專利名稱：一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法
技術(shù)領域：
本發(fā)明涉及風電技術(shù)領域，尤其涉及一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法。
背景技術(shù)：
風電作為一種清潔可再生能源越來越受到各國的重視，但是由于風速自身所有的隨機波動性、間歇性和不可控性增加了風電有功輸出的不確定性。這種不確定性將會增加電網(wǎng)調(diào)度的難度，影響電網(wǎng)的安全穩(wěn)定性，有悖于大規(guī)模風電并網(wǎng)運行的發(fā)展趨勢。進行準確的預測是解決該問題的有效措施。風速直接決定了風電場輸出的電能，因此可以通過對風機輪轂高度的風速進行準 確的預測來獲得風電場有功輸出狀況，有利于電力系統(tǒng)部門安排更加合理的調(diào)度計劃，從而有效的減輕風電并網(wǎng)對配電網(wǎng)帶來的影響。

發(fā)明內(nèi)容
本發(fā)明解決的技術(shù)問題在于獲得更高的風速預測精度。為了解決以上問題，一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法，包括以下步驟步驟I :對所獲得的風電場風機輪轂高度的風速初始數(shù)據(jù)進行預處理，并分析樣本數(shù)據(jù)，選擇插值修勻優(yōu)化的時間域；步驟2 :對所選擇的時間域內(nèi)的風速時間序列進行插值修勻優(yōu)化處理；步驟3 :對插值修勻優(yōu)化處理后的風速序列進行相空間重構(gòu)形成建模所需的樣本集;步驟4 :利用步驟3中所獲得的樣本集建立對應的插值修勻優(yōu)化支持向量回歸機風速組合預測模型。進一步，作為一種優(yōu)選，步驟I中所述選擇插值修勻優(yōu)化的時間域具體包括以下步驟對預處理之后的風速時間序列進行按位作差的比對分析，即對于風速時間序列Ax= (X2-X1),處理為(X2-X1)，(X3-X2) ,, (Xn-Xlri),并對處理后的序列賦予相應的時刻屬性，即假定t = I時刻對應風速變化差為Ax = (X2-X1),以此類推,當t = n-1時刻對應風速變化差A X=(Xn-Xlri),對該風速變化差時間序列從大到小排序分析，對該序列賦予排序序號，即風速變化差最大的為X=I號，以此類推，風速變化差最小的序號為x=n-l，按照選擇風速變化差最大的對稱左右時間鄰域或包含從最大風速變化差開始到第X號風速變化差之間的時間域的原則選擇所需插值修勻優(yōu)化的時間域。進一步，作為一種優(yōu)選，所述步驟2具體包括以下步驟對于風速序列Xl，X2,巧…Xn,在每兩個風速時刻假設對應的風速值為Xm和xm+1之間插入一個新的風速時刻，對應的風
Y + Y
速值為2_______，從而獲得一個新的風速時間序列，設為V1, V2,…v2lri。
進一步，作為一種優(yōu)選，所述步驟3中在進行相空間重構(gòu)形成所需樣本集時假設當前時刻的風速是由P個歷史風速決定的，有關(guān)系式Vm=f (vm_p, vm_p+1, Vm^1)成立,其中P稱為嵌入維數(shù)，然后按預測需要分為訓練樣本集和測試樣本集。在重構(gòu)第n個樣本數(shù)據(jù)時，輸入樣本的第P維風速數(shù)據(jù)為Vlrtri,當P+n-1的數(shù)值為偶數(shù)時令Vlrtri = vp+n_2，若為奇數(shù)則不做變換。進一步，作為一種優(yōu)選，所述步驟4中具體步驟如下步驟4. I :將得到的訓練樣本集分別輸入給BP神經(jīng)網(wǎng)絡和支持向量機，采用對應的算法建立相應的BP神經(jīng)網(wǎng)絡和支持向量機的風速預測模型，對所獲得的模型進行測試分析，獲得對應的預測輸出；步驟4. 2 :對獲得的BP神經(jīng)網(wǎng)絡和支持向量機風速預測模型的預測輸出值進行后續(xù)處理，按照所需預測時刻選擇輸出值，保存預測輸出和對應的時刻屬性，并進行預測誤差分析； 步驟4. 3 :將插值修勻優(yōu)化后的BP神經(jīng)網(wǎng)絡和支持向量機預測模型的輸出結(jié)果作為SVR組合風速預測模型的輸入，同時結(jié)合預測時刻的真實風速值進行相空間重構(gòu)獲得組合預測樣本集，然后建立插值修勻優(yōu)化的支持向量回歸機風速組合預測模型。與現(xiàn)有技術(shù)相比本發(fā)明的有益效果是利用本發(fā)明的方法進行風速預測時，所建立的預測模型在同等數(shù)據(jù)條件下可以獲得比一般的統(tǒng)計方法更高的預測精度，增進風電的可知性和可控性，有利于大規(guī)模風電的并網(wǎng)發(fā)展，保障風電場和電力調(diào)度部門的利益。


當結(jié)合附圖考慮時，通過參照下面的詳細描述，能夠更完整更好地理解本發(fā)明以及容易得知其中許多伴隨的優(yōu)點，但此處所說明的附圖用來提供對本發(fā)明的進一步理解，構(gòu)成本發(fā)明的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當限定，其中圖I本發(fā)明實施例的方法流程圖；圖2插值修勻優(yōu)化的支持向量回歸機風速組合預測方法效果圖。
具體實施例方式以下參照圖I對本發(fā)明的實施例進行說明。為使上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實施方式
對本發(fā)明作進一步詳細的說明。如圖I所示，一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法，包括以下步驟SI、預測開始；S2、獲取原始風速數(shù)據(jù)；S3、預處理；S4、選擇合適時間域；S5、插值修勻優(yōu)化；S6、重構(gòu)樣本集；
S7、支持向量(SVM)建模； S8、BP 神經(jīng)網(wǎng)絡(BP-ANN)建模；S9、SlO 測試模型；S11、后續(xù)處理選擇測試樣本；S12、重構(gòu)樣本集；S13、支持向量回歸機(SVR)風速組合建模；
S14、誤差分析并輸出風速組合預測模型。實施例以下實現(xiàn)方式是舉例說明在MATLAB仿真平臺上實現(xiàn)的預測方案。采用的預測數(shù)據(jù)取自山西省某在運營風電場的實測風速數(shù)據(jù)，目標是對短期風速進行預測，時間尺度選擇為I小時。選擇該風場2008年3月I日00 :00時刻到5月I日09:00時刻的歷史風速數(shù)據(jù)作為研究對象。具體的實現(xiàn)步驟如下步驟I :對調(diào)研獲取的風速數(shù)據(jù)進行預處理，剔除壞值。并對數(shù)據(jù)進行歸一化處理，將其通過式 I = (ymax-ymin) X (x-xmin) + (Xniax-Xniin)+Yniin 轉(zhuǎn)換到
之間。步驟2 :在MATLAB平臺上導入和讀取樣本數(shù)據(jù)，分析樣本數(shù)據(jù)，選擇插值修勻優(yōu)化的時間域?qū)︻A處理之后的風速時間序列進行按位作差進行比對分析，即對于風速時間序列Ax= (X2-X1),處理為(X2-X1), (X3-X2),…，(Xn-Xlri),并對處理后的序列賦予相應的時刻屬性，即假定t = I時刻對應風速變化差為Ax= (X2-X1),以此類推，當t = n-1時刻對應風速變化差Ax= (Xn-Xlri),對風速變化時間序列進行從大到小排序分析，選擇風速變化差最大的左右鄰域為所需插值修勻優(yōu)化的時間域，即4月I日00 00時刻到4月10日09:00時刻作為插值的時間域。步驟3 :對所選擇的時間域內(nèi)的風速時間序列進行插值修勻優(yōu)化處理對于風速序列Xl，X2, x^xn，在每兩個風速時刻假設對應的風速值為Xm和Xm+1之間
插入一個新的風速時刻，對應的風速值為，從而獲得一個新的風速時間序列，設為
V1, V2, v2n—I O步驟4 :對處理后的序列進行相關(guān)性分析，獲得最佳的嵌入維數(shù)為6。然后進行數(shù)據(jù)樣本集的重構(gòu)。但要遵循以下原則因為嵌入維數(shù)為6，在重構(gòu)第n個樣本數(shù)據(jù)時，輸入樣本的第6維風速數(shù)據(jù)為當(6+n-l)為偶數(shù)時令 Vjj+n-fVjj+ni。步驟5 :利用優(yōu)化后的樣本集在MATLAB平臺上分別實現(xiàn)BP神經(jīng)網(wǎng)絡法和支持向量機法的風速預測模型的搭建(I)BP神經(jīng)網(wǎng)絡法建模選擇的是單隱層BP網(wǎng)絡，隱層節(jié)點數(shù)為20，輸出維數(shù)為I維，選擇變學習率動量梯度算法，對應樣本預測的平均相對誤差值為6. 4901%。(2)支持向量機法建模采用交叉驗證法獲得模型的參數(shù)為c=4，g=0. 5 (其中c為懲罰系數(shù)，g為核寬度)，對應樣本預測的平均相對誤差值為6. 8737%。步驟6 :對上述步驟的預測輸出進行后續(xù)處理，獲得風速預測時刻對應的BP-ANN和SVM的預測風速值。
步驟I :分別將BP-ANN和SVM的輸出作為SVR的輸入，同時結(jié)合對應時刻的風速真實值，重構(gòu)組合模型的輸入樣本集。利用SVR進行訓練學習，組合風速預測模型的訓練和測試效果如圖2所示。模型參數(shù)為c=4，g=0. 0625 (其中c為懲罰系數(shù)，g為核寬度)。同時結(jié)合處理前的風速樣本分別進行BP神經(jīng)網(wǎng)絡法和支持向量機法建模分析的預測結(jié)果進行預測誤差的比對如表格I所示。表I不同預測方法的預測誤差比對分析
風速精度BP神經(jīng)支持向插值修插值修插值修勾評價標準網(wǎng)絡法量機法勾優(yōu)化勾優(yōu)化優(yōu)化的SVR
權(quán)利要求
1.一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法，其特征在于，包括以下步驟 步驟I:對所獲得的風電場風機輪轂高度的風速初始數(shù)據(jù)進行預處理，并分析樣本數(shù)據(jù)，選擇插值修勻優(yōu)化的時間域； 步驟2 :對所選擇的時間域內(nèi)的風速時間序列進行插值修勻優(yōu)化處理； 步驟3 :對插值修勻優(yōu)化處理后的風速序列進行相空間重構(gòu)形成建模所需的樣本集；步驟4 :利用步驟3中所獲得的樣本集建立對應的插值修勻優(yōu)化支持向量回歸機風速組合預測模型。
2.根據(jù)權(quán)利要求I所述的一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法，其特征在于，步驟I中所述選擇插值修勻優(yōu)化的時間域具體包括以下步驟對預處理之后的風速時間序列進行按位作差的比對分析，即對于風速時間序列Xl，x2，Xf Xn，處理為 (X2-X1)，(X3-X2)，…，(Xn-Xlri),并對處理后的序列賦予相應的時刻屬性，即假定t = I時刻對應風速變化差為Ax= (X2-X1),以此類推，當t = n-1時刻對應風速變化差Ax =(Xn-Xlri),對該風速變化差時間序列從大到小排序分析，對該序列賦予排序序號，即風速變化差最大的為X=I號，以此類推，風速變化差最小的序號為x=n_l，按照選擇風速變化差最大的對稱左右時間鄰域或包含從最大風速變化差開始到第X號風速變化差之間的時間域的原則選擇所需插值修勻優(yōu)化的時間域。
3.根據(jù)權(quán)利要求書I所述的一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法，其特征在于，所述步驟2具體包括以下步驟 對于風速序列X1, X2, X^-Xn，在每兩個風速時刻假設對應的風速值為Xnl和Xm+1之間插入一個新的風速時刻，對應的風速值為，從而獲得一個新的風速時間序列，設為V1, V2, v2n—I O
4.根據(jù)權(quán)利要求書I所述的一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法，其特征在于，所述步驟3中在進行相空間重構(gòu)形成所需樣本集時假設當前時刻的風速是由P個歷史風速決定的，有關(guān)系式Vm=f (vm_p, vm_p+1, Vm^1)成立,其中p稱為嵌入維數(shù),然后按預測需要分為訓練樣本集和測試樣本集，在重構(gòu)第n個樣本數(shù)據(jù)時，輸入樣本的第P維風速數(shù)據(jù)為Vrrtri,當P+n-1的數(shù)值為偶數(shù)時令Vrrtri = vp+n_2，若為奇數(shù)則不做變換。
5.根據(jù)權(quán)利要求書I所述的一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法，其特征在于，所述步驟4中具體步驟如下 步驟4. I :將得到的訓練樣本集分別輸入給BP神經(jīng)網(wǎng)絡和支持向量機，采用對應的算法建立相應的BP神經(jīng)網(wǎng)絡和支持向量機的風速預測模型，對所獲得的模型進行測試分析，獲得對應的預測輸出； 步驟4. 2 :對獲得的BP神經(jīng)網(wǎng)絡和支持向量機風速預測模型的預測輸出值進行后續(xù)處理，按照所需預測時刻選擇輸出值，保存預測輸出和對應的時刻屬性，并進行預測誤差分析； 步驟4. 3:將插值修勻優(yōu)化后的BP神經(jīng)網(wǎng)絡和支持向量機預測模型的輸出結(jié)果作為SVR組合風速預測模型的輸入，同時結(jié)合預測時刻的真實風速值進行相空間重構(gòu)獲得組合預測樣本集，然后建立插值修勻優(yōu)化的支持向量回歸機風速組合預測模型。
全文摘要
本發(fā)明公布了一種插值修勻優(yōu)化的支持向量回歸機風速組合預測方法，包括以下步驟步驟1對所獲得的風電場風機輪轂高度的風速初始數(shù)據(jù)進行預處理，并分析樣本數(shù)據(jù)，選擇插值修勻優(yōu)化的時間域；步驟2對所選擇的時間域內(nèi)的風速時間序列進行插值修勻優(yōu)化處理；步驟3對插值修勻優(yōu)化處理后的風速序列進行相空間重構(gòu)形成建模所需的樣本集；步驟4利用步驟3中所獲得的樣本集建立對應的插值修勻優(yōu)化支持向量回歸機風速組合預測模型。該方法在同等數(shù)據(jù)條件下可以獲得比一般的統(tǒng)計方法更高的預測精度，增進風電的可知性和可控性，有利于大規(guī)模風電的并網(wǎng)發(fā)展，保障風電場和電力調(diào)度部門的利益。
文檔編號G06N3/08GK102750542SQ20121017313
公開日2012年10月24日 申請日期2012年5月29日 優(yōu)先權(quán)日2012年5月29日
發(fā)明者和敬涵, 李智誠, 柏丹丹, 王小君 申請人:北京交通大學