[发明专利]基于相关向量机的高精度风电场功率区间预测方法

说明书

技术领域

本发明属于风电场技术领域，尤其涉及一种基于相关向量机的高精度风电场功率区间预测方法。

背景技术

随着风力发电的跨越式发展，风力发电固有的间歇性、随机波动性严重威胁电力系统运行的经济性、稳定性和供电质量。风电场功率预测技术是减轻风电场并网对电力系统不利影响的有效途径之一。准确可靠的风电场功率预测还有助于：(1)减少旋转备用容量，合理安排检修计划，从而降低运行成本；(2)提高风电并网比例；(3)提高风电企业竞争力，为风电竞价上网提供有利条件。

国内外常用的风电场功率预测方法有：人工神经网络(ANN)、支持向量机(SVM)等。人工神经网络方法在理论上可以逼近任何非线性连续函数，因此被成功的应用于风电功率预测领域。但ANN在训练中容易导致过学习问题。其后果是：当针对已知数据时，预测误差很小；当输入样本外的未知数据时，预测误差激增。这也被称为有限的泛化能力。基于这种认识，提高ANN模型泛化能力的办法之一就是增加训练样本数量。对于大量训练样本的需求反过来也增加了ANN的应用局限性，如：我国风电场大多运行时间不长，历史数据不足，很难取得足够训练样本建立ANN预测模型；更不易于划分月份或季节建立ANN预测模型。

为了提高模型的泛化能力且摆脱对于大量训练样本的需求，不少学者将SVM技术应用于风电功率预测领域中，运用较少的训练样本实现较为精确的预测，并有效避免陷入局部最小的危险。但在实际工程运用中SVM也体现了一些不足之处：

1.核函数必须满足马瑟条件，即核函数局限于连续对称函数；

2.预测结果为点估计，不能提供任何不确定性信息；

3.支持向量的数目随着训练样本数的增加而线性增长，增加了计算复杂度；

4.必须对一些不敏感参数进行估计，导致计算量和参数量的无谓增加。

为了克服上述缺点，2001年Michael E.Tipping提出了一种基于贝叶斯理论、边缘似然理论的概率学习方法——相关向量机(Relevance Vector Machine，RVM)。它是一种结构简单的非线性模式识别模型，不仅保留了SVM出色的预测能力和泛化能力，还改善了SVM的不足之处。因此，该方法已成功运用于多种领域中，如：负荷预测、故障分类等，但尚未被应用于风电场功率预测中。

发明内容

针对上述背景技术中提到的现有风电功率预测方法泛化能力弱和无法提供不确定性信息等不足，本发明提出了一种基于相关向量机的高精度风电场功率区间预测方法。

本发明的技术方案是，基于相关向量机的高精度风电场功率区间预测方法，其特征是该方法包括以下步骤：

步骤1：采集数据并归一化，根据数值天气预报中风速的绝对误差选出相关向量机预测模型的训练样本；

步骤2：在步骤1的基础上对相关向量机预测模型的参数进行优化，得到最优化的核函数宽度和相关向量机预测模型的迭代初值；

步骤3：在步骤2的基础上求得核函数，进而求得收敛后的相关向量机预测模型参数；

步骤4：求得风电场功率的预测值和方差，得到风电场功率的预测区间。

所述根据数值天气预报中风速的绝对误差选出相关向量机预测模型的训练样本具体为：

步骤1：按照数值天气预报中风速的绝对误差为分组训练样本；

步骤2：将每一组分别用相关向量机预测模型进行测试，选取其中预测精度最高的一组作为相关向量机预测模型的训练样本。

所述步骤2具体为：

步骤2.1：以训练样本作为粒子群算法的输入样本，求得粒子群算法中各个群中的每个粒子的适应函数的适应值；

步骤2.2：选出全部粒子中适应值最小的粒子的位置作为全局极值；

步骤2.3：检验适应值是否满足迭代要求，若满足迭代要求，则全局极值为最优的核函数宽度参数及相关向量机模型的迭代初值；否则，更新粒子的速度和位置，重新计算适应值。

所述适应函数为：