一种基于灰色模型和支持向量机的短期风电功率预测方法技术

本发明专利技术公开了一种基于灰色模型和支持向量机的短期风电功率预测方法，包括以下步骤：获取风向量和气象影响因素之间的关系；所述的风向量包括风速和风向，所述的气象影响因素为温度、空气湿度和地表气压；步骤二：运用采用LSSVM方法对短期内的风向量进行估计；采用改进的灰色模型对短期风电功率进行预测；采用改进的粒子群算法对改进灰色预测模型的背景值进一步优化，输出初始短期风电预测功率；采用傅里叶残差序列对初始短期风电预测功率的误差进行补偿，得到最终的短期风电预测功率，从而对短期风电功率进行更加精准的预测。

【技术实现步骤摘要】
一种基于灰色模型和支持向量机的短期风电功率预测方法
本专利技术涉及风电功率预测
，尤其涉及一种基于灰色模型和支持向量机的短期风电功率预测方法。
技术介绍
随着新能源技术的发展，对可再生能源的利用率不断提高，尤其是风电并网的比例大幅增加。但是由于风的随机性造成风电出力的波动性和不稳定性，严重影响电力系统的经济安全稳定运行，准确的风电功率预测将为电网的安全运行提供必要条件。目前短期风电功率预测方法经前辈学者的研究常用方法有灰色模型法和回归分析法、人工神经网络法、支持向量机法，就目前的研究现状而言，国外的风电功率预测系统有ANEMOS，Prediktor，WPMS等。目前我国的风电功率预测系统有WPFS，FR3000，SPWF-3000等。然而，经学者研究表明，单一的风电功率预测模型预测误差较大，很难根据其预测结果对未来做出判断。
技术实现思路
本专利技术的目的是提供一种基于灰色模型和支持向量机的短期风电功率预测方法，能够以更加精确的方式对短期风电功率进行预测。本专利技术采用的技术方案为：一种基于灰色模型和支持向量机的短期风电功率预测方法，包括以下步骤：步骤一：获取风向量和气象影响因素之间的关系；所述的风向量包括风速和风向，所述的气象影响因素为温度、空气湿度和地表气压；从风电场获取风电功率历史数据，从天气预报系统中获取气象历史数据，所述的气象历史数据包括气象影响因素历史数据和风向量历史数据；运用灰色关联性分析气象影响因素历史数据和风向量历史数据，并计算出不同季节不同时刻的风向量和气象影响因素之间的相关系数；步骤二：运用采用LSSVM方法对短期内的风向量进行估计；以实时的风向量、实时的气象影响因素、步骤一获取的相关系数所组成的关联矩阵为输入参量，得到预测风向量信息；步骤三：采用改进的灰色模型对短期风电功率进行预测；采用改进的粒子群算法对改进灰色预测模型的背景值进一步优化；采用步骤二中预测到的风速、风向作为输入变量，输出初始短期风电预测功率；步骤四：采用傅里叶残差序列对初始短期风电预测功率的误差进行补偿，得到最终的短期风电预测功率。所述的基于灰色模型和支持向量机的短期风电功率预测方法中的步骤一包括以下步骤：步骤1.1：将气象影响因素历史数据和风向量历史数据转换为无量纲单位；设定X0＝{x0(1),x0(2),…x0(k)…x0(n)}表示预测风向量历史数据的序列，即表示预测的风速和风向的序列；Xi＝{xi(1),xi(2),…xi(k)…,xi(n)}表示气象影响因素历史数据的序列，即表示温度历史数据的序列、空气湿度历史数据的序列、地表气压历史数据的序列；其中i∈{1,2,…,D}，D表示气象历史数据的采集次数；k∈{1,2,…,n},X0和Xi初值不等但序列长度相同；利用公式(1)获取第i组气象影响因素历史数据无量纲历史数据ri(k)，利用公式(2)获取预测风向量历史数据r0(k)，步骤1.2：利用灰色关联性公式(3)获取预测风向量和第i组(i∈{1,2,···,D})气象历史数据的关联性系数γi(k)；其中，ρ表示接近因子；步骤1.3：采用加权的方法确定风向量历史数据和气象影响因素历史数据之间的相关性r(k)；r(k)＝ωk,1r1(k)+ωk,2r2(k)+…+ωk,iri(k)+…+ωk,DrD(k)＝γ1(k)r1(k)+γ2(k)r2(k)+…+γi(k)ri(k)+…+γD(k)rD(k)(4)；其中，ωk,i>0表示风向量历史数据和第i组气象影响因素历史数据之间的关联性系数；步骤1.4：利用公式(4)获取预测风向量和气象影响因素之间的关联性矩阵W：所述的基于灰色模型和支持向量机的短期风电功率预测方法中的步骤二包括以下步骤：将风向量历史数据、气象影响因素历史数据、关联性矩阵W、从天气预报系统得到的第M点实时气象影响因素数据、第M点实时风向量数据组成第M点训练样本，其中，第M点预测风向量数据为训练样本输出，其余为训练样本输入，对支持向量机进行训练，建立支持向量机模型，得到第M+1点的训练样本输入，根据模型预测得到第M+1点预测风向量数据，即得到预测风向量信息。所述的基于灰色模型和支持向量机的短期风电功率预测方法中的步骤三包括以下步骤：步骤3.1：建立改进的灰色模型；具体包括以下步骤：3.1.1：采用加权生成法构造灰色模型背景值，利用公式(6)以x(i)(k)和x(i+1)(k)的加权平均值作为背景值：z(i)(k)＝px(i)(k)+(1-p)x(i+1)(k)(6)x(i)(k)表示第i组气象影响因素历史数据；z(i)(k)表示灰色模型背景值；p为背景生成权值，p∈[0.01,0.99]，每次加0.01，以平均最小值为最佳的权代入式(6)，计算背景值；步骤3.1.2：利用改进粒子群算法优化灰色模型背景值；3.1.2.1：改进粒子群算法：在粒子群算法中，利用公式(7)对惯性权重进行改进:，其中，T表示算法迭代次数，Tmax表示算法最大迭代次数，Q表示惯性权重，t表示当前迭代次数,Qstart表示开始惯性权重，Qend表示结束惯性权重；3.1.2.2：利用3.1.2.1得到的改进的粒子群算法，优化灰色模型背景值，建立改进的灰色模型；步骤3.2：利用改进的灰色模型，预测风电功率；将LSSVM预测到的风向量信息作为改进的灰色模型的输入变量，预测风电功率作为改进的灰色模型的输出变量。所述的步骤3.1.2.2包括以下步骤：A：根据3.1.1中构建的灰色模型背景值，初始化粒子群参数；B：将公式(8)作为适应度函数，初始化粒子个体最优位置和全局最优位置；式中，Q表示惯性权重，c1,c2表示学习因子，r1,r2表示(0,1)之间的随机数，vtS,j表示第t次迭代中粒子S的第j维变量的速度；utS,j,表示第t次迭代中粒子S的第j维变量的位置；ptg,j,表示第t次迭代中粒子S的第j维变量的群体最优位置；pts,j表示第t次迭代中粒子S的个体最优位置。C：更新粒子位置和速度，产生新种群；D：根据适应度函数，更新个体最优位置和全局最优位置；E：如果达到最大迭代次数，输出全局最优粒子对应的灰色模型背景值；否则返回步骤C。本专利技术的有益效果如下：(1)利用改进灰色模型的相关性分析天气因素在不同季节、不同时刻对风速和风向的影响程度，并求解天气因素对风参量的比重，根据比重运用LSSVM对风向量进行估计，然后根据风向量的估计值，采用经过改进粒子群优化的灰色模型求解风电功率预测结果，最后采用傅里叶残差序列对预测残差进行补偿，预测得到短期风电功率，与现有的人工智能方法相比，提高预测精度，而且减少了网络训练时间，提高了负荷预测的效率。(2)构建灰色模型时，采用加权生成法构造背景值本文档来自技高网...

【技术保护点】
1.一种基于灰色模型和支持向量机的短期风电功率预测方法，其特征在于：包括以下步骤：步骤一：获取风向量和气象影响因素之间的关系；所述的风向量包括风速和风向，所述的气象影响因素为温度、空气湿度和地表气压；/n从风电场获取风电功率历史数据，从天气预报系统中获取气象历史数据，所述的气象历史数据包括气象影响因素历史数据和风向量历史数据；/n运用灰色关联性分析气象影响因素历史数据和风向量历史数据，并计算出不同季节不同时刻的风向量和气象影响因素之间的相关系数；/n步骤二：运用采用LSSVM方法对短期内的风向量进行估计；以实时的风向量、实时的气象影响因素、步骤一获取的相关系数所组成的关联矩阵为输入参量，得到预测风向量信息；/n步骤三：采用改进的灰色模型对短期风电功率进行预测；采用改进的粒子群算法对改进灰色预测模型的背景值进一步优化；采用步骤二中预测到的风速、风向作为输入变量，输出初始短期风电预测功率；/n步骤四：采用傅里叶残差序列对初始短期风电预测功率的误差进行补偿，得到最终的短期风电预测功率。/n

【技术特征摘要】
1.一种基于灰色模型和支持向量机的短期风电功率预测方法，其特征在于：包括以下步骤：步骤一：获取风向量和气象影响因素之间的关系；所述的风向量包括风速和风向，所述的气象影响因素为温度、空气湿度和地表气压；
从风电场获取风电功率历史数据，从天气预报系统中获取气象历史数据，所述的气象历史数据包括气象影响因素历史数据和风向量历史数据；
运用灰色关联性分析气象影响因素历史数据和风向量历史数据，并计算出不同季节不同时刻的风向量和气象影响因素之间的相关系数；
步骤二：运用采用LSSVM方法对短期内的风向量进行估计；以实时的风向量、实时的气象影响因素、步骤一获取的相关系数所组成的关联矩阵为输入参量，得到预测风向量信息；
步骤三：采用改进的灰色模型对短期风电功率进行预测；采用改进的粒子群算法对改进灰色预测模型的背景值进一步优化；采用步骤二中预测到的风速、风向作为输入变量，输出初始短期风电预测功率；
步骤四：采用傅里叶残差序列对初始短期风电预测功率的误差进行补偿，得到最终的短期风电预测功率。


2.根据权利要求1所述的基于灰色模型和支持向量机的短期风电功率预测方法，其特征在于：所述的步骤一包括以下步骤：
步骤1.1：将气象影响因素历史数据和风向量历史数据转换为无量纲单位；设定X0＝{x0(1),x0(2),…x0(k)…x0(n)}表示预测风向量历史数据的序列，即表示预测的风速和风向的序列；Xi＝{xi(1),xi(2),…xi(k)…,xi(n)}表示气象影响因素历史数据的序列，即表示温度历史数据的序列、空气湿度历史数据的序列、地表气压历史数据的序列；其中i∈{1,2,…,D}，D表示气象历史数据的采集次数；k∈{1,2,…,n},X0和Xi初值不等但序列长度相同；
利用公式(1)获取第i组气象影响因素历史数据无量纲历史数据ri(k)，



利用公式(2)获取预测风向量历史数据r0(k)，



步骤1.2：利用灰色关联性公式(3)获取预测风向量和第i组(i∈{1,2,···,D})气象历史数据的关联性系数γi(k)；



其中，ρ表示接近因子；
步骤1.3：采用加权的方法确定风向量历史数据和气象影响因素历史数据之间的相关性r(k)；
r(k)＝ωk,1r1(k)+ωk,2r2(k)+…+ωk,iri(k)+…+ωk,DrD(k)＝γ1(k)r1(k)+γ2(k)r2(k)+…+γi(k)ri(k)+…+γD(k)rD(k)(4)；
其中，ωk,i>0表示风向量历史数据和第i组气象影响因素历史数据之间的关联性系数；
步骤1.4：利用公式(4)获取预测风向量和气象影响因素之间的关联性矩阵W：





3.根据权利要求2所述的...

【专利技术属性】
技术研发人员：熊军华，康义，王亭岭，侯依然，师刘俊，
申请(专利权)人：华北水利水电大学，
类型：发明
国别省市：河南;41