魏 超

（國(guó)能東北新能源發(fā)展有限公司，遼寧 沈陽(yáng) 110000）

0 引言

風(fēng)電功率的變化給電網(wǎng)安全經(jīng)濟(jì)運(yùn)行以及電能的可靠性帶來(lái)了很大的挑戰(zhàn)。因此，從經(jīng)濟(jì)和安全方面考慮，準(zhǔn)確的風(fēng)電功率預(yù)測(cè)對(duì)風(fēng)電場(chǎng)至關(guān)重要，也是后續(xù)各種智能化應(yīng)用工作的基礎(chǔ)。

廣泛應(yīng)用于風(fēng)電功率組合預(yù)測(cè)中的主要有神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。神經(jīng)網(wǎng)絡(luò)能對(duì)非線性的系統(tǒng)進(jìn)行無(wú)限逼近，并且有處理各種復(fù)雜問(wèn)題的能力，但初始參數(shù)不容易選取，且常會(huì)受閥值影響，導(dǎo)致有時(shí)預(yù)測(cè)性能會(huì)隨著參數(shù)的變化而改變。SVM 的結(jié)構(gòu)比較簡(jiǎn)單，泛化能力強(qiáng)，易于訓(xùn)練，在解決非線性、大維數(shù)的問(wèn)題中取得了比神經(jīng)網(wǎng)絡(luò)更好的預(yù)測(cè)效果。綜合考慮經(jīng)濟(jì)型、準(zhǔn)確性等方面，該文選定SVM 為主要的建模方法[1]。

該文從建?？蚣堋⑺惴ㄔ?、處理過(guò)程、實(shí)例驗(yàn)證方面出發(fā)，詳細(xì)介紹了基于SVM 的短期風(fēng)電功率預(yù)測(cè)方法，在風(fēng)電功率預(yù)測(cè)的思想、方法、流程步驟上為后續(xù)研究人員提供了指導(dǎo)及借鑒。

1 建?？蚣?/h2>

基于SVM 短期風(fēng)電功率預(yù)測(cè)是個(gè)迭代計(jì)算的過(guò)程，為了得到良好的預(yù)測(cè)效果，需要選取風(fēng)電廠的實(shí)際運(yùn)行數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)化處理，選取合適的建模算法，得到最終風(fēng)電功率的預(yù)測(cè)值。其建模步驟如下：1）隨機(jī)選取實(shí)際的風(fēng)電功率數(shù)據(jù)，預(yù)處理原始風(fēng)電功率時(shí)間序列。2）采用基于互補(bǔ)自適應(yīng)噪聲集成經(jīng)驗(yàn)?zāi)Ｌ胤纸猓‥EMDCAN）算法對(duì)第1 步處理后的初始風(fēng)電功率進(jìn)行處理，得到平穩(wěn)化的風(fēng)電功率序列。3）對(duì)各個(gè)IMF 分量建立相應(yīng)的SVM 預(yù)測(cè)模型。4）將每個(gè)分量的預(yù)測(cè)值組成樣本集。5）重復(fù)第3～4 步，得到每個(gè)分量的最終預(yù)測(cè)值。6）把每個(gè)分量預(yù)測(cè)值進(jìn)行合成，得到最終的風(fēng)電功率預(yù)測(cè)數(shù)值。7）對(duì)建立的模型進(jìn)行誤差判斷，根據(jù)誤差值判斷該模型是否可以有效預(yù)測(cè)出風(fēng)電功率數(shù)據(jù)，具體的建?？蚣苋鐖D1 所示。

圖1 建模框架

2 算法原理

2.1 數(shù)據(jù)的歸一化處理

通過(guò)多次建模測(cè)試，風(fēng)電機(jī)組系統(tǒng)初始采集的數(shù)據(jù)波動(dòng)性比較強(qiáng)，不利于模型的建立，因此對(duì)風(fēng)電功率數(shù)據(jù)進(jìn)行歸一化處理是必不可少的一步。

風(fēng)電機(jī)組數(shù)據(jù)的原始數(shù)據(jù)波動(dòng)性過(guò)強(qiáng)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理的目的是防止大范圍的波動(dòng)數(shù)據(jù)對(duì)小范圍變化的數(shù)據(jù)產(chǎn)生影響。算法的處理流程可以簡(jiǎn)述為輸入原始功率數(shù)據(jù)、線性縮放處理和得到初始試驗(yàn)樣本。

此外，對(duì)發(fā)現(xiàn)的異常數(shù)據(jù)，可以用采樣周期的上一個(gè)或下一個(gè)時(shí)刻代替，對(duì)功率小于0 的數(shù)據(jù)需要以0 代替，大于最大功率以最大功率代替。

采用公式（1）進(jìn)行數(shù)據(jù)預(yù)處理后，得到風(fēng)電功率初始數(shù)據(jù)。

式中：xmax和xmin分別為樣本中歷史風(fēng)電功率的最大值和最小值。

2.2 EEMDCAN 分解

EEMDCAN 分解[2]在經(jīng)驗(yàn)?zāi)B(tài)分解法（EEMD）算法的基礎(chǔ)上進(jìn)行了部分優(yōu)化，具體為在EEMD 分解階段添加正負(fù)噪聲對(duì)。該優(yōu)化可以降低程序篩選的次數(shù)，在誤差方面也有很明顯的減少，在一定程度上提高了分解效率，克服了由于集合平均次數(shù)限制下重構(gòu)誤差較大的問(wèn)題。將原始風(fēng)電功率數(shù)據(jù)進(jìn)行歸一化處理后，讀入模型程序，對(duì)序列進(jìn)行分解處理，可以得到分解后的不同序列風(fēng)電功率數(shù)值。

該算法的處理流程簡(jiǎn)述如下：1）對(duì)信號(hào)添加標(biāo)準(zhǔn)的白噪聲和正負(fù)噪聲對(duì)。2）通過(guò)EMD 分解獲取第一個(gè)模態(tài)分量。3）對(duì)第k 個(gè)剩余分量加正負(fù)噪聲對(duì)并進(jìn)行分解，直至不能分解，處理結(jié)束，最終可以得到分解后的序列值。

2.3 SVM 理論

支持向量機(jī)可以解決非線性回歸分類(lèi)問(wèn)題，能夠取得很好的效果。其算法的原理圖如圖2 所示[3-4]。

圖2 支持向量算法原理圖

支持向量機(jī)算法的處理流程可以簡(jiǎn)述如下：1）加載樣本數(shù)據(jù)。2）對(duì)訓(xùn)練樣本的標(biāo)簽向量進(jìn)行編碼。3）設(shè)置參數(shù)。4）訓(xùn)練與測(cè)試。5）樣本標(biāo)簽向量反向編碼。6）計(jì)算錯(cuò)誤率，最終可以得到訓(xùn)練后的SVM 模型，并得到預(yù)測(cè)的風(fēng)電功率。

式中：ω為權(quán)值；b為偏差；φ（x）為非線性映射。

SVM 優(yōu)化目標(biāo)如公式（3）所示。

式中：C為懲罰因子；ξ，ξ*分別為松弛變量；ε為不敏感損失參數(shù)。

2.4 評(píng)價(jià)標(biāo)準(zhǔn)

建立好模型之后，需要對(duì)模型準(zhǔn)確性進(jìn)行驗(yàn)證，根據(jù)誤差值的多少判斷模型建立的準(zhǔn)確性。該文選取平均絕對(duì)百分誤差（Mean Absolute Percent Error，MAPE）、相對(duì)誤差（Relative Error，RE）和均方誤差（Mean Square Error，MSE）作為模型的評(píng)價(jià)指標(biāo)，使用軟件分別編程進(jìn)行計(jì)算[5-6]。

相對(duì)誤差如公式（4）所示。

平均絕對(duì)百分誤差如公式（5）所示。

均方誤差如公式（6）所示。

式中：Yi為風(fēng)電功率的實(shí)際值；為預(yù)測(cè)值；n為預(yù)測(cè)點(diǎn)個(gè)數(shù)。

3 實(shí)例驗(yàn)證

將該文提出的建模算法用于實(shí)際運(yùn)行中的風(fēng)電機(jī)組進(jìn)行驗(yàn)證。試驗(yàn)數(shù)據(jù)源于國(guó)內(nèi)某風(fēng)電場(chǎng)2019 年2 月到5 月的風(fēng)電功率數(shù)據(jù)。從數(shù)據(jù)采集程序中得到的風(fēng)電機(jī)組實(shí)際運(yùn)行數(shù)據(jù)中選取任意一臺(tái)風(fēng)機(jī)連續(xù)工作20天的風(fēng)電功率數(shù)據(jù)，采樣間隔為15min，去掉異常數(shù)值后，對(duì)初始數(shù)據(jù)進(jìn)行歸一化處理，以前19 天的數(shù)據(jù)為訓(xùn)練集，預(yù)測(cè)第20 天的風(fēng)電輸出功率。最終結(jié)果如圖3 所示。其中，original 為初始序列，imf1～9 為分解的序列，res 為序列分解殘差。

從圖3 可以看出，經(jīng)過(guò)分解后的序列的最終誤差接近于0，不能再進(jìn)一步分解序列了。該方法能完整表示出原始序列的信息，對(duì)每個(gè)分解后的序列進(jìn)行SVM 預(yù)測(cè)，將各個(gè)分量預(yù)測(cè)結(jié)果相加得到最終模型的預(yù)測(cè)結(jié)果，如圖4 所示。

圖3 EEMDCAN 分解結(jié)果

從圖4 可以看出，訓(xùn)練模型基本能預(yù)測(cè)未來(lái)一天的風(fēng)電功率輸出，曲線重合度高，平均絕對(duì)百分誤差只有1.2622%。由此可以看出，數(shù)據(jù)處理后的SVM 模型可以較好地給出短期風(fēng)電功率預(yù)測(cè)數(shù)據(jù)，并且建模簡(jiǎn)單，可擴(kuò)展性強(qiáng)，程序占內(nèi)存小，適于編成程序?qū)︼L(fēng)電功率進(jìn)行實(shí)時(shí)預(yù)測(cè)。

圖4 EEMDCAN-SVM 預(yù)測(cè)結(jié)果

4 模型對(duì)比

BP 算法因原理簡(jiǎn)單、計(jì)算快速、對(duì)計(jì)算機(jī)硬件要求低而深受關(guān)注，模型算法的處理流程可以簡(jiǎn)述如下：1）寫(xiě)入訓(xùn)練輸入輸出數(shù)據(jù)。2）BP 神經(jīng)網(wǎng)絡(luò)創(chuàng)建訓(xùn)練。3）得到訓(xùn)練次數(shù)，誤差小于0.1，結(jié)束循環(huán)。4）對(duì)樣本進(jìn)行測(cè)試。5）將判斷出來(lái)的測(cè)試樣本的標(biāo)簽向量進(jìn)行反向編碼。6）得到錯(cuò)誤率，最終可以得到訓(xùn)練后的BP，并得到預(yù)測(cè)的風(fēng)電功率。

該文的對(duì)比模型采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)BP 算法對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，訓(xùn)練選用的數(shù)據(jù)仍與SVM 模型數(shù)據(jù)一致。最終對(duì)比的結(jié)果見(jiàn)表1。BP 算法原理如圖5 所示，其中X 為輸入數(shù)據(jù)，Y 為權(quán)重因子，O 為輸出數(shù)據(jù)。

圖5 BP 模型原理圖

表1 對(duì)比結(jié)果

從表1 可發(fā)現(xiàn)，使用不同的模型評(píng)價(jià)算法均可以得出和BP 算法相比，SVM 算法預(yù)測(cè)精度有較大的提高。

對(duì)風(fēng)電功率原始數(shù)據(jù)進(jìn)行歸一化處理，并利用EEMDCAN方法將風(fēng)電功率時(shí)間序列分解為若干個(gè)分量，然后運(yùn)用SVM模型對(duì)每個(gè)分量單獨(dú)進(jìn)行預(yù)測(cè)，并將每個(gè)序列預(yù)測(cè)結(jié)果相加。將該預(yù)測(cè)方法應(yīng)用在某風(fēng)電場(chǎng)實(shí)測(cè)風(fēng)電功率數(shù)據(jù)中，結(jié)果表明：基于SVM 的預(yù)測(cè)模型有效地預(yù)測(cè)出了功率數(shù)據(jù)，是一種簡(jiǎn)單、便捷的預(yù)測(cè)模型。

此外，使用驗(yàn)?zāi)B(tài)分解方法能有效處理風(fēng)電功率時(shí)間序列的非平穩(wěn)性特性，然后采用SVM 進(jìn)行預(yù)測(cè)，也在一定程度上提高了風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性。該文在此模型基礎(chǔ)上隨機(jī)選取了其他數(shù)據(jù)進(jìn)行測(cè)試驗(yàn)證，結(jié)果表明該模型可以有效預(yù)測(cè)短期的風(fēng)電功率，均取得良好效果。也可以從功率的變化趨勢(shì)中看出風(fēng)電機(jī)組實(shí)際的運(yùn)行狀態(tài)。但過(guò)長(zhǎng)時(shí)間的風(fēng)電功率預(yù)測(cè)精度并不能達(dá)到滿意的程度，在此對(duì)驗(yàn)證過(guò)程不再贅述。

5 結(jié)論

該文建立了風(fēng)電功率預(yù)測(cè)模型，通過(guò)仿真計(jì)算可以取得良好的風(fēng)電功率預(yù)測(cè)效果。與神經(jīng)網(wǎng)絡(luò)對(duì)比，該文提出的模型有更好的精度。該文為短期風(fēng)電功率預(yù)測(cè)研究提供了一種簡(jiǎn)單、快速、準(zhǔn)確的建模方法，也為后續(xù)根據(jù)功率預(yù)測(cè)的數(shù)據(jù)進(jìn)行風(fēng)電機(jī)組的故障診斷工作打好了理論基礎(chǔ)，在一定程度上提升了風(fēng)電機(jī)組運(yùn)行的安全性和經(jīng)濟(jì)性。此外，可以考慮根據(jù)預(yù)測(cè)模型建立風(fēng)電功率預(yù)測(cè)以及故障預(yù)警一體化平臺(tái)，該平臺(tái)對(duì)風(fēng)電機(jī)組運(yùn)維將會(huì)起到一個(gè)良好的支撐作用。將該文的整體建模過(guò)程作為理論基礎(chǔ)與風(fēng)電功率預(yù)測(cè)以及故障預(yù)警一體化平臺(tái)相結(jié)合是下一步研究的重點(diǎn)內(nèi)容。