基于支持向量機回歸的短期風速預測方法的研究

高僮+++陳波濤+++張海峰

摘 要：針對風力發電中的短期風速預測方法研究的不足，文章提出了一種基于支持向量機回歸的短期風速預測方法和模型。提出的方法首先選取風電場采集的樣本數據，進行預處理后，確定出樣本訓練集和測試集；在選擇向量機核函數后，確定SVM模型待尋優參數，最后利用尋優的最佳參數來訓練SVM模型，通過模型來預測未來某一時刻的風速值。文章提出的方法在風速負荷的預測精度和預測方法的收斂速度等方面都有了提高，該方法具有重要的現實意義和應用前景。

關鍵詞：風力發電；支持向量機；尋優參數

1 概述

當前，風力發電對合理改善能源結構、合理保護生態環境、合理保障能源清潔安全和實現經濟的可持續發展有著十分重要的意義，這已經成為世界的共同發展目標。但是，目前幾乎大部分的風電機組輸出功率都具有如下特點：具有間歇性、具有非線性、具有變化速度快、波動范圍很大。想要實現風電的規模化發展，從而優化電網的調度，加強風電市場的競爭力和活力，那么風電場就必須開展風電功率預測的預報和預警，必須具備日預報甚至實時預報能力[1]。因此，對風電場的風速預測，尤其是超短期、短期預測，可以有效的改善風電并網對電力系統的影響，對發電場制定更合理的發電規劃具有重要作用。短期風速預測是風電并網中的關鍵技術，并發揮重要的作用，如何制定合理的短期風速預測模型，研究出短期風速預測方法是亟需解決的問題，并且也具有廣闊的市場前景和應用前景[2-3]。

文章的目的在于針對現有短缺風速預測方法存在的問題，提出了一種基于支持向量機回歸的短期風速預測方法和模型。在短缺風速的預測精度和預測方法的收斂速度等方面都有了提高，該方法具有重要的現實意義和應用前景。

2 基于改進的支持向量機回歸的方法

針對短缺風速預測的特點，提出了一種基于改進的支持向量機回歸的方法，具體流程如圖1所示。

（1）初始化。首先設定參數節點集大小m、最大搜索代數Kmax、臨時局部網絡的值Ni、連接搜索概率值Ps和節點鄰域值l，將搜索代數的初值kg設置為1，最后設置隨機產生初始值個數有關的值M，C、？滓的搜索范圍。

（2）評價優化空間中的各個網絡節點。定義適應度函數F，首先在隨機產生的實數編碼節點集中選取m個優節點作為網絡初始節點，適應度函數F為設定的初始最優值。通常節點的適應度函數值越大，就越接近最優節點。

（3）進行局部搜索和全局搜索。對某一初始節點進行Ni次小世界局部搜索和全局搜索操作，這樣可以構造出該初始節點的臨時局部網絡，然后輸出節點的臨時局部網絡的最優值。

（4）確定C、？滓的最優值。比較m個節點各自的最優值，然后比較每一次迭代的最優值，確定通過小世界搜索算法，得到參數C、？滓尋優的最終結果。

（5）迭代搜索。判定搜索代數kg是否大于Kmax，評價值是否小于給定精度，如果滿足條件，則結束尋優操作。不滿足條件，返回步驟3，繼續進行迭代操作。

（6）將C、？滓的最優節點值賦給SVM模型，從而得到SVM的最終回歸函數。

3 短期風速預測模型的建立

利用上一節提出的基于改進的支持向量機回歸的方法，確定了短期風速預測模型。模型具體操作步驟如下

（1）選取風電場采集的樣本數據。文章中，風電場數據的采集是在風電場的關鍵位置點設立多個測風塔，選取風電機組輸出的未來10分鐘到1小時的風速數據進行實時預測，時間間隔為10分鐘。因此要對風電機組的性能特性進行分析，文章選用風機采樣間隔為10分鐘的環境溫度、風速和輸出功率作為歷史數據。

（2）確定樣本的訓練集和測試集：將采集的樣本集，用N×3的矩陣表示，其中3列分別代表環境溫度、風速、輸出功率，然后搭建回歸預測模型。通過多次的仿真實驗，文章用5天900個數據作為SVM模型的訓練集，其中風力發電機組的輸出功率的定義如公式1所示：

其中PS為風力發電機組的輸出功率值，單位為W，？籽為空氣密度，單位為kg/m3，v為風力的來流速度，單位為m/s，f為面積，單位m2，Cp為風能操作系數，指風力發電機組從自然風中吸取能量的大小程度。

（3）對樣本數據進行預處理。通常風力發電機并不是在所有的時刻都能處于良好的運行狀態，因此，要刪除一些異常數據（偽數據），一般包括機組故障停機、功率負值、數據采集系統不穩定所導致的異常數據。此外，還要對訓練集和測試集的數據進行歸一化操作。

a.缺失數據處理，對于個別異常數據缺失的情況，它們的值通常是其直接前驅和直接后繼時刻的中間值，因此文本采用線性插值法對數據進行處理；

b. 數據歸一化，如公式2所示：

其中，Y代表歸一化后的值，Xmax，Xmin分別代表原始輸出參數X的最大值和最小值。

模型的訓練集為750×3矩陣，測試集為150×3矩陣，

（4）選擇支持向量機回歸（SVM）核函數，確定SVM模型待尋優參數。通常不敏感系數？著的變化范圍較小，文章直接設定為10-2，通過上一節提出的方法對RBF核函數和C、？滓參數進行尋優操作。

（5）輸入樣本測試數據，預測未來時刻的風速值。訓練模型的輸入量為上一時刻的風速、環境溫度和輸出功率，模型的輸出量為下一時刻發電機組的風速。從而使用直接法進行風速預測。根據最優解構造風速預測函數，如公式3所示：

輸入樣本測試數據，利用風速預測函數f（x）就可以預測出下一時刻的風速值。

4 結束語

文章提出了一種基于支持向量機回歸的短期風速預測方法和模型。提出的方法首先選取風電場采集的樣本數據，進行預處理后，確定出樣本訓練集和測試集；在選擇向量機核函數后，確定SVM模型待尋優參數，最后利用尋優的最佳參數來訓練SVM模型，通過模型來預測未來某一時刻的風速值，該方法具有重要的現實意義和應用前景。

參考文獻

[1]李云飛，黃彥全，蔣功連.基于支持向量機的短期負荷預測的方法改進[J].西華大學學報（自然科學版），2007，26（2）：31-34.

[2]楊麗君，張晶，程慧琳，等.基于最優效用的配電網多故障搶修任務分配策略[J].電工技術學報，2014，29（6）：263-270.

[3]周元祺，陳志 ，張麟，等.利用故障搶修管理系統優化配電網故障搶修流程[J].供用電，2012，29（3）：51-54.