CN105184391B - 基于小波分解和支持向量机的风电场风速与功率预测方法 - Google Patents
基于小波分解和支持向量机的风电场风速与功率预测方法 Download PDFInfo
- Publication number
- CN105184391B CN105184391B CN201510510342.2A CN201510510342A CN105184391B CN 105184391 B CN105184391 B CN 105184391B CN 201510510342 A CN201510510342 A CN 201510510342A CN 105184391 B CN105184391 B CN 105184391B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- training sample
- prediction
- support vector
- 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.)
- Active
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 63
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 31
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000001537 neural effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 43
- 238000005096 rolling process Methods 0.000 claims description 33
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000001373 regressive effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101150057677 DAD3 gene Proteins 0.000 description 1
- 102100034004 Gamma-adducin Human genes 0.000 description 1
- 101000799011 Homo sapiens Gamma-adducin Proteins 0.000 description 1
- 101000617536 Homo sapiens Presenilin-1 Proteins 0.000 description 1
- 101001080624 Homo sapiens Proline/serine-rich coiled-coil protein 1 Proteins 0.000 description 1
- 101000652482 Homo sapiens TBC1 domain family member 8 Proteins 0.000 description 1
- 101000652684 Homo sapiens Transcriptional adapter 3 Proteins 0.000 description 1
- 102100027427 Proline/serine-rich coiled-coil protein 1 Human genes 0.000 description 1
- 102100030836 Transcriptional adapter 3 Human genes 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000036552 dowling-degos disease 3 Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于小波分解和支持向量机的风电场风速与功率预测方法，包括：采集整个风电场预设时间内的风速和功率历史数据，得到风电场的历史风速时间序列和历史功率时间序列；利用小波包分解技术对历史风速时间序列进行小波包分解，得到历史风速时间序列的低频段、中频段和高频段分量；利用灰色支持向量机预测模型对历史风速时间序列各分量进行预测，然后利用小波包重构得到短期风速预测数据；利用历史风电功率数据和数值天气预报风速数据作为训练集建立灰色支持向量机模型，进行风电功率的一次预测；对得到的风速预测数据、风电功率预测数据，通过RBF神经网络进行预测，得到风电功率最终预测值。预测准确率更高。
Description
技术领域
本发明涉及新能源发电技术领域，具体涉及一种基于小波分解和支持向量机的风电场风速与功率预测方法。
背景技术
可再生能源特别是风能的开发利用已得到世界各国的高度重视。风力发电是目前技术最成熟、最具规模化发展前景的可再生能源。由于风力发电具有很强的随机性，导致风电场功率预测准确率还达不到令人满意的程度，风力发电的预测系统的开发相对较少，缺乏成熟的实践经验。
目前的风电场风速或发电功率预测的研究和应用，从预测周期上又可以分为短期风电功率预测和超短期风电功率预测。根据相关标准，短期风电功率预测是自预测时刻起未来24小时的预测预报，时间分辨率为15分钟。现有的风电功率预测多利用单一模型或者多种模型简单组合，对风电序列进行预测，模型之间配合不佳，预测步骤复杂重复。而且，现有的风电功率预测多是先进行风速预测，然后通过公式推导得到风功率预测，忽略了风功率预测的众多影响因素，降低了风功率预测的准确性。
发明内容
本发明为了解决上述问题，提出了一种基于小波分解和支持向量机的风电场风速与功率预测方法，该方法针对风电场风速序列包含多频段随机量的特点，利用小波包技术分解成不同频率的序列，分别利用灰色支持向量机模型进行建模预测后进行小波重构；针对风电功率序列的波动特点利用灰色支持向量机模型进行风电功率一次预测；利用得到的风速和风电功率预测数据，通过RBF神经网络二次预测模型得到最终风电场功率预测值。
为了实现上述目的，本发明采用如下技术方案：
一种基于小波分解和支持向量机的风电场风速与功率预测方法，包括以下步骤：
(1)采集整个风电场预设时间内的风速、功率及数值天气预报风速数据；
(2)利用多小波包分解技术对历史风速时间序列进行小波包分解，得到历史风速时间序列的低频段分量、中频段分量和高频段分量；
(3)基于灰色支持向量机建立预测模型，对历史风速时间序列各分量分别进行风电场的短期风速滚动预测，然后利用小波包重构得到风速预测序列；
(4)利用历史风电场功率数据和数值天气预报风速数据作为训练集建立灰色支持向量机模型，对风电场功率进行一次预测；
(5)结合风速预测序列和风电功率一次预测数据组成训练集输入，实测风电功率数据作为训练集输出，建立并训练基于RBF神经网络的风电场功率二次预测模型，得到风电场功率预测序列。
所述步骤(2)中，利用多小波包分解技术对历史风速时间序列进行多层小波包分解，小波基采用DB4小波基，熵准则采用Shannon准则。
所述步骤(3)中，滚动预测即对历史数据进行实时更新，去除最旧的1个数据，添加最新预测出的1个数据，修改模型进行预测，具体方法如下：
设首次预测所利用的历史序列为x(0)(1),x(0)(2),...,x(0)(n)，则第i+1次滚动预测所利用的序列为x(0)(1+i),x(0)(2+i),...,x(0)(n),x(0)(n+1),...,x(0)(n+i)，其中x(0)(1+i),x(0)(2+i),...,x(0)(n)为历史数据，x(0)(n+1),...,x(0)(n+i)为前i次滚动预测得到的预测值，即x(0)(n+i)为第i次滚动预测得到的预测值。
所述步骤(2)中，滚动预测的滚动次数由实际预测要求确定，假设需要进行超前h小时的预测，数据精度为每m分钟一个数据点，则滚动预测次数为60*h/m。
所述步骤(3)中，基于灰色支持向量机的风速短期滚动预测中单步预测的具体过程包括：
步骤(3.1)：对于低频序列，取将前j个风速历史数据、灰色预测结果、第n点数值天气预报风速值和第n点风速数据实测值组成第n点训练样本，其中，第n点风速数据实测值为训练样本输出，其余为训练样本输入，对支持向量机进行训练，建立支持向量机模型，得到第n+1点的训练样本输入，根据模型预测得到风速预测数据；
步骤(3.2)：针对中频和高频序列，对第n点数据，对原始序列进行归一化处理后一次累加，生成累加序列，利用累加序列建立灰色模型，进行预测，将累加序列、灰色预测结果、第n点数值天气预报风速值和第n点的累加值组成第n点训练样本，得到预测点前n点的训练样本，组成训练样本集对支持向量机进行训练，建立支持向量机模型，得到第n+1点的训练样本输入，根据支持向量机模型预测得到第n+1点风速累加数据。
所述步骤(3.1)的具体方法包括：
步骤(3.1.1)：对第n点数据：利用其前j个数据v(0)(n-j),v(0)(n-j+1),...,v(0)(n-
1)建立灰色GM(1,1)模型进行预测得到将前j个风速历史数据、灰色预测结果第n点数值天气预报风速值vp(n)和第n点风速数据实测值v(n)组成第n点训练样
本，其中v(n)为训练样本输出，
其余为训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；
步骤(3.1.2)：利用步骤(3.1.1)得到的训练样本集对支持向量机进行训练，建立支持向量机模型；
步骤(3.1.3)：按照步骤(3.1.1)方法得到第n+1点的训练样本输入，并输入到步骤(3.1.2)得到的模型预测得到风速预测数据v(n+1)。
所述步骤(3.2)的具体方法包括：
步骤(3.2.1)：对第n点数据，原始序列V(0):V(0)＝(v(0)(n-j),v(0)(n-j+1),...,v(0)(n-1))归一化处理后再作一次累加，得到累加生成序列(1-AGO)记为：
V(1)＝{v(1)(n-j),v(1)(n-j+1),...,v(1)(n-1)}。其中，
利用(1-AGO)序列建立灰色GM(1,1)模型进行预测得到将(1-AGO)序列、灰色预测结果第n点数值天气预报风速值vp(n)和第n点的累加值(其中v(0)(n)为第n点数据实测值)组成第n点训练样本Vt＝{v(1)(n-j),v(1)(n-j+1),...,v(1)(n-1),vp(n),v(1)(n)}，其中v(1)(n)为训练样本输出，其余为训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；
步骤(3.2.2)：利用步骤(3.2.1)得到的训练样本集对支持向量机进行训练，建立支持向量机模型；
步骤(3.2.3)：按照步骤(3.2.1)方法得到第n+1点的训练样本输入，并输入到步骤(3.2.2)得到的模型预测得到第n+1点风速累加数据v(1)(n+1)；
步骤(3.2.4)：累减还原数据序列，进行”累减还原”，得到第n+1点风速的预测数据：
v(0)(n+1)＝v(1)(n+1)-v(1)(n)。
所述步骤(3)中进行风电场的短期风速滚动预测的具体过程包括：
步骤(3.3.1)：将历史风速时间序列的各频率分量分别建立灰色支持向量机模型进行训练；
步骤(3.3.2)：对训练后输出的数据进行小波重构，重构后得到未来m分钟的风速预测值W′m；
步骤(3.3.3)：针对风速时间序列W′m滚动预测i步，得到未来i*m/60小时的风速时间序列
步骤(4)中，基于灰色支持向量机的风电功率滚动预测的单步预测具体过程包括：
步骤(4.1)：对第n点数据，原始序列P(0):P(0)＝(p(0)(n-j),p(0)(n-j+1),...,p(0)(n-1))归一化处理后再作一次累加，得到累加生成序列(1-AGO)记为：
P(1)＝{p(1)(n-j),p(1)(n-j+1),...,p(1)(n-1)}，其中，
利用(1-AGO)序列建立灰色GM(1,1)模型进行预测得到将(1-AGO)序列、灰
色预测结果第n点数值天气预报风速值vp(n)和第n点的累加值(其中p(n)为第n点数据实测值)组成第n点训练样本，其中p(1)(n)为训练样本输
出，其余为训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；
步骤(4.2)：利用步骤(4.1)得到的训练样本集对支持向量机进行训练，建立支持向量机模型；
步骤(4.3)：按照步骤(4.1)方法得到第n+1点的训练样本输入，并输入到步骤(4.2)得到的模型预测得到第n+1点风电功率累加数据p(1)(n+1)；
步骤(4.4)：累减还原数据序列，进行”累减还原”，得到第n+1点风电功率的预测数据：
p(0)(n+1)＝p(1)(n+1)-p(1)(n)。
所述步骤(4)中，基于灰色支持向量机的风电功率滚动预测的具体过程包括：
步骤(4-1)：将历史风功率时间序列的分别建立灰色支持向量机模型进行训练；
步骤(4-2)：由单步预测得到未来m分钟的风电功率一次预测值P′m；
步骤(4-3)：滚动预测i步，得到未来i*m/60小时的风电功率滚动一次预测序列
所述步骤(5)中：对历史数据执行步骤(3)和步骤(4)得到的风速预测数据和风电功率一次预测数据，与对应点的风电场功率实测值共同组成训练样本集。
所述步骤(2)到(4)中：支持向量机或最小二乘支持向量机，均为以径向基函数为核函数的最小二乘支持向量机，并利用遗传算法等优化算法进行参数寻优。
所述步骤(5)中RBF神经网络模型是具有输入层、隐含层和输出层的三层前馈网络，其中，输入层由一些感知单元组成，它们将网络与外界环境连接起来；隐含层是由径向基神经元组成，它的作用是从输入空间到隐空间之间进行非线性变换；输出层是由线性神经元组成，它为作用于输入层的激活模式提供响应。网络拓扑采用三层结构2×6×1。
本发明的有益效果为：
(1)该发明提出利用小波包分解技术，将波动较大的风速序列分解成不同频率的序列，得到特征更加明显的各频率分量，采用灰色支持向量机分别建模预测的准确率更高。
(2)该发明提出使用灰色支持向量机对风速各频率分量进行预测，将灰色理论适合处理波动较大数据序列的优点引入到了支持向量机模型中，同时克服了支持向量机在数据波动较大是支持向量的选择困难问题，并保留了支持向量机处理小样本问题时的高精度优点。
(3)该发明提出用历史风速预测和功率预测数据经过RBF神经网络建模来完成最终的风电场功率预测，降低了通过风速预测公式推导得到风功率预测方法带来的误差，提高了风功率预测的准确性。
附图说明
图1为风电场多时间尺度发电功率预测方法流程图；
图2为风速时间序列的小波分解图；
图3为传统的基于支持向量机的风电场风速短期预测曲线图；
图4为基于小波分解和灰色支持向量机的风速短期预测曲线图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
实施例1：对山东润海风电场进行基于小波分解和灰色支持向量机的风电场风速及功率短期预测为例，如图1所示，包括以下步骤：
步骤(1)：采集整个风电场连续150天的风速和功率历史数据，采样时间间隔为15分钟，剔除其中不合理数据，得到历史风速时间序列W0＝{w(t-n),w(t-n+1),w(t-n+2),…,w(t)}以及历史功率时间序列P0＝{p(t-n),p(t-n+1),p(t-n+2),…,p(t)}，n＝14400；取前140天的时间序列作为历史数据，取后10天的时间序列作为测试数据；
步骤(2)：利用多小波包分解技术分别对历史风速时间序列进行小波包分解，得到历史风速时间序列的低频段分量、中频段分量和高频段分量；
利用多小波包分解技术对历史风速时间序列进行三层小波包分解，小波基采用DB4小波基，熵准则采用Shannon准则。得到历史风速时间序列的1层低频段分量AAA3；3层中频段分量DAA3、ADA3、DDA3；4层高频段分量AAD3、DAD3、ADD3、DDD3。风速时间序列的小波分解如图2所示。
步骤(3)：利用1个灰色支持向量机模型(GSVM1)模型分别对历史风速时间序列的低频段分量进行短期24小时的滚动预测，并进行小波重构；利用7个灰色支持向量机模型(GSVM2～GSVM8)对中频段分量和高频段分量进行短期24小时的滚动预测，并进行小波重构；
步骤(4)：利用1个灰色支持向量机模型(GSVM9)模型对风电功率时间序列P进行短期24小时的滚动预测；
步骤(5)：对历史数据重复步骤(3)和步骤(4)得到历史风速和功率的预测数据序列Wh和Ph,与历史实测功率数据P作为训练集建立RBF神经网络预测模型，得到风电场功率最终预测数据；
所述步骤(3)中进行短期24小时风电场的风速滚动预测的具体过程包括：
步骤(3.1)：将历史风速时间序列的低频段分量及预测时刻的数值天气预报风速值分别输入3个灰色支持向量机模型(GSVM1～GSVM3)模型进行训练；将历史风速时间序列的中、高频段分量及预测时刻的数值天气预报风速值分别输入6个灰色支持向量机模型(GSVM4～GSVM9)模型进行训练；
步骤(3.2)：利用9个灰色支持向量机模型(GSVM1～GSVM9)进行预测输出数据通过小波重构后得到未来15min的风速预测值W′15min；
步骤(3.3)：针对风速时间序列W′15min重复滚动预测96步，即重复步骤(3.1.1)和步骤(3.1.2)，每次重复剔除到最旧的一个数据点，添加最新预测出的一个数据点，更新数值天气预报值后，进行滚动预测，得到未来24小时时刻风速时间序列W′24h
其中，为短期风速时间序列滚动预测值；
所述步骤(4)中进行基于灰色支持向量机的风电场短期功率滚动预测的具体过程包括：
步骤(4.1)：将历史功率时间序列及预测时刻的数值天气预报风速值输入灰色支持向量机模型(GSVM10)模型进行训练；
步骤(4.2)：利用灰色支持向量机模型(GSVM10)进行预测输出数据得到未来15min的功率预测值P′15min；
步骤(4.3)：针对功率时间序列P′15min重复滚动预测96步，即重复步骤(4.1)和步骤(4.2)，每次重复剔除到最旧的一个数据点，添加最新预测出的一个数据点，更新数值天气预报值后，进行滚动预测，得到未来24小时时刻风速时间序列P′24h
其中，为短期风速时间序列滚动预测值；
所述步骤(5)中对历史数据重复步骤(3)和步骤(4)为：对预测点之前的历史数据进单步预测，得到预测点之前30天共2880点的风速及功率预测序列Wh和Ph。Wh和Ph与这30天的实际功率序列P做为训练样本集，对RBF神经网络预测模型进行训练。再利用步骤(3)和步骤(4)得到的未来24h的风速预测序列、风电功率一次预测序列输入训练好的RBF神经网络预测模型，得到最终风电场功率预测值；
将步骤(3)和(5)中得到的24小时风电场的风速数据和风电功率最终预测数据上传至电力调控中心，用于为调度提供数据支撑。
所述支持向量机或最小二乘支持向量机，均为以径向基函数为核函数的支持向量机，并利用遗传算法等优化算法进行参数寻优。
所述RBF神经网络模型是具有输入层、隐含层和输出层的三层前馈网络，其中，输入层由一些感知单元组成，它们将网络与外界环境连接起来；隐含层是由径向基神经元组成，它的作用是从输入空间到隐空间之间进行非线性变换；输出层是由线性神经元组成，它为作用于输入层的激活模式提供响应。网络拓扑采用三层结构2×6×1。
相比传统方法，基于灰色支持向量机的风电场风速与功率短期预测方法准确度显著提高，短期超前24小时预测误差如下：
表格1风速预测误差对比
| 方法 | 时间序列 | 灰色预测 | 支持向量机 | 灰色支持向量机 |
| MAE | 20.62％ | 17.96％ | 17.37％ | 14.36％ |
| RMSE | 22.86％ | 19.53％ | 19.08％ | 16.52％ |
表格2风电功率预测误差对比
| 方法 | 时间序列 | 灰色预测 | 支持向量机 | 灰色支持向量机 |
| MAE | 19.59％ | 17.86％ | 17.23％ | 13.11％ |
| RMSE | 21.67％ | 19.89％ | 19.16％ | 15.32％ |
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：包括以下步骤：
(1)采集整个风电场预设时间内的风速、功率及数值天气预报风速数据；
(2)利用多小波包分解技术对历史风速时间序列进行小波包分解，得到历史风速时间序列的低频段分量、中频段分量和高频段分量；
(3)基于灰色支持向量机建立预测模型，对历史风速时间序列各分量分别进行风电场的短期风速滚动预测，然后利用小波包重构得到风速预测序列；
(4)利用历史风电场功率数据和数值天气预报风速数据作为训练集建立灰色支持向量机模型，对风电场功率进行一次预测；
(5)结合风速预测序列和风电功率一次预测数据组成训练集输入，实测风电功率数据作为训练集输出，建立并训练基于RBF神经网络的风电场功率二次预测模型，得到风电场功率预测序列；
所述步骤(4)中，基于灰色支持向量机的风电功率滚动预测的单步预测具体过程包括：
步骤(4.1)：对第n点数据，原始序列P(0):P(0)＝(p(0)(n-j),p(0)(n-j+1),...,p(0)(n-1))归一化处理后再作一次累加，得到累加生成序列1-AGO记为：
P(1)＝{p(1)(n-j),p(1)(n-j+1),...,p(1)(n-1)}，其中，
利用1-AGO序列建立灰色GM(1,1)模型进行预测得到将1-AGO序列、灰色预测结果第n点数值天气预报风速值vp(n)和第n点的累加值其中p(0)(n)为第n点数据实测值，组成第n点训练样本其中p(1)(n)为训练样本输出，其余为训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；
步骤(4.2)：利用步骤(4.1)得到的训练样本集对支持向量机进行训练，建立支持向量机模型；
步骤(4.3)：按照步骤(4.1)方法得到第n+1点的训练样本输入，并输入到步骤(4.2)得到的模型预测得到第n+1点风电功率累加数据p(1)(n+1)；
步骤(4.4)：累减还原数据序列，进行”累减还原”，得到第n+1点风电功率的预测数据：
p(0)(n+1)＝p(1)(n+1)-p(1)(n)。
2.如权利要求1所述的一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：所述步骤(2)中，利用多小波包分解技术对历史风速时间序列进行多层小波包分解，小波基采用DB4小波基，熵准则采用Shannon准则。
3.如权利要求1所述的一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：所述步骤(3)中，滚动预测即对历史数据进行实时更新，去除最旧的1个数据，添加最新预测出的1个数据，修改模型进行预测，具体方法如下：
设首次预测所利用的历史序列为x(0)(1),x(0)(2),...,x(0)(n)，则第i+1次滚动预测所利用的序列为x(0)(1+i),x(0)(2+i),...,x(0)(n),x(0)(n+1),...,x(0)(n+i)，其中x(0)(1+i),x(0)(2+i),...,x(0)(n)为历史数据，x(0)(n+1),...,x(0)(n+i)为前i次滚动预测得到的预测值，即x(0)(n+i)为第i次滚动预测得到的预测值。
4.如权利要求1所述的一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：所述步骤(3)中，基于灰色支持向量机的风速短期滚动预测中单步预测的具体过程包括：
步骤(3.1)：对于低频序列，将前j个风速历史数据、灰色预测结果、第n点数值天气预报风速值和第n点风速数据实测值组成第n点训练样本，其中，第n点风速数据实测值为训练样本输出，其余为训练样本输入，对支持向量机进行训练，建立支持向量机模型，得到第n+1点的训练样本输入，根据模型预测得到风速预测数据；
步骤(3.2)：针对中频和高频序列，对第n点数据，对原始序列进行归一化处理后一次累加，生成累加序列，利用累加序列建立灰色模型，进行预测，将累加序列、灰色预测结果、第n点数值天气预报风速值和第n点的累加值组成第n点训练样本，得到预测点前n点的训练样本，组成训练样本集对支持向量机进行训练，建立支持向量机模型，得到第n+1点的训练样本输入，根据支持向量机模型预测得到第n+1点风速累加数据。
5.如权利要求4所述的一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：所述步骤(3.1)的具体方法包括：
步骤(3.1.1)：对第n点数据：利用其前j个数据v(0)(n-j),v(0)(n-j+1),...,v(0)(n-1)建立灰色GM(1,1)模型进行预测得到将前j个风速历史数据、灰色预测结果第n点数值天气预报风速值vp(n)和第n点风速数据实测值v(n)组成第n点训练样本其中v(n)为训练样本输出，其余为训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；
步骤(3.1.2)：利用步骤(3.1.1)得到的训练样本集对支持向量机进行训练，建立支持向量机模型；
步骤(3.1.3)：按照步骤(3.1.1)方法得到第n+1点的训练样本输入，并输入到步骤(3.1.2)得到的模型预测得到风速预测数据v(n+1)。
6.如权利要求4所述的一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：所述步骤(3.2)的具体方法包括：
步骤(3.2.1)：对第n点数据，原始序列V(0):V(0)＝(v(0)(n-j),v(0)(n-j+1),...,v(0)(n-1))归一化处理后再作一次累加，得到累加生成序列1-AGO记为：
V(1)＝{v(1)(n-j),v(1)(n-j+1),...,v(1)(n-1)}，其中，
利用1-AGO序列建立灰色GM(1,1)模型进行预测得到将1-AGO序列、灰色预测结果第n点数值天气预报风速值vp(n)和第n点的累加值其中v(0)(n)为第n点数据实测值，组成第n点训练样本Vt＝{v(1)(n-j),v(1)(n-j+1),...,v(1)(n-1),vp(n),v(1)(n)}，其中v(1)(n)为训练样本输出，其余为训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；
步骤(3.2.2)：利用步骤(3.2.1)得到的训练样本集对支持向量机进行训练，建立支持向量机模型；
步骤(3.2.3)：按照步骤(3.2.1)方法得到第n+1点的训练样本输入，并输入到步骤(3.2.2)得到的模型预测得到第n+1点风速累加数据v(1)(n+1)；
步骤(3.2.4)：累减还原数据序列，进行”累减还原”，得到第n+1点风速的预测数据：
v(0)(n+1)＝v(1)(n+1)-v(1)(n)。
7.如权利要求1所述的一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：所述步骤(3)中进行风电场的短期风速滚动预测的具体过程包括：
步骤(3.3.1)：将历史风速时间序列的各频率分量分别建立灰色支持向量机模型进行训练；
步骤(3.3.2)：对训练后输出的数据进行小波重构，重构后得到未来m分钟的风速时间序列W′m；
步骤(3.3.3)：针对风速时间序列W′m滚动预测i步，得到未来i*m/60小时的风速时间序列其中h表示超前预测h小时。
8.如权利要求1所述的一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：所述步骤(4)中，基于灰色支持向量机的风电功率滚动预测的具体过程包括：
步骤(4-1)：将历史风功率时间序列的分别建立灰色支持向量机模型进行训练；
步骤(4-2)：由单步预测得到未来m分钟的风电功率一次预测值P′m；
步骤(4-3)：滚动预测i步，得到未来i*m/60小时的风电功率滚动一次预测序列其中h表示超前预测h小时。
9.如权利要求1所述的一种基于小波分解和支持向量机的风电场风速与功率预测方法，其特征是：所述步骤(5)中：对历史数据执行步骤(3)和步骤(4)得到的风速预测数据和风电功率一次预测数据，与对应点的风电场功率实测值共同组成训练样本集；
所述步骤(2)到(4)中：支持向量机，均为以径向基函数为核函数的最小二乘支持向量机，并利用遗传算法优化算法进行参数寻优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510510342.2A CN105184391B (zh) | 2015-08-19 | 2015-08-19 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510510342.2A CN105184391B (zh) | 2015-08-19 | 2015-08-19 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105184391A CN105184391A (zh) | 2015-12-23 |
| CN105184391B true CN105184391B (zh) | 2019-03-01 |
Family
ID=54906454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510510342.2A Active CN105184391B (zh) | 2015-08-19 | 2015-08-19 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105184391B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930941B (zh) * | 2016-05-19 | 2019-10-18 | 华南理工大学 | 一种适用于风电场多变量输入的风能间接预测方法 |
| CN106447086B (zh) * | 2016-09-07 | 2019-09-24 | 中国农业大学 | 一种基于风电场数据预处理的风电功率组合预测方法 |
| CN106772695B (zh) * | 2016-11-14 | 2017-08-18 | 中南大学 | 一种融合多测风站实测数据的铁路沿线风速预测方法 |
| CN107103411A (zh) * | 2017-04-08 | 2017-08-29 | 东北电力大学 | 基于改进马尔科夫链的模拟风电功率时间序列生成方法 |
| CN107038502A (zh) * | 2017-04-18 | 2017-08-11 | 国网安徽省电力公司芜湖供电公司 | 考虑季节特性的改进小波包用电量预测方法 |
| CN107316101A (zh) * | 2017-06-02 | 2017-11-03 | 西南交通大学 | 一种基于小波分解和分量超前选择的风速预测方法 |
| CN107527057B (zh) * | 2017-09-07 | 2020-03-31 | 国能日新科技股份有限公司 | 一种风速功率异常数据剔除方法及装置 |
| CN107798434A (zh) * | 2017-11-08 | 2018-03-13 | 南京因泰莱电器股份有限公司 | 一种基于树回归的二次优化光伏发电功率预测值的实现方法 |
| CN108460501B (zh) * | 2018-05-10 | 2021-09-14 | 湖北工业大学 | 一种基于组合模型的风力电站输出功率预测方法 |
| CN109034469A (zh) * | 2018-07-20 | 2018-12-18 | 成都中科大旗软件有限公司 | 一种基于机器学习的游客流量预测方法 |
| CN109167387A (zh) * | 2018-09-14 | 2019-01-08 | 大唐新疆清洁能源有限公司 | 风场风电功率预测方法 |
| CN109615142A (zh) * | 2018-12-18 | 2019-04-12 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于小波分析的风电场风速组合预测方法 |
| CN109726802B (zh) * | 2018-12-29 | 2020-11-20 | 中南大学 | 一种铁路和风电场环境风速机器学习预测方法 |
| CN109858783B (zh) * | 2019-01-16 | 2021-04-09 | 国能日新科技股份有限公司 | 风电场电力交易辅助决策支持系统及辅助决策支持方法 |
| CN109886488B (zh) * | 2019-02-21 | 2022-10-18 | 南方电网科学研究院有限责任公司 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
| CN112072691A (zh) * | 2019-06-10 | 2020-12-11 | 上海电机学院 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
| CN112907267A (zh) * | 2019-12-03 | 2021-06-04 | 顺丰科技有限公司 | 货物件量预测方法、装置、计算机设备和存储介质 |
| CN111240282B (zh) * | 2019-12-31 | 2021-12-24 | 联想(北京)有限公司 | 一种工艺优化方法、装置、设备及计算机可读存储介质 |
| CN112200346B (zh) * | 2020-09-07 | 2024-03-26 | 中国农业大学 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
| CN112348255B (zh) * | 2020-11-06 | 2024-04-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112613674B (zh) * | 2020-12-29 | 2024-03-08 | 国能日新科技股份有限公司 | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
| CN112865204B (zh) * | 2021-01-25 | 2023-04-07 | 国网新疆电力有限公司 | 风电场频率支撑能力估计方法、装置和计算机设备 |
| CN113469467B (zh) * | 2021-09-02 | 2021-11-30 | 国能日新科技股份有限公司 | 基于带通滤波的风电超短期预测方法及装置 |
-
2015
- 2015-08-19 CN CN201510510342.2A patent/CN105184391B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| RBF-NN与RBF-SVM组合的风电功率预测研究;赵世磊等;《青岛大学学报》;20150331;第30卷(第1期);第49-57页 |
| 基于小波分解与支持向量机的风速预测模型;张华等;《水力发电学报》;20120228;第31卷(第1期);第208-212页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105184391A (zh) | 2015-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105184391B (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
| Yang et al. | A hybrid forecasting approach applied in wind speed forecasting based on a data processing strategy and an optimized artificial intelligence algorithm | |
| Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
| De Giorgi et al. | Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods | |
| Zhao et al. | Performance evaluation and accuracy enhancement of a day-ahead wind power forecasting system in China | |
| CN103279804B (zh) | 超短期风电功率的预测方法 | |
| Jain et al. | Analytical study of Wind power prediction system by using Feed Forward Neural Network | |
| CN107563565B (zh) | 一种考虑气象因素变化的短期光伏分解预测方法 | |
| CN107704953A (zh) | Ewt分位数回归森林的短期风电功率概率密度预测方法 | |
| CN104992248A (zh) | 一种微电网光伏电站发电量组合预测方法 | |
| CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
| CN102102626A (zh) | 风电场短期功率预测方法 | |
| CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
| CN106846173A (zh) | 基于ewt‑esn的短期风电功率预测方法 | |
| CN103400210A (zh) | 一种短期风速组合预测方法 | |
| CN107766968A (zh) | 基于capso‑rvm组合模型的短期风速预测方法 | |
| Kang et al. | Short-term wind speed prediction using EEMD-LSSVM model | |
| CN107301475A (zh) | 基于连续功率谱分析的电力负荷预测优化方法 | |
| Zhang et al. | Wind Speed Prediction with Wavelet Time Series Based on Lorenz Disturbance. | |
| CN107909209A (zh) | 完备总体经验模态分解和深度信念网络的风速预测方法 | |
| CN105608271A (zh) | 一种基于分解与优化的短期风速时序预测方法 | |
| CN105956252A (zh) | 基于生成型深信度网络的超短期风速多尺度预报建模方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| Li et al. | Wind power probabilistic forecasting based on wind correction using weather research and forecasting model | |
| Shi et al. | Wind speed forecasting based on grey predictor and genetic neural network models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |