鬼佬大哥大
  • / 9
  • 下載費用:30 金幣  

采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法.pdf

摘要
申請專利號:

CN201410158851.9

申請日:

2014.04.18

公開號:

CN103955756A

公開日:

2014.07.30

當前法律狀態:

駁回

有效性:

無權

法律詳情: 發明專利申請公布后的駁回IPC(主分類):G06Q 10/04申請公布日:20140730|||實質審查的生效IPC(主分類):G06Q 10/04申請日:20140418|||公開
IPC分類號: G06Q10/04(2012.01)I; G06Q50/06(2012.01)I 主分類號: G06Q10/04
申請人: 國家電網公司; 國網甘肅省電力公司; 甘肅省電力公司風電技術中心
發明人: 路亮; 汪寧渤; 周強; 馬明; 王小勇; 黃蓉; 張金平
地址: 100031 北京市西城區西長安街86號
優先權:
專利代理機構: 北京中恒高博知識產權代理有限公司 11249 代理人: 姜萬林
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201410158851.9

授權公告號:

||||||

法律狀態公告日:

2018.06.08|||2014.08.27|||2014.07.30

法律狀態類型:

發明專利申請公布后的駁回|||實質審查的生效|||公開

摘要

本發明公開了采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,主要包括:采用基于多項式核函數支持向量機的復合數據源,對待測風電功率進行模型訓練;基于待測風電功率模型訓練的結果,對待測風電功率進行短期預測。本發明所述采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,可以克服現有技術中風電功率預測精度低等缺陷,以實現高精度的風電功率短期預測的優點。

權利要求書

權利要求書
1.  采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,主要包括:
a、采用基于多項式核函數支持向量機的復合數據源,對待測風電功率進行模型訓練;
b、基于待測風電功率模型訓練的結果,對待測風電功率進行短期預測。

2.  根據權利要求1所述的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,所述步驟a,具體包括:
步驟a1、模型訓練基礎數據輸入;
步驟a2、數據預處理;
步驟a3、SVM分類器訓練;
步驟a4、得到SVM模型。

3.  根據權利要求2所述的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,所述步驟a1,具體包括:
風功率預報系統模型訓練所需輸入數據,包括風電場基礎信息、歷史風速數據、歷史功率數據,以及包含風電場/風機坐標、測風塔坐標、升壓站坐標的地理信息系統GIS數據;其中,GIS數據主要用于功率預測時根據各風電場的上下游關系進行短期預測結果的優化,將基礎數據輸入到預測模型中進行模型訓練。

4.  根據權利要求2所述的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,所述步驟a2,具體包括:
將風速數據和功率數據首先進行包含數據對齊及歸一化的預處理,GIS數據通過預處理確定電站上下游關系。

5.  根據權利要求2所述的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,所述步驟a3,具體包括:
SVM分類器是一個包含一個隱層的多層感知器,通過算法經訓練過程自動確定隱層節點數;
基于SVM分類器的非線性風電功率短期預測模型表示為:

其中,x是與風電功率密切相關的影響因素,包含數值天氣預報NWP數據、歷 史功率、風電場上下游關系;d是輸入變量的維度;f(x)是待預測的功率值;是從輸入空間到高維空間的非線性映射,即核函數;w是模型參數,b是預測殘差項;
定義懲罰函數即優化目標為:
min12||w||2+12rΣi=1Nei2;]]>

其中,ei是誤差項,r為正則化參數,N為樣本數。
引入拉格朗日乘子λ后,將基于SVM分類器的非線性預測模型表達式轉化為:
f(x)=Σi=1NλiK(x,xi)+b;]]>
其中,λi(i=1,2,...,N)和b為模型系數,K(·)表示從輸入空間即非線性空間到高位特征空間即線性空間的非線性映射;
核函數K(·)采用多項式形式,為:
K(x,xi)=[(x·xi)+1]q;
其中,xi(i=1,2,...,N)為輸入的訓練樣本,q為多項式核函數的階。

6.  根據權利要求2所述的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,所述步驟a4,具體包括:
通過輸入樣本數據的訓練,確定函數參數,即得到SVM預測模型。

7.  根據權利要求2-6中任一項所述的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,所述步驟b,具體包括:
步驟b1、功率預測基礎數據輸入;
步驟b2、噪聲濾波及數據預處理;
步驟b3、基于SVM的短期功率預測;
步驟b4、預測結果輸出及展示。

8.  根據權利要求7所述的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,在所述步驟b1中,風電功率預測所需輸入數據包括資源監測系統數據和運行監測系統數據兩部分;其中,資源監測系統數據包含風資源監測數據、風能預測數據以及數值天氣預報NWP數據;運行監測系統數據包括風機監測數據、升壓站監測數據和數據采集與監視控制系統SCADA;
和/或,
在所述步驟b2中,采用噪聲濾波模塊對實時監測系統采集得到的帶有噪聲的進行濾波處理,去除壞數據和奇異值;采用數據預處理模塊對數據進行包含對齊、歸一化處理和分類篩選的操作,使得輸入的數據可以為模型所用。

9.  根據權利要求7所述的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,其特征在于,所述步驟b3,具體包括:
功率預測過程是將風資源數據及風電運行監測數據輸入SVM模型,得到預測結果的輸出;
和/或,
所述步驟b4,具體包括:
首先對預測結果進行輸出,并通過包含圖形和表格的輸出形式對預測結果進行展示。

說明書

說明書采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法
技術領域
本發明涉及新能源發電過程中風電功率預測技術領域,具體地,涉及采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法。 
背景技術
我國風電進入規模化發展階段以后所產生的大型新能源基地多數位于“三北地區”(西北、東北、華北),大型新能源基地一般遠離負荷中心,其電力需要經過長距離、高電壓輸送到負荷中心進行消納。由于風、光資源的間歇性、隨機性和波動性,導致大規模新能源基地的風電、光伏發電出力會隨之發生較大范圍的波動,進一步導致輸電網絡充電功率的波動,給電網運行安全帶來一系列問題。 
截至2014年1月,甘肅電網并網風電裝機容量已達702萬千瓦,約占甘肅電網總裝機容量的22%,成為僅次于火電的第二大主力電源;光伏發電裝機容量已達到435萬千瓦,約占甘肅電網總裝機容量的13%,同時甘肅成為我國光伏發電裝機規模最大的省份。目前,甘肅電網風電、光伏發電裝機超過甘肅電網總裝機容量的1/3。隨著新能源并網規模的不斷提高,風電、光伏發電不確定性和不可控性給電網的安全穩定經濟運行帶來諸多問題。準確預估可利用的發電風資源是對大規模風電優化調度的基礎。對風力發電過程中的風電功率進行預測,可為新能源發電實時調度、新能源發電日前計劃、新能源發電月度計劃、新能源發電能力評估和棄風電量估計提供關鍵信息。 
在實現本發明的過程中,發明人發現現有技術中至少存在預測精度低等缺陷。 
發明內容
本發明的目的在于,針對上述問題,提出采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,以實現高精度的風電功率短期預測的優點。 
為實現上述目的,本發明采用的技術方案是:采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,主要包括: 
a、采用基于多項式核函數支持向量機的復合數據源,對待測風電功率進行模型訓練; 
b、基于待測風電功率模型訓練的結果,對待測風電功率進行短期預測。 
進一步地,所述步驟a,具體包括: 
步驟a1、模型訓練基礎數據輸入; 
步驟a2、數據預處理; 
步驟a3、SVM分類器訓練; 
步驟a4、得到SVM模型。 
進一步地,所述步驟a1,具體包括: 
風功率預報系統模型訓練所需輸入數據,包括風電場基礎信息、歷史風速數據、歷史功率數據,以及包含風電場/風機坐標、測風塔坐標、升壓站坐標的地理信息系統GIS數據;其中,GIS數據主要用于功率預測時根據各風電場的上下游關系進行短期預測結果的優化,將基礎數據輸入到預測模型中進行模型訓練。 
進一步地,所述步驟a2,具體包括: 
將風速數據和功率數據首先進行包含數據對齊及歸一化的預處理,GIS數據通過預處理確定電站上下游關系。 
進一步地,所述步驟a3,具體包括: 
SVM分類器是一個包含一個隱層的多層感知器,通過算法經訓練過程自動確定隱層節點數; 
基于SVM分類器的非線性風電功率短期預測模型表示為: 

其中,x是與風電功率密切相關的影響因素,包含數值天氣預報NWP數據、歷史功率、風電場上下游關系;d是輸入變量的維度;f(x)是待預測的功率值;是從輸入空間到高維空間的非線性映射,即核函數;w是模型參數,b是預測殘差項; 
定義懲罰函數即優化目標為: 
min12||w||2+12rΣi=1Nei2;]]>

其中,ei是誤差項,r為正則化參數,N為樣本數。 
引入拉格朗日乘子λ后,將基于SVM分類器的非線性預測模型表達式轉化為: 
f(x)=Σi=1NλiK(x,xi)+b;]]>
其中,λi(i=1,2,...,N)和b為模型系數,K(·)表示從輸入空間即非線性空間到高位特征空間即線性空間的非線性映射; 
核函數K(·)采用多項式形式,為: 
K(x,xi)=[(x·xi)+1]q; 
其中,xi(i=1,2,...,N)為輸入的訓練樣本,q為多項式核函數的階。 
進一步地,所述步驟a4,具體包括: 
通過輸入樣本數據的訓練,確定函數參數,即得到SVM預測模型。 
進一步地,所述步驟b,具體包括: 
步驟b1、功率預測基礎數據輸入; 
步驟b2、噪聲濾波及數據預處理; 
步驟b3、基于SVM的短期功率預測; 
步驟b4、預測結果輸出及展示。 
進一步地,在所述步驟b1中,風電功率預測所需輸入數據包括資源監測系統數據和運行監測系統數據兩部分;其中,資源監測系統數據包含風資源監測數據、風能預測數據以及數值天氣預報NWP數據;運行監測系統數據包括風機監測數據、升壓站監測數據和數據采集與監視控制系統SCADA; 
和/或, 
在所述步驟b2中,采用噪聲濾波模塊對實時監測系統采集得到的帶有噪聲的進行濾波處理,去除壞數據和奇異值;采用數據預處理模塊對數據進行包含對齊、歸一化處理和分類篩選的操作,使得輸入的數據可以為模型所用。 
進一步地,所述步驟b3,具體包括: 
功率預測過程是將風資源數據及風電運行監測數據輸入SVM模型,得到預測結 果的輸出; 
和/或, 
所述步驟b4,具體包括: 
該步驟首先對預測結果進行輸出,并通過包含圖形和表格的輸出形式對預測結果進行展示。 
本發明各實施例的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,由于主要包括:采用基于多項式核函數支持向量機的復合數據源,對待測風電功率進行模型訓練;基于待測風電功率模型訓練的結果,對待測風電功率進行短期預測;從而可以克服現有技術中風電功率預測精度低的缺陷,以實現高精度的風電功率短期預測的優點。 
本發明的其它特征和優點將在隨后的說明書中闡述,并且,部分地從說明書中變得顯而易見,或者通過實施本發明而了解。 
下面通過附圖和實施例,對本發明的技術方案做進一步的詳細描述。 
附圖說明
附圖用來提供對本發明的進一步理解,并且構成說明書的一部分,與本發明的實施例一起用于解釋本發明,并不構成對本發明的限制。在附圖中: 
圖1為本發明采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法的工作原理示意圖。 
具體實施方式
以下結合附圖對本發明的優選實施例進行說明,應當理解,此處所描述的優選實施例僅用于說明和解釋本發明,并不用于限定本發明。 
含大規模風電的電力系統運行依賴龐大的、準確的數據集,而風電功率預測若能將這些數據有效融合利用則可有效提高預測精度。與常規電力系統SCADA監測不同,在各類電氣、機械和熱力等數據之外,風電監測數據還包含大量的資源監測、運行監測及地理信息等。 
根據本發明實施例,如圖1所示,提供了采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法。 
本實施例的采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法,可分為兩個階段:模型訓練階段和功率預測階段。具體如下: 
階段1:模型訓練 
步驟1.1:模型訓練基礎數據輸入 
風功率預報系統模型訓練所需輸入數據包括,風電場基礎信息、歷史風速數據、歷史功率數據,地理信息系統(GIS)數據(風電場/風機坐標、測風塔坐標、升壓站坐標等),其中GIS數據主要用于功率預測時根據各風電場的上下游關系進行短期預測結果的優化。將基礎數據輸入到預測模型中進行模型訓練。 
步驟1.2:數據預處理 
將風速數據和功率數據首先進行數據對齊及歸一化等預處理,GIS數據通過預處理確定電站上下游關系。 
步驟1.3:SVM分類器訓練 
SVM分類器是一個包含一個隱層的多層感知器,隱層節點數是通過算法經訓練過程自動確定的,SVM相比神經網絡的優點在于SVM不會陷入局部極小點。 
基于SVM分類器的非線性風電功率短期預測模型可以表示為 

其中,x是與風電功率密切相關的影響因素,如數值天氣預報(NWP)數據、歷史功率、風電場上下游關系等;d是輸入變量的維度;f(x)是待預測的功率值; 是從輸入空間到高維空間的非線性映射,即核函數;w是模型參數,b是預測殘差項。 
定義懲罰函數即優化目標為: 
min12||w||2+12rΣi=1Nei2;]]>

其中,ei是誤差項,r為正則化參數,N為樣本數。 
引入拉格朗日乘子λ后,可以將基于SVM分類器的非線性預測模型表達式轉化為: 
f(x)=Σi=1NλiK(x,xi)+b;]]>
其中,λi(i=1,2,...,N)和b為模型系數,K(·)表示從輸入空間(非線性空間)到高位特征空間(線性空間)的非線性映射。 
核函數K(·)可以采用多項式形式,為: 
K(x,xi)=[(x·xi)+1]q; 
其中,xi(i=1,2,...,N)為輸入的訓練樣本,q為多項式核函數的階。 
步驟1.4:得到SVM模型 
通過輸入樣本數據的訓練,確定函數參數,即得到SVM預測模型。 
階段2:功率預測 
步驟2.1:功率預測基礎數據輸入 
風電功率預測所需輸入數據包括資源監測系統數據和運行監測系統數據兩部分,其中,資源監測系統數據包含風資源監測數據、風能預測數據以及數值天氣預報(NWP)數據;運行監測系統數據包括風機監測數據、升壓站監測數據和數據采集與監視控制系統(SCADA)等。 
步驟2.2:噪聲濾波及數據預處理 
噪聲濾波模塊對實時監測系統采集得到的帶有噪聲的進行濾波處理,去除壞數據和奇異值;數據預處理模塊對數據進行對齊、歸一化處理和分類篩選等操作,以便使得輸入的數據可以為模型所用。 
步驟2.3:基于SVM的短期功率預測 
功率預測過程是將風資源數據及風電運行監測數據輸入SVM模型,從而得到預測結果的輸出。 
步驟2.4:預測結果輸出及展示 
該步驟首先對預測結果進行輸出,并通過圖形和表格等形式對預測結果進行展示。 
最后應說明的是:以上所述僅為本發明的優選實施例而已,并不用于限制本發明,盡管參照前述實施例對本發明進行了詳細的說明,對于本領域的技術人員來說,其依 然可以對前述各實施例所記載的技術方案進行修改,或者對其中部分技術特征進行等同替換。凡在本發明的精神和原則之內,所作的任何修改、等同替換、改進等,均應包含在本發明的保護范圍之內。 

關 鍵 詞:
采用 復合 數據源 基于 多項式 函數 支持 向量 電功率 短期 預測 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:采用復合數據源的基于多項式核函數支持向量機的風電功率短期預測方法.pdf
鏈接地址:http://www.wwszu.club/p-6140611.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大