[发明专利]一种提高SVM风速预测精度的反归一区间修正方法

说明书

技术领域

本发明属于风功率预测领域，特别涉及一种提高SVM风速预测精度的反归一区间修正方法。

背景技术

风能是一个非常重要和巨大的资源，它安全、清洁、充裕而且无限，能提供源源不绝、稳定的能源供应，而风电产业是世界上发展得最快的能源行业，它为全球经济开始向以可再生能源为基础的转型提供了最好的机会。随着全球能源危机的出现，世界各国均对可再生能源产生了浓厚的兴趣。风能是一种清洁的可再生能源，风力发电是风能利用的主要形式。随着风电的迅速发展，装机容量的持续增加，大规模风电接入电网，在提供清洁能源的同时，也会给电力系统的安全稳定运行带来严峻挑战。所以风速预测和发电量预报已成为风电行业研究热点和技术必需。

对风速和发电量进行预测，目的是便于电网合理调度，保证供电质量，为风电场参与竞价上网提供保证。如果能对风电场风速及发电机组发电量有较准确的短期和超短期预测，便可以根据风电出力变化规律增强系统的安全性、可靠性和可控性；根据风电场预测的出力曲线优化常规机组的出力，达到降低运行成本的目的，实现经济调度；在电力市场中，风电场对风电功率进行预测，参与电力市场竞价；电网公司对风电功率进行预测，保证系统安全经济运行；便于安排机组维护和检修，提高风电场容量系数。

SVM（support vector machine 支持向量机）是一种新型的机器学习方法，它通过非线性核函数，将输入样本空间映射到高维线性特征空间，具有处理非线性回归问题的能力。克服了人工神经网络训练时间长、泛化能力差、易陷入局部极小等缺点，已被广泛地应用于风速预测领域。但因SVM是基于历史数据的方法，对历史数据的依赖性较高，导致模型预测的精度不是很高。

SVM是建立在统计学习理论上的机器学习方法，具有很好地处理非线性回归问题的能力。在SVM风速预测中，为了提高SVM模型的精度，通常要使用数据归一化的方法，SVM模型预报出的风速为[0 1]的归一化数据，通过使用反规一区间进行数据反归一才得到预报的风速值。由于未来真实风速区间不可知，当用前一段时间风速的区间作为反规一区间进行预报风速的反归一，或者直接用数值天气预报（NWP）给出的未来风速区间作为反规一区间进行反归一，在多次建模预测之后，发现由于上述两种方法确定的反规一区间与未来预测时段的真实风速的实际区间差别较大，导致反归一后SVM预测模型输出的风速预测结果与真实风速存在较大的偏差，预测精度不高，达不到电网要求。

发明内容

本发明针对上述缺陷公开了一种提高SVM风速预测精度的反归一区间修正方法。

一种提高SVM风速预测精度的反归一区间修正方法包括以下步骤：

1）位于当前时刻之前的n个小时为前时间段，位于当前时刻之后的n个小时为后时间段，前时间段和后时间段构成了特定时间段；

在前时间段内，提取当前时刻的风速数据y，然后以当前时刻为起点，每隔m分钟提取风速数据，将该风速数据和风速数据y输入至SVM模型中，SVM模型的输出数据就是后时间段反归一之前的预测风速数据；n的取值范围为2至24，m的取值范围为1-15；

2）对步骤1）中前时间段提取的风速数据进行趋势分析，得到该时间段内风速数据的趋势线段，将该趋势线段记为第一趋势线段；

在后时间段内，以当前时刻为起点，每隔m分钟提取数值天气预报中的风速数据，对这些风速数据进行趋势分析，得到后时间段内数值天气预报中的风速数据的趋势线段，将该趋势线段记为第二趋势线段；

对第一趋势线段进行分类，将第一趋势线段的终点对应的风速减去第一趋势线段的起点对应的风速，得到风速变化差k；如果      k> k₀m/s，则第一趋势线段为升趋势线段；如果k<- k₀m/s，则第一趋势线段为降趋势线段；如果- k₀m/s≤k≤k₀m/s，则第一趋势线段为平趋势线段；k₀的取值范围为0.25-4；

对第二趋势线段进行分类，第二趋势线段的分类方法与第一趋势线段相同；