一种最小二乘支持向量机的风力发电短期负荷预测方法技术

本发明专利技术公开了一种最小二乘支持向量机的风力发电短期负荷预测方法，包括以下步骤：1、原始数据预处理；2、通过主成分分析的方法对输入至所述最小二乘支持向量机的原始数据序列进行主成分分析，并分析提取出风电负荷的主要影响因子；3、建立最小二乘支持向量机数学模型；4、将分析提取出的主要影响因子输入至最小二乘支持向量机数学模型作为训练样本和测试样本；5、通过最小二乘支持向量机数学模型对测试样本数据进行预测，并获取预测结果。通过主成分分析方法和最小二乘支持向量机数学模型结合，不仅减少了计算量，使可操作性增强，而且提高了整体的预测性能和预测的准确性。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，包括以下步骤：1、原始数据预处理；2、通过主成分分析的方法对输入至所述最小二乘支持向量机的原始数据序列进行主成分分析，并分析提取出风电负荷的主要影响因子；3、建立最小二乘支持向量机数学模型；4、将分析提取出的主要影响因子输入至最小二乘支持向量机数学模型作为训练样本和测试样本；5、通过最小二乘支持向量机数学模型对测试样本数据进行预测，并获取预测结果。通过主成分分析方法和最小二乘支持向量机数学模型结合，不仅减少了计算量，使可操作性增强，而且提高了整体的预测性能和预测的准确性。【专利说明】
本专利技术涉及电力信息
,尤其涉及一种基于主成分分析(PCA, PrincipalComponent Analysis)的最小二乘支持向量机(LS-SVM, Least Squares-Support VectorMachine)的风力发电短期负荷预测方法。
技术介绍
近年来，随着能源短缺以及能源供应安全形势的日益严峻，可再生能源的地位不断提高，而风能由于成本较低、发展技术较成熟，同时可靠性较高，所以在新能源供应中发挥着越来越重要的作用。中国的风能资源储量十分丰富，据中国气象科学研究院评估，中国陆地风能可开发量约为253GW，位居世界第三位。随着风电技术的不断发展和风电场的规模不断增大，为了保证电力系统的稳定运行和供电可靠性，必须对风电系统进行有效的规划和调度，然而由于风电本身所特有的间歇性和不确定性，增加了电网调度的难度，增加了电力企业安排电网发电机组的起停和制定机组检修计划的难度，所以需要对风电场的输出功率进行预测，只有通过对风电场的发电功率进行准确的预测，不仅可以有效降低风力发电系统的运行成本，而且可以为电网调度运行提供可靠依据。风电功率预测方法根据不同的预测物理量可分为两大类:一、先预测风速，再根据风电机组或风电场的功率曲线获得风电场的输出功率；二、直接预测风场的输出功率。由于风能的大小不仅与风速紧密相关，而且更与空气密度、湿度、气温、气压以及风向等息息相关，而且通过预测风速再去预测功率会有累积误差出现，不能保证预测精度。所以即使无论风速预测的如何准确，要继续得到准确的风机功率输出预测值也将是一个极其复杂的工作，因此，通常直接选择输出功率为预测目标。对于输出功率为预测目标的预测方法发展迅速，这些方法可以简单的分为两类:第一类是基于确定性时序模型的预测方法，该类方法通过找出风电功率历史数据本身在时间上的相关性来进行风电功率预测，常用方法有:卡尔曼滤波法、时间序列法(ARMA，Auto-Regressive and Moving Average Model)和指数平滑法等；第二类是基于智能类模型的预测方法，其实质是根据人工智能的方法提取风电功率变化特性，进而进行风电功率预测，常用的方法有:人工神经网络法、小波分析法、支持向量机(SVM，Support VectorMachine)回归法和模糊逻辑法等。他们分别有自己的研究特点和使用条件，比如人工神经网络BP方法收敛速度较慢，SVM方法时间复杂度较高等；因此当前风电场发电功率预测时间较长、预测误差较大，易影响风力微电网根据用电负荷变化适时调度及有效电力资源配置的问题。因此，有必要提出一种基于主成分分析(PCA)的最小二乘支持向量机的微电网风电功率超短期预测方法，使主成分分析和最小二乘支持向量机结合起来，发挥各自的优点，既全面考虑了影响负荷预测的各种因素，又避免了由于输入变量间的相关性导致预测精度低以及数目过多而导致的计算复杂、训练时间长等不足。
技术实现思路
为了克服现有技术的缺陷，本专利技术旨在提供一种能够提高预测速度和准确度的最小二乘支持向量机的风力发电短期负荷预测方法。为了实现上述目的，本专利技术提供了，包括如下步骤:s1:原始数据预处理；S2:将影响风电负荷的相关因素作为最小二乘支持向量机的原始数据序列输入，通过主成分分析的方法对输入至所述最小二乘支持向量机的原始数据序列进行主成分分析，并分析提取出风电负荷的主要影响因子；S3:建立LS-SVM数学模型；S4:将步骤S2分析提取出的主要影响因子输入LS-SVM数学模型作为训练样本和测试样本；S5:通过LS-SVM数学模型进行预测，并获取预测结果。较佳地，所述步骤SI进一步包括:去除原始数据中含有的错误信息；由于原始数据中有可能会出现负的功率值，而该负的功率值是不可能的情况，因此，需要对原始数据进行预处理。较佳地，其特征在于，所述步骤S2进一步包括:S21:原始数据标准化，即对原变量做标准化处理；S22:建立相关矩阵R，并计算该矩阵R的特征值和特征向量；所述R为【权利要求】1.，其特征在于，包括如下步骤: S1:原始数据预处理； 52:将影响风电负荷的相关因素作为最小二乘支持向量机的原始数据序列输入，通过主成分分析的方法对输入至所述最小二乘支持向量机的原始数据序列进行主成分分析，并分析提取出风电负荷的主要影响因子； 53:建立最小二乘支持向量机数学模型； 54:将步骤S2分析提取出的所述主要影响因子输入最小二乘支持向量机数学模型作为训练样本和测试样本； 55:通过最小二乘支持向量机数学模型进行预测，并获取预测结果。2.根据权利要求1所述的最小二乘支持向量机的风力发电短期负荷预测方法，其特征在于，所述步骤SI进一步包括:去除原始数据中含有的错误信息。3.根据权利要求1所述的最小二乘支持向量机的风力发电短期负荷预测方法，其特征在于，所述步骤S2进一步包括: 521:原始数据标准化，即对原变量做标准化处理； 522:建立相关矩阵R，并计算该矩阵R的特征值和特征向量；且^?A-,其 N — \.中，所述X*为标准化后的数据矩阵； 523:确定主成分个数，其中，根据累积方差贡献率确定主成分个数； 524:根据主成分个 数确定多个主成分构成的矩阵，从而确定主成分。4.根据权利要求3所述的最小二乘支持向量机的风力发电短期负荷预测方法，其特征在于，所述累积方差贡献率为= ，其中Hi为方差贡献率，且所述方差贡献率为 /=1Vi = yi 。 /Ia / i=l5.根据权利要求3所述的最小二乘支持向量机的风力发电短期负荷预测方法，其特征在于，所述原变量为进行主成分分析之后提取的输入数据，且所述输入数据包括风能的风向角、风速、温度和历史负荷数据。6.根据权利要求1所述的最小二乘支持向量机的风力发电短期负荷预测方法，其特征在于，所述步骤S3进一步包括: S31:所述最小二乘支持向量机模型通过非线性映射函数0 (x)将输入数据映射到高维特征空间，并在高维特征空间进行线性回归； S32:通过平方误差损失函数代替VC维一致收敛的e不敏感损失函数，用等式约束代替支持向量机方法中的不等式约束，从而确定RBF高斯核函数，并对最小二乘支持向量机的函数进行优化，从而得出最小二乘支持向量机的估计函数。7.根据权利要求1所述的最小二乘支持向量机的风力发电短期负荷预测方法，其特征在于，所述步骤S4进一步包括:将所述步骤S2提取后的气温、风向角、风速和历史负荷数据一起输入至所述最小二乘支持向量机数学模型中；其中，该输入数据包括训练集和测试集，所述训练集数据作为训练样本，所述测试集数据作本文档来自技高网...

【技术保护点】
一种最小二乘支持向量机的风力发电短期负荷预测方法，其特征在于，包括如下步骤：S1：原始数据预处理；S2：将影响风电负荷的相关因素作为最小二乘支持向量机的原始数据序列输入，通过主成分分析的方法对输入至所述最小二乘支持向量机的原始数据序列进行主成分分析，并分析提取出风电负荷的主要影响因子；S3：建立最小二乘支持向量机数学模型；S4：将步骤S2分析提取出的所述主要影响因子输入最小二乘支持向量机数学模型作为训练样本和测试样本；S5：通过最小二乘支持向量机数学模型进行预测，并获取预测结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：王昕，郑益慧，李立学，李霄，生西奎，赵长顺，孟波，
申请(专利权)人：上海交通大学，国家电网公司，吉林省电力有限公司延边供电公司，
类型：发明
国别省市：