[发明专利]基于连续时间段聚类与支持向量机建模的风电功率预测方法

说明书

技术领域

本发明涉及一种风电功率预测方法，具体是一种对风电场实际数据进行聚类分析与支持向量机建模的风电功率预测方法。

背景技术

风电作为一种间歇性能源，由于其随机性和不可控性，输出功率幅值变化大，频率不稳定，对电网造成较大冲击。随着风电装机容量的增加，风电并网所占比例也逐渐提高，因此对风电场输出功率进行预测显得十分重要。

风电功率预测方法主要包括物理方法^[和统计方法。物理方法不需要大量的历史数据，但一般建模困难，需对风场所处地理位置的各种条件分析研究，适用于没有历史观测数据的新建风场；统计方法需要大量的历史观测数据和天气预报数据去训练模型，对数据的准确性和完整性要求较高，适用于历史数据完备的风场。

统计方法是目前应用较多且比较成熟的预测方法，主要包括持续法、时间序列法、人工神经网络、支持向量机等。持续法方法简单，不用建模，但精度较差，主要作为各种方法的比较基准；时间序列法模型简单，理论成熟，适用于提前量较短的预测，提前量增大时，精度效果不理想；人工神经网络提前量适用范围较广，能够自适应、自学习，以任意精度逼近任何非线性映射，适合描述风电功率预测模型的复杂非线性特点，但是人工神经网络训练时间长，对训练样本相似性要求较高，容易陷入局部最优；支持向量机（SVM）是近年用于风电功率预测的方法，与上述方法相比，SVM同时考虑经验风险最小和置信范围最小，使模型具有较强的推广性，模型性能主要由核函数的几个支持向量决定，在小样本识别方面有较大优势，且SVM有严格的数学理论基础，其决策为全局最优。综上所述，本文采用SVM方法训练模型。

为了提高预测模型中训练样本的相似度和预测的准确性，加入基于日相似性的分类,现有的文献(孟洋洋，卢继平，孙华利，潘雪，高道春，廖勇．基于相似日和人工神经网络的风电功率短期预测[J]．电网技术，2010，34(12)：163-167),根据预测日期的风速、风向、温度、湿度等物理量的特性，从历史日期中选择与预测目标日期相似的m个日期输入到已训练好的模型，输出预测目标日期的预测值；还有的文献(林海涛，蒋传文，任博强，栾士岩．基于模糊聚类的风速短期组合预测[J]．华东电力，2010，38(2)：295-299)把全年数据进行相似日模糊聚类，把n类相似日分别训练模型，再加权组合作为最终的预测模型。这两种方法只从横向考虑了日的相似性规律，并没有从纵向考虑日期连续性对功率预测的影响，由于大气运动是一个长期连续渐变的过程，常用的上述统计预测方法却没有兼顾考虑风速的相似性和连续性变化规律，对建模数据缺乏有效的分类，故预测模型中训练样本的相似度和预测的准确性不太理想，不能满足风电并网的要求。

另外，对全年的相似日进行聚类时，传统所用的K-means算法，其类别总数C是确定的，通过不断计算，调整C类中心的位置，以达到分类最优，但由于风的不确定性和随机性，分类前是不能人为确定类别总数C的最优值，且不同风电场的C值未必相同，因而传统的K-means算法具有一定局限性。

发明内容

为了克服上述之不足，本发明目的在于提供一种能够提高预测模型中训练样本的相似度和风电功率预测的准确性的基于连续时间段聚类与支持向量机建模的风电功率预测方法。

为了实现上述目的，本发明采用的技术方案是：

基于连续时间段聚类与支持向量机建模的风电功率预测方法，包括以下步骤：①根据风特性进行全年相似日无监督聚类；②利用步骤①中的相似日聚类结果，再把全年分为n个连续时间段，依据每个时间段内各类日子所占有的频次以及该连接时间段的风特性，对每个时间段进行聚类并划分类别；③对步骤②中的类别相同的时间段用SVM建模，用于往后各年相同时间的预测。

所述步骤①包括以下具体的步骤：

1、根据风速在一天当中的变化趋势、幅值、波动性，构造分类样本，样本构造形式如下：

                                                     

   式中，a_s1…a_sH为一天当中各个时间点的风速值；a_smax为日最大风速；a_smin为日最小风速；a_smean为日平均风速；a_sstd为日风速标准差；

   2、确定样本构成后，需要分别对各物理量进行归一化处理，以消除不同物理量之间由于量纲差异对聚类结果造成的影响，归一化采用最大最小归一化：