林 濤，董 柵，秦冬陽(yáng)，馬同寬

(1河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津300130；2河北工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與軟件學(xué)院，天津 300130)

基于支持向量回歸的風(fēng)電場(chǎng)短期功率預(yù)測(cè)

林 濤1，2，董 柵1，*，秦冬陽(yáng)1，馬同寬1

(1河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津300130；2河北工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與軟件學(xué)院，天津 300130)

針對(duì)風(fēng)電場(chǎng)的短期功率預(yù)測(cè)，提出了一種考慮風(fēng)電機(jī)組運(yùn)行條件的用于風(fēng)電場(chǎng)短期功率預(yù)測(cè)的新方法.首先，利用風(fēng)力發(fā)電機(jī)的監(jiān)控和數(shù)據(jù)采集(SCADA)系統(tǒng)數(shù)據(jù)計(jì)算輸出功率和運(yùn)行條件之間的皮爾遜相關(guān)系數(shù)，驗(yàn)證了SCADA監(jiān)測(cè)項(xiàng)目對(duì)風(fēng)力發(fā)電機(jī)輸出功率的具有相關(guān)性；其次，建立支持向量回歸(SVR)模型來(lái)預(yù)測(cè)單個(gè)風(fēng)力發(fā)電機(jī)的風(fēng)力與氣象、運(yùn)行狀態(tài)的關(guān)系，發(fā)現(xiàn)了考慮運(yùn)行條件的模型的預(yù)測(cè)結(jié)果優(yōu)于僅考慮氣象信息的模型的預(yù)測(cè)結(jié)果；最后，考慮到不同空間位置的風(fēng)力發(fā)電機(jī)組對(duì)風(fēng)電場(chǎng)輸出功率的貢獻(xiàn)不同，建立了各風(fēng)力發(fā)電機(jī)預(yù)測(cè)功率和風(fēng)電場(chǎng)預(yù)測(cè)功率輸出之間的回歸模型.試驗(yàn)結(jié)果表明：所提出的風(fēng)場(chǎng)回歸模型的預(yù)測(cè)誤差小于風(fēng)力渦輪機(jī)所有預(yù)測(cè)功率的模型的預(yù)測(cè)誤差，從而驗(yàn)證了該方法的有效性.

短期預(yù)測(cè)；監(jiān)控與數(shù)據(jù)采集系統(tǒng)；支持向量回歸；風(fēng)力發(fā)電機(jī)

風(fēng)能是目前世界上最有前景的可再生能源，被廣泛用來(lái)代替化石燃料[1].然而，由于風(fēng)能的隨機(jī)性造成風(fēng)力發(fā)電具有波動(dòng)性、隨機(jī)性和抗峰值等問(wèn)題，并網(wǎng)發(fā)電會(huì)對(duì)電網(wǎng)的穩(wěn)定性造成不利影響.為了合理安排發(fā)電計(jì)劃，提高具有風(fēng)電場(chǎng)群的大型電力系統(tǒng)的可靠性，有必要提高風(fēng)電機(jī)組功率預(yù)測(cè)水平.近年來(lái)，混合動(dòng)力系統(tǒng)(尤其是風(fēng)力發(fā)電場(chǎng)和諸如電池、氫存儲(chǔ)系統(tǒng)等的其它能量設(shè)備的組合)被廣泛地用于提高風(fēng)電場(chǎng)對(duì)系統(tǒng)頻率和電壓的響應(yīng)性調(diào)節(jié)[2].混合動(dòng)力系統(tǒng)是通過(guò)調(diào)節(jié)能量存儲(chǔ)來(lái)平滑輸出功率，這需要及時(shí)跟蹤風(fēng)力的變化.因此，開(kāi)展風(fēng)電場(chǎng)的短期功率預(yù)測(cè)對(duì)混合動(dòng)力系統(tǒng)有著重要的作用[3].

目前，風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法包括間接法和直接法.間接法首先建立一個(gè)模型來(lái)預(yù)測(cè)短期風(fēng)速，通過(guò)風(fēng)速和風(fēng)功率曲線轉(zhuǎn)換獲得風(fēng)電場(chǎng)的功率曲線[4].由于風(fēng)電場(chǎng)包含大量風(fēng)電機(jī)組，總風(fēng)力功率輸出不能直接參考某個(gè)單元的功率曲線.因此，功率曲線通常是通過(guò)統(tǒng)計(jì)方法從風(fēng)速、風(fēng)向和輸出功率的歷史數(shù)據(jù)得到的二維矩陣，不能滿足超短期預(yù)測(cè)的要求.朱建紅等[5]人通過(guò)地理位置、風(fēng)電機(jī)組布局和氣象特征將風(fēng)電場(chǎng)分為幾個(gè)區(qū)域，并選擇最具代表性的風(fēng)電機(jī)組功率曲線作為給定區(qū)域的功率曲線.與風(fēng)電場(chǎng)的總功率曲線相比，該方法的精度得到提高.然而，由于風(fēng)電機(jī)組的功率曲線通過(guò)擬合多組曲線獲得，它將增加功率曲線變換中的附加因子的影響.為了提高預(yù)測(cè)精度，就產(chǎn)生了第二種預(yù)測(cè)方法，即直接法.直接法將風(fēng)電場(chǎng)的總輸出功率作為研究對(duì)象，通過(guò)找出隱藏規(guī)則或大量累積數(shù)據(jù)之間的關(guān)聯(lián)，可以預(yù)測(cè)下一個(gè)時(shí)間間隔的功率.常用的分析方法包括時(shí)間序列分析方法[6]、人工智能方法[7].雖然該方法可以避免由功率曲線變換引起的誤差，但它忽略了諸如切割機(jī)、大修、調(diào)節(jié)措施以及未達(dá)到最大輸出的單元等每個(gè)風(fēng)電機(jī)組的操作條件的差異.由于以上方法的局限性，提出了第3種方法，即建立單臺(tái)風(fēng)電機(jī)組的短期功率預(yù)測(cè)模型，然后將所有風(fēng)電機(jī)組的預(yù)測(cè)功率作為整個(gè)風(fēng)電場(chǎng)的輸出功率[8].該方法通過(guò)對(duì)每個(gè)風(fēng)電機(jī)組的輸出功率建模，可以有效地反映每個(gè)風(fēng)電機(jī)組的操作條件的影響.此外，單臺(tái)風(fēng)電機(jī)組的預(yù)測(cè)誤差小于風(fēng)電場(chǎng)的總預(yù)測(cè)誤差，提高了風(fēng)電場(chǎng)輸出功率的精度.

研究風(fēng)電機(jī)組的短期功率預(yù)測(cè)，需要考慮的因素有很多，如風(fēng)速、風(fēng)向、空氣溫度、空氣壓力等氣象信息[9].風(fēng)電機(jī)組將風(fēng)能轉(zhuǎn)化為電能的過(guò)程可以分為兩步：第一步是風(fēng)能通過(guò)風(fēng)電機(jī)組葉片轉(zhuǎn)化為動(dòng)能，第二步是通過(guò)風(fēng)電機(jī)組齒輪箱、發(fā)電機(jī)等將動(dòng)能轉(zhuǎn)化為電能.當(dāng)前研究中考慮的影響因素大多是外部因素，主要集中在第一步，忽略掉第二步風(fēng)電機(jī)組對(duì)功率輸出的影響，導(dǎo)致風(fēng)電機(jī)組功率預(yù)測(cè)精度降低.為此，本文提出了一種用于風(fēng)電場(chǎng)短期風(fēng)力預(yù)測(cè)的新型模型，可以考慮到風(fēng)電機(jī)組運(yùn)行條件對(duì)輸出功率的影響，提高功率預(yù)測(cè)精度.

1 皮爾遜相關(guān)系數(shù)分析

SCADA系統(tǒng)被用來(lái)監(jiān)控和記錄大型風(fēng)電機(jī)組的運(yùn)行狀態(tài).許多運(yùn)行參數(shù)包括風(fēng)速、風(fēng)力轉(zhuǎn)子的轉(zhuǎn)速和發(fā)電機(jī)功率可以從SCADA系統(tǒng)中獲得[10].SCADA系統(tǒng)中的數(shù)據(jù)直接反映風(fēng)力發(fā)電機(jī)的運(yùn)行狀況，其中包含離散監(jiān)測(cè)項(xiàng)目和連續(xù)監(jiān)測(cè)項(xiàng)目.將風(fēng)能轉(zhuǎn)化為動(dòng)能的過(guò)程中影響風(fēng)機(jī)功率的因素稱為氣象信息，將動(dòng)能轉(zhuǎn)化電能過(guò)程中影響風(fēng)機(jī)功率因素稱為風(fēng)電機(jī)組的運(yùn)行條件，相關(guān)數(shù)據(jù)可以通過(guò)SCADA系統(tǒng)得到，如圖1.

圖1 SCADA系統(tǒng)的連續(xù)監(jiān)控項(xiàng)目Fig.1 The continuous monitoring items of SCADA system

利用從SCADA系統(tǒng)中獲得相關(guān)數(shù)據(jù)，并引入皮爾遜相關(guān)系數(shù)來(lái)定量描述操作條件、有功功率和氣象信息之間的相關(guān)性，證明在進(jìn)行風(fēng)機(jī)功率預(yù)測(cè)時(shí)考慮風(fēng)機(jī)運(yùn)行狀態(tài)的必要性.皮爾遜相關(guān)系數(shù)函數(shù)由式(1)構(gòu)成：

(1)

通過(guò)隨機(jī)選取8臺(tái)風(fēng)電機(jī)組，利用SCADA系統(tǒng)中每天3次的歷史數(shù)據(jù)，計(jì)算出每個(gè)監(jiān)測(cè)項(xiàng)目和有功功率的皮爾遜相關(guān)系數(shù)，得到圖2.

由圖2可知，8臺(tái)風(fēng)電機(jī)組的相關(guān)曲線基本相同.說(shuō)明相關(guān)曲線在風(fēng)電場(chǎng)中具有代表性，可以真實(shí)反映SCADA系統(tǒng)監(jiān)控項(xiàng)目與有功功率之間的關(guān)系.通過(guò)分析相關(guān)曲線，可知風(fēng)速A1和平均風(fēng)速在5min以內(nèi)的A2與有功功率有較強(qiáng)的相關(guān)性，而風(fēng)向A3和環(huán)境溫度A4與有功功率的相關(guān)性較弱；根據(jù)運(yùn)行狀況監(jiān)測(cè)項(xiàng)目，三相電流與有功功率呈現(xiàn)出強(qiáng)相關(guān)性，網(wǎng)側(cè)三相電壓呈現(xiàn)弱關(guān)聯(lián)；另外有一些監(jiān)控項(xiàng)目與有功功率有很強(qiáng)的相關(guān)性，如齒輪箱輸入/輸出軸溫度，葉輪轉(zhuǎn)速，發(fā)電機(jī)轉(zhuǎn)速和三相繞組溫度.同時(shí)，葉片槳距角與有功功率之間存在負(fù)相關(guān).

皮爾遜相關(guān)系數(shù)表示出了SCADA系統(tǒng)監(jiān)測(cè)項(xiàng)目與有功功率之間的相關(guān)關(guān)系，可以明顯地看出，風(fēng)電機(jī)組的運(yùn)行狀況直接影響著風(fēng)能轉(zhuǎn)化為電能的效率.因此，在預(yù)測(cè)風(fēng)電機(jī)組功率的時(shí)候需要考慮到其運(yùn)行狀態(tài).

2 風(fēng)電場(chǎng)預(yù)測(cè)模型

風(fēng)電機(jī)組是一套集合風(fēng)力發(fā)電轉(zhuǎn)換、機(jī)械傳動(dòng)、電磁耦合于一體的發(fā)電設(shè)備，因此具有明顯的非線性和強(qiáng)耦合特性.為了準(zhǔn)確提取SCADA系統(tǒng)監(jiān)測(cè)項(xiàng)目與有功功率之間的映射函數(shù)，本文利用支持向量機(jī)(SVM)[11]方法建立了回歸模型.

風(fēng)電機(jī)組中風(fēng)向標(biāo)位于輪轂的高度處，待測(cè)量的風(fēng)向面對(duì)葉輪，并且風(fēng)速計(jì)測(cè)量的風(fēng)速是風(fēng)力作用在葉輪上之后的風(fēng)力.影響風(fēng)電機(jī)組功率的綜合數(shù)據(jù)由氣象數(shù)據(jù)、葉片槳距角、葉輪轉(zhuǎn)速、葉片角和偏航角等運(yùn)行條件數(shù)據(jù)組成，這意味著不同外部環(huán)境下每個(gè)風(fēng)電機(jī)組的風(fēng)力轉(zhuǎn)換效率都是不同的.因此，本研究不建立尾流效應(yīng)、湍流效應(yīng)、表面形貌的剪切效應(yīng)和風(fēng)力發(fā)電機(jī)安裝位置的額外模型.

SVM是一種基于嚴(yán)格的統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)誤差最小化原理開(kāi)發(fā)的機(jī)器學(xué)習(xí)算法，可以克服小樣本、非線性、高維數(shù)等實(shí)際問(wèn)題，并且可以克服神經(jīng)網(wǎng)絡(luò)的缺陷，SVM被廣泛用于解決模式識(shí)別的問(wèn)題.近年來(lái)，由于其優(yōu)良的性能已經(jīng)被擴(kuò)展到回歸領(lǐng)域，命名為SVR.

SVR考慮給定的訓(xùn)練數(shù)據(jù)集(xi,yi)(i=1,2,…,m)，其中m表示訓(xùn)練數(shù)據(jù)對(duì)的總數(shù)，xi是輸入向量，yi是對(duì)應(yīng)的輸出.通過(guò)采用非線性函數(shù)g(x)將輸入空間m映射到特征空間l(l>m)，將相似數(shù)據(jù)聚在一起，使不同數(shù)據(jù)分隔開(kāi)，進(jìn)行數(shù)據(jù)的篩選.f(x)=WTg(x)+b用來(lái)定義特征空間中的超平面，稱為權(quán)向量，用來(lái)劃分不同數(shù)據(jù)區(qū)域，其中b稱為偏差.采樣點(diǎn)和超平面之間的距離就可以表示為|yi-f(xi)|≤ε(ε≥0)，即符合這個(gè)約束條件的數(shù)據(jù)屬于正常數(shù)據(jù)，可以用來(lái)計(jì)算輸出有效功率.考慮到誤差，使用懲罰系數(shù)C(C>0)和非負(fù)松弛變量ξ和ξ*，通過(guò)引入這幾個(gè)參數(shù)降低誤差.利用式(2)構(gòu)建最優(yōu)超平面的問(wèn)題可以轉(zhuǎn)換成凸二次優(yōu)化問(wèn)題，即帶約束的最小值求解問(wèn)題：

yi-f(xi)≤ε+ξi,

(2)

(3)

根據(jù)公式(3)，最佳超平面也稱為回歸函數(shù)可以表示為：

(4)

由于非線性方程g(x)的確定存在難度，gT(xi)g(x)可以由核函數(shù)k(xi,x)代替，滿足Mercer定理的條件，避免了計(jì)算映射函數(shù)g(x)，然后公式(4)可以被化為：

(5)

yi-f(xi)≤ε.

由式(2)～(4)得到式(5)構(gòu)成風(fēng)電機(jī)組功率預(yù)測(cè)的ε-SVR模型，其中yi表示風(fēng)電機(jī)組的實(shí)際功率輸出，f(xi)表示風(fēng)電機(jī)組的預(yù)測(cè)功率輸出，xi表示影響功率因素的輸入.

將操作條件和氣象條件組成輸入向量，用核函數(shù)代替非線性函數(shù)，將非線性問(wèn)題轉(zhuǎn)換線性問(wèn)題，通過(guò)在高維線性空間的擬合，得到預(yù)測(cè)到的功率，最后進(jìn)行降維操作，得到最終的風(fēng)電機(jī)組輸出功率.

以上通過(guò)建立SVR模型來(lái)解決風(fēng)電機(jī)組功率預(yù)測(cè)問(wèn)題.通過(guò)推導(dǎo)SVR的基本理論，基于SVR的風(fēng)力預(yù)測(cè)模型也可以被簡(jiǎn)化為核函數(shù)被用于在時(shí)間t(每個(gè)組件或子系統(tǒng)的操作條件風(fēng)力發(fā)電機(jī)和氣象信息)通過(guò)非線性映射轉(zhuǎn)換為高維空間中的線性問(wèn)題.然后，在高維空間中進(jìn)行線性擬合，以實(shí)現(xiàn)在時(shí)間t+1的風(fēng)力回歸預(yù)測(cè).

3 實(shí)驗(yàn)與分析

3.1 SVR模型有效性分析

為了驗(yàn)證SVR模型的有效性和可行性，本文選擇了河北某風(fēng)電場(chǎng)的歷史數(shù)據(jù)，利用平均5min的數(shù)據(jù)作為樣本.隨機(jī)選取2d的數(shù)據(jù)作為模型的訓(xùn)練樣本，第3d的數(shù)據(jù)作為測(cè)試數(shù)據(jù).

采用ε-SVR模型，可以直接通過(guò)編譯的LIBSVM工具箱調(diào)用和訓(xùn)練，操作簡(jiǎn)單.徑向基函數(shù)(RBF)作為核函數(shù)，網(wǎng)格法用于優(yōu)化參數(shù)懲罰系數(shù)C和核寬度參數(shù)σ.最后，參數(shù)由10個(gè)數(shù)據(jù)集交叉驗(yàn)證確定.

為了驗(yàn)證運(yùn)行條件對(duì)有功功率的影響，建立了兩個(gè)預(yù)測(cè)模型.第一個(gè)模型的輸入是基于氣象信息，第二個(gè)模型的輸入是基于氣象信息和操作條件.圖3給出了1號(hào)風(fēng)機(jī)的實(shí)際功率和兩個(gè)模型的預(yù)測(cè)結(jié)果.

圖3 1號(hào)風(fēng)機(jī)功率預(yù)測(cè)結(jié)果Fig.3 Power prediction result of wind turbine No.1

在風(fēng)速未達(dá)到風(fēng)機(jī)的切入風(fēng)速，風(fēng)電機(jī)組會(huì)切斷，存在有功功率波動(dòng)段和零輸出功率段.為了定量分析預(yù)測(cè)結(jié)果，使用歸一化絕對(duì)平均誤差eNMAE和歸一化均方根誤差eNRMSE作為誤差指數(shù)以評(píng)估預(yù)測(cè)精度.評(píng)價(jià)指標(biāo)的定義如式(6)和(7)：

(6)

(7)

其中x′(i)是風(fēng)力的預(yù)測(cè)值；x(i)是風(fēng)力的真實(shí)值；N是風(fēng)力發(fā)電訓(xùn)練樣本的數(shù)量；Pcap是風(fēng)力發(fā)電機(jī)的額定容量.

表1給出了兩個(gè)模型的預(yù)測(cè)誤差，第一模型的預(yù)測(cè)誤差大于第二模型的預(yù)測(cè)誤差，約為第二模型的3倍.因此可以確定運(yùn)行條件影響有功功率輸出，為了提高預(yù)測(cè)精度，模型應(yīng)考慮風(fēng)電機(jī)組的運(yùn)行條件.

表1 兩種模型下預(yù)測(cè)誤差

將11臺(tái)風(fēng)電機(jī)組功率預(yù)測(cè)的預(yù)測(cè)誤差列于表2中.

表2 11臺(tái)風(fēng)電機(jī)組預(yù)測(cè)誤差Tab.2 Prediction error of 11 sets of wind turbines

表2表明，考慮風(fēng)機(jī)運(yùn)行條件的模型預(yù)測(cè)比僅考慮氣象信息的模型誤差小，未考慮運(yùn)行條件風(fēng)機(jī)的平均eNMAE為4.1%，平均eNRMSE為6.2%；考慮運(yùn)行條件風(fēng)機(jī)的平均eNMAE為3.9%，平均eNRMSE為5.4%，模型精度更高，證明了該方法的有效性.

3.2 風(fēng)電場(chǎng)風(fēng)力預(yù)測(cè)模型

本文選擇每個(gè)單元的預(yù)測(cè)功率作為SVR模型的輸入向量，選擇風(fēng)場(chǎng)的實(shí)際輸出功率作為訓(xùn)練SVR模型的相應(yīng)輸出.由于風(fēng)電機(jī)組數(shù)量眾多，每個(gè)都考慮并不現(xiàn)實(shí)，因此隨機(jī)選擇風(fēng)電機(jī)組，構(gòu)成風(fēng)電場(chǎng).它們的SCADA數(shù)據(jù)用于驗(yàn)證情況，作為對(duì)比，還給出了風(fēng)電機(jī)組的預(yù)測(cè)值的直接求和的結(jié)果.實(shí)驗(yàn)表明，兩種算法的預(yù)測(cè)結(jié)果可以表示有功功率的波動(dòng)，SVR模型的預(yù)測(cè)性能優(yōu)于另一種.

表3提供了上述兩種模型的eNMAE和eNRMSE的預(yù)測(cè)誤差.結(jié)果表明，來(lái)自SVR模型的預(yù)測(cè)誤差小于來(lái)自每個(gè)風(fēng)電機(jī)組模型的總和的預(yù)測(cè)誤差，結(jié)果符合“大數(shù)定律”.因此，本文提出的SVR模型對(duì)超短期風(fēng)力發(fā)電有較好的預(yù)測(cè)精度.

表3 風(fēng)電場(chǎng)的功率與預(yù)測(cè)誤差Tab.3 Wind power and prediction error

4 結(jié)論

在本文中，通過(guò)計(jì)算SCADA監(jiān)測(cè)項(xiàng)目與輸出有功功率之間的皮爾遜相關(guān)系數(shù)，證明了風(fēng)力發(fā)電機(jī)的運(yùn)行條件可以影響風(fēng)電轉(zhuǎn)換效率.多個(gè)風(fēng)電機(jī)組的相關(guān)曲線趨勢(shì)是一致的，這表明各種監(jiān)測(cè)項(xiàng)目和有功功率之間的相關(guān)系數(shù)適合于實(shí)際風(fēng)電場(chǎng).

本文提出了兩種利用SVR方法建立發(fā)電機(jī)組模型.一種是只考慮氣象信息，另一個(gè)考慮氣象信息和操作條件.當(dāng)使用相同的SCADA數(shù)據(jù)集訓(xùn)練時(shí).后者模型的預(yù)測(cè)誤差小于前一模型，后者模型的誤差指數(shù)eNMAE和eNRMSE分別為3.9%和5.4%，預(yù)測(cè)精度高于當(dāng)前預(yù)測(cè)模型的總體水平，證明了該方法的有效性.

當(dāng)預(yù)測(cè)每個(gè)風(fēng)電機(jī)組的功率時(shí)，建立SVR模型使用單個(gè)風(fēng)電機(jī)組的預(yù)測(cè)功率作為輸入來(lái)預(yù)測(cè)風(fēng)力發(fā)電場(chǎng)的功率，這可以獲得比利用一個(gè)模型預(yù)測(cè)所有風(fēng)電機(jī)組的功率更高的精度.

[1] 劉 波,賀志佳,金 昊. 風(fēng)力發(fā)電現(xiàn)狀與發(fā)展趨勢(shì)[J]. 東北電力大學(xué)學(xué)報(bào),2016,(02):7-13.

[2] 米增強(qiáng), 白 俊, 劉力卿,等. 黑啟動(dòng)火電機(jī)組后儲(chǔ)能型風(fēng)電場(chǎng)的調(diào)控策略研究[J]. 儲(chǔ)能科學(xué)與技術(shù), 2017(1):147-153.

[3] 郭振海. 基于PLC的風(fēng)電混合動(dòng)力控制系統(tǒng)研究[D]. 阜新：遼寧工程技術(shù)大學(xué), 2011.

[4] 王松巖, 于繼來(lái). 風(fēng)速與風(fēng)電功率的聯(lián)合條件概率預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2011(7):7-15.

[5] 朱建紅, 潘文霞, 馬 飛. 超短期最優(yōu)預(yù)報(bào)下風(fēng)電場(chǎng)功率預(yù)制修正策略[J]. 可再生能源, 2016, 34(3):401-407.

[6] 陶 佳, 張 弘, 朱國(guó)榮,等. 基于優(yōu)化相空間重構(gòu)技術(shù)的風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(28):9-14.

[7] 崔 嘉, 楊俊友, 楊理踐,等. 基于改進(jìn)CFD與小波混合神經(jīng)網(wǎng)絡(luò)組合的風(fēng)電場(chǎng)功率預(yù)測(cè)方法[J]. 電網(wǎng)技術(shù), 2017, 41(1):79-85.

[8] Han S, Li J, Liu Y. Tabu Search algorithm optimized ANN model for wind power prediction with NWP[J]. Energy Procedia, 2011, 12(39):733-740.

[9] Alves M M, Pirmez L, Rossetto S, et al. Damage prediction for wind turbines using wireless sensor and actuator networks[J]. Journal of Network & Computer Applications, 2017, 80:123-140.

[10] 劉長(zhǎng)良, 吳家佳. 基于核極端學(xué)習(xí)機(jī)的短期風(fēng)電功率預(yù)測(cè)研究[J]. 熱能動(dòng)力工程, 2017(1):95-10

[11] 童小念,文衛(wèi)蔚. 利用MapReduce模型訓(xùn)練支持向量機(jī)的人臉識(shí)別方法[J]. 中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,32(1):83-86.

Short-TermForecastofWindFarmPowerBasedonSupportVectorRegressionModel

LinTao1,2,DongShan1，QinDongyang1，MaTongkuan1

(1 Control Science and Engineering College, Hebei University of Technology, Tianjin 300130, China; 2 Computer Science and Engineering College, Hebei University of Technology, Tianjin 300130, China)

Aiming at the short-term power forecasting of wind farm, the paper proposed a new method which takes the operating conditions of wind turbines into account. Firstly, according to the analysis of the Pearson correlation coefficient between the output power and operating conditions, the specific relevance between SCADA monitoring project and output wind of wind turbines can be revealed. Then a Support Vector Regression model was built to predict the relationship among the wind power of a single wind turbine, meteorological information and the operation state of the wind turbine. The prediction results of the model which considered the operating conditions are better than those of the model considered only meteorological information. Finally, considering the difference contribution of wind turbines which lies in the different spatial positions, the regression model of each wind power generation and the wind farm’s output power were established. The prediction error of the wind field regression model proposed in this paper is less than all the predicted power models of the wind turbine, which verified the validity of the algorithm.

wind power; short-term prediction; SCADA ; support vector regression; wind turbine

2017-04-30 *

董 柵，研究方向：計(jì)算機(jī)網(wǎng)絡(luò)控制、人工智能，E-mail：isdongshan@foxmail.com

林 濤(1970-)，男，教授，博士，研究方向：計(jì)算機(jī)網(wǎng)絡(luò)控制理論、網(wǎng)絡(luò)管理與安全、嵌入式系統(tǒng)及網(wǎng)絡(luò)控制，E-mail：lintaohebut@163.com

河北省科技支撐計(jì)劃項(xiàng)目(17214304D)

TM614

A

1672-4321(2017)04-0095-05