殷 實(shí) 關(guān)玉衡 曾艷芳

(華南理工大學(xué)電力學(xué)院 廣東廣州 510640)

基于SVM模型的風(fēng)電功率預(yù)測(cè)

殷 實(shí) 關(guān)玉衡 曾艷芳

(華南理工大學(xué)電力學(xué)院 廣東廣州 510640)

為解決因風(fēng)電機(jī)組功率波動(dòng)產(chǎn)生的調(diào)度問題，運(yùn)用支持向量機(jī)法對(duì)風(fēng)電機(jī)組功率的輸出進(jìn)行實(shí)時(shí)預(yù)測(cè)，結(jié)果表明單臺(tái)機(jī)組預(yù)測(cè)的均方根誤差為2.16%，相關(guān)系數(shù)為77.605 4%，58臺(tái)機(jī)組預(yù)測(cè)的均方誤差為0.7%，相關(guān)系數(shù)為90.321 4%。說明了風(fēng)機(jī)機(jī)組匯聚得越多，機(jī)組系統(tǒng)越穩(wěn)定。最后還探索了進(jìn)一步提高SVM預(yù)測(cè)精度的方法。

風(fēng)電功率;實(shí)時(shí)預(yù)測(cè);支持向量機(jī)

0 引言

風(fēng)能是一種可再生、清潔的能源，是目前世界上首選的可再生能源發(fā)電模式。風(fēng)能資源的隨機(jī)性、波動(dòng)性、間歇性、低能量密度等特點(diǎn)，給大規(guī)模風(fēng)電接入電力系統(tǒng)帶來困難，也會(huì)給發(fā)電和運(yùn)行調(diào)度計(jì)劃的制訂帶來很多困難。如果可以對(duì)風(fēng)電場(chǎng)的發(fā)電功率進(jìn)行預(yù)測(cè)［1］，電力調(diào)度部門就能夠根據(jù)風(fēng)電功率變化預(yù)先安排調(diào)度計(jì)劃，保證電網(wǎng)的功率平衡和運(yùn)行安全。

1 支持向量機(jī)簡(jiǎn)介

支持向量機(jī)［2］的主要思想可以概括為兩點(diǎn):①它是針對(duì)線性可分情況進(jìn)行分析，對(duì)于線性不可分的情況，通過使用非線性映射法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分。②它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論之上在特征空間中建構(gòu)最優(yōu)分割超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，并且在整個(gè)樣本空間的期望風(fēng)險(xiǎn)以某個(gè)概率滿足一定上界。

2 基于支持向量機(jī)的風(fēng)功率預(yù)測(cè)模型

用支持向量機(jī)的方法來進(jìn)行功率實(shí)時(shí)預(yù)測(cè)［3］的步驟如圖1。

首先對(duì)自變量和因變量作歸一化處理，使用mapminmax函數(shù)來實(shí)現(xiàn)，尋找最佳參數(shù)c和g，利用上面得到的最佳參數(shù)c和g對(duì)SVM進(jìn)行訓(xùn)練，再對(duì)原始數(shù)據(jù)進(jìn)行回歸預(yù)測(cè)，得到實(shí)時(shí)預(yù)測(cè)結(jié)果。

圖1 SVM實(shí)時(shí)功率預(yù)測(cè)步驟圖

3 SVM計(jì)算分析

3.1 對(duì)象簡(jiǎn)介

本例為由58臺(tái)風(fēng)電機(jī)組構(gòu)成的某風(fēng)電場(chǎng)，每臺(tái)機(jī)組的額定輸出功率為850 kW。案例給出了2006年5月10日至2006年6月6日時(shí)間段內(nèi)該風(fēng)電場(chǎng)中指定的四臺(tái)風(fēng)電機(jī)組(A、B、C、D)輸出功率數(shù)據(jù)(分別記為PA，PB，PC，PD;另設(shè)該四臺(tái)機(jī)組總輸出功率為P4)及全場(chǎng)58臺(tái)機(jī)組總輸出功率數(shù)據(jù)(記為P58)。將功率的預(yù)測(cè)值與實(shí)際值對(duì)比，并進(jìn)行誤差分析。

3.2 評(píng)價(jià)指標(biāo)

采用了以下兩個(gè)統(tǒng)計(jì)量來評(píng)價(jià)模型的擬合程度和診斷效果，這兩個(gè)統(tǒng)計(jì)量是均方根誤差和相關(guān)系數(shù):

3.3 結(jié)果及分析

由圖2和圖3可以看出原始數(shù)據(jù)和回歸預(yù)測(cè)數(shù)據(jù)十分接近，根據(jù)程序預(yù)測(cè)可得到A機(jī)組最終的均方根誤差 RMSE=0.021 647 4相關(guān)系數(shù) R= 77.605 4%，均方根誤差遠(yuǎn)小于15%。58臺(tái)機(jī)組的均方根誤差RMSE=0.007 154 99，相關(guān)系數(shù)R= 90.321 4%。由圖4和圖5可知單臺(tái)風(fēng)電機(jī)組功率(PA，PB，PC，PD)的相對(duì)預(yù)測(cè)誤差比多機(jī)總功率(P4，P58)預(yù)測(cè)的相對(duì)誤差要大一些，因此可知風(fēng)機(jī)機(jī)組的匯聚會(huì)使風(fēng)電功率預(yù)測(cè)誤差減小，也就是說，風(fēng)機(jī)機(jī)組匯聚得越多，機(jī)組系統(tǒng)越穩(wěn)定。

圖2 機(jī)組A的原始數(shù)據(jù)和回歸預(yù)測(cè)數(shù)據(jù)對(duì)比

圖3 58臺(tái)機(jī)組的原始數(shù)據(jù)和回歸預(yù)測(cè)數(shù)據(jù)對(duì)比

圖4 機(jī)組A相對(duì)誤差圖

圖5 58臺(tái)機(jī)組相對(duì)誤差圖

4 進(jìn)一步提高風(fēng)電功率實(shí)時(shí)預(yù)測(cè)精度的方法

支持向量機(jī)(SVM)的方法預(yù)測(cè)的結(jié)果最佳，誤差小，符合國(guó)家標(biāo)準(zhǔn)，在這一部分中本文將以支持向量機(jī)(SVM)為基礎(chǔ)，探索進(jìn)一步提高風(fēng)電機(jī)組實(shí)時(shí)預(yù)測(cè)精度的方法。

在SVM中，c和g兩個(gè)參數(shù)是十分重要的，調(diào)節(jié)改變這兩個(gè)參數(shù)可改變 MSE，直到得到滿意的MSE。為了進(jìn)一步提高風(fēng)電功率實(shí)時(shí)預(yù)測(cè)的精度，應(yīng)用基于SVM的Grid-search方法對(duì)預(yù)測(cè)模型的參數(shù)進(jìn)行大范圍搜索，再用k-fold Cross validation方法尋找參數(shù)的最優(yōu)值進(jìn)行選擇，得到最佳參數(shù)組合，從而得到最佳結(jié)果來提高實(shí)時(shí)預(yù)測(cè)的精度。

圖6、圖7、圖8、圖9的橫軸和縱軸分別是log2c和log2g，由此可見在不同的c和g對(duì)應(yīng)著不同的MSE值，通過這種方式找到最優(yōu)MSE值，可有效提高風(fēng)電功率實(shí)時(shí)預(yù)測(cè)精度。單機(jī)均方根可達(dá)到0.02左右。

圖6 參數(shù)粗略選擇結(jié)果圖(等高線圖)

圖7 參數(shù)粗略選擇結(jié)果圖(3D視圖)

圖8 參數(shù)精細(xì)選擇結(jié)果圖(等高線圖)

圖9 參數(shù)精細(xì)選擇結(jié)果圖(3D視圖)

由于支持向量機(jī)方法以統(tǒng)計(jì)學(xué)習(xí)理論作為其基礎(chǔ)理論，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，具有精度高、全局最優(yōu)及泛化行等優(yōu)點(diǎn)，所以本文提出了基于SVM的風(fēng)電功率預(yù)測(cè)模型，該模型可準(zhǔn)確有效地對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)。將SVM風(fēng)電功率預(yù)測(cè)方法應(yīng)用于不同的機(jī)組組合中，經(jīng)過訓(xùn)練后的SVM模型對(duì)檢驗(yàn)樣本風(fēng)電功率進(jìn)行預(yù)報(bào)。表明SVM方法具有很高的預(yù)測(cè)精度，具有很好的泛化能力，具有很好的推廣應(yīng)用前景。SVM模型的建立，電力調(diào)度部門能夠根據(jù)風(fēng)電功率變化預(yù)先安排調(diào)度計(jì)劃，保證電網(wǎng)的功率平衡和運(yùn)行安全。并且本文在最后就如何提高預(yù)測(cè)精度作出了一定的嘗試，能保證預(yù)測(cè)更加精確。

［1］ 李元誠(chéng)，方廷健，于爾鏗.短期負(fù)荷預(yù)測(cè)的支持向量機(jī)方法研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2003，23(6): 55-59.

［2］ 彭懷午，楊曉峰，劉方銳.基于SVM方法的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)［J］.電網(wǎng)與清潔能源，2009(7):48-52.

［3］ 蔡杰進(jìn)，馬曉茜.電站燃煤機(jī)組煤粉細(xì)度優(yōu)化分析［J］.鍋爐技術(shù)，2006(5):39-43.

The Forecasting of Wind Power Based on SVM

YIN ShiGUAN Yu-heng ZENG Yan-fang
(Electric Power College，South China University of Technology，Guangzhou 510640，China)

To solve the problem of electricity scheduling which is caused by power fluctuation of wind turbines，this article focuses on the real-time forecast on power output of wind turbines with the use of support vector machine.The result shows that the MSE of single turbine forecast is 0.02，the related coefficient is 77.605 4%，the MSE of fifty-eight turbines forecast is 0.007，the related coefficient is 90.321 4%.It shows the wind turbine convergence is beneficial to the stable of turbine system.It also makes an exploration on further improvement of forecasting accuracy.

wind power forecast;real-time forecast;support vector machine

book=101,ebook=101

TM 614

B

1672-2434(2012)03-0031-03

2012-04-06

殷 實(shí)(1990-)，男，從事研究方向:熱能與動(dòng)力工程