基于SVR的分类式风电短期功率预测精度提升方法及设备技术

本发明专利技术提出一种基于SVR的分类式风电短期功率预测精度提升方法及设备，该方法结合风速、风向、温度、湿度、气压等天气数据并使用K

【技术实现步骤摘要】
基于SVR的分类式风电短期功率预测精度提升方法及设备


[0001]本专利技术涉及功率预测
，尤其涉及一种基于SVR的分类式风电短期功率预测精度提升方法、装置、设备、存储介质。

技术介绍

[0002]短期风功率预测对发电机组组合方案的调整、常规发电机组发电策略的优化、新能源消纳能力的提升都有着举足轻重的作用。研究发现，风电机组的出力与风速有着直接的关系，针对固定类型的风机而言，当风速过大或风速过小都将导致风机处于待机状态，风机出力为0，只有风速满足一定的条件才能保证风机的正常运行和出力。目前针对风机短期功率的预测基本都基于建立出力与风速之间的算法关系进行实现，但是随着季节的变化、风机使用年限的延长、硬件功能的磨损都将导致算法模型出现局限性，从而导致短期功率预测的精度越来越差，这将为电力市场的安全运行带来潜移默化的影响。
[0003]现有技术中针对风电场短期功率预测的方法主要分为两大类: 第一类，根据风机类型并结合风机的额定功率，额定风速、切入风速、切出风速等关键数据建立相应的分段式风功率算法模型对短期功率进行预测；第二类，使用神经网络算法模型对短期功率进行直接预测或使用第一类算法进行风功率的预测并结合使用神经网络算法对预测结果进行误差修正处理。
[0004]现有技术中针对风电场短期功率预测的方法主要分为上述说明的两大类: 其中，第一类方法需要结合实际的装机位置、风机特性建立对应的算法模型，并且该模型需要根据不同的季节特点进行长期的模型优化和调整，另外，随着使用年限的延长，由于风机特性的改变，导致模型的优化更加的困难，进而导致短期功率的预测结果越来越差；第二类方法笼统地进行短期功率整体性上午误差分析修正，无法全面、精细地提取到不同天气条件下的短期实际功率和预测功率之间的误差特性，从而只能保证个别天的预测效果提升明显，无法实现短期功率预测精度的全面提升。

技术实现思路

[0005]本专利技术提供一种基于SVR的分类式风电短期功率预测精度提升方法、装置、设备、存储介质，旨在更细维度上对功率预测的误差进行了分析处理，保证了短期功率在不同误差分类上预测准确率的全面提升。
[0006]为此，本专利技术的第一个目的是提出一种基于SVR的分类式风电短期功率预测精度提升方法，包括：构建风电短期功率预测精度提升模型；其中，风电短期功率预测精度提升模型包括自适应相关性分析单元、分类算法单元、SVR功率误差预测单元和功率修正单元；获取风电短期实际功率、对应风电短期预测功率和天气因素的历史数据，输入风电短期功率预测精度提升模型进行训练；获取预测日的电短期实际功率、对应风电短期预测功率和天气因素，输入至训练
完成的风电短期功率预测精度提升模型中，得到预测日风电短期功率误差预测结果；将预测日的风电短期预测功率与预测日风电短期功率误差预测结果结合，通过偏差修正算法，得到风电短期功率修正结果。
[0007]其中，在风电短期功率预测精度提升模型进行训练的步骤中，包括：通过自适应相关性分析单元，确定风电短期实际功率和天气因素中任意一种类型的相关性，得到风电短期实际功率的强相关天气因素特征数据；将强相关天气因素特征数据输入分类算法单元，根据风电短期实际功率和同时间风电短期预测功率之差进行分类，得到对应不同类型强相关天气因素的、根据风电短期实际功率和同时间风电短期预测功率之差分类后的分类数据集，所述分类数据集包含输入数据、输出数据；将对应每一误差类别的分类数据集，分别输入一SVR功率误差预测单元中进行训练，得到对应每一误差类别的SVR功率误差预测模型。
[0008]其中，在计算风电短期实际功率的强相关天气因素特征数据的步骤中，通过公式（1）计算不同天气因素的特征与风电短期功率的相关性，公式（1）表示为：（1）其中，表示风电短期功率与任意一种天气因素特征数据的特征向量之间的相关系数值；表示特征向量的均值；表示特征向量的均值；表示特征向量中的第t个值；表示特征向量中的第t个值；N表示测试样本数量；公式（1）的计算值越大表示相关性越强；通过设定阈值，将相关性系数大于预设阈值的天气因素特征数据确定为强相关天气因素特征数据。
[0009]其中，分类算法单元采用K
‑
近邻分类模型进行分类。
[0010]其中，在根据风电短期实际功率和同时间风电短期预测功率进行分类的步骤中，将强相关天气因素特征数据输入K
‑
近邻分类模型，基于对应天气因素特征的风电短期实际功率和风电短期预测功率之差进行三分类处理，得到对强相关天气因素特征的三分类结果，及对应每一分类结果的分类数据集。
[0011]其中，将对应每一误差类别的强相关天气因素特征数据集，分别输入一SVR功率误差预测单元中进行训练，得到对应每一误差类别的SVR功率误差预测模型的步骤中，将三分类得到的三类分类数据集分别输入一SVR功率误差预测单元中进行训练，得到三个SVR功率误差预测模型。
[0012]其中，在将预测日的风电短期预测功率与预测日风电短期功率误差预测结果结合，通过偏差修正算法，得到风电短期功率修正结果的步骤中，将预测日的风电短期预测功
率与预测日风电短期功率预测误差相加，得到初步的功率修正结果；使用偏差修正算法处理初步功率修正结果，得到最终短期功率修正结果；其中，偏差修正算法如公式（2）所示：（2）其中，表示t时刻风电短期功率的修正值；表示t时刻风电短期功率的初步功率修正结果；表示风机的装机容量；表示风机最大出力比例系数。
[0013]本专利技术的第二个目的是提出一种基于SVR的分类式风电短期功率预测精度提升装置，包括：模型构建模块，用于构建风电短期功率预测精度提升模型；其中，风电短期功率预测精度提升模型包括自适应相关性分析单元、分类算法单元、SVR功率误差预测单元和功率修正单元；模型训练模块，用于获取风电短期实际功率、对应风电短期预测功率和天气因素的历史数据，输入风电短期功率预测精度提升模型进行训练；误差预测模块，用于获取预测日的电短期实际功率、对应风电短期预测功率和天气因素，输入至训练完成的风电短期功率预测精度提升模型中，得到预测日风电短期功率误差预测结果；功率修正模块，用于将预测日的风电短期预测功率与预测日风电短期功率误差预测结果结合，通过偏差修正算法，得到风电短期功率修正结果。
[0014]本专利技术的第三个目的在于提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述技术方案的方法中的各步骤。
[0015]本专利技术的第四个目的在于提出存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。
[0016]区别于现有技术，本专利技术提供的基于SVR的分类式短期功率预测精度提升方法，结合风速、风向、温度、湿度、气压等天气数据并使用K
‑
近邻算法将短期功率预测误差分为三类不同的误差段，对针对这三类误差段分别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SVR的分类式风电短期功率预测精度提升方法，其特征在于，包括：构建风电短期功率预测精度提升模型；其中，所述风电短期功率预测精度提升模型包括自适应相关性分析单元、分类算法单元、SVR功率误差预测单元和功率修正单元；获取风电短期实际功率、对应风电短期预测功率和天气因素的历史数据，输入所述风电短期功率预测精度提升模型进行训练；获取预测日的电短期实际功率、对应风电短期预测功率和天气因素，输入至训练完成的所述风电短期功率预测精度提升模型中，得到预测日风电短期功率误差预测结果；将预测日的所述风电短期预测功率与所述预测日风电短期功率误差预测结果结合，通过偏差修正算法，得到风电短期功率修正结果。2.根据权利要求1所述的基于SVR的分类式风电短期功率预测精度提升方法，其特征在于，在所述风电短期功率预测精度提升模型进行训练的步骤中，包括：通过所述自适应相关性分析单元，确定所述风电短期实际功率和所述天气因素中任意一种类型的相关性，得到所述风电短期实际功率的强相关天气因素特征数据；将所述强相关天气因素特征数据输入分类算法单元，根据所述风电短期实际功率和同时间风电短期预测功率之差进行分类，得到对应不同类型的强相关天气因素的、根据风电短期实际功率和同时间风电短期预测功率之差分类后的分类数据集，所述分类数据集包含输入数据、输出数据；将对应每一误差类别的分类数据集，分别输入一所述SVR功率误差预测单元中进行训练，得到对应每一误差类别的SVR功率误差预测模型。3.根据权利要求2所述的基于SVR的分类式风电短期功率预测精度提升方法，其特征在于，在计算所述风电短期实际功率的强相关天气因素特征数据的步骤中，通过公式（1）计算不同天气因素的特征与风电短期功率的相关性，公式（1）表示为：（1）其中，表示风电短期功率与任意一种天气因素特征数据的特征向量之间的相关系数值；表示特征向量的均值；表示特征向量的均值；表示特征向量中的第t个值；表示特征向量中的第t个值；N表示测试样本数量；公式（1）的计算值越大表示相关性越强；通过设定阈值，将相关性系数大于预设阈值的天气因素特征数据确定为强相关天气因素特征数据。4.根据权利要求1所述的基于SVR的分类式风电短期功率预测精度提升方法，其特征在于，所述分类算法单元采用K
‑
近邻分类模型进行分类。
5.根据权利要求3所述的基于SVR的分类式风电短期功率预测精度提升方法，其特征在于，在根据所述风电短期实际功率和同时间风电短期预测功率之差进行分类的步骤中，将所述强相关天气因素特征数据输入K
‑<...

【专利技术属性】
技术研发人员：孙财新，李鹏飞，郭小江，李楠，潘霄峰，范文光，王鸿策，关何格格，
申请(专利权)人：华能新能源股份有限公司山西分公司，
类型：发明
国别省市：