[发明专利]基于自学习径向基核函数支持向量机的风电功率预测方法

权利要求书

1.一种基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，包括：

通过模型训练得出得到SVM模型的步骤；

以及将风电功率预测所需的数据输入上述训练得出的SVM模型，得出预测结果的步骤。

2.根据权利要求1所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述通过模型训练得出得到SVM模型的步骤具体包括：

步骤101、模型训练基础数据输入；

步骤102、对上述输入的训练基础数据进行预处理；

步骤103、SVM分类器训练；

步骤104、通过输入上述预处理的样本数据，经过SVM分类器训练得到SVM预测模型。

3.根据权利要求2所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述步骤101中，模型训练基础数据输入的数据包括风电场基础信息、历史风速数据、历史功率数据和地理信息系统数据。

4.根据权利要求3所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，所述地理信息系统数据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。

5.根据权利要求2所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述步骤102中的训练基础数据进行预处理具体为：将风速数据和功率数据进行数据对齐及归一化预处理，地理信息系统数据通过预处理确定电站上下游关系。

6.根据权利要求2所述的基于自学习径向基核函数支持向量机的风电功率预测方法，其特征在于，上述步骤103中，SVM分类器训练具体为：基于SVM分类器的非线性风电功率短期预测模型可以表示为：

其中，x是与风电功率密切相关的影响因素，包括数值天气预报数据、历史功率和风电场上下游关系，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，基于SVM分类器的非线性预测模型为：

f(x)=Σi=1NλiK(x,xi)+b]]>

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

核函数K(·)采用径向基函数形式，为

K(x,x_i)＝exp(-||x-x_i||²/σ²)

其中，x_i(i＝1,2,...,N)为输入的训练样本，σ为核函数参数，为正常数。