[发明专利]一种短期风功率预测方法

说明书

本发明公开了一种短期风功率预测方法，包括：采集风功率数据，将风功率数据划分为训练集和测试集；基于SVM核函数与Stacking集成学习算法构建第一融合模型、第二融合模型，将训练集作为输入对第一融合模型进行训练获得目标训练集；将测试集输入训练后的第一融合模型获得目标测试集；将目标训练集和目标测试集输入第二融合模型，获得风功率预测结果。本发明通过对风电场输出功率进行预测，可以降低不确定性风险，实现了对风力发电系统更好的组合调度，为电力系统的安全稳定和电能质量提供了保障。

技术领域

本发明属于风电功率测量领域，特别是涉及一种短期风功率预测方法。

背景技术

随着能源与环境问题的逐渐突出，对可再生能源的研究和利用成为全社会广泛关注的热点问题。而风力发电作为安全可靠、无污染、不需消耗燃料、可并网运行的重要可再生能源之一，近年来在世界范围内得到了突飞猛进的发展。世界风力发电从1990年开始了迅猛发展，2018年2月14日，全球风能理事会发布2017年全球风电发展统计数据：2017年全球风电市场新增容量超过52.57GW，全球累计容量达到539.58GW。2017年中国风力发电新增容量19.5GW，占全世界2017年风力发电总新增容量的37％，2017年中国风力发电累计容量188.19GW，占全世界风力发电总累计容量的34.87％。

然而风具有不确定性和非平稳性的特点，因此风能是一个波动的电能来源在电力系统中，风力发电的不可调度会给电力系统安全稳定和电能质量造成威胁。因此，风电功率预测特别重要。通过对风电场输出功率的预测，可以降低不确定性风险、更好的对火电机组、水电机组和蓄能电站机组进行调度和组合以及提高风电场参与上网竞价的市场竞争力。因此，风力发电作为发展最快和最成熟的可再生能源发电技术，需要准确的风力发电预测来解决风电输出功率控制、电网安全经济调度以及电力市场环境下风电竞价交易等问题。

发明内容

为解决上述问题，本发明提供了如下方案：一种短期风功率预测方法,包括：

采集风功率数据，将所述风功率数据划分为训练集和测试集；

基于SVM核函数与Stacking集成学习算法构建第一融合模型、第二融合模型，将所述训练集作为输入对所述第一融合模型进行训练获得目标训练集；将所述测试集输入训练后的第一融合模型获得目标测试集；

将所述目标训练集和所述目标测试集输入所述第二融合模型，获得风功率预测结果。

优选地，所述Stacking集成学习算法包括样本空间、输入空间、假设空间、输出空间和版本空间；

所述样本空间为输入特征的全组合数据；所述输入空间对应原始数据的输入条数；所述输出空间对应预测数据的输出条数；所述假设空间为理论上所有存在的样本集合；所述版本空间用于反映泛化能力的强弱。

优选地，所述Stacking集成学习算法还包括基模型、元模型、最大泛化正假设边界、最大精确正假设边界；

通过所述基模型获得第一融合模型，通过所述元模型获得第二融合模型，所述最大泛化正假设边界代表所述输出空间，根据所述最大泛化正假设边界和所述最大精确正假设边界获得所述版本空间。

优选地，通过所述基模型获得第一融合模型包括输入所需变量对所述基模型进行训练，所述变量包括历史信息、天气信息、日历规则。

优选地，所述SVM核函数至少包括Linear核函数、RBF核函数、Poly核函数、Sigmoid核函数；

其中，所述Linear核函数用于解决线性问题；所述RBF核函数、所述Poly核函数、Sigmoid核函数用于解决非线性问题。

优选地，获得所述目标训练集还包括，采用k折交叉验证法将所述训练集进行划分；通过留一法对所述SVM核函数进行训练，基于改进人工鱼群算法对训练后的SVM核函数的所述基模型寻找最优超参数。