采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法
【專利摘要】本發(fā)明公開了采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，主要包括：采用基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的復(fù)合數(shù)據(jù)源，對風(fēng)電功率預(yù)測模型進行訓(xùn)練；基于風(fēng)電功率預(yù)測模型訓(xùn)練結(jié)果，對未來0-48小時的風(fēng)電功率進行預(yù)測。本發(fā)明所述采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，可以克服現(xiàn)有技術(shù)中風(fēng)電功率短期預(yù)測精度低的缺陷，以實現(xiàn)高精度的風(fēng)電功率短期預(yù)測的優(yōu)點。
【專利說明】采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及新能源發(fā)電過程中風(fēng)電功率預(yù)測【技術(shù)領(lǐng)域】，具體地，涉及采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法。
【背景技術(shù)】
[0002]我國風(fēng)電進入規(guī)?；l(fā)展階段以后所產(chǎn)生的大型新能源基地多數(shù)位于“三北地區(qū)”(西北、東北、華北)，大型新能源基地一般遠離負荷中心，其電力需要經(jīng)過長距離、高電壓輸送到負荷中心進行消納。由于風(fēng)、光資源的間歇性、隨機性和波動性，導(dǎo)致大規(guī)模新能源基地的風(fēng)電、光伏發(fā)電出力會隨之發(fā)生較大范圍的波動，進一步導(dǎo)致輸電網(wǎng)絡(luò)充電功率的波動，給電網(wǎng)運行安全帶來一系列問題。
[0003]截至2014年2月，甘肅電網(wǎng)并網(wǎng)風(fēng)電裝機容量已達702萬千瓦，約占甘肅電網(wǎng)總裝機容量的22%，成為僅次于火電的第二大主力電源；光伏發(fā)電裝機容量已達到435萬千瓦，約占甘肅電網(wǎng)總裝機容量的13%，同時甘肅成為我國光伏發(fā)電裝機規(guī)模最大的省份。目前，甘肅電網(wǎng)風(fēng)電、光伏發(fā)電裝機超過甘肅電網(wǎng)總裝機容量的1/3。隨著新能源并網(wǎng)規(guī)模的不斷提高，風(fēng)電、光伏發(fā)電不確定性和不可控性給電網(wǎng)的安全穩(wěn)定經(jīng)濟運行帶來諸多問題。對風(fēng)力發(fā)電過程中的風(fēng)電功率進行預(yù)測，可為新能源發(fā)電實時調(diào)度、新能源發(fā)電日前計劃、新能源發(fā)電月度計劃、新能源發(fā)電能力評估和棄風(fēng)電量估計提供關(guān)鍵參考數(shù)據(jù)。
[0004]在實現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在預(yù)測精度低等缺陷。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于，針對上述問題，提出采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，具備高精度的風(fēng)電功率預(yù)測的優(yōu)點。
[0006]為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是:采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法,主要包括:
[0007]a、采用基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的復(fù)合數(shù)據(jù)源，對風(fēng)電功率預(yù)測模型進行訓(xùn)練；
[0008]b、基于風(fēng)電功率預(yù)測模型的訓(xùn)練結(jié)果，未來0-48小時的風(fēng)電功率進行預(yù)測。
[0009]進一步地,所述步驟a,具體包括:
[0010]al、模型訓(xùn)練基礎(chǔ)數(shù)據(jù)輸入；
[0011]a2、數(shù)據(jù)預(yù)處理；
[0012]a3、SVM分類器訓(xùn)練；
[0013]a4、得到 SVM 模型。
[0014]進一步地,所述步驟al,具體包括:
[0015]風(fēng)功率預(yù)報系統(tǒng)模型訓(xùn)練所需輸入數(shù)據(jù)，包括風(fēng)電場基礎(chǔ)信息、歷史風(fēng)速數(shù)據(jù)、歷史功率數(shù)據(jù)，以及包含風(fēng)電場/風(fēng)機坐標(biāo)、測風(fēng)塔坐標(biāo)、升壓站坐標(biāo)的地理信息系統(tǒng)GIS數(shù)據(jù)；其中，GIS數(shù)據(jù)主要用于功率預(yù)測時根據(jù)各風(fēng)電場的上下游關(guān)系進行短期預(yù)測結(jié)果的優(yōu)化，將基礎(chǔ)數(shù)據(jù)輸入到預(yù)測模型中進行模型訓(xùn)練。
[0016]進一步地,所述步驟a2,具體包括:
[0017]將風(fēng)速數(shù)據(jù)和功率數(shù)據(jù)首先進行包含數(shù)據(jù)對齊及歸一化的預(yù)處理，GIS數(shù)據(jù)通過預(yù)處理確定電站上下游關(guān)系。
[0018]進一步地,所述步驟a3,具體包括:
[0019]SVM分類器是一個包含一個隱層的多層感知器，通過算法經(jīng)訓(xùn)練過程自動確定隱層節(jié)點數(shù)；
[0020]基于SVM分類器的非線性風(fēng)電功率短期預(yù)測模型表示為:
[0021]
【權(quán)利要求】
1.采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，主要包括: a、采用基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的復(fù)合數(shù)據(jù)源，對風(fēng)電功率預(yù)測模型進行訓(xùn)練； b、基于風(fēng)電功率預(yù)測模型的訓(xùn)練結(jié)果，對未來0-48小時的風(fēng)電功率進行預(yù)測。
2.根據(jù)權(quán)利要求1所述的采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，所述步驟a，具體包括: al、模型訓(xùn)練基礎(chǔ)數(shù)據(jù)輸入； a2、數(shù)據(jù)預(yù)處理； a3、SVM分類器訓(xùn)練； a4、得到SVM模型。
3.根據(jù)權(quán)利要求2所述的采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，所述步驟al，具體包括: 風(fēng)功率預(yù)報系統(tǒng)模型訓(xùn)練所需輸入數(shù)據(jù)，包括風(fēng)電場基礎(chǔ)信息、歷史風(fēng)速數(shù)據(jù)、歷史功率數(shù)據(jù)，以及包含風(fēng)電場/風(fēng)機坐標(biāo)、測風(fēng)塔坐標(biāo)、升壓站坐標(biāo)的地理信息系統(tǒng)GIS數(shù)據(jù)；其中，GIS數(shù)據(jù)主要用于功率預(yù)測時根據(jù)各風(fēng)電場的上下游關(guān)系進行短期預(yù)測結(jié)果的優(yōu)化，將基礎(chǔ)數(shù)據(jù)輸入到預(yù)測模型中進行模型訓(xùn)練。
4.根據(jù)權(quán)利要求2所述的采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，所述步驟a2，具體包括: 將風(fēng)速數(shù)據(jù)和功率數(shù)據(jù)首先進行包含數(shù)據(jù)對齊及歸一化的預(yù)處理，GIS數(shù)據(jù)通過預(yù)處理確定電站上下游關(guān)系。
5.根據(jù)權(quán)利要求2所述的采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，所述步驟a3，具體包括: SVM分類器是一個包含一個隱層的多層感知器，通過算法經(jīng)訓(xùn)練過程自動確定隱層節(jié)點數(shù)； 基于SVM分類器的非線性風(fēng)電功率短期預(yù)測模型表示為:
6.根據(jù)權(quán)利要求2所述的采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，所述步驟a4，具體包括: 通過輸入樣本數(shù)據(jù) 的訓(xùn)練，確定函數(shù)參數(shù)，即得到SVM預(yù)測模型。
7.根據(jù)權(quán)利要求2-6中任一項所述的采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，所述步驟b，具體包括: 步驟bl、功率預(yù)測基礎(chǔ)數(shù)據(jù)輸入； 步驟b2、噪聲濾波及數(shù)據(jù)預(yù)處理； 步驟b3、基于SVM的短期功率預(yù)測； 步驟b4、預(yù)測結(jié)果輸出及展示； 步驟b5、預(yù)測結(jié)果后評估及模型修正。
8.根據(jù)權(quán)利要求7所述的采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，在所述步驟bl中，風(fēng)電功率預(yù)測所需輸入數(shù)據(jù)包括資源監(jiān)測系統(tǒng)數(shù)據(jù)和運行監(jiān)測系統(tǒng)數(shù)據(jù)兩部分，其中，資源監(jiān)測系統(tǒng)數(shù)據(jù)包含風(fēng)資源監(jiān)測數(shù)據(jù)、風(fēng)能預(yù)測數(shù)據(jù)以及數(shù)值天氣預(yù)報NWP數(shù)；運行監(jiān)測系統(tǒng)數(shù)據(jù)包括風(fēng)機監(jiān)測數(shù)據(jù)、升壓站監(jiān)測數(shù)據(jù)和數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)SCADA ； 和/或， 在所述步驟b2中，采用噪聲濾波模塊對實時監(jiān)測系統(tǒng)采集得到的帶有噪聲的進行濾波處理，去除壞數(shù)據(jù)和奇異值；采用數(shù)據(jù)預(yù)處理模塊對數(shù)據(jù)進行包含對齊、歸一化處理和分類篩選的操作，使得輸入的數(shù)據(jù)能夠為模型所用。
9.根據(jù)權(quán)利要求7所述的采用復(fù)合數(shù)據(jù)源基于自學(xué)習(xí)Sigmoid核函數(shù)支持向量機的風(fēng)電功率短期預(yù)測方法，其特征在于，所述步驟b3，具體包括: 功率預(yù)測過程是將風(fēng)資源數(shù)據(jù)及風(fēng)電運行監(jiān)測數(shù)據(jù)輸入SVM模型，得到預(yù)測結(jié)果的輸出； 和/或， 所述步驟b4,具體包括: 首先對預(yù)測結(jié)果進行輸出，并通過圖形和表格等形式對預(yù)測結(jié)果進行展示； 和/或， 所述步驟b5,具體包括:首先對預(yù)測結(jié)果進行后評估，分析預(yù)測值與實測值之間的誤差；如果預(yù)測誤差大于允許的最大誤差，則跳轉(zhuǎn)到 模型訓(xùn)練過程，重新進行模型訓(xùn)練。
【文檔編號】G06Q10/04GK103942622SQ201410158380
【公開日】2014年7月23日 申請日期:2014年4月18日 優(yōu)先權(quán)日:2014年4月18日
【發(fā)明者】汪寧渤, 路亮, 王多, 靳丹, 張玉宏, 師建中, 馬彥宏 申請人:國家電網(wǎng)公司, 國網(wǎng)甘肅省電力公司, 甘肅省電力公司風(fēng)電技術(shù)中心