基于小波分解和支持向量机的风电场风速与功率预测方法

摘要

本发明公开了一种基于小波分解和支持向量机的风电场风速与功率预测方法，包括：采集整个风电场预设时间内的风速和功率历史数据，得到风电场的历史风速时间序列和历史功率时间序列；利用小波包分解技术对历史风速时间序列进行小波包分解，得到历史风速时间序列的低频段、中频段和高频段分量；利用灰色支持向量机预测模型对历史风速时间序列各分量进行预测，然后利用小波包重构得到短期风速预测数据；利用历史风电功率数据和数值天气预报风速数据作为训练集建立灰色支持向量机模型，进行风电功率的一次预测；对得到的风速预测数据、风电功率预测数据，通过RBF神经网络进行预测，得到风电功率最终预测值。预测准确率更高。

说明书

技术领域

本发明涉及新能源发电技术领域，具体涉及一种基于小波分解和支持向量机的风电场风 速与功率预测方法。

背景技术

可再生能源特别是风能的开发利用已得到世界各国的高度重视。风力发电是目前技术最 成熟、最具规模化发展前景的可再生能源。由于风力发电具有很强的随机性，导致风电场功 率预测准确率还达不到令人满意的程度，风力发电的预测系统的开发相对较少，缺乏成熟的 实践经验。

目前的风电场风速或发电功率预测的研究和应用，从预测周期上又可以分为短期风电功 率预测和超短期风电功率预测。根据相关标准，短期风电功率预测是自预测时刻起未来24小 时的预测预报，时间分辨率为15分钟。现有的风电功率预测多利用单一模型或者多种模型简 单组合，对风电序列进行预测，模型之间配合不佳，预测步骤复杂重复。而且，现有的风电 功率预测多是先进行风速预测，然后通过公式推导得到风功率预测，忽略了风功率预测的众 多影响因素，降低了风功率预测的准确性。

发明内容

本发明为了解决上述问题，提出了一种基于小波分解和支持向量机的风电场风速与功率 预测方法，该方法针对风电场风速序列包含多频段随机量的特点，利用小波包技术分解成不 同频率的序列，分别利用灰色支持向量机模型进行建模预测后进行小波重构；针对风电功率 序列的波动特点利用灰色支持向量机模型进行风电功率一次预测；利用得到的风速和风电功 率预测数据，通过RBF神经网络二次预测模型得到最终风电场功率预测值。

为了实现上述目的，本发明采用如下技术方案：

一种基于小波分解和支持向量机的风电场风速与功率预测方法，包括以下步骤：

(1)采集整个风电场预设时间内的风速、功率及数值天气预报风速数据；

(2)利用多小波包分解技术对历史风速时间序列进行小波包分解，得到历史风速时间序 列的低频段分量、中频段分量和高频段分量；

(3)基于灰色支持向量机建立预测模型，对历史风速时间序列各分量分别进行风电场的 短期风速滚动预测，然后利用小波包重构得到风速预测序列；

(4)利用历史风电场功率数据和数值天气预报风速数据作为训练集建立灰色支持向量机 模型，对风电场功率进行一次预测；

(5)结合风速预测序列和风电功率一次预测数据组成训练集输入，实测风电功率数据作 为训练集输出，建立并训练基于RBF神经网络的风电场功率二次预测模型，得到风电场功率预 测序列。

所述步骤(2)中，利用多小波包分解技术对历史风速时间序列进行多层小波包分解，小 波基采用DB4小波基，熵准则采用Shannon准则。

所述步骤(3)中，滚动预测即对历史数据进行实时更新，去除最旧的1个数据，添加最 新预测出的1个数据，修改模型进行预测，具体方法如下：

设首次预测所利用的历史序列为x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)，则第i+1次滚动预测所利用的 序列为x⁽⁰⁾(1+i),x⁽⁰⁾(2+i),...,x⁽⁰⁾(n),x⁽⁰⁾(n+1),...,x⁽⁰⁾(n+i)，其中x⁽⁰⁾(1+i), x⁽⁰⁾(2+i),...,x⁽⁰⁾(n)为历史数据，x⁽⁰⁾(n+1),...,x⁽⁰⁾(n+i)为前i次滚动预测得到的预测值，即 x⁽⁰⁾(n+i)为第i次滚动预测得到的预测值。

所述步骤(2)中，滚动预测的滚动次数由实际预测要求确定，假设需要进行超前h小时 的预测，数据精度为每m分钟一个数据点，则滚动预测次数为60*h/m。

所述步骤(3)中，基于灰色支持向量机的风速短期滚动预测中单步预测的具体过程包括：

步骤(3.1)：对于低频序列，取将前j个风速历史数据、灰色预测结果、第n点数值天气 预报风速值和第n点风速数据实测值组成第n点训练样本，其中，第n点风速数据实测值为训 练样本输出，其余为训练样本输入，对支持向量机进行训练，建立支持向量机模型，得到第n+1 点的训练样本输入，根据模型预测得到风速预测数据；

步骤(3.2)：针对中频和高频序列，对第n点数据，对原始序列进行归一化处理后一次累 加，生成累加序列，利用累加序列建立灰色模型，进行预测，将累加序列、灰色预测结果、 第n点数值天气预报风速值和第n点的累加值组成第n点训练样本，得到预测点前n点的训练 样本，组成训练样本集对支持向量机进行训练，建立支持向量机模型，得到第n+1点的训练 样本输入，根据支持向量机模型预测得到第n+1点风速累加数据。

所述步骤(3.1)的具体方法包括：

步骤(3.1.1)：对第n点数据：利用其前j个数据v⁽⁰⁾(n-j),v⁽⁰⁾(n-j+1),...,v⁽⁰⁾(n-1)建立 灰色GM(1,1)模型进行预测得到将前j个风速历史数据、灰色预测结果第n 点数值天气预报风速值v_p(n)和第n点风速数据实测值v(n)组成第n点训练样本， $V_t=\{v^{\left(0\right)}(n-j),v^{\left(0\right)}(n-j+1),...,v^{\left(0\right)}(n-1),{\hat{v}}^{\left(0\right)}\left(n\right),v_p\left(n\right),v\left(n\right)\}$其中v(n)为训练样本输出，其余为 训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；

步骤(3.1.2)：利用步骤(3.1.1)得到的训练样本集对支持向量机进行训练，建立支持向 量机模型；

步骤(3.1.3)：按照步骤(3.1.1)方法得到第n+1点的训练样本输入，并输入到步骤(3.1.2) 得到的模型预测得到风速预测数据v(n+1)。

所述步骤(3.2)的具体方法包括：

步骤(3.2.1)：对第n点数据，原始序列V⁽⁰⁾:V⁽⁰⁾＝(v⁽⁰⁾(n-j),v⁽⁰⁾(n-j+1),...,v⁽⁰⁾(n-1)) 归一化处理后再作一次累加，得到累加生成序列(1-AGO)记为：

V⁽¹⁾＝{v⁽¹⁾(n-j),v⁽¹⁾(n-j+1),...,v⁽¹⁾(n-1)}。其中，

利用(1-AGO)序列建立灰色GM(1,1)模型进行预测得到将(1-AGO)序列、灰色 预测结果第n点数值天气预报风速值v_p(n)和第n点的累加值(其中v⁽⁰⁾(n)为第n点数据实测值)组成第n点训练样本 V_t＝{v⁽¹⁾(n-j),v⁽¹⁾(n-j+1),...,v⁽¹⁾(n-1),v_p(n),v⁽¹⁾(n)}，其中v⁽¹⁾(n)为训练样本输出，其余为训 练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；

步骤(3.2.2)：利用步骤(3.2.1)得到的训练样本集对支持向量机进行训练，建立支持向 量机模型；

步骤(3.2.3)：按照步骤(3.2.1)方法得到第n+1点的训练样本输入，并输入到步骤(3.2.2) 得到的模型预测得到第n+1点风速累加数据v⁽¹⁾(n+1)；

步骤(3.2.4)：累减还原数据序列，进行”累减还原”，得到第n+1点风速的预测数据：

v⁽⁰⁾(n+1)＝v⁽¹⁾(n+1)-v⁽¹⁾(n)。

所述步骤(3)中进行风电场的短期风速滚动预测的具体过程包括：

步骤(3.3.1)：将历史风速时间序列的各频率分量分别建立灰色支持向量机模型进行训练；

步骤(3.3.2)：对训练后输出的数据进行小波重构，重构后得到未来m分钟的风速预测值 W′_m；

步骤(3.3.3)：针对风速时间序列W′_m滚动预测i步，得到未来i*m/60小时的风速时间序 列

步骤(4)中，基于灰色支持向量机的风电功率滚动预测的单步预测具体过程包括：

步骤(4.1)：对第n点数据，原始序列P⁽⁰⁾:P⁽⁰⁾＝(p⁽⁰⁾(n-j),p⁽⁰⁾(n-j+1),...,p⁽⁰⁾(n-1))归 一化处理后再作一次累加，得到累加生成序列(1-AGO)记为：

P⁽¹⁾＝{p⁽¹⁾(n-j),p⁽¹⁾(n-j+1),...,p⁽¹⁾(n-1)}，其中，

利用(1-AGO)序列建立灰色GM(1,1)模型进行预测得到将(1-AGO)序列、灰色 预测结果第n点数值天气预报风速值v_p(n)和第n点的累加值(其中p(n)为第n点数据实测值)组成第n点训练样本， $P_t=\{p^{\left(1\right)}(n-j),p^{\left(1\right)}(n-j+1),...,p^{\left(1\right)}(n-1),{\hat{p}}^{\left(1\right)}\left(n\right),v_p\left(n\right),p^{\left(1\right)}\left(n\right)\}$其中p⁽¹⁾(n)为训练样本输出，其 余为训练样本输入，以此方法得到预测点前n点的训练样本，组成训练样本集；

步骤(4.2)：利用步骤(4.1)得到的训练样本集对支持向量机进行训练，建立支持向量 机模型；

步骤(4.3)：按照步骤(4.1)方法得到第n+1点的训练样本输入，并输入到步骤(4.2) 得到的模型预测得到第n+1点风电功率累加数据p⁽¹⁾(n+1)；

步骤(4.4)：累减还原数据序列，进行”累减还原”，得到第n+1点风电功率的预测数据：

p⁽⁰⁾(n+1)＝p⁽¹⁾(n+1)-p⁽¹⁾(n)。

所述步骤(4)中，基于灰色支持向量机的风电功率滚动预测的具体过程包括：

步骤(4-1)：将历史风功率时间序列的分别建立灰色支持向量机模型进行训练；

步骤(4-2)：由单步预测得到未来m分钟的风电功率一次预测值P′_m；

步骤(4-3)：滚动预测i步，得到未来i*m/60小时的风电功率滚动一次预测序列

所述步骤(5)中：对历史数据执行步骤(3)和步骤(4)得到的风速预测数据和风电功 率一次预测数据，与对应点的风电场功率实测值共同组成训练样本集。

所述步骤(2)到(4)中：支持向量机或最小二乘支持向量机，均为以径向基函数为核 函数的最小二乘支持向量机，并利用遗传算法等优化算法进行参数寻优。

所述步骤(5)中RBF神经网络模型是具有输入层、隐含层和输出层的三层前馈网络， 其中，输入层由一些感知单元组成，它们将网络与外界环境连接起来；隐含层是由径向基神 经元组成，它的作用是从输入空间到隐空间之间进行非线性变换；输出层是由线性神经元组 成，它为作用于输入层的激活模式提供响应。网络拓扑采用三层结构2×6×1。

本发明的有益效果为：

(1)该发明提出利用小波包分解技术，将波动较大的风速序列分解成不同频率的序列， 得到特征更加明显的各频率分量，采用灰色支持向量机分别建模预测的准确率更高。

(2)该发明提出使用灰色支持向量机对风速各频率分量进行预测，将灰色理论适合处理 波动较大数据序列的优点引入到了支持向量机模型中，同时克服了支持向量机在数据波动较 大是支持向量的选择困难问题，并保留了支持向量机处理小样本问题时的高精度优点。

(3)该发明提出用历史风速预测和功率预测数据经过RBF神经网络建模来完成最终的风 电场功率预测，降低了通过风速预测公式推导得到风功率预测方法带来的误差，提高了风功 率预测的准确性。

附图说明

图1为风电场多时间尺度发电功率预测方法流程图；

图2为风速时间序列的小波分解图；

图3为传统的基于支持向量机的风电场风速短期预测曲线图；

图4为基于小波分解和灰色支持向量机的风速短期预测曲线图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

实施例1：对山东润海风电场进行基于小波分解和灰色支持向量机的风电场风速及功率 短期预测为例，如图1所示，包括以下步骤：

步骤(1)：采集整个风电场连续150天的风速和功率历史数据，采样时间间隔为15分钟， 剔除其中不合理数据，得到历史风速时间序列W₀＝{w(t-n),w(t-n+1),w(t-n+2),…,w(t)} 以及历史功率时间序列P₀＝{p(t-n),p(t-n+1),p(t-n+2),…,p(t)}，n＝14400；取前140 天的时间序列作为历史数据，取后10天的时间序列作为测试数据；

步骤(2)：利用多小波包分解技术分别对历史风速时间序列进行小波包分解，得到历史 风速时间序列的低频段分量、中频段分量和高频段分量；

利用多小波包分解技术对历史风速时间序列进行三层小波包分解，小波基采用DB4小波 基，熵准则采用Shannon准则。得到历史风速时间序列的1层低频段分量AAA3；3层中频段分 量DAA3、ADA3、DDA3；4层高频段分量AAD3、DAD3、ADD3、DDD3。风速时间序列的小波分 解如图2所示。

步骤(3)：利用1个灰色支持向量机模型(GSVM1)模型分别对历史风速时间序列的低频 段分量进行短期24小时的滚动预测，并进行小波重构；利用7个灰色支持向量机模型 (GSVM2～GSVM8)对中频段分量和高频段分量进行短期24小时的滚动预测，并进行小波重构；

步骤(4)：利用1个灰色支持向量机模型(GSVM9)模型对风电功率时间序列P进行短期 24小时的滚动预测；

步骤(5)：对历史数据重复步骤(3)和步骤(4)得到历史风速和功率的预测数据序列W_h和P_h,与历史实测功率数据P作为训练集建立RBF神经网络预测模型，得到风电场功率最终预 测数据；

所述步骤(3)中进行短期24小时风电场的风速滚动预测的具体过程包括：

步骤(3.1)：将历史风速时间序列的低频段分量及预测时刻的数值天气预报风速值分别 输入3个灰色支持向量机模型(GSVM1～GSVM3)模型进行训练；将历史风速时间序列的中、 高频段分量及预测时刻的数值天气预报风速值分别输入6个灰色支持向量机模型 (GSVM4～GSVM9)模型进行训练；

步骤(3.2)：利用9个灰色支持向量机模型(GSVM1～GSVM9)进行预测输出数据通过小 波重构后得到未来15min的风速预测值W′_15min；

步骤(3.3)：针对风速时间序列W′_15min重复滚动预测96步，即重复步骤(3.1.1)和步骤(3. 1.2)，每次重复剔除到最旧的一个数据点，添加最新预测出的一个数据点，更新数值天气预 报值后，进行滚动预测，得到未来24小时时刻风速时间序列W′_24h

$W_{24h}^{\prime }=\{{\hat{w}}^{\prime }(t+1),...,{\hat{w}}^{\prime }(t+96)\}$

其中，为短期风速时间序列滚动预测值；

所述步骤(4)中进行基于灰色支持向量机的风电场短期功率滚动预测的具体过程包括：

步骤(4.1)：将历史功率时间序列及预测时刻的数值天气预报风速值输入灰色支持向量 机模型(GSVM10)模型进行训练；

步骤(4.2)：利用灰色支持向量机模型(GSVM10)进行预测输出数据得到未来15min的 功率预测值P′_15min；

步骤(4.3)：针对功率时间序列P′_15min重复滚动预测96步，即重复步骤(4.1)和步骤(4.2)， 每次重复剔除到最旧的一个数据点，添加最新预测出的一个数据点，更新数值天气预报值后， 进行滚动预测，得到未来24小时时刻风速时间序列P′_24h

$P_{24h}^{\prime }=\{\hat{p}(t+1),...,\hat{p}(t+96)\}$

其中，为短期风速时间序列滚动预测值；

所述步骤(5)中对历史数据重复步骤(3)和步骤(4)为：对预测点之前的历史数据进 单步预测，得到预测点之前30天共2880点的风速及功率预测序列W_h和P_h。W_h和P_h与这30天 的实际功率序列P做为训练样本集，对RBF神经网络预测模型进行训练。再利用步骤(3)和 步骤(4)得到的未来24h的风速预测序列、风电功率一次预测序列输入训练好的RBF神经网络 预测模型，得到最终风电场功率预测值；

将步骤(3)和(5)中得到的24小时风电场的风速数据和风电功率最终预测数据上传至 电力调控中心，用于为调度提供数据支撑。

所述支持向量机或最小二乘支持向量机，均为以径向基函数为核函数的支持向量机，并 利用遗传算法等优化算法进行参数寻优。

所述RBF神经网络模型是具有输入层、隐含层和输出层的三层前馈网络，其中，输入层由 一些感知单元组成，它们将网络与外界环境连接起来；隐含层是由径向基神经元组成，它的 作用是从输入空间到隐空间之间进行非线性变换；输出层是由线性神经元组成，它为作用于 输入层的激活模式提供响应。网络拓扑采用三层结构2×6×1。

相比传统方法，基于灰色支持向量机的风电场风速与功率短期预测方法准确度显著提高， 短期超前24小时预测误差如下：

表格1风速预测误差对比

方法 时间序列 灰色预测 支持向量机 灰色支持向量机 MAE 20.62％ 17.96％ 17.37％ 14.36％ RMSE 22.86％ 19.53％ 19.08％ 16.52％

表格2风电功率预测误差对比

方法 时间序列 灰色预测 支持向量机 灰色支持向量机 MAE 19.59％ 17.86％ 17.23％ 13.11％ RMSE 21.67％ 19.89％ 19.16％ 15.32％

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限 制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付 出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。