分辨率均为10min；所以首先对风电机组性能特性进行分析。

选用风力发电机组采样间隔为10min的环境温度，风速和输出功率历史平均数据。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中根据样本数据确定样本训练集和测试集；具体过程为：

实验选取1号风电机组某7天的实时运行数据，用N×3的矩阵表示(3列分别为环境温度、风速、输出功率)，搭建回归预测模型；考虑上述分析，通过仿真实验，用前5天720个样本数据作为SVM模型的训练集，风力发电机组的功率定义为：

P_S＝1/2ρv³fC_p (1)

其中P_S为风力发电机组功率值，单位为W，ρ为空气密度，单位为kg/m³,v数为来流速度，单位为m/s，f为面积，单位m²，C_p为风能利用系数，指风力机从自然风能中吸取能量的大小程度。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中对样本数据进行预处理；具体过程为：

风力发电机组并不是所有时刻都处于运行良好状态，因此需要剔除一些非正常状况数据，包括机组出现故障停机，功率呈负值，数据采集系统不稳定导致存在异常点等情况。除此之外，还要对训练集和测试集数据进行归一化处理，使原始数据被规整到[0,1]范围内，统一运算。

(1)处理缺失数据，对于个别数据缺失的情况，其值通常处于其对应前后时刻负荷的中间值，可以采用线性插值法对其进行描述；

(2)数据归一化，计算公式如下：

Y＝(X-X_min)/(X_max-X_min) (2)

Y代表归一化后的值，X_max，X_min分别为原始输出参数X的最大值和最小值。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述SVM模型的训练集变为600×3的矩阵数据，测试集变为120×3的矩阵数据。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤四中选择支持向量机回归(SVM)核函数，确定SVM模型待寻优参数，得到最佳参数训练SVM模型；具体过程为：

所述的选择支持向量机回归(SVM)核函数，确定SVM模型待寻优参数，不敏感系数ε变化范围较小，对模型影响也较小，故可设定固定值为10^-2，对惩罚因子C和RBF核函数参数σ进行寻优选取；使用交叉验证网格搜索法进行大范围搜索，最终选出使训练模型误差最小的参数组合。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤五中利用最佳参数训练SVM模型，预测未来时刻的风速值；具体过程为：

所述的输入样本测试数据，预测未来时刻的风速值，训练模型的输入量为上一时刻的风速、环境温度和输出功率，模型的输出量为下一时刻机组输出功率。从而使用直接法进行风电功率预测；通过训练集数据学习训练得到回归机模型，使用该模型可预测机组未来时刻的输出功率；

根据最优解构造预测函数：

输入样本测试数据利用预测函数f(x)预测出下一时刻的风速值。

其它步骤及参数与具体实施方式一至六之一相同。