CN102129511A - 一种基于matlab的风电场短期风速预测系统 - Google Patents
一种基于matlab的风电场短期风速预测系统 Download PDFInfo
- Publication number
- CN102129511A CN102129511A CN2011100445891A CN201110044589A CN102129511A CN 102129511 A CN102129511 A CN 102129511A CN 2011100445891 A CN2011100445891 A CN 2011100445891A CN 201110044589 A CN201110044589 A CN 201110044589A CN 102129511 A CN102129511 A CN 102129511A
- Authority
- CN
- China
- Prior art keywords
- data
- input
- parameter
- unit
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于MATLAB的风电场短期风速预测系统,包括数据处理单元、参数寻优单元和数据预测单元。数据处理单元基于小波分解,对输入系统的风速数据进行多层分解,得到原始数据的近似系数和细节系数,分别供系统后续单元进行分析处理;参数寻优单元,负责对数据处理单元处理后的数据进行分析判定,从而得到系统中可变参数的全局最优解,供系统使用;数据预测单元,在参数设置完成的基础下,对进入预测单元的数据进行预测,计算得到数据组未来时刻的数据值。本发明能够完成对风速数据的短期预测,在提高风速数据短期预测精度的同时给出了系统中的可调参数,从而增强了对不同风场风速数据的普遍适应性。
Description
技术领域
本发明涉及风力发电系统中的短期风速预测系统,特别是一种基于MATLAB平台,利用小波分解、遗传算法和支持向量机的风电场短期风速预测系统及预测方法。
背景技术
全球不可再生能源的短缺和环境污染的日渐严重,使得世界上很多国家已充分认识到风电在调整能源结构、缓解环境污染等方面的重要性,并对风电的开发给予了高度重视。开发与利用风能是我国本世纪的重要能源战略。风能是一种环境友好的可持续性能源,已受到越来越广泛地重视,并成为发展最快的新型能源。
开发和利用风能的主要形式是现代大规模并网风力发电。但是,随着风电比例的增加,风电在给我们带来多方面利益的同时,它也带来了一些不利的影响,尤其是风电穿透功率超过一定值之后,可能会严重影响电能质量和电力系统的运行,并且可能会危及常规发电方式,主要表现在电压和频率会有较大幅度的波动。更严重的,当风电机组由于风速过大而退出运行时,可能会给电力系统造成难以承受的冲击。
如果能够对风电场的风速和发电功率做到比较准确的预测,则有利于电力系统调度部门必要时及时调整调度计划,这样便可有效的减轻风电对整个电网的影响。所以,风速和风力发电功率的准确预测对于风速管理和系统运行便显得十分重要,而且还可以减少电力系统运行成本和旋转备用,提高风电穿透功率极限,并且有利于在电力市场环境下正确制定电能交换计划,以充分利用风力资源,获得更多的经济效益和社会效益。
目前风速预测的常用方法,主要包括持续预测法、卡尔曼滤波法、随机时间序列法、人工神经网络法、模糊逻辑法和空间相关性法,而风电场短期风速预测的绝对平均误差为25%-40%,这不仅与预测方法有关,还与预测周期和所预测地点的风速特性有关。其中,最关键的问题在于现在风速预测的常用方法受地域性的限制很强,同样的方法在不同的测试点可能导致风速预测精度的差异。
发明内容
本发明的技术解决问题:克服现有技术的不足,基于MATLAB平台提供一种风电场短期风速预测系统,通过改变预测系统的可调参数从而适应不同风场的风速数据信息,在提高数据预测精度的同时增强了的普遍适应性。
本发明的技术解决方案:一种基于小波分解(Wavelet Decomposition)、遗传算法(Genetic Algorithm)和支持向量机(Support Vector Machine)的风电场短期风速预测系统,包括数据处理单元、参数寻优单元和数据预测单元。系统基于MATLAB平台,使用MATLAB中的算法工具箱。
数据处理单元。数据处理单元,其运用MATLAB中的小波工具箱对一段原始风速时间序列{X(t),t=1,2,3,……,n}进行小波分解,分解级数为J,得到近似系数和细节系数,对J层细节系数进行软阀值降噪后再对分解后的各系数分别进行小波重构,得到X(t)=AJ(t)+D1(t)+D2(t)+……+DJ(t),其中AJ(t)为近似系数序列,DJ(t)为细节系数序列。实验表明J可在3-5之间选择,数据处理单元中选择J1=3、J2=4、J3=5将数据按3种情况分解后输入到参数寻优单元;
参数寻优单元。参数寻优单元对数据处理单元输出的数据进行分析判定,得出适合输入数据的系统可变参数。模型的可变参数包括:小波分解层数J、数据预测单元输入数据维数n、支持向量机惩罚参数c和核函数参数g。小波分解层数J即X(t)=AJ(t)+D1(t)+D2(t)+……+DJ(t)中的J,通过实验表明J可在3-5之间选择;数据预测单元的数据是以矩阵的形式输入,数据预测单元输入数据维数n代表的是输入矩阵的列数,参数寻优单元完成将时间序列AJ(t)和D1(t)、D2(t)、……、DJ(t)转换为数据预测单元的输入矩阵。以N表示每天的风速数据的个数,则实验表明n一般在(1/6)N、(1/3)N、(1/2)N中进行选取;支持向量机惩罚参数c和核函数参数g,在参数寻优单元中通过MATLAB的遗传算法工具箱进行全局寻参,每组输入数据对应一组c和g。数据通过参数寻优单元时,(1)参数寻优单元基于MATLAB的遗传算法工具箱自动求出输入数据所对应的参数c和g;(2)参数寻优单元在参数J1、J2、J3下,按照n1=(1/6)N、n2=(1/3)N、n3=(1/2)N分别将AJ(t)和D1(t)、D2(t)、……、DJ(t)转换为数据预测单元的输入矩阵,同时得到J和n的9个参数组合:J1n1、J2n1、J3n1、J1n2、J2n2、J3n2、J1n3、J2n3、J3n3和9组不同的数据预测单元的输入矩阵;(3)将得到的参数c、g和9组J与n的参数组合与输入矩阵输入到数据预测单元,并引入均方误差N为预测样本数,y(i)为真实值,y*(i)为拟合值,以均方误差较低为标准,在数据预测单元中通过数据拟合选出适合输入数据的参数Ji和nj,最终确定可调系数c、g、J和n后,系统进行数据预测。
数据预测单元。数据预测单元,使用MATLAB中的支持向量机工具箱,基于支持向量机算法,包括数据训练、数据拟合测试和数据预测,完成对未来数据的预测。在参数寻优单元输出参数c、g与对应不同参数J和n组合的9组输入矩阵后,数据预测单元首先将9组输入矩阵分别进行训练集和测试集的划分。
训练集和测试集均为数据预测单元中按照系统算法划分的数据组,数据量控制在10∶1,均包含输入和输出数据。本系统中设定的数据集输入输出算法为:{X1(t)、X2(t)、X3(t)、……、Xn(t)}为输入,{Xn+1(t)}为输出。设数据预测单元的输入矩阵的维数为M*N,则划分:训练集输入为m1*N的矩阵,训练集输出为m1*1的矩阵(列向量);测试集输入为m2*N的矩阵,测试集输出为m2*1的矩阵(列向量),其中m1+m2=M、m1/m2=10。
划分训练集和测试集后,利用支持向量机模块中的训练函数对数据进行训练学习,即将训练集的输入和输出均输入到训练函数中,让向量机对此数据进行学习。训练学习时需要输入设定的参数,主要包括:参数c和g、支持向量机类型、向量机核函数类型。其中参数c和g在参数寻优单元计算得到,支持向量机类型在本系统中选用支持向量机回归模型,向量机的核函数选用高斯径向基函数。训练学习后得到对应该数据的支持向量机模型。
训练学习后进入模型训练集和测试集的拟合测试。训练集拟合测试,即将事先划分好的训练集输入矩阵输入到已训练学习完毕的支持向量机模型中,得到模型的输出,比较此输出和之前划分的训练集输出之间的关系,以均方误差为判断标准。测试集集拟合同训练集拟合,为验证已建立模型对不同数据的计算效果。在输入数据预测单元的9组数据中,因为数据处理单元中进行的小波变换,所以每组数据中均包含了1组近似系数数据和J组细节系数数据,拟合时,在输入数据预测单元的9组参数J和n及其它们对应的数据中选出使近似系数拟合均方误差最小的参数J和n的组合以及它们对应数据,然后进行数据预测。
数据预测时,将预测时刻之前的数据全部输入模型,例如要预测数据点2001-2024,则将数据范围为1-2000的数据矩阵全部输入到模型中。模型在数据处理单元将原始数据进行了J层分解,即分解为1个近似系数序列和J个细节系数序列,则在预测时有J+1个预测结果序列,按照公式将预测结果叠加即为系统最终的预测值,公式中a*j代表近似系数序列的预测值,d*i代表细节系数序列的预测值,x(t)表示系统最终的预测结果。注意,因为是进行的短期风速预测,所以系统预测风速的时长为4小时以内,按风速数据时间间隔为10分钟,即系统预测24个数据点。
本发明与现有技术相比的有点在于:
(1)本发明中将统计学习理论中的支持向量机和小波变换应用与遗传算法相结合。小波变换用于数据处理过程、遗传算法用于参数选择过程、支持向量机用于数据预测中,三种算法的结合提高的系统对短期风速的预测精度。
(2)本发明引入参数寻优单元,提出可调节参数:小波分解层数J、支持向量机训练数据维数n、支持向量机惩罚参数c和核函数参数g。参数调节单元运用遗传算法得出支持向量机惩罚参数c和核函数参数g的全局最优解,通过对数据拟合时均方误差的比较得出合适的小波分解层数J、支持向量机训练数据维数n。同时,提出参数寻优单元,通过调节模型参数可提高模型对风场风速数据的普遍适应性,有效克服了以往模型单一性的缺点。
附图说明
图1为本发明的系统组成框图;
图2为本发明的工作流程图;
图3为本发明中的参数寻优原理流程图;
图4为图2中的遗传算法参数寻优原理图;
图5为本发明中的数据预测单元中支持向量机算法原理图;
图6为本发明中的阶梯算法原理图;
图7为河北某风场2009年7月的风速数据;
图8为原始风速数据按照J=4进行小波分解后的结果图;
图9为系统预测的风速数据、近似系数及细节系数结果图;
图10为系统风速预测值与风速真实值的比较图。
具体实施方式
如图1、2所示,发明一种在MATLAB平台下基于小波分解、遗传算法和支持向量机的短期风速预测系统,包括数据处理单元、参数寻优单元和数据预测单元。
首先,将原始风速数据序列{X;X1、X2、X3、……、Xm}输入到数据处理单元,利用MATLAB小波函数对其进行J层小波分解并单支重构后得到X=AJ+D1+D2+……+DJ,AJ原始数据的近似系数,D1、D2、DJ是细节系数,近似系数AJ和Di(i=1、2…J)细节系数均与原始数据同样包含有m维的数据量。由于按照经验得到J可在3-5之间选取,所以分解时分别按照J1=3、J2=4、J3=5对原始序列分别进行3次分解并得到3组不同的分解结果。
其次,进入参数寻优单元后,利用MATLAB中的遗传算法工具箱对输入的数据进行基于遗传算法的参数寻优,得到对应不同数据的支持向量机惩罚参数c和核函数参数g。再按照n1=(1/6)N、n2=(1/3)N、n3=(1/2)N,N表示每天的风速数据量,将输入参数寻优单元的多组分解后的数据转换为数据预测单元的输入矩阵:
例如分解后的近似系数序列{AJ;A1、A2、A3、……、Am}转为为的n维输入矩阵为:
A1 A2 A3……An
A2 A3 A4……An+1
A3 A4 A5……An+2
……………………..
Am-n+1Am-n+2Am-n+3……Am
至此,系统中共有9组参数组合以及其对应的9组数据预测单元的输入矩阵组,其中每组输入矩阵均由原始数据小波分解重构后的近似系数和细节系数组成。
第三,进入数据预测单元后,基于MATLAB中的支持向量机模块对数据进行预测。首先,对输入的数据进行训练集和测试集的划分,然后利用支持向量机模块的训练函数对训练集进行学习,得到数据对应的支持向量机模型;再以每组数据中近似系数拟合后的均方误差最小为标准,从9组参数及数据中选出最佳的参数及其数据;最后利用已建立的模型和基于阶梯算法得到最终的风速数据预测值。
如图3所示,本发明中的参数寻优单元调节的参数包括:小波分解层数J、数据预测单元输入矩阵维数n、支持向量机惩罚参数c和核函数参数g。参数J、n、c和g按如下原则确定。
小波分解层数J的调节对模型预测的精确度有较大的影响。较小的J不能有效地将原信号中具有不同频率特征的分量分离出来;较大的J则会对信号确定性的波动现象进行过滤,引起对原信号恢复的失真,并且模型在对分解后的各分量进行预测时会引入更大的误差。经过实验表明,J在3到5时有较好的效果,因此,以数据预测单元中的原始数据拟合结果为依据,对J进行择优选择。
数据预测单元输入矩阵维数n的调节直接影响了系统风速预测型的效果。维数n过大过小都会对模型预测效果造成影响,必须根据具体的数据进行判定。风速数据的周期是一天,设每天的风速数据有N个,通过实验表明,n可在(1/6)N、(1/3)N、(1/2)N中进行选取,并以数据拟合结果为依据,对n进行择优选择。
系统参数寻优中,参数J和n根据经验得出候选值,最后通过数据拟合后的均方误差来选定最优解。参数c和g通过遗传算法对数据进行全局寻优而得。
系统进行参数寻优的步骤如下:(1)参数J的选择。首先根据经验设定小波分解层数J为J1=3、J2=4、J3=5;(2)参数c和g的计算。基于MATLABD的遗传算法工具箱对不同J对应的三组数据分别进行参数c和g寻优;(3)参数n的选定。按照n1=(1/6)N、n2=(1/3)N、n3=(1/2)N对参数n进行初选,然后得到9组对应的参数组合Ji、ni、ci、gi及对应的数据;(4)在数据预测单元中,以测试集和训练集拟合后的均方误差为标准,选定最佳的参数组合Ji、ni、ci、gi.。
如图4所示,基于MATLAB平台中的遗传算法工具箱,利用遗传算法GA(Genetic Algorithm)对支持向量机惩罚参数c和核函数参数g进行优化的整体算法过程,步骤如下:(1)系统GA算法参数设置。在使用MATLAB中的GA工具箱时需要设置内部参数,包括:最大遗传代数、最大种群数量、交叉概率、变异概率、遗传代沟、交叉验证的折数、寻优参数c和g的范围。本系统的设置如下:最大遗传代数=50、最大种群数量=50、交叉概率=0.4、变异概率=0.01、遗传代沟=1、交叉验证的折数=10、而寻优参数c和g的范围为:参数c的范围=[0.1,100]、参数g的范围=[0.1,100]。(2)编码并产生初始种群。采用训练集的输入和输出作为控制量,依照设置的参数,利用MATLAB中GA工具箱里的initializega()函数进行仿真产生N个个体构成第一代二进制编码的母体;(3)确定适应度函数。将对训练集进行交叉验证意义下的均方误差作为遗传算法中的适应度函数;(4)计算适应度函数并标定适应度。(5)利用工具箱中的选择函数、交叉函数与变异函数进行选择、交叉、变异操作。从当前种群中选择出适值好的作为母体,母体之间进行交叉操作使新后代组合了母体特性,改变个体基因串得到新的控制变量,继续进行仿真得到新的母体;(6)解码后输出最优解。对得到的最优解进行二进制解码,得到支持向量机单元需要的惩罚参数c和核函数参数g。
如图5所示,基于MATLAB平台中的遗传算法工具箱,采用支持向量机回归预测进行风速数据的预测,步骤分为划分训练集与测试集、训练、拟合测试和预测。首先,将历史风速数据划分为训练集和测试集,训练集和测试集的数据比例维持在10∶1左右;其次,基于已得到的参数运用训练集进行模型的训练,得到对应的对应数据的支持向量机模型;第三步,基于训练集和测试集拟合的均方误差,选出使得均方误差最小的参数组合及数据;第四步,运用阶梯算法预测未来的风速数据。
训练时,将训练集输入矩阵和输出矩阵输入到MATLAB下的支持向量机模块中,通过支持向量机中的训练模块分析输入矩阵和输出矩阵之间的非线性关系,得到对应该数据的支持向量机模型。
训练集的拟合,既在得到支持向量机模型后,再次将训练集输入矩阵输入到模型中,将模型的输出与训练集输出矩阵做比较。
测试集的拟合,既在得到支持向量机模型后,将测试集输入矩阵输入到模型中,将模型的输出与测试集输出矩阵做比较。
按照输入数据预测单元的数据范围为X1-Xm,在训练集和测试集的划分如下:
训练集输入矩阵 训练集输出矩阵
X1 X2 X3……Xn Xn+1
X2 X3 X4……Xn+1 Xn+2
X3 X4 X5……Xn+2 Xn+3
…………………….. …
Xm1 Xm1+1 Xm1+2……Xn+m1-1 Xn+m1
测试集输入矩阵 测试集输出矩阵
Xm1 Xm1+1 Xm1+2……Xn+m1-1 Xn+m1
Xm1+1 Xm1+2 Xm1+3……Xn+m1 Xn+m1+1
Xm1+2 Xm1+3 Xm1+4……Xn+m1+1 Xn+m1+2
…………………….. …
Xm2 Xm2+1 Xm2+2……Xn+m2-1 Xn+m2
上述划分中,m1+m2=m且m1/m2=10。
数据预测时,输入输出矩阵如下:
预测时输入矩阵 预测时输出矩阵 预测值
X1 X2 X3……Xn Xn+1
X2 X3 X4……Xn+1 Xn+2
X3 X4 X5……Xn+2 Xn+3 Xm+1
……………………..…
Xm-n+1 Xm-n+2 Xm-n+3……Xm Xm+1
预测单元输出矩阵(列向量)的最后一项Xm+1即为数据预测值。
如图6所示,在支持向量机单元中采用阶梯算法对风速数据进行预测。由于模型是利用历史的风速数据去预测下一个时刻的风速值,所以阶梯算法的核心就是将预测的(t+1)时刻的风速值加入到风速历史值去预测(t+2)时刻的风速值,这样保证了风速数据的完整性和代表性。阶梯算法输入输出的结构如下表1所示,由于输入范围呈阶梯状逐步加大,故而取名阶梯算法。
阶梯算法的步骤如下:(1)利用MATLAB平台中的支持向量机模块对现有的数据训练集进行训练,得到对应该数据的支持向量机模型1;(2)利用得到的支持向量机模型预测下一时刻的数据;(3)将预测得到的数据加入原有的训练集,得到新的数据训练集,重复第1步,直到得到所有所需的预测数据。
如下表1所示,由于t时刻的预测值会作为(t+1)时刻的训练集输入,且数据范围会呈“阶梯”型递增,所以为“阶梯算法”。
表1阶梯算法输入输出结构
t时刻训练集输入矩阵 t时刻输出矩阵 t时刻预测值
X1 X2 X3……Xn Xn+1
X2 X3 X4……Xn+1 Xn+2
X3 X4 X5……Xn+2 Xn+3 Xn+m
…………………….. …
Xm Xm+1 Xm+2……Xn+m-1 Xn+m
(输入数据范围X1-Xn+m-1)
(t+1)时刻训练集输入矩阵 (t+1)时刻输出矩阵 (t+1)时刻预测值
X1 X2 X3……Xn Xn+1
X2 X3 X4……Xn+1 Xn+2
X3 X4 X5……Xn+2 Xn+3 Xn+m+1
…………………….. …
Xm Xm+1 Xm+2……Xn+m-1 Xn+m
Xm+1 Xm+2 Xm+3……Xn+m Xn+m+1
(输入数据范围X1-Xn+m)
具体案例主要实施过程:
首先,原始数据如图7所示,图7为用于实验的数据为河北某风场2009年7月的风速数据,从图中可以清楚的看出风速数据的波动性和随机性较强,当地风速数据最大值在15m/s左右,最小值在0.5m/s左右。每个风速数据为每10分钟内的平均值,每天有风速数据144个,图中具有风速数据2200个,即7月份15天的数据。
按照系统工作步骤,首先,按照J1=3、J2=4、J3=5对原始数据进行小波分解。其次,对每组数据均进行基于MATLAB遗传算法工具箱的遗传算法参数寻优,得到参数c和g。第三,按照n1=(1/6)N、n2=(1/3)N、n3=(1/2)N,N表示每天的风速数据量,将输入参数寻优单元的多组分解后的数据转换为数据预测单元的输入矩阵。第四,进入数据预测单元后,基于MATLAB中的支持向量机模块对数据进行预测。首先对输入的数据进行训练集和测试集的划分,然后利用支持向量机模块的训练函数对训练集进行学习,得到数据对应的支持向量机模型。然后以每组数据中近似系数拟合后的均方误差最小为标准,从9组参数及数据中选出最佳的参数及其数据。最后利用已建立的模型和基于阶梯算法得到最终的风速数据预测值。
经过以上步骤,得到在J=4,n=(1/6)N=24时,近似系数的训练集均方误差为0.014%,测试集均方误差为0.77%,为9组参数中最小值。所以得到数据的参数为表2所示,其中A4表示近似系数,Di(i=1、2、3、4)表示细节系数。
表2
J=4 | N=24 |
cA4=22.6274 | gA4=0.004648 |
cD4=22.6274 | gD4=0.03125 |
cD3=22.6274 | gD3=0.03125 |
cD2=32 | gD2=0.03125 |
cD1=32 | gD1=0.03125 |
原始数据按照J=4进行小波分解的结果如图8所示:图中,原始风速数据进行小波分解后,得到近似系数和细节系数,由于是四层分解,所以有四层细节系数分别为:细节系数1、细节系数2、细节系数3和细节系数4。近似系数是原信号的平均成分(低频)所以波形较缓,细节系数是原信号的变化成分(高频)所以波形较陡。
预测的风速数据、近似系数及细节系数如图9所示:图中,描绘出系统预测的后两个小时的风速数据,包括近似系数和四层细节系数的预测值。将近似系数和细节系数的预测值叠加后即为系统预测的风速值。
按照公式将预测结果叠加即为系统最终的预测值,公式中a*j代表近似系数序列的预测值,d*i代表细节系数序列的预测值,x(t)表示系统最终的预测结果。预测值与真实值的比较如图10所示:图中的“方格”代表的是风速真实值,“菱形格”代表的是系统的风速预测值,图中展现了风速真实值和系统预测值之间的拟合情况,可看出系统预测结果良好。
表3
从上表3可以清楚的观察本系统对该测试风速数据的预测情况。模型预测了后2个小时的风速数据,平均绝对百分比误差EMAPE=3.0%,和以往模型25%-40%的误差相比精度有了较大的提高。
本发明未详细阐述部分属于本领域公知技术。
Claims (1)
1.一种基于MATLAB的风电场短期风速预测系统,其特征在于包括:数据处理单元、参数寻优单元和数据预测单元,其中:
所述数据处理单元对输入原始数据进行处理,运用MATLAB中的小波工具箱对一段时间序列{X(t),t=1,2,3,……,n}的原始风速数据进行小波分解,分解级数为J,得到近似系数和细节系数,对J层细节系数进行软阀值降噪后再对分解后的各系数分别进行小波重构,得到X(t)=AJ(t)+D1(t)+D2(t)+……+DJ(t),其中AJ(t)为近似系数序列,DJ(t)为细节系数序列,J的取值范围为3-5,选择J1=3、J2=4、J3=5将数据分解后分别输入到参数寻优单元;
所述参数寻优单元对数据处理单元输出的数据进行分析判定,得出适合输入数据的系统可变参数;所述系统的可变参数包括:小波分解层数J、数据预测单元输入数据维数n、支持向量机惩罚参数c和核函数参数g,小波分解层数J即为X(t)=AJ(t)+D1(t)+D2(t)+……+DJ(t)中的J,J取值范围3-5;数据预测单元的数据是以矩阵的形式输入,数据预测单元输入数据维数n代表的是输入矩阵的列数,参数寻优单元完成将时间序列AJ(t)和D1(t)、D2(t)、……、DJ(t)转换为数据预测单元的输入矩阵;以N表示每天的风速数据的个数,n在(1/6)N、(1/3)N、(1/2)N中进行选取;支持向量机惩罚参数c和核函数参数g,在参数寻优单元中通过遗传算法进行全局寻优,每组输入数据对应一组c和g;这样数据通过参数寻优单元时,(1)参数寻优单元基于MATLAB中的遗传算法工具箱自动求出输入数据所对应的参数c和g;(2)参数寻优单元在参数J1、J2、J3下,按照n1=(1/6)N、n2=(1/3)N、n3=(1/2)N分别将AJ(t)和D1(t)、D2(t)、……、DJ(t)转换为数据预测单元的输入矩阵,同时得到J和n的9个参数组合:J1n1、J2n1、J3n1、J1n2、J2n2、J3n2、J1n3、J2n3、J3n3和9组不同的数据预测单元的输入矩阵;(3)将得到的参数c、g和9组J与n的参数组合与输入矩阵输入到数据预测单元,并引入均方误差N为预测样本数,y(i)为真实值,y*(i)为拟合值,以数据小波分解后的近似系数的拟合均方误差较低为标准,在数据预测单元中通过数据拟合选出适合输入数据的参数Ji和nj,最终确定可调系数c、g、J和n后,送入数据预测单元进行预则;
所述数据预测单元,使用MATLAB中的支持向量机工具箱,基于支持向量机算法,包括数据训练、数据拟合测试和数据预测,完成对未来数据的预测;在参数寻优单元输出参数c、g和对应不同参数J和n组合的9组输入矩阵后,数据预测单元首先将9组输入矩阵分别进行训练集和测试集的划分;训练集和测试集均为数据预测单元中按照系统算法划分的数据组,数据量控制在10∶1,均包含输入和输出数据;本系统中设定的数据集输入输出算法为:{X1(t)、X2(t)、X3(t)、……、Xn(t)}为输入,{Xn+1(t)}为输出,设数据预测单元的输入矩阵的维数为M*N,则划分:训练集输入为m1*N的矩阵,训练集输出为m1*1的矩阵;测试集输入为m2*N的矩阵,测试集输出为m2*1的矩阵,其中m1+m2=M、m1/m2=10,m1和m2分别代表着训练集和测试集矩阵的行数;划分训练集和测试集后,利用支持向量机模块中的训练函数对数据进行训练学习,即将训练集的输入和输出均输入到训练函数中,让向量机对此数据进行学习;训练学习时需要输入设定的参数,包括参数c和g、支持向量机类型、向量机核函数类型,训练学习后得到了对应该数据的支持向量机模型;训练学习后进入模型训练集和测试集的拟合测试;训练集拟合测试,即将事先划分好的训练集输入矩阵输入到已训练学习完毕的支持向量机模型中,得到模型的输出,比较此输出和之前划分的训练集输出之间的关系,以均方误差为判断标准;测试集拟合同训练集拟合,为验证已建立模型对不同数据的计算效果;在输入数据预测单元的9组数据中,因为数据处理单元中进行的小波变换,所以每组数据中均包含了1组近似系数数据和J组细节系数数据,拟合时在输入数据预测单元的9组参数J和n及其它们对应的数据中选出使近似系数拟合均方误差最小的参数J和n的组合以及它们对应数据,然后进行数据预测;数据预测时,将预测时刻之前的数据全部输入,在数据处理单元将原始数据进行了J层分解,即分解为1个近似系数序列和J个细节系数序列,则在预测时有J+1个预测结果序列,按照公式将预测结果叠加即为系统最终的预测值,公式中a*J代表近似系数序列的预测值,d*i代表细节系数序列的预测值,x(t)表示系统最终的预测结果,其中i=1、2、3……J。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110044589.1A CN102129511B (zh) | 2011-02-21 | 2011-02-21 | 一种基于matlab的风电场短期风速预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110044589.1A CN102129511B (zh) | 2011-02-21 | 2011-02-21 | 一种基于matlab的风电场短期风速预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102129511A true CN102129511A (zh) | 2011-07-20 |
CN102129511B CN102129511B (zh) | 2014-04-30 |
Family
ID=44267593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110044589.1A Expired - Fee Related CN102129511B (zh) | 2011-02-21 | 2011-02-21 | 一种基于matlab的风电场短期风速预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102129511B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102338808A (zh) * | 2011-08-26 | 2012-02-01 | 天津理工大学 | 一种在线的风电场短期风速混合预测方法 |
CN102682207A (zh) * | 2012-04-28 | 2012-09-19 | 中国科学院电工研究所 | 风电场风速超短期组合预测方法 |
CN102938093A (zh) * | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103996071A (zh) * | 2014-02-25 | 2014-08-20 | 沈阳理工大学 | 一种基于马尔科夫理论的风电场风速预测方法 |
CN104657786A (zh) * | 2015-02-03 | 2015-05-27 | 河海大学 | 一种基于Boosting算法的短期风功率混合预测方法 |
CN104657619A (zh) * | 2015-03-06 | 2015-05-27 | 华北电力大学 | 一种评价风速周期性的方法及系统 |
CN104820877A (zh) * | 2015-05-21 | 2015-08-05 | 河海大学 | 基于云自适应pso-snn的光伏系统发电功率预测方法 |
CN105181933A (zh) * | 2015-09-11 | 2015-12-23 | 北华航天工业学院 | 预测土壤压缩系数的方法 |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
US20160171401A1 (en) * | 2014-12-11 | 2016-06-16 | Hao Wu | Layout optimization for interactional objects in a constrained geographical area |
CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
CN109840613A (zh) * | 2018-10-25 | 2019-06-04 | 浙江理工大学 | 一种融合编码解码和线性回归的短期风速预测方法 |
CN111382891A (zh) * | 2018-12-28 | 2020-07-07 | 北京金风科创风电设备有限公司 | 短期负荷预测方法和短期负荷预测装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793907A (zh) * | 2010-02-05 | 2010-08-04 | 浙江大学 | 一种风电场短期风速预测方法 |
-
2011
- 2011-02-21 CN CN201110044589.1A patent/CN102129511B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793907A (zh) * | 2010-02-05 | 2010-08-04 | 浙江大学 | 一种风电场短期风速预测方法 |
Non-Patent Citations (5)
Title |
---|
吴景龙等: "基于遗传算法优化参数的支持向量机短期负荷预测方法", 《中南大学学报(自然科学版)》, vol. 40, no. 1, 27 February 2009 (2009-02-27), pages 180 - 184 * |
曹慧: "支持向量机方法在风电场风速预测中的应用研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》, no. 9, 30 September 2010 (2010-09-30), pages 042 - 129 * |
朱峰: "风电场风速短期多步预测方法的研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》, no. 10, 31 October 2009 (2009-10-31), pages 042 - 135 * |
潘迪夫等: "风电场风速短期多步预测改进算法", 《中国电机工程学报》, vol. 28, no. 26, 15 September 2009 (2009-09-15), pages 87 - 91 * |
马应魁: "短期风速多步预测的研究", 《工矿自动化》, no. 9, 30 September 2010 (2010-09-30), pages 54 - 58 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102338808B (zh) * | 2011-08-26 | 2012-11-21 | 天津理工大学 | 一种在线的风电场短期风速混合预测方法 |
CN102338808A (zh) * | 2011-08-26 | 2012-02-01 | 天津理工大学 | 一种在线的风电场短期风速混合预测方法 |
CN102682207A (zh) * | 2012-04-28 | 2012-09-19 | 中国科学院电工研究所 | 风电场风速超短期组合预测方法 |
CN102938093A (zh) * | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103065202B (zh) * | 2012-12-24 | 2015-07-15 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103996071A (zh) * | 2014-02-25 | 2014-08-20 | 沈阳理工大学 | 一种基于马尔科夫理论的风电场风速预测方法 |
US20160171401A1 (en) * | 2014-12-11 | 2016-06-16 | Hao Wu | Layout optimization for interactional objects in a constrained geographical area |
CN104657786A (zh) * | 2015-02-03 | 2015-05-27 | 河海大学 | 一种基于Boosting算法的短期风功率混合预测方法 |
CN104657619A (zh) * | 2015-03-06 | 2015-05-27 | 华北电力大学 | 一种评价风速周期性的方法及系统 |
CN104657619B (zh) * | 2015-03-06 | 2017-08-04 | 华北电力大学 | 一种评价风速周期性的方法及系统 |
CN104820877A (zh) * | 2015-05-21 | 2015-08-05 | 河海大学 | 基于云自适应pso-snn的光伏系统发电功率预测方法 |
CN105181933A (zh) * | 2015-09-11 | 2015-12-23 | 北华航天工业学院 | 预测土壤压缩系数的方法 |
CN105181933B (zh) * | 2015-09-11 | 2017-04-05 | 北华航天工业学院 | 预测土壤压缩系数的方法 |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN105574615B (zh) * | 2015-12-16 | 2020-01-24 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
CN109840613A (zh) * | 2018-10-25 | 2019-06-04 | 浙江理工大学 | 一种融合编码解码和线性回归的短期风速预测方法 |
CN109840613B (zh) * | 2018-10-25 | 2021-02-23 | 浙江理工大学 | 一种融合编码解码和线性回归的短期风速预测方法 |
CN111382891A (zh) * | 2018-12-28 | 2020-07-07 | 北京金风科创风电设备有限公司 | 短期负荷预测方法和短期负荷预测装置 |
CN111382891B (zh) * | 2018-12-28 | 2024-02-09 | 北京金风科创风电设备有限公司 | 短期负荷预测方法和短期负荷预测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102129511B (zh) | 2014-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102129511B (zh) | 一种基于matlab的风电场短期风速预测系统 | |
CN102663513B (zh) | 利用灰色关联度分析的风电场功率组合预测建模方法 | |
CN102999786B (zh) | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 | |
CN107862466A (zh) | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN103324980A (zh) | 一种风电场风速预测方法 | |
CN103049798A (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN113141008A (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
CN103020743A (zh) | 风电场超短期风速预测方法 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN102750542A (zh) | 一种插值修匀优化的支持向量回归机风速组合预测方法 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN116683530A (zh) | 风-光-含混合式抽蓄电站梯级水库随机优化调度方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN107563573B (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 | |
CN113159437B (zh) | 一种短期光伏发电输出功率的预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140430 Termination date: 20150221 |
|
EXPY | Termination of patent right or utility model |