一种基于支持向量机筛选变量的风电功率预测方法.pdf

一种基于支持向量机筛选变量的风电功率预测方法，包括如下步骤：S1）利用支持向量机算法量化风电功率的输入矢量对风电功率预测结果的影响，筛选出对风电功率预测结果影响显著的变量；S2)将由S1）筛选出的变量作为神经网络算法的输入变量进行功率预测。本发明利用SVM算法对神经网络算法的输入变量进行筛选，提高了风电功率预测结果的精度同时简化了神经网络模型，本发明方法简便，解决了现有技术中风电功率预测样本因建模者的专业知识与经验进行选取而缺乏标准的问题。

1.  一种基于支持向量机筛选变量的风电功率预测方法，其特征在于，包括如下步骤：
S1）利用支持向量机算法量化风电功率的输入矢量对风电功率预测结果的影响，筛选出对风电功率预测结果影响显著的变量；
S2) 将由S1）筛选出的变量作为神经网络算法的输入变量进行功率预测。

2.  根据权利要求1所述的基于支持向量机筛选变量的风电功率预测方法，其特征在于，
步骤S1)通过如下步骤实现：
S1.1)对风电功率的输入矢量进行初步筛选；
S1.2) 获取经初步筛选后的输入矢量和对应的风电功率的历史数据作为训练集，训练集由训练样本构成，训练集中训练样本的数量称为观测例数；
S1.3）建立基于所述历史数据的支持向量机训练模型；
S1.4）将训练集中的训练样本中的某个输入矢量的特征值分别增大和减少一定比率,得到两个新的训练集，将这两个新的训练集分别通过S1.3）中的支持向量机训练模型进行仿真，得到两个仿真结果，变动该输入矢量后对风电功率结果的影响IV即为两所述仿真结果之差，将IV按照观察例数平均下来得到该输入矢量对风电功率预测结果的平均影响值MIV；
S1.5）重复步骤S1.4)得到每个输入矢量对风电功率预测结果的平均影响值MIV；
S1.6) 筛选出MIV值较大的输入矢量作为对风电功率预测结果影响显著的变量。

3.  根据权利要求2所述的基于支持向量机筛选变量的风电功率预测方法，其特征在于，所述的一定比率为n%，5≤n≤20。

4.  根据权利要求3所述的基于支持向量机筛选变量的风电功率预测方法，其特征在于，所述的n=10。

5.  根据权利要求2或3所述的基于支持向量机筛选变量的风电功率预测方法，其特征在于，经步骤S1.1)初步筛选出的输入矢量包括天气预报模式中第二层的水平风速，垂直风速，上下风速，气压，位势高度，温度，比例湿度。

一种基于支持向量机筛选变量的风电功率预测方法
技术领域
本发明属于发电功率预测领域，尤其涉及一种基于支持向量机（Support Vector Machine，SVM）的风电功率预测方法。
背景技术
近年来，风力发电的发展越来越迅速。据中国循环经济协会可再生能源专业委员会（CREIA）的《中国风电发展报告2014》统计，2013年全国风电新增装机容量16089MW，全国累计风电装机容量91413MW。风电场的输出功率与自然环境有很大的关系。风速，风向，气压，温度，以及位势高度都会影响风电场的输出功率，导致风电场输出功率具有波动性、间歇性、随机性的特点，在并网时会对电网的稳定性产生很大的影响。风电场输出功率的扰动更会影响电网的电能质量。所以，风电功率预测的精度便尤为重要。
经对现有技术文献的检索发现，基于神经网络的风功率预测问题研究（张涛,张新燕,王维庆. 基于神经网络的风功率预测问题研究[J]. 四川电力技术,2013,01:16-18+47.）研究了基于神经网络的风功率预测方法，并验证了神经网络模型的可行性，虽然符合相关标准，但预测的精度低，也未对输入矢量做比较完备的处理。
基于支持向量机的风功率预测校正方法及系统（中国专利申请号为：201310294095.8）提出用支持向量机进行预测，并用网格搜索法对支持向量机的参数进行修正，但该方法也没有对输入矢量做过多的处理，同时模型复杂，计算量大。
发明内容
本发明所要解决的技术问题是提供一种能提高功率预测的精度和简化模型的风电功率预测方法。
本发明通过如下技术方案解决其技术问题：一种基于支持向量机筛选变量的风电功率预测方法，包括如下步骤：
S1）利用SVM算法量化风电功率的输入矢量对风电功率预测结果的影响，筛选出对风电功率预测结果影响显著的变量；
S2) 将由S1）筛选出的变量作为神经网络算法的输入变量进行功率预测。
本发明利用SVM算法对神经网络算法的输入变量进行筛选，简化了神经网络模型的同时，提高了功率预测的精度。
步骤S1)的具体实现步骤如下：
S1.1)对风电功率的输入矢量进行初步筛选；
S1.2) 获取经初步筛选后的输入矢量和对应的风电功率的历史数据作为训练集，训练集由训练样本构成，训练集中训练样本的数量称为观测例数；
S1.3）建立基于所述历史数据的SVM训练模型；
S1.4）将训练集中的训练样本中的某个输入矢量的特征值分别增大和减少一定比率,得到两个新的训练集，将这两个新的训练集分别通过S1.2）中的SVM训练模型进行仿真，得到两个仿真结果，变动该输入矢量后对风电功率结果的影响IV(Impact Value)即为两所述仿真结果之差，将IV按照观察例数平均下来得到该输入矢量对风电功率预测结果的平均影响值MIV（Mean Impact Value）；
S1.5）重复步骤S1.4)得到每个输入矢量对风电功率预测结果的平均影响值MIV；
S1.6) 筛选出MIV值较大的输入矢量作为对风电功率预测结果影响显著的变量。
所述的一定比率为n%，5≤n≤20，作为较佳实施例所述的n=10。
经步骤S1.1)初步筛选出的变量一般包括天气预报（Weather Research and Forecasting，WRF）模式中第二层的水平风速，垂直风速，上下风速，气压，位势高度，温度，比例湿度等数据。
与现有技术相比，本发明具有如下有益效果：
本发明利用SVM算法对神经网络算法的输入变量进行筛选，提高了风电功率预测结果的精度同时简化了神经网络模型，本发明方法简便，解决了现有技术中风电功率预测样本因建模者的专业知识与经验进行选取而缺乏标准的问题。
附图说明
图1为本发明基于支持向量机筛选变量的风电功率预测方法的流程框图；
图2为没有进行变量筛选时描述风电功率预测结果精度的曲线；
图3为通过本发明方法进行变量筛选后描述风电功率预测结果精度的曲线。
具体实施方式
下面结合附图，对本发明作进一步详细说明。
图1为本发明基于支持向量机筛选变量的风电功率预测方法的流程框图，如图所示，本发明包括如下步骤：
一）利用SVM算法量化风电功率的输入矢量对风电功率预测结果的影响，筛选出对风电功率预测结果影响显著的变量：
1) 对风电功率中的输入矢量进行初步筛选，选出需要进行训练并分析MIV的输入变量，排除明显与风电功率不相关的输入矢量。在风电功率预测中，一般采用天气预报（Weather Research and Forecasting，WRF）模式中第二层的水平风速，垂直风速，上下风速，气压，位势高度，温度，比例湿度等数据作为输入矢量。一般而言影响风力发电机组出力即风电功率的主要因素是风速、风向、空气密度等。但是WRF中只有直接反映的风速，可以通过适当的方式获得风向和空气密度作为输入矢量，并通过计算MIV值对输入矢量对风电功率的影响进行评估。通过水平风速和垂直风速也可获得风速在水平面的夹角，同时可以直接求得风速在水平面的风速值。
2)获取经初步筛选后的输入矢量和对应的风电功率的历史数据作为训练集，训练集由训练样本构成，训练集中训练样本的数量称为观测例数。
3）建立基于历史数据的SVM训练模型
4）将训练集P中的训练样本中的某个输入矢量的特征值分别增大和减少10%（这个比率一般在5%~20%范围内取值）,得到两个新的训练集P1和P2，将这两个新的训练集P1、P2分别通过所述SVM训练模型进行仿真，得到两个仿真结果A1、A2，变动该输入矢量后对风电功率结果的影响IV即为两仿真结果A1、A2之差，将IV按照观察例数平均下来得到该输入变量对风电功率预测结果的平均影响值MIV，即完成了该输入矢量对风电功率预测结果影响的量化。
5）重复步骤4)得到每个输入矢量对风电功率预测结果的平均影响值MIV。MIV值大的表示该输入矢量对风电功率预测结果的影响较大，MIV值小的表示该输入矢量对风电功率预测结果的影响较小。
6)根据各个输入矢量MIV值大小进行排序，筛选出MIV值较大的输入变量作为对风电功率预测结果影响显著的变量。如一个变量的MIV值只有最大MIV值的四到五分之一或最大MIV值比某变量的MIV值大一个数量级，可以认为该变量对风电功率预测结果影响不显著。
二）将由一）筛选出的变量作为神经网络算法的输入变量进行功率预测，本发明利用SVM算法对神经网络算法的输入变量进行筛选，简化了神经网络模型的同时，提高了功率预测的精度。
下面以某个风场为例，验证下本发明方法的可行性：
获取数据集，总共有150条记录，来源于整风场，整风场包括33台风机，每台风机功率为1.5MW。每个记录包括有风电场实时地出力数据即风电功率值和对应的时间点的WRF数据即输入矢量（即经初步筛选后的输入矢量）。每个样本包括21维的输入矢量和一个观测的样本值即风场的风电功率。将数据集分为两个集合，其中训练集为120条，验证集为30条。每条的记录时间间隔为15min，通过SVM算法对训练集中的训练样本中的21维的输入矢量进行筛选，作为输入矢量筛选实验组，与没有进行输入矢量筛选的验证集进行对比。
运用本发明方法进行输入矢量筛选后，选择其中MIV值较高的7维数据作为神经网络的输入。为了验证筛选变量的有效性，通过对比筛选变量及不做筛选的功率预测精度。图2为经过筛选后，以MIV值最高的7维作为输入的预测误差，图3为输入矢量不仅过筛选，直接以21维作为输入的预测误差。输入矢量筛选前预测误差为15%，输入矢量筛选后预测误差为9%。
从预测误差来看，通过本发明方法对输入矢量进行筛选后再通过神经网络算法预测风电功率能够提高预测精度。主要原因是输入矢量的筛选去掉了对功率预测影响微小的变量，有利于神经网络模型对显著变量的训练和预测，在改善精度的同时也简化了模型，减少了输入。