[发明专利]一种基于灰色模型和支持向量机的短期风电功率预测方法

权利要求书

1.一种基于灰色模型和支持向量机的短期风电功率预测方法，其特征在于：包括以下步骤：步骤一：获取风向量和气象影响因素之间的关系；所述的风向量包括风速和风向，所述的气象影响因素为温度、空气湿度和地表气压；

从风电场获取风电功率历史数据，从天气预报系统中获取气象历史数据，所述的气象历史数据包括气象影响因素历史数据和风向量历史数据；

运用灰色关联性分析气象影响因素历史数据和风向量历史数据，并计算出不同季节不同时刻的风向量和气象影响因素之间的相关系数；

步骤二：运用采用LSSVM方法对短期内的风向量进行估计；以实时的风向量、实时的气象影响因素、步骤一获取的相关系数所组成的关联矩阵为输入参量，得到预测风向量信息；

步骤三：采用改进的灰色模型对短期风电功率进行预测；采用改进的粒子群算法对改进灰色预测模型的背景值进一步优化；采用步骤二中预测到的风速、风向作为输入变量，输出初始短期风电预测功率；

步骤四：采用傅里叶残差序列对初始短期风电预测功率的误差进行补偿，得到最终的短期风电预测功率。

2.根据权利要求1所述的基于灰色模型和支持向量机的短期风电功率预测方法，其特征在于：所述的步骤一包括以下步骤：

步骤1.1：将气象影响因素历史数据和风向量历史数据转换为无量纲单位；设定X₀＝{x₀(1),x₀(2),…x₀(k)…x₀(n)}表示预测风向量历史数据的序列，即表示预测的风速和风向的序列；X_i＝{x_i(1),x_i(2),…x_i(k)…,x_i(n)}表示气象影响因素历史数据的序列，即表示温度历史数据的序列、空气湿度历史数据的序列、地表气压历史数据的序列；其中i∈{1,2,…,D}，D表示气象历史数据的采集次数；k∈{1,2,…,n},X₀和X_i初值不等但序列长度相同；

利用公式(1)获取第i组气象影响因素历史数据无量纲历史数据r_i(k)，

利用公式(2)获取预测风向量历史数据r₀(k)，

步骤1.2：利用灰色关联性公式(3)获取预测风向量和第i组(i∈{1,2,···,D})气象历史数据的关联性系数γ_i(k)；

其中，ρ表示接近因子；

步骤1.3：采用加权的方法确定风向量历史数据和气象影响因素历史数据之间的相关性r(k)；

r(k)＝ω_k,1r₁(k)+ω_k,2r₂(k)+…+ω_k,ir_i(k)+…+ω_k,Dr_D(k)＝γ₁(k)r₁(k)+γ₂(k)r₂(k)+…+γ_i(k)r_i(k)+…+γ_D(k)r_D(k) (4)；

其中，ω_k,i0表示风向量历史数据和第i组气象影响因素历史数据之间的关联性系数；

步骤1.4：利用公式(4)获取预测风向量和气象影响因素之间的关联性矩阵W：

3.根据权利要求2所述的基于灰色模型和支持向量机的短期风电功率预测方法，其特征在于：所述的步骤二包括以下步骤：

将风向量历史数据、气象影响因素历史数据、关联性矩阵W、从天气预报系统得到的第M点实时气象影响因素数据、第M点实时风向量数据组成第M点训练样本，其中，第M点预测风向量数据为训练样本输出，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M+1点的训练样本输入，根据模型预测得到第M+1点预测风向量数据，即得到预测风向量信息。