一种风电功率预测方法及其装置制造方法及图纸

本发明专利技术涉及一种风电功率预测方法及其装置。步骤一：从数值天气预报系统或者电力系统相关SCADA中进行数据提取，对提取后的数据进行平滑化处理；步骤二：根据处理后的数据确定最小二乘支持向量机训练样本的输入和输出；步骤三：初始化最小二乘支持向量机及改进的自适应粒子群算法的相关参数；步骤四：根据上面的优化过程对模型参数进行优化；步骤五：根据优化后的参数得到最小二乘支持向量机的模型；步骤六：根据最小二乘支持向量机的模型进行预测。本发明专利技术建模过程简单使用，能快速有效的进行风电功率预测，对于电力系统的安全稳定和调度运行具有重要意义，因此具有广泛的推广应用价值。

【技术实现步骤摘要】

本专利技术涉及一种功率预测方法及其装置，尤其是涉及一种风电功率预测方法及其>J-U装直。
技术介绍
风能由于其良好的经济效益和社会效益，已受到世界各国政府的高度重视，成为当今世界增长最快的可再生能源之一。许多国家已把大力发展风电作为优化能源结构、改善生态环境的重要措施之一。然而由于风能的波动性和间歇性，风电场在接入电网后对电 力系统的经济调度和安全稳定带来了严峻挑战。如果能对风电场功率进行准确有效的预测，将使电力调度部门能够提前根据风电场出力变化情况及时合理的调整调度计划。从而减轻风电并网对电网造成的不利影响，减少系统的备用容量，整体上降低风电并网的运行成本。风电功率预测在电力系统调度中的应用如图3所示。 目前研究人员建立的基于统计方法的风电功率预测模型主要有时间序列模型、数据挖掘模型、人工神经网络模型和支持向量机模型等。其中支持向量机模型克服了人工神经网络泛化能力差、易陷入局部极小等缺点，在一定程度上提高了模型的学习能力，已经受到了国内外研究人员的重视。最小二乘支持向量机是标准支持向量机的一种改进，采用二次规划方法将支持向量机中的不等式约束改为等式约束，以误差平方和损失函数作为训练集的经验损失，把二次规划问题转化为求解线性方程组问题，加快了问题求解的速度，提高了算法的收敛精度。对于基于统计方法的预测模型来说，大致有两个方向第一、先预测风速、风向等气象条件，再根据风机的风功曲线得到风电功率；第二、直接拟合历史风速和风向与功率之间的“黑箱”模型，不考虑风功曲线等。这种方法可以有效减小环境温度、气压等条件对空气密度的影响，从而减小对风功率的影响。专利技术内容本专利技术主要是解决现有技术所存在的技术问题；提供了一种直接考虑与相关历史数据或者数字天气预报数据与功率输出的关系，建模方法简单的一种风电功率预测方法及其装置。本专利技术还有一目的是解决现有技术所存在的技术问题；提供了一种适应性强，可作为一般风电场的功率预测模型的一种风电功率预测方法及其装置。本专利技术再有一目的是解决现有技术所存在的等的技术问题；提供了一种计算速度较快，成本低，易推广的一种风电功率预测方法及其装置。本专利技术的上述技术问题主要是通过下述技术方案得以解决的一种风电功率预测方法，其特征在于，包括以下步骤步骤I、数据提取模块从数值天气预报系统或者电力系统相关SCADA中进行数据提取，对提去后的数据进行预处理；并根据处理后的数据确定最小二乘支持向量机训练样本的输入和输出；步骤2、数据初始化模块对步骤I中初始化最小二乘支持向量机及改进的自适应粒子群算法的参数；步骤3、优化模块以回归误差平方和最小为适应度，使用改进自适应粒子群算法基于步骤2中初始化后参数对最小二乘支持向量机的回归模型参数进行优化；步骤4、模型建立模块根据步骤3中优化后的参数得到最小二乘支持向量机的模型；步骤5、预测模块根据步骤4中得到的最小二乘支持向量机的模型进行预测。 在上述的一种风电功率预测方法，所述的步骤I中，所述的步骤I中，提取数据包括风速、温度以及风电场实测输出功率数据，所述风速、温度作为最小二乘支持向量机训练样本的输入数据；所述风电场实测输出功率作为最小二乘支持向量机训练样本的输出数据。在上述的一种风电功率预测方法，所述步骤2中，在确定了训练最小二乘支持向量机模型的输入和输出以后，进行模型优化的前提是模型参数和优化算法参数的初始化，初始化主要有以下三步步骤2. I、首先确定最小二乘支持向量机的惩罚参数Y和核参数O 2范围；步骤2. 2、其次确定自适应粒子群算法的相关参数；步骤2. 3、在最小二乘支持向量机的惩罚参数Y和核参数O 2范围内随机初始化粒子群。在上述的一种风电功率预测方法，所述的步骤3中，在参数初始化后，需要设定优化算法的适应度，选择模型回归误差平方和最小为适应度，根据步骤I中选择的训练输入和输出数据，使用改进的自适应粒子群算法优化最小二乘支持向量机的相关参数，步骤如下步骤3. I、初始化粒子群参数；步骤3.2、计算自适应权重；步骤3. 3、以回归误差平方和最小为适应度，计算并比较适应度值；步骤3. 4、更新速度和位置；步骤3. 5、判断终止条件，满足则输出优化结果，不满足则重复步骤3. 2至步骤3. 4。在上述的一种风电功率预测方法，所述步骤4中，在使用改进的自适应粒子群算法得到最小二乘支持向量机的参数后，根据最小二乘支持向量机算法和训练样本求解出最下二乘支持向量机回归模型中的参数a ,和匕然后将求解得到的参数带入回归函数式(7)中，从而构建出风电功率预测的最小二乘支持向量机模型。在上述的一种风电功率预测方法，所述步骤5中，根据训练模型时所选的相关输入确定预测的输入，使用优化后的模型得到风电功率的预测结果。在上述的一种风电功率预测方法，所述步骤2. I中，最小二乘支持向量机模型基于下述方法给定一个训练数据点集(Xi，yi)，i = 1,...,1, Xi G Rd是与预测量密切相关的影响因素，d为所选输入变量的维数，第i个输出yi G R是预测量的实测值，I是已知数据点集的总数；支持向量机模型的目标是构造一个如式一格式的回归函数权利要求1.一种风电功率预测方法，其特征在于，包括以下步骤 步骤I、数据提取模块从数值天气预报系统或者电カ系统相关SCADA中进行数据提取，对提去后的数据进行预处理；井根据处理后的数据确定最小ニ乘支持向量机训练样本的输入和输出； 步骤2、数据初始化模块对步骤I中初始化最小ニ乘支持向量机及改进的自适应粒子群算法的參数； 步骤3、优化模块以回归误差平方和最小为适应度，使用改进自适应粒子群算法基于步骤2中初始化后參数对最小ニ乘支持向量机的回归模型參数进行优化； 步骤4、模型建立模块根据步骤3中优化后的參数得到最小ニ乘支持向量机的模型； 步骤5、预测模块根据步骤4中得到的最小ニ乘支持向量机的模型进行预測。2.根据权利要求I所述的ー种风电功率预测方法，其特征在于，所述的步骤I中，所述的步骤I中，提取数据包括风速、温度以及风电场实测输出功率数据，所述风速、温度作为最小ニ乘支持向量机训练样本的输入数据；所述风电场实测输出功率作为最小ニ乘支持向量机训练样本的输出数据。3.根据权利要求I所述的ー种风电功率预测方法，其特征在于，所述步骤2中，在确定了训练最小ニ乘支持向量机模型的输入和输出以后，进行模型优化的前提是模型參数和优化算法參数的初始化，初始化主要有以下三步 步骤2. I、首先确定最小ニ乘支持向量机的惩罚參数Y和核參数σ 2范围； 步骤2. 2、其次确定自适应粒子群算法的相关參数； 步骤2. 3、在最小ニ乘支持向量机的惩罚參数Y和核參数σ 2范围内随机初始化粒子群。4.根据权利要求I所述的ー种风电功率预测方法，其特征在于，所述的步骤3中，在參数初始化后，需要设定优化算法的适应度，选择模型回归误差平方和最小为适应度，根据步骤I中选择的训练输入和输出数据，使用改进的自适应粒子群算法优化最小ニ乘支持向量机的相关參数，步骤如下 步骤3. I、初始化粒子群參数； 步骤3. 2、计算自适应权重； 步骤3. 3、以回归误差平方和最小为适应度，计算并比较适应度值； 步骤3. 4、更新速度和位置； 步骤3. 5、判断終止条件，满足则输出本文档来自技高网...

【技术保护点】
一种风电功率预测方法，其特征在于，包括以下步骤：步骤1、数据提取模块从数值天气预报系统或者电力系统相关SCADA中进行数据提取，对提去后的数据进行预处理；并根据处理后的数据确定最小二乘支持向量机训练样本的输入和输出；步骤2、数据初始化模块对步骤1中初始化最小二乘支持向量机及改进的自适应粒子群算法的参数；步骤3、优化模块以回归误差平方和最小为适应度，使用改进自适应粒子群算法基于步骤2中初始化后参数对最小二乘支持向量机的回归模型参数进行优化；步骤4、模型建立模块根据步骤3中优化后的参数得到最小二乘支持向量机的模型；步骤5、预测模块根据步骤4中得到的最小二乘支持向量机的模型进行预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：张翌晖，王凯，陈立，胡志坚，王贺，张承学，宁文辉，周科，仉梦林，龚晓璐，
申请(专利权)人：广西电网公司电力科学研究院，武汉大学，
类型：发明
国别省市：