利用灰色关联度分析的风电场功率组合预测建模方法技术

本发明专利技术公开了属于风力发电建模技术领域的利用灰色关联度分析的风电场功率组合预测建模方法。具体说是基于最小二乘支持向量机和误差反向传播神经网络的风电功率加权组合预测方法。预测方法是从气象部门预先采集风速、风向的预测值，从风电场数据采集系统采集实时出力功率；将两者输入数据处理模块进行数据分析提取与归一化，随后导入数据库服务器中；组合预测算法服务器将数据库服务器中处理好的数据提取，分别进行模型训练与功率预测，风电场实时将运行数据传给数据处理模块从而实现滚动预测。本发明专利技术达到短期组合预测风电场出力的目的。该发明专利技术既最大化的利用了两种算法的优点，又节省了计算资源，缩短了计算时间从而提高了预测效率。

【技术实现步骤摘要】

本专利技术属于风力发电建模
，特别涉及。具体说是基于最小二乘支持向量机和误差反向传播神经网络的风电功率加权组合预测方法。
技术介绍
在能源短缺的今天，发展可再生能源发电，尤其是风力发电并使其发电量最大化，变得愈发重要。然而风能天生具有的波动性、不稳定性和间歇性，使得风电的出力情况时刻随着风速的变化而上下波动。如果将风电场的实时出力并入电网参与电力市场运行，对电网的平稳健康运行与调度都会产生影响。为了解决这一问题目前常用的两种措施是能量存储和预测。通过预测未来时刻的风电场发电量，电网侧可以提前做出调度计划从而避免电能不稳定、缺供等问题。在风电场侧可以提前知道风电场某天的出力值或者某台风机 的出力值从而安排设备检修与故障维护。按照时间尺度风电场出力预测可分为短期预测(< 6h)和长期预测(< 48h);按照预测模型对象的不同可分为基于风速的预测方法(间接法)和基于功率的预测方法(直接法)。本专利技术针对的研究对象是基于功率的短期风电场功率预测。国内已有的预测系统多采用基于线性模型的时间序列方法或单一人工智能建模，其不足之处在于应用线性模型只能表示输入和输出量的线性关系，而风电场出力随着时间的变换呈现出一定的波动性和非线性关系导致单纯用线性模型完成预测的局限性。目前应用最广泛的人工智能模型是人工神经网络，在具有运算速度快，精度较高的优点的同时，其极易陷入局部最小值的缺点使得在预测过程中往往难以得到全局最优解。支持向量机的产生和发展解决了这个问题，但同时其自身也存在着出力不确定性信息时的局限性。若能将二者结合，以达到预测精度最高为目标最大限度发挥两种模型的优势。
技术实现思路
本专利技术的目的是提供一种，其特征在于，所述风电场功率组合预测建模方法是基于最小二乘支持向量机和反向传播神经网络的风电功率加权组合预测方法，包括以下步骤(I)数据获取及预处理，风电场功率预测系统所用数据来自两个部分预测时刻之前的风电场实测风机出力历史值，取自风场监控系统(SCADA);风资源预测时刻前的历史值，取自测风塔和当地气象部门的风速和风向；在输入系统前对数据进行异常剔除纠正处理，继而归一化所得数据集；所述风资源预测时刻前的历史值为按时间序列排布的等时间间隔的风速和风向数据，模型输入样本集构造如下S (t) = 其中，X为风电场风机出力值；m为待预测时刻t前的时刻；V为预测时刻的风速；Ds为待预测时刻风向正弦；Dc为待预测时刻风向余弦；训练样本输出集R(t)为待预测时刻t的风电场出力功率值R(t) = ；构造模型输入集和输出集之前需要对数据进行预处理，包括剔除不合理数据和数据归一化处理，不合理数据包括风机出力的功率负值，风速零值以及风向超出(0，360)，数权利要求1.ー种，其特征在于，所述风电场功率组合预测建模方法是基于最小ニ乘支持向量机和反向传播神经网络的风电功率加权组合预测方法，包括以下步骤 (1)数据获取及预处理，风电场功率预测系统所用数据来自两个部分预测时刻之前的风电场实测风机出力历史值，取自风场监控系统SCADA ;风资源预测时刻前的历史值，取自测风塔和当地气象部门的风速和风向；在构造模型输入集和输出集之前需要对数据进行异常剔除纠正处理，继而归ー化所得数据集； 所述风资源预测时刻前的历史值为按时间序列排布的等时间间隔的风速和风向数据，模型输入样本集构造如下S(t) = , 其中，X为风电场风机出力值;m为待预测时刻t前的时刻；V为预测时刻的风速；Ds为待预测时刻风向正弦；Dc为待预测时刻风向余弦；X(t)是归ー化后的数据集合； 训练样本输出集R(t)为待预测时刻t的风电场出力功率值R(t) = ； (2)利用归ー化时段I的数据集建立最小ニ乘支持向量机预测模型并得到实时预测结果 . 2.I)经验法确定训练样本的个数和模型输入维数，支持向量机在处理小样本以及高维空间的问题具有优势，因此训练样本的个数可以较少，因为支持向量机的训练计算规模与训练样本个数成指数变化，训练样本个数选取的同时要考虑具体计算机硬件条件；. 2.2)确定核函数和參数取值，选用最小ニ乘函数作为核函数，设定适当的支持向量机參数，包括全局变量Pl和C，P1代表核函数的宽度，C代表经验风险函数和规则化函数之间的折中系数；P1和C的取值范围均设为(0，10)，通过双重循环方法选择不同的參数组合确定最优的模型结构以确保较小的训练误差，同时训练周期数的确定需要考虑模型训练的计算时间和计算机的硬件要求，避免过度训练以保证模型的泛化性能； . 2.3)模型训练，确定模型结构之后将训练样本集输入模型，以最小化训练误差为目标，误差计算公式为 MRE (Mean Relative Error)2.根据权利要求I所述，其特征在于，所述构造模型输入集和输出集之前需要对数据进行预处理，包括剔除不合理数据和数据归ー化处理，不合理数据包括风机出力的功率负值，风速零值以及风向超出(0，360)，数据归-化公式3.根据权利要求I所述，其特征在于，所述隐含层数为结合运算时间和效率，以及预测误差最小值得出隐含层的数值设为5比较理想。全文摘要本专利技术公开了属于风力发电建模
的。具体说是基于最小二乘支持向量机和误差反向传播神经网络的风电功率加权组合预测方法。预测方法是从气象部门预先采集风速、风向的预测值，从风电场数据采集系统采集实时出力功率；将两者输入数据处理模块进行数据分析提取与归一化，随后导入数据库服务器中；组合预测算法服务器将数据库服务器中处理好的数据提取，分别进行模型训练与功率预测，风电场实时将运行数据传给数据处理模块从而实现滚动预测。本专利技术达到短期组合预测风电场出力的目的。该专利技术既最大化的利用了两种算法的优点，又节省了计算资源，缩短了计算时间从而提高了预测效率。文档编号G06Q10/04GK102663513SQ20121006535公开日2012年9月12日 申请日期2012年3月13日 优先权日2012年3月13日专利技术者刘永前, 史洁, 杨勇平 申请人:华北电力大学本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：刘永前，史洁，杨勇平，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：