一种基于分段聚类及组合优化的风电功率预测方法技术

本发明专利技术公开了一种基于分段聚类及组合优化的风电功率预测方法，该方法包括以下步骤：(1)对风电历史数据进行聚类分段；(2)使用风电功率数据样本进行自回归滑动平均模型训练；(3)使用风电功率、风速、温度历史数据样本进行基于粒子群优化的支持向量机模型PSO‑SVM训练；(4)使用ARMA预测模型和PSO‑SVM预测模型建立组合预测模型；(5)基于分段聚类划分结果和组合预测模型进行风电功率预测。本发明专利技术组合预测模型具有较强的适用性，可以根据实际需求改变聚类分段数量实现精度和计算资源的平衡；能够快速准确预测风电场下一时间点的出力大小，稳定性好；本发明专利技术能够为电力系统调度员提供风电场出力的参考值，对保证电力系统安全稳定运行具有重要意义。

A wind power forecasting method based on piecewise clustering and combinatorial optimization

【技术实现步骤摘要】
一种基于分段聚类及组合优化的风电功率预测方法
本专利技术属于电力系统领域，具体涉及一种基于分段聚类及组合优化的风电功率预测方法。
技术介绍
近年来，国内外风力发电技术及应用发展迅速，我国风力发电装机容量呈现逐年上升趋势。截至2017年，我国风电总装机容量达到1.45亿千瓦，风电渗透率达4.8％。由于风力发电的可变性及不确定性，风电在电网的渗透率过高将导致电网调度难度增加和系统稳定性降低的问题。在大量风电并网的背景下，为了保证电力系统安全、稳定运行，一种解决方案是提高系统中的旋转设备备用容量；另一种解决方案是对风电功率进行精准预测，参考预测功率进行合理调度以确保电力系统稳定。前者需要耗费大量资源建设和维护备用的旋转设备设施，成本很高。因此，为了在保证电力系统稳定性的同时降低风力发电的运营成本，对风电功率进行高精度预测是最有效的解决方案。
技术实现思路
专利技术目的：为了克服现有技术的不足，本专利技术提供一种基于分段聚类及组合优化的风电功率预测方法，该方法可以进行风电功率快速、精准预测，可以解决大量风电并网影响电力系统稳定运行的问题。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于分段聚类及组合优化的风电功率预测方法，该方法包括以下步骤：(1)对风电数据进行聚类分段；(2)使用风电功率数据样本进行ARMA模型训练；(3)使用风电功率、风速、温度数据样本进行PSO-SVM模型训练；(4)使用ARMA预测模型和PSO-SVM预测模型建立组合预测模型；(5)基于分段聚类划分结果和组合预测模型进行风电功率预测。步骤(1)中，所述风电数据包括：(1-1)风电场至少一年的风电功率输出记录数据，至少每L分钟记录一次。(1-2)风电场至少一年的风速测量数据，至少每L分钟记录一次。(1-3)风电场至少一年的温度测量数据，至少每L分钟记录一次。所述L可以根据实际需要设置具体的值。所述聚类分段包括：(1-4)对步骤(1)中的一年的风电功率数据、风速数据、温度数据以周为单位计算平均值，得到一个长度为52的数据集{xi＝(wpi,wsi,wti)},i＝1,2,...,52，其中，wpi为第i周的风电功率平均值，wsi为第i周的风速平均均值，wti为第i周的温度平均值。(1-5)使用K均值聚类算法对(1-4)中的数据集{xi}进行聚类分析，选择合适的聚类个数K，使得聚类结果连续周次的数据点归于一类。(1-6)根据(1-5)的聚类结果中不同类别的分界点，将数据集{xi}分段。例如聚类结果为{xi,i＝1,2,...,k1}为一类，{xi,i＝k1+1,...,k2}为一类，{xi,i＝k2+1,...,k3}，{xi,i＝k3+1,...,52}为一类，k1、k2、k3为聚类分界点，则将数据集{xi}分为4段：第1～k1周、第k1+1～k2周、第k2+1～k3周、第k3+1～52周。步骤(2)中，所述ARMA模型训练包括：(2-1)ARMA风电功率预测模型的数学表达式为：其中，{xt}表征风电功率时间序列；ai为自回归参数；bj为移动平均参数；εt为预测残差；xt-i、εt-j分别表示x、ε的当前值xt、εt提前i或j时刻的值。(2-2)使用规定自回归过程阶数p和移动平均过程阶数q的取值范围，建议p∈[1,5]，q∈[1,10]，使用N个历史数据拟合出ARMA(p,q)模型参数ai和bj，且p和q为整数。(2-3)模型校验，检验(2-2)中的所有p和q的取值情况的ARMA(p,q)模型的预测残差是否是高斯白噪声，若为高斯白噪声，则检验通过，记录该模型参数p和q；若不是高斯白噪声，则此模型阶数不适用，无需记录。(2-4)根据步骤(2-3)中记录的参数p和q，计算ARMA(p,q)模型的AIC指标，计算公式为：式中，σ2为预测残差的方差，N为拟合参数时使用到的历史数据个数，p、q为ARMA(p,q)模型的阶数。(2-5)选取预测残差为高斯白噪声且AIC指标最小的模型作为最优模型。步骤(3)中，所述PSO-SVM模型训练包括：(3-1)SVM模型定义如下：假设有一个观察样本集其中，每个xi∈Rn表示样本的输入空间，有对应的目标值yi∈R，其中，i＝1，…，N，N与样本数据的容量大小相关，将输入数据映射到高维特征空间，利用下面的估计函数对特征空间进行线性回归：f(x)＝[ωT,φ(x)]+b其中，φ(x)为高维特征空间的映射函数，该特征空间为非线性的，ωT是线性回归得到的系数，b是一个常实数，其目标是最小化以下函数：约束条件：其中，xi被函数φ映射到高维空间，ξi是松弛因子，其中松弛因子与损失函数ε有关，C为惩罚因子，用于控制回归质量，φ为映射函数，高维空间中的内积函数φ(xi)可以用核函数代替。(3-2)确定单步预测要使用的风电功率、风速、温度历史数据个数k和训练样本长度N，同时使用风电功率、风速、温度历史数据生成训练样本数据。训练样本的输入空间向量xt和对应的目标输出yt为：其中，t＝k,k+1,...,N+k为数据的时刻，即训练样本共包含N个xt和yt；WPt为t时刻的风电功率数据；WSt为t时刻的风速数据；WKt为t时刻的风电功率数据，下标t-i，(i＝1,2,...,k)表示当前时刻t往前推i个时刻所得到的时刻。(3-3)使用(3-2)中的训练样本数据训练SVM模型，并使用粒子群优化算法对SVM模型的惩罚因子和核函数参数进行优化，得到PSO-SVM模型。(3-4)使用PSO-SVM模型预测训练样本数据之后的M个时间点的风电功率数据，计算预测误差指标RMSE，若RMSE高于预设值阈值，则重复(3-3)重新训练模型，若不高于预设阈值，则模型满足要求。步骤(3-4)中，RMSE的计算公式为：其中，M为预测点个数，PN为风机的额定功率，Pf为风电功率预测值，Ps为风电功率实际值。步骤(4)中，所述最优加权组合包括：组合预测模型综合考虑两个或两个以上的单一预测模型的预测结果，对各个单一预测模型的预测结果进行加权组合。(4-1)加权组合表达式为：Fcomb＝ω1FSVM+ω2FARMA式中，Fcomb为组合模型预测结果；FSVM为PSO-SVM模型预测结果；FARMA为ARMA模型预测结果；ω1、ω2为加权系数，满足ω1+ω2＝1。(4-2)选取部分历史数据进行ARMA模型预测和PSO-SVM模型预测；(4-3)将两种预测模型的预测结果进行加权组合，使用粒子群优化加权系数ω1、ω2，使得的组合模型的RMSE误差指标最小。步骤(5)，使用最近历史数据预测风电功率包括：(5-1)重复步骤(2)～步骤(4)，根据步骤(1)中得到的分段结果，使用各个分段的数据训练组合预测模型，得到所有分段的组合预测模型；(5-2)进行风电功率预测时，使用当前预测点之前历史数据输入对应分段的组合预测模型，计算风电功率预测值。有益效果：与现有技术相比，本专利技术的技术方案具有以下有益技术效果：1、本专利技术的集成ARMA预测模型对线性时间序列预测的精确性和PSO-SVM预测模型对非线性序列具有较强适应性的特点，能更好地对风电功率序列进行精准预测；2、使用聚类算法将一年的风电数据分为不同特性的分段，每个分段独立使用一个组合模型进行预测，预测精度更高；3、模型训练完成本文档来自技高网...

【技术保护点】
1.一种基于分段聚类及组合优化的风电功率预测方法，其特征在于，该方法包括以下步骤：(1)对采集的风电数据进行聚类分段；(2)使用风电功率数据样本进行ARMA模型训练；(3)使用风电功率、风速、温度数据样本进行PSO‑SVM模型训练；(4)使用ARMA预测模型和PSO‑SVM预测模型建立组合预测模型；(5)基于分段聚类划分结果和组合预测模型进行风电功率预测。

【技术特征摘要】
1.一种基于分段聚类及组合优化的风电功率预测方法，其特征在于，该方法包括以下步骤：(1)对采集的风电数据进行聚类分段；(2)使用风电功率数据样本进行ARMA模型训练；(3)使用风电功率、风速、温度数据样本进行PSO-SVM模型训练；(4)使用ARMA预测模型和PSO-SVM预测模型建立组合预测模型；(5)基于分段聚类划分结果和组合预测模型进行风电功率预测。2.根据权利要求1所述的一种基于分段聚类及组合优化的风电功率预测方法，其特征在于，步骤(1)中，所述采集的风电数据如下：(1-1)风电场至少一年的风电功率输出记录数据，至少每L分钟记录一次；(1-2)风电场至少一年的风速测量数据，至少每L分钟记录一次；(1-3)风电场至少一年的温度测量数据，至少每L分钟记录一次。3.根据权利要求1或2所述的一种基于分段聚类及组合优化的风电功率预测方法，其特征在于，步骤(1)中，所述聚类分段方法如下：(1-4)对步骤(1)中采集一年的风电功率数据、风速数据、温度数据以周为单位计算平均值，得到一个长度为52的数据集{xi＝(wpi,wsi,wti)},i＝1,2,...,52，其中，wpi为第i周的风电功率平均值，wsi为第i周的风速平均均值，wti为第i周的温度平均值；(1-5)使用K均值聚类算法对(1-4)中的数据集{xi}进行聚类分析，选择合适的聚类个数K，使得聚类结果连续周次的数据点归于一类；(1-6)根据(1-5)的聚类结果中不同类别的分界点，将数据集{xi}分段，设k1、k2、k3为步骤(1-5)中得到的聚类分界点，则对数据集{xi＝(wpi,wsi,wti)}聚类结果为{xi,i＝1,2,...,k1}为一类，{xi,i＝k1+1,...,k2}为一类，{xi,i＝k2+1,...,k3}，{xi,i＝k3+1,...,52}为一类，则将数据集{xi}分为4段：第1～k1周、第k1+1～k2周、第k2+1～k3周、第k3+1～52周。4.根据权利要求3所述的一种基于分段聚类及组合优化的风电功率预测方法，其特征在于，步骤(2)中，所述ARMA模型训练方法如下：(2-1)设置ARMA风电功率预测模型的数学表达式为：其中，{xt}表征风电功率时间序列；ai为自回归参数；bj为移动平均参数；εt为预测残差；xt-i、εt-j分别表示x、ε的当前值xt、εt提前i或j时刻的值。(2-2)使用规定自回归过程阶数p和移动平均过程阶数q的取值范围，使用N个历史数据拟合出ARMA(p,q)模型参数ai和bj；(2-3)模型校验，检验(2-2)中的所有p和q的取值情况的ARMA(p,q)模型的预测残差是否是高斯白噪声，若为高斯白噪声，则检验通过，记录该模型阶数p和q；若不是高斯白噪...

【专利技术属性】
技术研发人员：王玉荣，王东川，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32