一种基于支持向量机筛选变量的风电功率预测方法技术

一种基于支持向量机筛选变量的风电功率预测方法，包括如下步骤：S1）利用支持向量机算法量化风电功率的输入矢量对风电功率预测结果的影响，筛选出对风电功率预测结果影响显著的变量；S2)将由S1）筛选出的变量作为神经网络算法的输入变量进行功率预测。本发明专利技术利用SVM算法对神经网络算法的输入变量进行筛选，提高了风电功率预测结果的精度同时简化了神经网络模型，本发明专利技术方法简便，解决了现有技术中风电功率预测样本因建模者的专业知识与经验进行选取而缺乏标准的问题。

【技术实现步骤摘要】

本专利技术属于发电功率预测领域，尤其涉及一种基于支持向量机（Support Vector Machine，SVM）的风电功率预测方法。
技术介绍
近年来，风力发电的发展越来越迅速。据中国循环经济协会可再生能源专业委员会（CREIA）的《中国风电发展报告2014》统计，2013年全国风电新增装机容量16089MW，全国累计风电装机容量91413MW。风电场的输出功率与自然环境有很大的关系。风速，风向，气压，温度，以及位势高度都会影响风电场的输出功率，导致风电场输出功率具有波动性、间歇性、随机性的特点，在并网时会对电网的稳定性产生很大的影响。风电场输出功率的扰动更会影响电网的电能质量。所以，风电功率预测的精度便尤为重要。经对现有技术文献的检索发现，基于神经网络的风功率预测问题研究（张涛,张新燕,王维庆. 基于神经网络的风功率预测问题研究[J]. 四川电力技术,2013,01:16-18+47.）研究了基于神经网络的风功率预测方法，并验证了神经网络模型的可行性，虽然符合相关标准，但预测的精度低，也未对输入矢量做比较完备的处理。基于支持向量机的风功率本文档来自技高网...

【技术保护点】
一种基于支持向量机筛选变量的风电功率预测方法，其特征在于，包括如下步骤：S1）利用支持向量机算法量化风电功率的输入矢量对风电功率预测结果的影响，筛选出对风电功率预测结果影响显著的变量；S2) 将由S1）筛选出的变量作为神经网络算法的输入变量进行功率预测。

【技术特征摘要】
1.一种基于支持向量机筛选变量的风电功率预测方法，其特征在于，包括如下步骤：
S1）利用支持向量机算法量化风电功率的输入矢量对风电功率预测结果的影响，筛选出对风电功率预测结果影响显著的变量；
S2) 将由S1）筛选出的变量作为神经网络算法的输入变量进行功率预测。
2.根据权利要求1所述的基于支持向量机筛选变量的风电功率预测方法，其特征在于，
步骤S1)通过如下步骤实现：
S1.1)对风电功率的输入矢量进行初步筛选；
S1.2) 获取经初步筛选后的输入矢量和对应的风电功率的历史数据作为训练集，训练集由训练样本构成，训练集中训练样本的数量称为观测例数；
S1.3）建立基于所述历史数据的支持向量机训练模型；
S1.4）将训练集中的训练样本中的某个输入矢量的特征值分别增大和减少一定比率,得到两个新的训练集，将这两个新的训练集分别通过S1.3）中的支持向...

【专利技术属性】
技术研发人员：陈晓科，曾杰，杨汾艳，李鑫，徐晓刚，杨苹，张弛，李兰芳，汪进锋，黄嘉健，黄杨珏，谢宁，靳冰洁，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：广东;44