一种短期风功率预测方法技术

本发明专利技术公开了一种短期风功率预测方法，包括：采集风功率数据，将风功率数据划分为训练集和测试集；基于SVM核函数与Stacking集成学习算法构建第一融合模型、第二融合模型，将训练集作为输入对第一融合模型进行训练获得目标训练集；将测试集输入训练后的第一融合模型获得目标测试集；将目标训练集和目标测试集输入第二融合模型，获得风功率预测结果。本发明专利技术通过对风电场输出功率进行预测，可以降低不确定性风险，实现了对风力发电系统更好的组合调度，为电力系统的安全稳定和电能质量提供了保障。障。障。

【技术实现步骤摘要】
一种短期风功率预测方法


[0001]本专利技术属于风电功率测量领域，特别是涉及一种短期风功率预测方法。

技术介绍

[0002]随着能源与环境问题的逐渐突出，对可再生能源的研究和利用成为全社会广泛关注的热点问题。而风力发电作为安全可靠、无污染、不需消耗燃料、可并网运行的重要可再生能源之一，近年来在世界范围内得到了突飞猛进的发展。世界风力发电从1990年开始了迅猛发展，2018年2月14日，全球风能理事会发布2017年全球风电发展统计数据：2017年全球风电市场新增容量超过52.57GW，全球累计容量达到539.58GW。2017年中国风力发电新增容量19.5GW，占全世界2017年风力发电总新增容量的37％，2017年中国风力发电累计容量188.19GW，占全世界风力发电总累计容量的34.87％。
[0003]然而风具有不确定性和非平稳性的特点，因此风能是一个波动的电能来源在电力系统中，风力发电的不可调度会给电力系统安全稳定和电能质量造成威胁。因此，风电功率预测特别重要。通过对风电场输出功率的预测，可以降低不确定性风险、更好的对火电机组、水电机组和蓄能电站机组进行调度和组合以及提高风电场参与上网竞价的市场竞争力。因此，风力发电作为发展最快和最成熟的可再生能源发电技术，需要准确的风力发电预测来解决风电输出功率控制、电网安全经济调度以及电力市场环境下风电竞价交易等问题。

技术实现思路

[0004]为解决上述问题，本专利技术提供了如下方案：一种短期风功率预测方法,包括：
[0005]采集风功率数据，将所述风功率数据划分为训练集和测试集；
[0006]基于SVM核函数与Stacking集成学习算法构建第一融合模型、第二融合模型，将所述训练集作为输入对所述第一融合模型进行训练获得目标训练集；将所述测试集输入训练后的第一融合模型获得目标测试集；
[0007]将所述目标训练集和所述目标测试集输入所述第二融合模型，获得风功率预测结果。
[0008]优选地，所述Stacking集成学习算法包括样本空间、输入空间、假设空间、输出空间和版本空间；
[0009]所述样本空间为输入特征的全组合数据；所述输入空间对应原始数据的输入条数；所述输出空间对应预测数据的输出条数；所述假设空间为理论上所有存在的样本集合；所述版本空间用于反映泛化能力的强弱。
[0010]优选地，所述Stacking集成学习算法还包括基模型、元模型、最大泛化正假设边界、最大精确正假设边界；
[0011]通过所述基模型获得第一融合模型，通过所述元模型获得第二融合模型，所述最大泛化正假设边界代表所述输出空间，根据所述最大泛化正假设边界和所述最大精确正假
设边界获得所述版本空间。
[0012]优选地，通过所述基模型获得第一融合模型包括输入所需变量对所述基模型进行训练，所述变量包括历史信息、天气信息、日历规则。
[0013]优选地，所述SVM核函数至少包括Linear核函数、RBF核函数、Poly核函数、Sigmoid核函数；
[0014]其中，所述Linear核函数用于解决线性问题；所述RBF核函数、所述Poly核函数、Sigmoid核函数用于解决非线性问题。
[0015]优选地，获得所述目标训练集还包括，采用k折交叉验证法将所述训练集进行划分；通过留一法对所述SVM核函数进行训练，基于改进人工鱼群算法对训练后的SVM核函数的所述基模型寻找最优超参数。
[0016]优选地，寻找所述最优超参数包括，所述改进人工鱼群算法通过觅食、聚集、追尾和随机行为对所述基模型进行状态迭代，每次迭代完成将当前状态与预设状态进行比较，低于所述预设状态进行替代，直至迭代结束，获得所述最优超参数。
[0017]优选地，所述预测结果通过预测评价指标来表示；
[0018]所述预测评价指标包括平均绝对百分比误差、均方根误差。
[0019]本专利技术公开了以下技术效果：
[0020]本专利技术提供的一种短期风功率预测方法，通过对风电场输出功率进行预测，可以降低不确定性风险，实现了对风力发电系统更好的组合调度，为电力系统的安全稳定和电能质量提供了保障。
[0021]与其他模型相比，本专利技术提出的Stacking融合模型表现更好的预测结果，对风功率的随机波动也具备更好的拟合效果。本专利技术提出的Stacking融合模型相较于其他方法而言，第一层基模型层采用并行工作方式，可以使每个基模型都独立的观测出不同的输出空间，保证了每个基模型观测结果的差异性；同时Stacking融合模型第二层元模型层的加入又融合了不同的基模型观测结果，使得预测精度和泛化能力得到较大提高。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本专利技术实施例的方法流程图；
[0024]图2为本专利技术实施例的Stacking集成学习方法示意图；
[0025]图3(a)为本专利技术实施例的贵州1月风功率概率密度图，图3(b)为本专利技术实施例的贵州1月log1p()转换概率密度图；
[0026]图4(a)为本专利技术实施例的贵州5月风功率概率密度图，图4(b)为本专利技术实施例的贵州5月log1p()转换概率密度图；
[0027]图5(a)为本专利技术实施例的贵州8月风功率概率密度图，图5(b)为本专利技术实施例的贵州8月log1p()转换概率密度图；
[0028]图6(a)为本专利技术实施例的西班牙1月风功率概率密度图，图6(b)为本专利技术实施例
的西班牙1月log1p()转换概率密度图；
[0029]图7(a)为本专利技术实施例的西班牙5月风功率概率密度图，图7(b)为本专利技术实施例的西班牙5月log1p()转换概率密度图；
[0030]图8(a)为本专利技术实施例的西班牙8月风功率概率密度图，图8(b)为本专利技术实施例的西班牙8月log1p()转换概率密度图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0033]如图1所示，本专利技术提供了一种短期风功率预测方法,通过采用异质基模型的Stacking集成学习方法作为研究短期风功率预测的框架模型，同时选择多个不同的SVM作为Stacking集成学习预测模型第一层的基模型来克服SVM核函数难以选取的问题，同时由于Stacking集成学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短期风功率预测方法,其特征在于，包括：采集风功率数据，将所述风功率数据划分为训练集和测试集；基于SVM核函数与Stacking集成学习算法构建第一融合模型、第二融合模型，将所述训练集作为输入对所述第一融合模型进行训练获得目标训练集；将所述测试集输入训练后的第一融合模型获得目标测试集；将所述目标训练集和所述目标测试集输入所述第二融合模型，获得风功率预测结果。2.根据权利要求1所述的短期风功率预测方法，其特征在于，所述Stacking集成学习算法包括样本空间、输入空间、假设空间、输出空间和版本空间；所述样本空间为输入特征的全组合数据；所述输入空间对应原始数据的输入条数；所述输出空间对应预测数据的输出条数；所述假设空间为理论上所有存在的样本集合；所述版本空间用于反映泛化能力的强弱。3.根据权利要求2所述的短期风功率预测方法，其特征在于，所述Stacking集成学习算法还包括基模型、元模型、最大泛化正假设边界、最大精确正假设边界；通过所述基模型获得第一融合模型，通过所述元模型获得第二融合模型，所述最大泛化正假设边界代表所述输出空间，根据所述最大泛化正假设边界和所述最大精确正假设边界获得所述版本空间。4.根据权利要求3所述的短期风功率预...

【专利技术属性】
技术研发人员：张靖，叶永春，范璐钦，何宇，谭真奇，马覃峰，
申请(专利权)人：贵州大学，
类型：发明
国别省市：