一種風電功率預測的方法技術

一種風電功率預測方法，選擇遺傳算法、神經網絡、支持向量機三種智能算法建立組合預測模型。首先采用遺傳算法分別對神經網絡和支持向量機進行優化，得到遺傳神經網絡和遺傳支持向量機兩種優化后的預測模型，然后利用誤差中的信息熵對兩種子模型進行加權，構成優化組合預測模型。對預測誤差進行統計分析，并將誤差信息反饋到組合預測模型，利用誤差信息優化遺傳神經網絡和遺傳支持向量機兩種子模型的加權系數進一步完善組合模型。本發明專利技術提供的方法能夠充分考慮外界影響因素并對多種預測方法進行綜合，通過權重的配置提高了風電功率的預測精度。

【技術實現步驟摘要】

本專利技術屬于電力系統預測與控制
，尤其涉及一種風電功率預測方法。
技術介紹
由于我國風電功率預測研究工作起步較晚，目前，主要是理論探索，預測系統大多處于探索和研究階段，但我國的風電場情況較復雜，需要因地制宜地開展風電功率預測工作，同時也需要對先進預測方法進行研究，以逐步提高預測精度。自然因素的不可控性，風電輸出功率的隨機性、間歇性和波動性都將會給風電并網的安全穩定運行帶來嚴峻的挑戰。短期風功率預測精度的提高，將有助于電力系統調度部門合理安排調度計劃，有效減輕風電對整個電網的影響。近年來出現了組合預測算法，將多個算法組合起來進行預測。組合模型結合多個算法的優點來優化預測模型，可以進一步提高預測精度。一般組合預測的方法，都是兩種算法組合在一起，并不能體現出多種算法組合的優勢。現有的預測方法在風電功率預測上精度不高而且不能充分考慮外界因素的影響。
技術實現思路
為了克服以上現有技術的問題，本專利技術提供一種風電功率預測方法，將遺傳算法、神經網絡、支持向量機進行組合，分別將遺傳算法有效地進行概率意義的全局搜索能力、神經網絡的自學習、自組織和自適應能力、支持向量機的有全局收斂以及樣本維數不敏感和不依賴于經驗信息的特點結合在一起。為解決上述技術問題本專利技術的技術方案是I)收集整理風電功率歷史數據，研究影響風電機組輸出風功率的主要因素，分析數據特點，對數據進行預處理。a)對收集的風電場數據要進行統計和審核，對其中的異常值的進行平穩化處理、對缺失的數據進行修補。b)風電機組受自然風力驅動，輸出風功率受風速、風向、溫度、濕度、氣壓等多種自然因素影響。風電場的風電機組受這些自然因素影響使得風功率數據隱含自然規律，同時也具有隨機性、間歇性、波動性等特點，充分利用這些特點對成功建立模型十分重要。c)利用SAS軟件來對風電場歷史數據進行聚類分析、相關性分析、統計分析等，研究歷史數據中隱含的數據特征。2)利用遺傳算法卓越的優化能力優化網絡結構建立遺傳神經網絡預測模型。3)首先利用遺傳算法優化支持向量機的參數遺傳支持向量機回歸預測模型。4)然后利用誤差中的信息熵對兩種子模型進行加權，構成優化組合預測模型。5)確定預測評價指標正確檢驗模型，利用檢驗結果形成反饋機制優化預測模型。采用均方根誤差、絕對平均誤差和相對誤差等作為預測誤差指標來評價預測模型。6)利用Matlab軟件編制組合預測模型仿真程序，采用實際的風電場歷史數據作為輸入進行仿真。根據仿真結果調整和完善預測模型，并對預測誤差進行統計。本專利技術的有益效果是，能夠充分考慮外界影響因素并對多種預測方法進行綜合，通過權重的配置提高了風電功率的預測精度，為電力系統改善風功率預測效果提供方法參考，有助于電力系統調度部門合理安排調度計劃，減少電網運行成本，保證電網安全穩定的運行。附圖說明圖I為總體思路及研究方案圖2為風電功率組合預測流程3為遺傳支持向量機法風電功率預測結果圖4為遺傳神經網絡法風電功率預測結果圖5為組合預測法風電功率預測結果具體實施例方式下面結合附圖對本專利技術進一步說明。圖I是本專利技術的總體思路及研究方案結構圖。首先研究了風電功率的影響因素，由于風電機組受自然風驅動，風電功率主要會受到風速、風向、氣壓、濕度、氣溫等因素的影響。然后收集原始數據，對原始風電功率數據進行分析處理，這里主要采用聚類分析、統計分析以及小波分析三種方法，對數據進行平穩化處理等。對數據進行分析處理之后，就可以開始建立預測模型。選擇遺傳算法、神經網絡、支持向量機三種智能算法。神經網絡具有很強的非線性映射能力，特別適合處理具有隨機性、非線性特點的風功率數據，但有易陷于局部最小值以及訓練時間長的缺點。支持向量機采用結構風險最小化準則，具有收斂速度快和泛化能力好的優點，當預測區間較長時仍然具有較高的準確度，但存在核參數難以確定的問題。而遺傳算法具有很強的尋優能力，于是本專利技術采用遺傳算法分別對神經網絡和支持向量機進行優化，得到遺傳神經網絡和遺傳支持向量機兩種優化后的預測模型。利用誤差中的信息熵對兩種子模型進行加權，構成優化組合預測模型，從而充分發揮神經網絡強大的非線性映射能力和支持向量機的收斂速度快和泛化能力好的優點，提高預測精度。將實際風功率數據分別作為組合預測模型和誤差分析模型的輸入，利用誤差分析模型檢驗組合預測模型的預測效果，對預測誤差進行統計分析，并將誤差信息反饋到組合預測模型，利用誤差信息優化遺傳神經網絡和遺傳支持向量機兩種子模型的加權系數進一步完善組合模型。圖2是風電功率組合預測流程圖，收集原始數據，其中包括風速、風向、溫度、濕度、氣壓等多種自然因素的數據，對這些數據進行分析和處理，利用SAS統計軟件提供的多種數據處理方法對歷史數據進行聚類分析、統計性、相關性分析以挖掘出數據隱含的自然規律，并利用分析的結果合理確定預測模型的輸入變量、訓練樣本、測試樣本。將遺傳算法、神經網絡、支持向量機相互組合建立預測模型，首先利用遺傳算法卓越的優化能力優化網絡結構和支持向量機的參數分別建立遺傳神經網絡和遺傳支持向量機回歸子預測模型，然后利用誤差中的信息熵對兩種子模型進行加權，構成優化組合預測模型。利用Matlab仿真軟件編制組合預測模型仿真程序，采用實際的風電場數據進行仿真，對預測誤差進行評價檢驗模型的有效性和實用性，同時利用檢驗結果反饋機制優化預測模型。圖3是遺傳支持向量機法風電功率預測結果與實際值的比較。圖4遺傳神經網絡風電功率預測結果。圖5為組合預測法風電功率預測結果。采用組合預測方法對風速預測進行了研究。根據某風電場風電功率的實際數據，其中給出了 2006年5月10日至2006年6月6日時間段內該風電場中PA風電機組進行驗證分析，結果表明本文提出的風電功率預測方法提高了預測的準確性，對接入風電場的電力系統運行調度有重要的實用價值。權利要求1.，其特征是充分利用聚類分析、統計分析、相關性分析、小波分析等各種數據分析方法研究風功率數據特點，根據分析的結果，選擇遺傳算法、神經網絡、支持向量機三種智能算法，建立組合預測模型。2.根據權利要求I所述的風電功率預測的方法，其特征是利用SAS統計軟件提供的多種數據處理方法對歷史數據進行聚類分析、統計性、相關性分析以挖掘出數據隱含的自然規律，并利用分析的結果合理確定預測模型的輸入變量、訓練樣本、測試樣本。3.根據權利要求I所述的風電功率預測的方法，其特征是將遺傳算法、神經網絡、支持向量機相互組合建立預測模型，首先利用遺傳算法卓越的優化能力優化網絡結構和支持向量機的參數分別建立遺傳神經網絡和遺傳支持向量機回歸子預測模型，然后利用誤差中的信息熵對兩種子模型進行加權，構成優化組合預測模型，從而充分發揮神經網絡強大的非線性映射能力和支持向量機的收斂速度快和泛化能力好的優點，提高預測精度。4.根據權利要求I所述的風電功率預測的方法，其特征是利用功能強大的Matlab仿真軟件編制組合預測模型仿真程序，采用實際的風電場數據進行仿真，對預測誤差進行評價檢 驗模型的有效性和實用性，同時利用檢驗結果反饋機制優化預測模型。全文摘要一種風電功率預測方法，選擇遺傳算法、神經網絡、支持向量機三種智能算法建立組合預測模型。首先采用遺傳算法分別對神經網絡和支持向量機進行優化，得到遺傳神經網絡和遺傳支持向量本文檔來自技高網...

【技術保護點】
一種風電功率預測的方法，其特征是：充分利用聚類分析、統計分析、相關性分析、小波分析等各種數據分析方法研究風功率數據特點，根據分析的結果，選擇遺傳算法、神經網絡、支持向量機三種智能算法，建立組合預測模型。

【技術特征摘要】

【專利技術屬性】
技術研發人員：田麗，裴瑞平，王勇，
申請(專利權)人：安徽工程大學，
類型：發明
國別省市：