殷 實 關玉衡 曾艷芳

(華南理工大學電力學院 廣東廣州 510640)

基于SVM模型的風電功率預測

殷 實 關玉衡 曾艷芳

(華南理工大學電力學院 廣東廣州 510640)

為解決因風電機組功率波動產(chǎn)生的調度問題，運用支持向量機法對風電機組功率的輸出進行實時預測，結果表明單臺機組預測的均方根誤差為2.16%，相關系數(shù)為77.605 4%，58臺機組預測的均方誤差為0.7%，相關系數(shù)為90.321 4%。說明了風機機組匯聚得越多，機組系統(tǒng)越穩(wěn)定。最后還探索了進一步提高SVM預測精度的方法。

風電功率;實時預測;支持向量機

0 引言

風能是一種可再生、清潔的能源，是目前世界上首選的可再生能源發(fā)電模式。風能資源的隨機性、波動性、間歇性、低能量密度等特點，給大規(guī)模風電接入電力系統(tǒng)帶來困難，也會給發(fā)電和運行調度計劃的制訂帶來很多困難。如果可以對風電場的發(fā)電功率進行預測［1］，電力調度部門就能夠根據(jù)風電功率變化預先安排調度計劃，保證電網(wǎng)的功率平衡和運行安全。

1 支持向量機簡介

支持向量機［2］的主要思想可以概括為兩點:①它是針對線性可分情況進行分析，對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化為高維特征空間使其線性可分。②它基于結構風險最小化理論之上在特征空間中建構最優(yōu)分割超平面，使得學習器得到全局最優(yōu)化，并且在整個樣本空間的期望風險以某個概率滿足一定上界。

2 基于支持向量機的風功率預測模型

用支持向量機的方法來進行功率實時預測［3］的步驟如圖1。

首先對自變量和因變量作歸一化處理，使用mapminmax函數(shù)來實現(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SVM進行訓練，再對原始數(shù)據(jù)進行回歸預測，得到實時預測結果。

圖1 SVM實時功率預測步驟圖

3 SVM計算分析

3.1 對象簡介

本例為由58臺風電機組構成的某風電場，每臺機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日時間段內(nèi)該風電場中指定的四臺風電機組(A、B、C、D)輸出功率數(shù)據(jù)(分別記為PA，PB，PC，PD;另設該四臺機組總輸出功率為P4)及全場58臺機組總輸出功率數(shù)據(jù)(記為P58)。將功率的預測值與實際值對比，并進行誤差分析。

3.2 評價指標

采用了以下兩個統(tǒng)計量來評價模型的擬合程度和診斷效果，這兩個統(tǒng)計量是均方根誤差和相關系數(shù):

3.3 結果及分析

由圖2和圖3可以看出原始數(shù)據(jù)和回歸預測數(shù)據(jù)十分接近，根據(jù)程序預測可得到A機組最終的均方根誤差 RMSE=0.021 647 4相關系數(shù) R= 77.605 4%，均方根誤差遠小于15%。58臺機組的均方根誤差RMSE=0.007 154 99，相關系數(shù)R= 90.321 4%。由圖4和圖5可知單臺風電機組功率(PA，PB，PC，PD)的相對預測誤差比多機總功率(P4，P58)預測的相對誤差要大一些，因此可知風機機組的匯聚會使風電功率預測誤差減小，也就是說，風機機組匯聚得越多，機組系統(tǒng)越穩(wěn)定。

圖2 機組A的原始數(shù)據(jù)和回歸預測數(shù)據(jù)對比

圖3 58臺機組的原始數(shù)據(jù)和回歸預測數(shù)據(jù)對比

圖4 機組A相對誤差圖

圖5 58臺機組相對誤差圖

4 進一步提高風電功率實時預測精度的方法

支持向量機(SVM)的方法預測的結果最佳，誤差小，符合國家標準，在這一部分中本文將以支持向量機(SVM)為基礎，探索進一步提高風電機組實時預測精度的方法。

在SVM中，c和g兩個參數(shù)是十分重要的，調節(jié)改變這兩個參數(shù)可改變 MSE，直到得到滿意的MSE。為了進一步提高風電功率實時預測的精度，應用基于SVM的Grid-search方法對預測模型的參數(shù)進行大范圍搜索，再用k-fold Cross validation方法尋找參數(shù)的最優(yōu)值進行選擇，得到最佳參數(shù)組合，從而得到最佳結果來提高實時預測的精度。

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對應著不同的MSE值，通過這種方式找到最優(yōu)MSE值，可有效提高風電功率實時預測精度。單機均方根可達到0.02左右。

圖6 參數(shù)粗略選擇結果圖(等高線圖)

圖7 參數(shù)粗略選擇結果圖(3D視圖)

圖8 參數(shù)精細選擇結果圖(等高線圖)

圖9 參數(shù)精細選擇結果圖(3D視圖)

由于支持向量機方法以統(tǒng)計學習理論作為其基礎理論，采用結構風險最小化原則，具有精度高、全局最優(yōu)及泛化行等優(yōu)點，所以本文提出了基于SVM的風電功率預測模型，該模型可準確有效地對風電功率進行預測。將SVM風電功率預測方法應用于不同的機組組合中，經(jīng)過訓練后的SVM模型對檢驗樣本風電功率進行預報。表明SVM方法具有很高的預測精度，具有很好的泛化能力，具有很好的推廣應用前景。SVM模型的建立，電力調度部門能夠根據(jù)風電功率變化預先安排調度計劃，保證電網(wǎng)的功率平衡和運行安全。并且本文在最后就如何提高預測精度作出了一定的嘗試，能保證預測更加精確。

［1］ 李元誠，方廷健，于爾鏗.短期負荷預測的支持向量機方法研究［J］.中國電機工程學報，2003，23(6): 55-59.

［2］ 彭懷午，楊曉峰，劉方銳.基于SVM方法的風電場短期風速預測［J］.電網(wǎng)與清潔能源，2009(7):48-52.

［3］ 蔡杰進，馬曉茜.電站燃煤機組煤粉細度優(yōu)化分析［J］.鍋爐技術，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(1990-)，男，從事研究方向:熱能與動力工程