江漢大學人工智能學院 陳 巖 周 晨 侯 群

風電功率的預測對風力發(fā)電系統(tǒng)具有重要意義，然而，風力發(fā)電的輸出功率具有較大的波動性和間歇性，這對制定發(fā)電計劃、調(diào)度運行帶來了巨大的挑戰(zhàn)。本文介紹了一種基于SVM算法對風電功率進行預測的方法，將風電功率的歷史數(shù)據(jù)作為因變量，將其對應的影響風電功率的主要因素數(shù)據(jù)作為自變量，使用SVM回歸方法建立預測模型，找出最佳的模型參數(shù)，將需要預測的數(shù)據(jù)自變量輸入到模型中，有效并準確地預測出風電功率數(shù)據(jù)，預測準確度可達到94%以上。

隨著地球環(huán)境的污染和不可再生資源的過度消耗，人們把更多的目光投在了可再生資源身上。風資源作為一種清潔能源，取之不盡，用之不竭，和目前常見的火力發(fā)電相比，沒有污染排放，也沒有煤炭資源消耗。中國作為風資源儲量巨大的國家，裝機量逐年提高，從保護環(huán)境和節(jié)約資源的角度來看，風力發(fā)電具有良好的未來發(fā)展前景。

風電功率是風力發(fā)電系統(tǒng)中最為重要的指標之一，然而，風電功率會受到風速、風向角等因素的影響，因此對風電功率預測的準確性成為了關(guān)鍵。

國外風電功率預測研究工作起步較早，比較有代表性的方法主要有：丹麥的Riso國家實驗室的Prediktor預測系統(tǒng)、西班牙的LocalPred預測系統(tǒng)和德國AWPT預測系統(tǒng)等。其主要思想均是利用數(shù)值天氣預測提供風機輪轂高度的風速、風向等預測信息，然后利用風電功率預測模塊提供風電功率。

我國風力發(fā)電起步雖然較晚，但是在數(shù)十年來的發(fā)展趨勢不容忽視，過快的發(fā)展速度導致了風電行業(yè)質(zhì)量跟不上速度的結(jié)果。在近些年，我國的風力發(fā)電領(lǐng)域開始由快速導向型發(fā)展轉(zhuǎn)向質(zhì)量導向型發(fā)展。正是因為這種原因，我國風電功率預測在二十一世紀才開始受到行業(yè)重視，目前仍處于起步階段。

我國目前正在開展基于人工神經(jīng)網(wǎng)絡、支持向量機等方法的風電功率預測模型研究，以及基于線性化和計算流體力學的物理模型方法，同時正在進行多種統(tǒng)計方法聯(lián)合應用研究及統(tǒng)計方法與物理方法混合預測模型的研究。

本文采用機器學習中的支持向量機（SVM）算法，探討其在風力發(fā)電機功率預測中的應用研究，將有功功率的歷史數(shù)據(jù)及其對應的變量數(shù)據(jù)進行訓練建模，并使用測試數(shù)據(jù)集對預測模型進行檢驗。

1 SVM算法介紹

支持向量機（Support Vector Machine，SVM）是一種按監(jiān)督學習（supervised learning）方式對數(shù)據(jù)進行二元分類的廣義線性分類器（generalized linear classifier），其決策邊界是對學習樣本求解的最大邊距超平面（maximum-margin hyperplane）。

SVM使用鉸鏈損失函數(shù)（hinge loss）計算經(jīng)驗風險（empirical risk）并在求解系統(tǒng)中加入了正則化項以優(yōu)化結(jié)構(gòu)風險（structural risk），是一個具有稀疏性和穩(wěn)健性的分類器，SVM可以通過核方法進行非線性分類，是常見的核學習方法之一。

SVM在1964年被提出，在二十世紀90年代后得到快速發(fā)展并衍生出一系列改進和擴展算法，在人像識別、文本分類等模式識別問題中得到應用。

2 基于SVM的風電功率預測模型

2.1 數(shù)據(jù)采樣

影響風力發(fā)電機功率的變量有很多，如風速，空氣密度，發(fā)電機扇葉半徑，風向角等等，如果將這些因素都考慮進去來預測風電功率則需要大量數(shù)據(jù)，所以僅選取影響較大的幾個變量對風電功率進行預測。

根據(jù)風電功率計算公式：

其中，p為風電功率，A為掃風面積，V為風速，Cp為風能轉(zhuǎn)化率值，D為空氣密度，φ為功率因子。

在風電功率計算公式中，掃風面積與風機葉片半徑和風向角有關(guān)，風能轉(zhuǎn)化率值與風機生產(chǎn)廠家技術(shù)的不同而有所高低，所以在單臺風機的風速預測中，最直接的影響因素為風速、風向角和功率因子。

本文選取風力發(fā)電機連續(xù)12h的有功功率數(shù)據(jù)，采樣間隔為30s，共計1440條數(shù)據(jù)，其中前1080條設(shè)置為訓練集，后360條設(shè)置為測試集。

訓練集和測試集數(shù)據(jù)均分為自變量和因變量兩部分，因變量為發(fā)電機有功功率，自變量為功率因子、瞬時風速、30s平均風速、10min平均風速、風向角和60s平均風向角六個變量，首先對歷史數(shù)據(jù)進行標準化處理。

2.2 數(shù)據(jù)歸一化

在建模訓練的過程中，不同的評價指標往往具有不同的量綱和量綱單位，這樣的情況會對數(shù)據(jù)分析的結(jié)果造成影響，為了消除這種影響，需要進行數(shù)據(jù)標準化處理，以解決數(shù)據(jù)指標之間的可比性問題。原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標準化處理后，各指標處于同一數(shù)量級，適合進行綜合對比評價。在這里，本文選用數(shù)據(jù)歸一化來對數(shù)據(jù)進行處理。利用公式：

其中，y為歸一化后的目標值，x為原始數(shù)據(jù)，xmax為原始數(shù)據(jù)最大值，xmin為原始數(shù)據(jù)最小值。

2.3 使用SVR建立預測模型

支持向量回歸（Support Vector Regression）是支持向量機的重要分支，目的是找到一個平面，使一個集合的所有數(shù)據(jù)到該平面的距離最近，以達到預測的目的。

式中，ε為常數(shù)，C為懲罰因子，ζi和為松弛因子。

對上述公式引入拉格朗日乘子ai和，轉(zhuǎn)化為對偶問題，則優(yōu)化函數(shù)為：

構(gòu)造支持向量回歸模型需要借助算法計算對偶參數(shù)，本文選取徑向基核函數(shù)（RBF），這里需要確定SVM算法的懲罰因子C和RBF核函數(shù)參數(shù)γ。

懲罰因子C代表模型重視離群點的程度，C越大表示越不能容忍出現(xiàn)誤差，容易出現(xiàn)過擬合的情況，而C越小則容易出現(xiàn)欠擬合的情況。C值的過大或過小都表示其泛化能力變差。

伽馬值γ是選擇RBF函數(shù)作為核函數(shù)后，自帶的一個參數(shù)，隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布，伽馬值越大，支持向量越少，伽馬值越小，支持向量越多，其影響著訓練與預測的速度。

在訓練樣本數(shù)據(jù)的過程中，時常會遇到數(shù)據(jù)缺失的情況，也就是缺失了特征數(shù)據(jù)，導致向量數(shù)據(jù)不完整。SVM算法沒有處理缺失值的策略，并且希望樣本在特征空間中線性可分，所以特征空間的好壞會對SVM的性能有較大影響，會直接導致訓練結(jié)果乃至預測精度。針對這種情況，有兩種解決方法，一是選取正常工況下連續(xù)的、質(zhì)量較高的數(shù)據(jù)，二是對不完整的數(shù)據(jù)集進行數(shù)據(jù)預處理，通過數(shù)據(jù)清理來填寫缺失值、識別并刪除離群點的方式使數(shù)據(jù)集達到較高的質(zhì)量。結(jié)合實際情況，本文選擇第一種方法選取了正常工況下的連續(xù)風電數(shù)據(jù)。

通過對樣本數(shù)據(jù)的訓練，調(diào)整最適合模型的C值和伽馬值，即可得到風電功率預測模型。在這里使用一款SVM模式識別與回歸的工具包LIBSVM，使用回歸模型函數(shù)svmtrain，函數(shù)參數(shù)為訓練集數(shù)據(jù)，得到最優(yōu)的懲罰因子C為4，伽馬值γ為0.3536。整個預測模型的流程圖如圖1所示。

圖1 預測模型流程圖

圖2 訓練集數(shù)據(jù)及其預測值曲線

圖3 測試集數(shù)據(jù)及其預測曲線

圖4 BP神經(jīng)網(wǎng)絡預測曲線

3 結(jié)果分析

3.1 模型訓練結(jié)果

原始數(shù)據(jù)為國內(nèi)某風力發(fā)電機2018年7月14日21:00——2018年7月15日9:00的30s采樣間隔數(shù)據(jù)，在對預測結(jié)果進行評價時，使用RBF核函數(shù)自帶的svmpredict方法，加入誤差參數(shù)。如圖2所示，在訓練結(jié)束后得到訓練集預測的擬合程度為0.94861，其中，參數(shù)C為4，γ為0.3536。

3.2 模型檢驗

將測試集數(shù)據(jù)輸入到已經(jīng)確定參數(shù)的模型中去，從圖3所示可以看出，采用SVM算法對連續(xù)時間的風電功率進行預測，其預測曲線與實際的曲線基本一致，擬合程度達到0.94725，擬合程度較高，證明使用SVM在風電功率預測場景中的可行性。

使用BP神經(jīng)網(wǎng)絡的方法對訓練集數(shù)據(jù)進行訓練，得到該數(shù)據(jù)集的BP神經(jīng)網(wǎng)絡，并使用該神經(jīng)網(wǎng)絡對測試集數(shù)據(jù)進行預測，可以得到如圖4所示的預測曲線，擬合程度為0.94506，略低于基于SVM訓練的預測模型。

結(jié)論：風電功率預測是風力發(fā)電系統(tǒng)中重要的一環(huán)，受外界因素影響，風電功率具有不穩(wěn)定性，需要將主要因素考慮進來并對結(jié)果進行預測。本文首先對樣本數(shù)據(jù)進行數(shù)據(jù)預處理，將歸一化后的數(shù)據(jù)分為訓練集和測試集，選取RBF核函數(shù)對訓練集進行訓練，得到模型參數(shù)，再將測試集數(shù)據(jù)輸入到預測模型中，得到最終預測結(jié)果。該模型的預測結(jié)果與實際數(shù)據(jù)相比，擬合度可以達到94.7%。同時，使用BP神經(jīng)網(wǎng)絡的方法對風電功率進行預測，可以得到略低于SVM方法的擬合精度，再次印證了SVM算法在風電功率預測領(lǐng)域的可行性。此外，對于SVM的一些其他改進算法對風電功率預測精度的效果，可以期待后續(xù)的探討。