[发明专利]基于支持向量机的超短期风电功率组合预测方法

说明书

本发明公开的基于支持向量机的超短期风电功率组合预测方法，首先，对待处理的风电功率历史数据根据相邻时间段的数据进行线性插值替换，将预处理后的数据进行归一化；其次，利用经验模态分解将处理过的风电功率数据分解成本征函数序列和残差序列；然后，对分解得到的本征函数序列和残差序列建立量子粒子群‑支持向量机模型进行训练优化，得到每个序列的预测值；最后，将每个序列的预测值叠加得到最终的风电功率预测值，并进行误差评价分析。本发明的预测结果与支持向量机直接预测或者不进行数据特征分解结果相比都有所提高，同时没有出现局部误差过大的情况。与现有的风电功率预测方案相比鲁棒性更强、计算速度更快、数据需求少、预测效果更好。

技术领域

本发明属于风电功率预测技术领域，涉及一种基于支持向量机的超短期风电功率组合预测方法。

背景技术

随着能源逐渐枯竭和环境污染严重等问题的出现，风力发电接入电网的规模越来越大。但风能具有间歇性、随机性且易受风速、风向、地理位置和气象等诸多因素的影响。当并网规模达到一定程度时，将可能会给电力系统带来一系列的问题，如电压扰动、三相不平衡、优化调度、甚至造成安全事故等。再加上突发因素(台风、雷电天气等)的影响，使得风电功率预测精度一直未能满足大规模并网的需求，限制了可再生能源的充分利用与消纳。因此，对风电功率预测进行精确预测具有非常重要的理论意义与工程应用价值。

为此，各国学者纷纷提出了许多风电功率预测算法，主要包括基于统计模型的预测算法、基于物理模型的预测算法以及组合模型预测算法。基于统计模型的预测算法常见的有灰色预测法、卡尔曼滤波法、人工神经网络、支持向量机等。其中，灰色预测法只能拟合线性离散序列，而往往大多数原始序列都是连续非线性的；卡尔曼滤波法只适用于噪声服从高斯分布的信号，所以不适合噪声非高斯分布的风电功率信号；人工神经网络具有很强的自适应与自组织特性，泛化性较强，能高效的处理复杂性问题，但存在易陷入局部最优和收敛速度慢等问题；支持向量机是当前比较流行的方法，具有全局收敛且不依赖于经验信息等优点，不过对大规模、多维的信号运算时间较慢。基于物理模型的预测算法主要指数值天气预报(NWP)，它需要十分精准的地表粗糙度、空气密度及风速等信息，输入参数多且造价高，国内很少使用该方法。组合算法主要分为数据处理后与智能算法的组合算法和几种智能算法加权组合算法两种。比如小波分解与和支持向量机的组合算法，小波分解对时间跨度大且小样本数据处理效果不好，同时合理选择小波基也比较困难；几种智能算法加权组合虽然精度提高了但是没考虑数据本身特征且人为因素比较多，不能满足风电功率高精度预测的需求。

发明内容

本发明的目的是提供一种基于支持向量机的超短期风电功率组合预测方法，解决了现有技术条件下风电功率预测模型精度不高，难以满足大规模并网要求的问题。

本发明所采用的技术方案是，基于支持向量机的超短期风电功率组合预测方法，具体操作过程包括如下步骤：

步骤1，数据预处理

对待处理的风电功率历史数据根据相邻时间段的数据进行线性插值替换；

步骤2，将预处理后的数据进行归一化；

步骤3，利用经验模态分解将经步骤2处理过的风电功率数据分解成本征函数序列和残差序列；

步骤4，对分解得到的本征函数序列和残差序列分别建立量子粒子群-支持向量机模型进行训练优化，得到每个序列的预测值；

步骤5，将每个序列的预测值叠加得到最终的风电功率预测值。

本发明的其他特点还在于，

步骤1中数据预处理过程中，对于缺损的数据间隔时间比较长，则使用相同时间段、类似气象条件及相邻几天的数据来取代；对于错误数据根据前/后5min的数据加权平均进行补充。

优选的，步骤2中数据归一化的过程如下：

采用公式(1)进行归一化处理：