基于自学习径向基核函数支持向量机的风电功率预测方法
【专利摘要】本发明公开了一种基于自学习径向基核函数支持向量机的风电功率预测方法，通过模型训练得出得到SVM模型的步骤；以及将风电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤。通过对风力发电过程中的风电功率进行预测，为新能源发电实时调度、新能源发电计划和新能源发电能力评估和弃风电量估计提供关键信息。通过采用复合数据源，有效提高了超短期预测精度，从而实现高精度的风电功率短期预测。
【专利说明】基于自学习径向基核函数支持向量机的风电功率预测方法
【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】，即基于自学习径向基核函数支持向量机的风电功率预测方法，具体地，涉及一种采用复合数据源基于自学习径向基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4月，甘肃电网并网风电装机容量已达707万千瓦，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。
【发明内容】
[0004]本发明的目的在于，针对上述问题，提出一种基于自学习径向基核函数支持向量机的风电功率预测方法，以实现高精度的风电功率短期预测的优点。
[0005]为实现上述目的，本发明采用的技术方案是:
[0006]一种基于自学习径向基核函数支持向量机的风电功率预测方法，包括:
[0007]通过模型训练得出得到SVM模型的步骤；
[0008]以及将风电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤。
[0009]根据本发明的优选实施例，上述通过模型训练得出得到SVM模型的步骤具体包括:
[0010]步骤101、模型训练基础数据输入；
[0011]步骤102、对上述输入的训练基础数据进行预处理；
[0012]步骤103、SVM分类器训练；
[0013]步骤104、通过输入上述预处理的样本数据，经过SVM分类器训练得到SVM预测模型。
[0014]根据本发明的优选实施例，上述步骤101中，模型训练基础数据输入的数据包括风电场基础信息、历史风速数据、历史功率数据和地理信息系统数据。
[0015]根据本发明的优选实施例，所述地理信息系统数据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。[0016]根据本发明的优选实施例，上述步骤102中的训练基础数据进行预处理具体为:将风速数据和功率数据进行数据对齐及归一化预处理，地理信息系统数据通过预处理确定电站上下游关系。
[0017]根据本发明的优选实施例，上述步骤103中，SVM分类器训练具体为:基于SVM分
类器的非线性风电功率短期预测模型可以表示为:
[0018]
【权利要求】
1.一种基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，包括: 通过模型训练得出得到SVM模型的步骤； 以及将风电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤。
2.根据权利要求1所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述通过模型训练得出得到SVM模型的步骤具体包括: 步骤101、模型训练基础数据输入； 步骤102、对上述输入的训练基础数据进行预处理； 步骤103、SVM分类器训练； 步骤104、通过输入上述预处理的样本数据，经过SVM分类器训练得到SVM预测模型。
3.根据权利要求2所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述步骤101中，模型训练基础数据输入的数据包括风电场基础信息、历史风速数据、历史功率数据和地理信息系统数据。
4.根据权利要求3所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，所述地理信息系统数据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。
5.根据权利要求2所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述步骤102中的训练基础数据进行预处理具体为:将风速数据和功率数据进行数据对齐及归一化预处理，地理信息系统数据通过预处理确定电站上下游关系。
6.根据权利要求2所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述步骤103中，SVM分类器训练具体为:基于SVM分类器的非线性风电功率短期预测模型可以表示为:
7.根据权利要求1所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，将风电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤包括， 步骤201、输入功率预测基础数据； 步骤202、对上述输入的功率预测基础数据进行噪声滤波和数据预处理； 步骤203、上述步骤202处理后的数据输入SVM模型，得出预测结果。
8.根据权利要求7所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，还包括: 步骤204、通过图形和表格形式对预测结果进行展示； 步骤205、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，如预测误差大于允许的最大误差，则从新进行模型训练。
9.根据权利要求8所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述步骤201输入功率预测基础数据包括:资源监测系统数据和运行监测系统数据，所述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数据，所述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数据。
10.根据权利要求9所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述步骤202对上述输入的功率预测基础数据进行噪声滤波和数据预处理具体为:噪声滤波模块对监测系统实时采集得到的带有噪声的数据进行滤波处理，去除坏数据和奇异值；数据预处理模块对数据进行对齐、归一化处理和分类筛选操作。
【文档编号】G06Q10/04GK103927599SQ201410163081
【公开日】2014年7月16日 申请日期:2014年4月22日 优先权日:2014年4月22日
【发明者】汪宁渤, 路亮, 王多, 张玉宏, 韩旭杉, 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