[发明专利]风电功率短期预测方法

说明书

技术领域

本发明涉及一种风电功率预测方法，具体地，涉及一种风电功率短期预测方法。

背景技术

随着风力发电机组单机容量的提高和自动化技术的发展，风力发电系统也从原来的用户分布式能源向集中式大规模风电场发展。风电在电网中比例不断增大，大量并网的风电对电力系统的调度运行和安全稳定带来了严峻挑战。有效的风电功率预测可以减少电力系统备用容量、降低系统运行成本、减轻风力发电对电网造成的不利影响、提高风电在电力系统中的比例，因此对风电功率进行预测具有十分重要意义。

目前风功率预测有物理方法和统计方法。物理方法主要考虑的是一些物理量，比如数值天气预报得到的天气数据(风速、风向、气压等)，风电场周围的信息(等高线、粗糙度、障碍物等)以及风电机组的技术参数(轮毅高、穿透系数等)。其目的是找到风电机组轮毅高度出的风速最优估计值，然后用模型输出统计模块减小存在的误差，最后根据风电场的功率曲线计算得到风电场的输出功率。由于天气预报每天只更新几次，因此这种方法通常适用于相对较长期的预测。

统计预测方法一般需要大量的历史数据进行建模，统计方法对于提前几小时的风电功率预测结果是可以满足精度要求的，但对于提前更长时间的预测结果,精度是不够的。目前常用的统计学预测方法有卡尔曼滤波法、时间序列法、人工神经网络法、支持向量机法、灰色模型、小波分析等。这些方法随着风电技术的深入暴露了难以克服的缺陷，如预测精度差，收敛速度慢，有局限性等缺点。

发明内容

本发明的目的就在于克服上述现有技术的缺点和不足，提供一种预测精度高、收敛速度快、计算简单的风电功率短期预测方法。

本发明解决上述问题所采用的技术方案是：

风电功率短期预测方法，以风速作为输入，采用最小二乘支持向量机的回归模型对风电场的输出功率进行预测，最小二乘支持向量机的回归模型参数采用混沌粒子群算法进行优化。

作为本发明的进一步改进，所述的以风速作为输入，采用最小二乘支持向量机的回归模型对风电场的输出功率进行预测，最小二乘支持向量机的回归模型参数采用混沌粒子群算法进行优化具体包括以下步骤：

步骤1：获取数据，并对数据进行归一化处理后作为训练样本；

步骤2：初始化最小二乘支持向量机和混沌粒子群算法的参数；

步骤3：以回归误差平方和最小为目标函数，采用混沌粒子群算法对最小二乘支持向量机的回归模型参数进行优化；

步骤4：将优化的参数代回最小二乘支持向量机的回归模型中，重新进行训练；

步骤5：使用训练好最小二乘支持向量机的回归模型对风电场的输出功率进行预测。

进一步，所述最小二乘支持向量机的回归模型构建方法包括以下步骤：

采用一个训练样本集(x_i,y_i)，i＝1,2，...，l，x_i是风速，y_i是风电输出功率的实测值，l是训练样本集中数据点集的总数，利用一个非线性映射将样本空间映射到特征空间，并在高维空间中构造最优决策函数：

利用结构风险最小化原则，最小二乘支持向量机的优化目标可表示为：

其中：w为权值向量，||w||²是模型的复杂度；C为边际系数，控制对误差的惩罚程度；ξ_i是误差向量；b是偏差量；

利用拉格朗日法求解式(2)，可得：

式中：α_i(i＝1,2,…,l)为拉格朗日乘子；

由KKT(Krush-Kuhn-Tucker)条件可知：

通过核函数将(4)转化为线性方程进行求解，选用在回归预测中效果较好的径向基核函数，定义核函数为转化后的线性方程组为：