专利名称：基于模糊神经网络和支持向量机的风电功率组合预测方法
技术领域：
本发明涉及一种基于人工智能技术的数据建模及预测方法，尤其涉及一种基于模糊神经网络和支持向量机的风电功率组合预测方法。
背景技术：
随着风力发电装机容量的迅猛发展，风电在电网中的比例不断增加。由于风电是一种间歇性、波动性能源，大规模的风电接入对电力系统的安全、稳定运行以及保证电能质量带来了严峻挑战。若能对风场的风速和发电功率做出比较准确的预测，则可有效减轻风电对整个电网的影响。通过风电功率预测将有助于电网调度部门及时制定合理的运行方式并准确地调整调度计划，从而保证电力系统的可靠、优质、经济运行。一般来说，按照预测模型的对象不同，预测方法可以分为基于功率的直接预测法和基于风速的间接预测方法，本发明申请属于后者。国内已有预测系统多采用基于自回归线性模型的时间序列法，由于模型本身是线性，依此预测精度往往不够理想，而现有的采用单一神经网络法通常需要较多的训练样本， 一方面计算消耗过大，另一方面无法保证较好的泛化能力，同时在样本信息不充分时又无法取得较好的预测精度。本发明采用模糊神经网络和支持向量机实现组合预测算法，模糊神经网络同时具备神经网络强大的学习能力和模糊逻辑处理不确定信息的优势，而支持向量机处理小样本高维问题比传统神经网络又有明显优势，因此，二者的结合能有效克服现有的超短期预测问题，能以较少的历史样本实现精确的超短期预测。
发明内容
本发明在于克服现有技术的缺陷，提出一种用于风电场发电功率预测的智能数据建模算法，该方法综合利用了模糊神经网络和支持向量机的优点，既能在预测过程中加入专家知识经验，也能在风机历史数据不够充分的情况下实现风速序列的精确短时预测，在提高功率预测的精度的同时只消费较少的计算资源。本发明的目的是这样实现的一种基于模糊神经网络和支持向量机的风电功率组合预测方法，包括如下步骤(1)数据的获取和预处理。风电场功率预测系统利用数据采集模块从风场的测风塔和风场中央监控系统中获取指定时间范围内的风场风速、风向、气温、湿度、大气压强及风机输出功率等数据，由此得到样本集并进行归一化处理。训练样本集输入为V(t) = [X(t-m)，…，X(t_2)，X(t-l)，Vs(t-l)，Vc(t-l)，T(t-l)，H(t-l)， P (t-Ι)]，其中，X为风速，Vs为风速正弦，Vc为风速余弦，T为温度，H为湿度，P为大气压强，t为待预测时刻，m为作为模型输入的风速序列的长度。训练样本集输出为t时刻的风速x(t)，则[v(t)，x(t)]组成一对训练样本对。由时间范围和时间间隔决定训练样本对的个数。预测样本则为当前时刻的V。
归一化处理公式为
max(ii (t)) - min( d (t))其中，d(t)是原始数据，X(t)是归一化后的数据。(2)利用归一化后的训练样本集和预测样本集建立模糊神经网络模型并预测(2. 1)确定训练样本的个数和模型的输入输出维数样本个数确定需考虑模型训练和预测的计算时间以及预测的精度等要求。模型采用多维输入单维输出。(2. 2)确定模型结构和参数以及训练周期数采用模糊减法聚类来确定模糊模型的结构，通过选择不同的聚类半径确定最优的模型结构以确保较小的训练误差；训练周期数的确定需考虑模型训练的计算时间，同时避免过度训练以保证泛化性能。(2. 3)模型训练。确定好模型结构以后，采用训练样本集对模型训练，目标是最小化训练误差，误差计算公式为Σ(VM, 'Vη) RMSE =
“η其中，VMi是i时刻的实际风速，Vpi是i时刻的预测风速，η为样本个数；(2. 4)模型预测。模型训练结束后，将预测样本集输入到模型，得到预测值，然后将预测值加入预测样本集，重新输入模型，依此循环得到多步预测值。(2. 5)预测值后处理。将模型预测值反归一化还原为真实值，同时判断是否存在异常点，若存在则加以平滑处理。反归一化处理公式Y (t) =u (t) *max (d (t)) -min (d (t)) +min (d (t)其中，u(t)是模型输出值，Y(t)是反归一化后的数据。(3)建立支持向量机模型并预测(3. 1)确定训练样本的个数和模型的输入输出维数考虑到支持向量机在小样本高维问题上的优势，这里训练样本的个数可较少，输入维数可取较高。由于支持向量机的训练计算规模与训练样本个数成指数变化，因此训练样本的个数选取同时要考虑具体硬件的计算能力。(3. 2)确定模型超参数值支持向量机存在三个主要的超参数不敏感损失因子、核函数参数和惩罚参数。其中，不敏感损失因子和核函数参数的选择对模型性能影响较大，因此可采用交叉检验法确定具体参数值。(3. 3)模型训练确定好训练样本对，选用径向基核函数，输入确定好的超参数值，开始模型训练， 训练完成输出支持向量和拉格朗日乘子差值。(3. 4)模型预测输入预测样本集到训练好的模型，得到单步预测值，然后将预测值加入原预测样本集形成新的预测样本集，重新输入模型，依此循环得到多步预测值。(3. 5)预测值后处理将支持向量机的模型预测值还原为真实值，同时判断是否存在异常点，若存在则加以平滑处理。(4)将两种算法预测结果加以线性组合，得到风速预测值。设历史预测误差分别为 e1 %，现预测结果为V1, V2,则组合后的预测结果分别为
权利要求
1.一种基于模糊神经网络和支持向量机的风电功率组合预测方法，包括如下步骤 步骤1，数据采集和预处理风电功率预测系统利用数据采集模块从风场的测风塔和风场监控系统中获取指定时间范围内的风场风速、风向、气温、湿度、大气压强和风机输出功率数据，对各类数据设置限值范围，对越限异常数据予以纠正，由此得到样本集并进行归一化处理；步骤2，利用归一化后的训练样本集和预测样本集建立模糊神经网络模型并预测； 步骤3，建立支持向量机模型并预测；步骤4，将两种算法预测结果加以线性组合，得到风速预测值，即 设历史预测误差分别为e1; %，现预测结果为V1, V2，则组合后的预测结果分别为
2.根据权利要求1所述的一种基于模糊神经网络和支持向量机的风电功率组合预测方法，其特征在于步骤1中的所述的指定时间范围内的风速，风向，气温，湿度及大气压强数据是指按时间先后顺序排列的等时间间隔的一组数据，训练样本集输入为V(t) = [X (t-m)，…，X (t-2)，X (t-Ι)，Vs (t_l)，Vc (t_l)，T (t_l)，H (t_l)，P (t_l)]， 其中，X为风速，Vs为风速正弦，Vc为风速余弦，T为温度，H为湿度，P为大气压强，t为待预测时刻，m为作为模型输入的风速序列的长度；训练样本集输出为t时刻的风速X(t)，则[V(t)，X(t)]组成一对训练样本对，由时间范围和时间间隔决定训练样本对的个数。预测样本则为当前时刻的V ； 步骤1中的归一化处理公式为 耶)=d(t)-mm(d(t))max{d {t)) - min( d {t))其中，d(t)是原始数据，X(t)是归一化后的数据； 反归一化处理公式Y(t) =u (t) *max (d (t)) -min (d (t)) +min (d (t) 其中，u(t)是模型输出值，Y(t)是反归一化后的数据。
3.根据权利要求1所述的一种基于模糊神经网络和支持向量机的风电功率组合预测方法，其特征在于步骤2中的利用归一化后的训练样本集和预测样本集建ANFIS模型并预测包括下列步骤[2. 1经验法确定训练样本对的个数和模型的输入维数；[2. 2设定适当的聚类半径采用模糊减法聚类确定模型结构，同时设定训练周期数； 2. 3模型训练，即确定好模型结构以后，采用训练样本集以混合学习法训练模糊神经网络参数，目标是最小化训练误差，误差计算公式为
4.根据权利要求1所述的一种基于模糊神经网络和支持向量机的风电功率组合预测方法，其特征在于步骤3中的建立SVM模型并预测包括下列步骤.3.1确定训练样本的个数和模型的输入输出维数；.3. 2选用径向基核函数，采用网格搜索法确定模型超参数值；.3. 3模型训练，确定好训练样本对，输入确定好的超参数值，开始模型训练，训练完成输出支持向量和拉格朗日乘子差值；.3. 4模型预测，输入预测样本集到训练好的模型，得到单步预测值，然后将预测值加入原预测样本集形成新的预测样本集，重新输入模型，依此循环得到多步预测值；.3. 5预测值后处理，将支持向量机的模型预测值还原为真实值，同时判断是否存在异常点，若存在则加以平滑处理。
5.根据权利要求3所述的一种基于模糊神经网络和支持向量机的风电功率组合预测方法，其特征在于步骤2. 1确定训练样本的个数和模型的输入输出维数，是根据模型训练、预测的计算时间以及预测的精度要求来确定样本个数，而模型采用多维输入单维输出。
6.根据权利要求3所述的一种基于模糊神经网络和支持向量机的风电功率组合预测方法，其特征在于步骤2. 2确定模型结构和参数以及训练周期数，是采用模糊减法聚类来确定模糊模型的结构，通过选择不同的聚类半径确定最优的模型结构以确保较小的训练误差；训练周期数的确定需考虑模型训练的计算时间，同时避免过度训练以保证泛化性能。
7.根据权利要求4所述的一种基于模糊神经网络和支持向量机的风电功率组合预测方法，其特征在于步骤3. 2确定模型超参数值，是采用交叉检验法确定具体参数值。
全文摘要
本发明提供了一种基于模糊神经网络和支持向量机的风场功率组合预测方法，包括如下步骤数据的获取和预处理；利用归一化后的训练样本集和预测样本集建立模糊神经网络模型并预测；建立支持向量机模型并预测；将两种算法预测结果加以线性组合，得到风速预测值；通过历史数据建立风速功率专家表，根据预测的风速值去查询专家表从而得到功率预测结果。本发明方法能够有效实现风速序列的短时预测，提高功率预测的精度，并且花费较少的计算资源。
文档编号G06N3/08GK102184453SQ20111012563
公开日2011年9月14日 申请日期2011年5月16日 优先权日2011年5月16日
发明者曾旭, 李卫, 董祖毅 申请人:上海电气集团股份有限公司