[发明专利]采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法

权利要求书

1.采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，主要包括：

a、采用基于自学习Sigmoid核函数支持向量机的复合数据源，对风电功率预测模型进行训练；

b、基于风电功率预测模型的训练结果，对未来0-48小时的风电功率进行预测。

2.根据权利要求1所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤a，具体包括：

a1、模型训练基础数据输入；

a2、数据预处理；

a3、SVM分类器训练；

a4、得到SVM模型。

3.根据权利要求2所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤a1，具体包括：

风功率预报系统模型训练所需输入数据，包括风电场基础信息、历史风速数据、历史功率数据，以及包含风电场/风机坐标、测风塔坐标、升压站坐标的地理信息系统GIS数据；其中，GIS数据主要用于功率预测时根据各风电场的上下游关系进行短期预测结果的优化，将基础数据输入到预测模型中进行模型训练。

4.根据权利要求2所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤a2，具体包括：

将风速数据和功率数据首先进行包含数据对齐及归一化的预处理，GIS数据通过预处理确定电站上下游关系。

5.根据权利要求2所述的采用复合数据源基于自学习Sigmoid核函数支持向量机的风电功率短期预测方法，其特征在于，所述步骤a3，具体包括：

SVM分类器是一个包含一个隐层的多层感知器，通过算法经训练过程自动确定隐层节点数；

基于SVM分类器的非线性风电功率短期预测模型表示为：

其中，x是与风电功率密切相关的影响因素，包含数值天气预报NWP数据、历史功率、风电场上下游关系；d是输入变量的维度；f(x)是待预测的功率值；是从输入空间到高维空间的非线性映射，即核函数；w是模型参数，b是预测残差项；

定义惩罚函数即优化目标为：

min12||w||2+12rΣi=1Nei2;]]>

其中，e_i是误差项，r为正则化参数，N为样本数；

引入拉格朗日乘子λ后，将基于SVM分类器的非线性预测模型表达式转化为：

f(x)=Σi=1NλiK(x,xi)+b;]]>

其中，λ_i(i=1,2,...,N)和b为模型系数，K(·)表示从输入空间（非线性空间）到高位特征空间（线性空间）的非线性映射；

核函数K(·)采用Sigmoid函数形式，表示为：

K(x,x_i)=tanh(v(x·x_i)+c)；

其中，x_i(i=1,2,...,N)为输入的训练样本，v(x·x_i)表示x与x_i的内积，c为参数。