[发明专利]基于GSA-LSSVM模型的短期风电功率预测方法

摘要

本发明公开了一种基于GSA‑LSSVM模型的短期风电功率预测方法，通过将复杂的原始风速功率数据通过风速爬坡坡度合理的分为三类，弥补了模型计算量过大的缺点，同时分类后的数据特征性更强，更能体现风速到功率的转化关系，改善导致同一风速对应不同功率的现象，同时改进的GSA一定程度上改善了传统GSA方法易陷入局部最小值的缺点，从而提高风电场短期功率预测的准确性，弥补了目前预测方法不能取得较优的泛化能力、单一模型无法解释风速到功率的复杂转化关系、未将风速骤然变化考虑到预测模型等缺点，提高了风电场对实际发电功率实时预测的准确性，具有良好的应用前景。

主权项

1.基于GSA‐LSSVM模型的短期风电功率预测方法，其特征在于：包括以下步骤，步骤(A)，采集风电场的实测数据(v(t),p(t))，其中，t为采样时间，且t为大于0的自然数，v(t)为实测风速，p(t)为实测功率；步骤(B)，对风电场的实测数据(v(t),p(t))进行数据预处理，包括异常数据剔除和缺失数据填补，得到去噪后的数据其中，为去噪后的风速，为去噪后的功率；步骤(C)，根据公式(1)对去噪后的数据按时间序列进行分类，得到新的三组数据，分别为上升风数据、下降风数据和平稳数据；其中，RP为风速上升或下降的坡度，ΔT为时间区间，参数RP和ΔT的取值通过多次实验结果对比确定；步骤(D)，将多台风机全年的实测风速功率数据汇成风速功率等级表，设风速的范围为[0,vco]，vco为切出风速，单位为m/s，并将风速划分成n个等级，并根据公式(2)，得到第L等级内所有功率均值PL，其中，L属于n，从而得到风速功率曲线，所述风速功率曲线为平均同一等级中风速的功率，其中，pi为第L等级上第i个风速对应的功率，L表示风速功率的等级，m表示第L个等级范围内包含的样本个数；步骤(E)，将分类后的上升风数据、下降风数据和平稳数据绘制风速功率散点图，与风速功率曲线对比观察，确定上升风散点、下降风散点与风速功率曲线的规律，明确风速的升降对风电功率预测精度存在影响，能够得到上升风略低于平均水平，下降风略高于平均水平；步骤(F)，应用LSSVM模型选取RBF作为核函数，确定惩罚参数γ和RBF核超参数，并采用改进的引力搜索算法GSA对LSSVM模型进行优化，确定最优参数，提高模型的预测精度和收敛速度，形成优化后的GSA‐LSSVM模型；步骤(G)，将分类后的上升风数据、下降风数据和平稳数据，作为GSA‐LSSVM模型的输入，自适应上升风、下降风、和平稳三类的参数，进行训练，训练好的三类模型，将需预测的数据输入训练好的三类模型，得出的三类功率预测结果按原时间序列重新组合，完成短期风电功率的预测。