CN102938093A

CN102938093A - 一种风电功率预测的方法

Info

Publication number: CN102938093A
Application number: CN2012103971817A
Authority: CN
Inventors: 田丽; 裴瑞平; 王勇
Original assignee: Anhui Polytechnic University
Current assignee: Anhui Polytechnic University
Priority date: 2012-10-18
Filing date: 2012-10-18
Publication date: 2013-02-20

Abstract

一种风电功率预测方法，选择遗传算法、神经网络、支持向量机三种智能算法建立组合预测模型。首先采用遗传算法分别对神经网络和支持向量机进行优化，得到遗传神经网络和遗传支持向量机两种优化后的预测模型，然后利用误差中的信息熵对两种子模型进行加权，构成优化组合预测模型。对预测误差进行统计分析，并将误差信息反馈到组合预测模型，利用误差信息优化遗传神经网络和遗传支持向量机两种子模型的加权系数进一步完善组合模型。本发明提供的方法能够充分考虑外界影响因素并对多种预测方法进行综合，通过权重的配置提高了风电功率的预测精度。

Description

一种风电功率预测的方法

技术领域

本发明属于电力系统预测与控制技术领域，尤其涉及一种风电功率预测方法。

背景技术

由于我国风电功率预测研究工作起步较晚，目前，主要是理论探索，预测系统大多处于探索和研究阶段，但我国的风电场情况较复杂，需要因地制宜地开展风电功率预测工作，同时也需要对先进预测方法进行研究，以逐步提高预测精度。自然因素的不可控性，风电输出功率的随机性、间歇性和波动性都将会给风电并网的安全稳定运行带来严峻的挑战。短期风功率预测精度的提高，将有助于电力系统调度部门合理安排调度计划，有效减轻风电对整个电网的影响。

近年来出现了组合预测算法，将多个算法组合起来进行预测。组合模型结合多个算法的优点来优化预测模型，可以进一步提高预测精度。一般组合预测的方法，都是两种算法组合在一起，并不能体现出多种算法组合的优势。现有的预测方法在风电功率预测上精度不高而且不能充分考虑外界因素的影响。

发明内容

为了克服以上现有技术的问题,本发明提供一种风电功率预测方法，将遗传算法、神经网络、支持向量机进行组合，分别将遗传算法有效地进行概率意义的全局搜索能力、神经网络的自学习、自组织和自适应能力、支持向量机的有全局收敛以及样本维数不敏感和不依赖于经验信息的特点结合在一起。

为解决上述技术问题本发明的技术方案是：

1）收集整理风电功率历史数据，研究影响风电机组输出风功率的主要因素，分析数据特点，对数据进行预处理。

a）对收集的风电场数据要进行统计和审核，对其中的异常值的进行平稳化处理、对缺失的数据进行修补。

b）风电机组受自然风力驱动，输出风功率受风速、风向、温度、湿度、气压等多种自然因素影响。风电场的风电机组受这些自然因素影响使得风功率数据隐含自然规律，同时也具有随机性、间歇性、波动性等特点，充分利用这些特点对成功建立模型十分重要。

c）利用SAS软件来对风电场历史数据进行聚类分析、相关性分析、统计分析等，研究历史数据中隐含的数据特征。

2）利用遗传算法卓越的优化能力优化网络结构建立遗传神经网络预测模型。

3）首先利用遗传算法优化支持向量机的参数遗传支持向量机回归预测模

型。

4）然后利用误差中的信息熵对两种子模型进行加权，构成优化组合预测模型。

5）确定预测评价指标正确检验模型，利用检验结果形成反馈机制优化预测模型。采用均方根误差、绝对平均误差和相对误差等作为预测误差指标来评价预测模型。

6）利用Matlab软件编制组合预测模型仿真程序，采用实际的风电场历史数据作为输入进行仿真。根据仿真结果调整和完善预测模型，并对预测误差进行统计。

本发明的有益效果是，能够充分考虑外界影响因素并对多种预测方法进行综合，通过权重的配置提高了风电功率的预测精度，为电力系统改善风功率预测效果提供方法参考，有助于电力系统调度部门合理安排调度计划，减少电网运行成本，保证电网安全稳定的运行。

附图说明：

图1为总体思路及研究方案

图2为风电功率组合预测流程图

图3为遗传支持向量机法风电功率预测结果

图4为遗传神经网络法风电功率预测结果

图5为组合预测法风电功率预测结果

具体实施方式：

下面结合附图对本发明进一步说明。

图1是本发明的总体思路及研究方案结构图。首先研究了风电功率的影响因素，由于风电机组受自然风驱动，风电功率主要会受到风速、风向、气压、湿度、气温等因素的影响。然后收集原始数据，对原始风电功率数据进行分析处理，这里主要采用聚类分析、统计分析以及小波分析三种方法，对数据进行平稳化处理等。

对数据进行分析处理之后，就可以开始建立预测模型。选择遗传算法、神经网络、支持向量机三种智能算法。神经网络具有很强的非线性映射能力，特别适合处理具有随机性、非线性特点的风功率数据，但有易陷于局部最小值以及训练时间长的缺点。支持向量机采用结构风险最小化准则，具有收敛速度快和泛化能力好的优点，当预测区间较长时仍然具有较高的准确度，但存在核参数难以确定的问题。而遗传算法具有很强的寻优能力，于是本发明采用遗传算法分别对神经网络和支持向量机进行优化，得到遗传神经网络和遗传支持向量机两种优化后的预测模型。利用误差中的信息熵对两种子模型进行加权，构成优化组合预测模型，从而充分发挥神经网络强大的非线性映射能力和支持向量机的收敛速度快和泛化能力好的优点，提高预测精度。

将实际风功率数据分别作为组合预测模型和误差分析模型的输入，利用误差分析模型检验组合预测模型的预测效果，对预测误差进行统计分析，并将误差信息反馈到组合预测模型，利用误差信息优化遗传神经网络和遗传支持向量机两种子模型的加权系数进一步完善组合模型。

图2是风电功率组合预测流程图，收集原始数据，其中包括风速、风向、温度、湿度、气压等多种自然因素的数据，对这些数据进行分析和处理，利用SAS统计软件提供的多种数据处理方法对历史数据进行聚类分析、统计性、相关性分析以挖掘出数据隐含的自然规律，并利用分析的结果合理确定预测模型的输入变量、训练样本、测试样本。

将遗传算法、神经网络、支持向量机相互组合建立预测模型，首先利用遗传算法卓越的优化能力优化网络结构和支持向量机的参数分别建立遗传神经网络和遗传支持向量机回归子预测模型，然后利用误差中的信息熵对两种子模型进行加权，构成优化组合预测模型。

利用Matlab仿真软件编制组合预测模型仿真程序，采用实际的风电场数据进行仿真，对预测误差进行评价检验模型的有效性和实用性，同时利用检验结果反馈机制优化预测模型。

图3是遗传支持向量机法风电功率预测结果与实际值的比较。

图4遗传神经网络风电功率预测结果。

图5为组合预测法风电功率预测结果。采用组合预测方法对风速预测进行了研究。根据某风电场风电功率的实际数据，其中给出了2006年5月10日至2006年6月6日时间段内该风电场中PA风电机组进行验证分析,结果表明本文提出的风电功率预测方法提高了预测的准确性,对接入风电场的电力系统运行调度有重要的实用价值。

Claims

1.一种风电功率预测的方法，其特征是：充分利用聚类分析、统计分析、相关性分析、小波分析等各种数据分析方法研究风功率数据特点，根据分析的结果，选择遗传算法、神经网络、支持向量机三种智能算法，建立组合预测模型。

2.根据权利要求1所述的风电功率预测的方法，其特征是：利用SAS统计软件提供的多种数据处理方法对历史数据进行聚类分析、统计性、相关性分析以挖掘出数据隐含的自然规律，并利用分析的结果合理确定预测模型的输入变量、训练样本、测试样本。

3.根据权利要求1所述的风电功率预测的方法，其特征是：将遗传算法、神经网络、支持向量机相互组合建立预测模型，首先利用遗传算法卓越的优化能力优化网络结构和支持向量机的参数分别建立遗传神经网络和遗传支持向量机回归子预测模型，然后利用误差中的信息熵对两种子模型进行加权，构成优化组合预测模型，从而充分发挥神经网络强大的非线性映射能力和支持向量机的收敛速度快和泛化能力好的优点，提高预测精度。

4.根据权利要求1所述的风电功率预测的方法，其特征是：利用功能强大的Matlab仿真软件编制组合预测模型仿真程序，采用实际的风电场数据进行仿真，对预测误差进行评价检验模型的有效性和实用性，同时利用检验结果反馈机制优化预测模型。