高僮+++陳波濤+++張海峰

摘 要：針對風(fēng)力發(fā)電中的短期風(fēng)速預(yù)測方法研究的不足，文章提出了一種基于支持向量機回歸的短期風(fēng)速預(yù)測方法和模型。提出的方法首先選取風(fēng)電場采集的樣本數(shù)據(jù)，進行預(yù)處理后，確定出樣本訓(xùn)練集和測試集；在選擇向量機核函數(shù)后，確定SVM模型待尋優(yōu)參數(shù)，最后利用尋優(yōu)的最佳參數(shù)來訓(xùn)練SVM模型，通過模型來預(yù)測未來某一時刻的風(fēng)速值。文章提出的方法在風(fēng)速負(fù)荷的預(yù)測精度和預(yù)測方法的收斂速度等方面都有了提高，該方法具有重要的現(xiàn)實意義和應(yīng)用前景。

關(guān)鍵詞：風(fēng)力發(fā)電；支持向量機；尋優(yōu)參數(shù)

1 概述

當(dāng)前，風(fēng)力發(fā)電對合理改善能源結(jié)構(gòu)、合理保護生態(tài)環(huán)境、合理保障能源清潔安全和實現(xiàn)經(jīng)濟的可持續(xù)發(fā)展有著十分重要的意義，這已經(jīng)成為世界的共同發(fā)展目標(biāo)。但是，目前幾乎大部分的風(fēng)電機組輸出功率都具有如下特點：具有間歇性、具有非線性、具有變化速度快、波動范圍很大。想要實現(xiàn)風(fēng)電的規(guī)?；l(fā)展，從而優(yōu)化電網(wǎng)的調(diào)度，加強風(fēng)電市場的競爭力和活力，那么風(fēng)電場就必須開展風(fēng)電功率預(yù)測的預(yù)報和預(yù)警，必須具備日預(yù)報甚至實時預(yù)報能力[1]。因此，對風(fēng)電場的風(fēng)速預(yù)測，尤其是超短期、短期預(yù)測，可以有效的改善風(fēng)電并網(wǎng)對電力系統(tǒng)的影響，對發(fā)電場制定更合理的發(fā)電規(guī)劃具有重要作用。短期風(fēng)速預(yù)測是風(fēng)電并網(wǎng)中的關(guān)鍵技術(shù)，并發(fā)揮重要的作用，如何制定合理的短期風(fēng)速預(yù)測模型，研究出短期風(fēng)速預(yù)測方法是亟需解決的問題，并且也具有廣闊的市場前景和應(yīng)用前景[2-3]。

文章的目的在于針對現(xiàn)有短缺風(fēng)速預(yù)測方法存在的問題，提出了一種基于支持向量機回歸的短期風(fēng)速預(yù)測方法和模型。在短缺風(fēng)速的預(yù)測精度和預(yù)測方法的收斂速度等方面都有了提高，該方法具有重要的現(xiàn)實意義和應(yīng)用前景。

2 基于改進的支持向量機回歸的方法

針對短缺風(fēng)速預(yù)測的特點，提出了一種基于改進的支持向量機回歸的方法，具體流程如圖1所示。

（1）初始化。首先設(shè)定參數(shù)節(jié)點集大小m、最大搜索代數(shù)Kmax、臨時局部網(wǎng)絡(luò)的值Ni、連接搜索概率值Ps和節(jié)點鄰域值l，將搜索代數(shù)的初值kg設(shè)置為1，最后設(shè)置隨機產(chǎn)生初始值個數(shù)有關(guān)的值M，C、？滓的搜索范圍。

（2）評價優(yōu)化空間中的各個網(wǎng)絡(luò)節(jié)點。定義適應(yīng)度函數(shù)F，首先在隨機產(chǎn)生的實數(shù)編碼節(jié)點集中選取m個優(yōu)節(jié)點作為網(wǎng)絡(luò)初始節(jié)點，適應(yīng)度函數(shù)F為設(shè)定的初始最優(yōu)值。通常節(jié)點的適應(yīng)度函數(shù)值越大，就越接近最優(yōu)節(jié)點。

（3）進行局部搜索和全局搜索。對某一初始節(jié)點進行Ni次小世界局部搜索和全局搜索操作，這樣可以構(gòu)造出該初始節(jié)點的臨時局部網(wǎng)絡(luò)，然后輸出節(jié)點的臨時局部網(wǎng)絡(luò)的最優(yōu)值。

（4）確定C、？滓的最優(yōu)值。比較m個節(jié)點各自的最優(yōu)值，然后比較每一次迭代的最優(yōu)值，確定通過小世界搜索算法，得到參數(shù)C、？滓尋優(yōu)的最終結(jié)果。

（5）迭代搜索。判定搜索代數(shù)kg是否大于Kmax，評價值是否小于給定精度，如果滿足條件，則結(jié)束尋優(yōu)操作。不滿足條件，返回步驟3，繼續(xù)進行迭代操作。

（6）將C、？滓的最優(yōu)節(jié)點值賦給SVM模型，從而得到SVM的最終回歸函數(shù)。

3 短期風(fēng)速預(yù)測模型的建立

利用上一節(jié)提出的基于改進的支持向量機回歸的方法，確定了短期風(fēng)速預(yù)測模型。模型具體操作步驟如下

（1）選取風(fēng)電場采集的樣本數(shù)據(jù)。文章中，風(fēng)電場數(shù)據(jù)的采集是在風(fēng)電場的關(guān)鍵位置點設(shè)立多個測風(fēng)塔，選取風(fēng)電機組輸出的未來10分鐘到1小時的風(fēng)速數(shù)據(jù)進行實時預(yù)測，時間間隔為10分鐘。因此要對風(fēng)電機組的性能特性進行分析，文章選用風(fēng)機采樣間隔為10分鐘的環(huán)境溫度、風(fēng)速和輸出功率作為歷史數(shù)據(jù)。

（2）確定樣本的訓(xùn)練集和測試集：將采集的樣本集，用N×3的矩陣表示，其中3列分別代表環(huán)境溫度、風(fēng)速、輸出功率，然后搭建回歸預(yù)測模型。通過多次的仿真實驗，文章用5天900個數(shù)據(jù)作為SVM模型的訓(xùn)練集，其中風(fēng)力發(fā)電機組的輸出功率的定義如公式1所示：

其中PS為風(fēng)力發(fā)電機組的輸出功率值，單位為W，？籽為空氣密度，單位為kg/m3，v為風(fēng)力的來流速度，單位為m/s，f為面積，單位m2，Cp為風(fēng)能操作系數(shù)，指風(fēng)力發(fā)電機組從自然風(fēng)中吸取能量的大小程度。

（3）對樣本數(shù)據(jù)進行預(yù)處理。通常風(fēng)力發(fā)電機并不是在所有的時刻都能處于良好的運行狀態(tài)，因此，要刪除一些異常數(shù)據(jù)（偽數(shù)據(jù)），一般包括機組故障停機、功率負(fù)值、數(shù)據(jù)采集系統(tǒng)不穩(wěn)定所導(dǎo)致的異常數(shù)據(jù)。此外，還要對訓(xùn)練集和測試集的數(shù)據(jù)進行歸一化操作。

a.缺失數(shù)據(jù)處理，對于個別異常數(shù)據(jù)缺失的情況，它們的值通常是其直接前驅(qū)和直接后繼時刻的中間值，因此文本采用線性插值法對數(shù)據(jù)進行處理；

b. 數(shù)據(jù)歸一化，如公式2所示：

其中，Y代表歸一化后的值，Xmax，Xmin分別代表原始輸出參數(shù)X的最大值和最小值。

模型的訓(xùn)練集為750×3矩陣，測試集為150×3矩陣，

（4）選擇支持向量機回歸（SVM）核函數(shù)，確定SVM模型待尋優(yōu)參數(shù)。通常不敏感系數(shù)？著的變化范圍較小，文章直接設(shè)定為10-2，通過上一節(jié)提出的方法對RBF核函數(shù)和C、？滓參數(shù)進行尋優(yōu)操作。

（5）輸入樣本測試數(shù)據(jù)，預(yù)測未來時刻的風(fēng)速值。訓(xùn)練模型的輸入量為上一時刻的風(fēng)速、環(huán)境溫度和輸出功率，模型的輸出量為下一時刻發(fā)電機組的風(fēng)速。從而使用直接法進行風(fēng)速預(yù)測。根據(jù)最優(yōu)解構(gòu)造風(fēng)速預(yù)測函數(shù)，如公式3所示：

輸入樣本測試數(shù)據(jù)，利用風(fēng)速預(yù)測函數(shù)f（x）就可以預(yù)測出下一時刻的風(fēng)速值。

4 結(jié)束語

文章提出了一種基于支持向量機回歸的短期風(fēng)速預(yù)測方法和模型。提出的方法首先選取風(fēng)電場采集的樣本數(shù)據(jù)，進行預(yù)處理后，確定出樣本訓(xùn)練集和測試集；在選擇向量機核函數(shù)后，確定SVM模型待尋優(yōu)參數(shù)，最后利用尋優(yōu)的最佳參數(shù)來訓(xùn)練SVM模型，通過模型來預(yù)測未來某一時刻的風(fēng)速值，該方法具有重要的現(xiàn)實意義和應(yīng)用前景。

參考文獻(xiàn)

[1]李云飛，黃彥全，蔣功連.基于支持向量機的短期負(fù)荷預(yù)測的方法改進[J].西華大學(xué)學(xué)報（自然科學(xué)版），2007，26（2）：31-34.

[2]楊麗君，張晶，程慧琳，等.基于最優(yōu)效用的配電網(wǎng)多故障搶修任務(wù)分配策略[J].電工技術(shù)學(xué)報，2014，29（6）：263-270.

[3]周元祺，陳志 ，張麟，等.利用故障搶修管理系統(tǒng)優(yōu)化配電網(wǎng)故障搶修流程[J].供用電，2012，29（3）：51-54.