基于V-支持向量机的风电场短期风速的概率预测

第31卷第0期电网技术1文章编号：1000-3673（2007）08-0082-06中图分类号：TM614文献标识码：A学科代码：480·6040基于V－支持向量机的风电场短期风速的概率预测杜颖1，卢继平2，李青3，邓颖玲4（1.广东省电力设计研究院，广东省广州市510600；2．输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆市沙坪坝区400044；3．甘肃洁源风电有限责任公司，甘肃省兰州市730050；4．中国民用航空湛江空中交通管理站，广东省湛江市524017）WindSpeedProbabilisticForecastingofWindFarmBasedonV-SupportVectorRegressionMachineDUYing1，LUJi-ping2，LIQing3，DENGYing-ling4（1.Guangdongelectricpowerinstitute,Guangzhou510600GuangdongProvince,China;2．StateKeyLaboratoryofPowerTransmissionEquipment&SystemSecurityandNewTechnology(ChongqingUniversity)，ShapingbaDistrict，Chongqing400044，China；3．GansuCleanSourceofWindPowerCo.,Ltd.，Lanzhou730050，GansuProvince，China；4．ChinaCIVILZhanJiangAirTrafficManagementStation，Zhanjiang524017，GuangdongProvince，China）ABSTRACT:Awindspeedforecastingforwindfarmbasedonvsupportvectorregressionmachineisproposed.Takinghistoricalwindspeeddata,atmosphericpressureandtemperatureastheinput,thewindspeedandenvironmentalconditionaretrainedbyv-SVRM,thenaforecastingmodelisbuilt,andbyselectingdifferentparametersofthev,youcancalculatetheprobabilityofthecorrespondingconfidenceintervalsofwindspeed.Forecastingwindspeedbytheproposedmethod,theobtainedresultsarebasicallyinaccordancewiththevaluesofactualwindspeed.ComparingthewindspeedsforecastedbytheproposedmethodwiththoseforecastedbyBPneuralnetworkbasedmethod,itisshownthattheproposedmethodisbetterthanthelatterinrobustnessandforecastingaccuracy.KEYWORDS:windpowergeneration；windspeedforecasting；leastsquaressupportvectormachine；gridsearch；BPneuralnetwork摘要：提出了一种基于v－支持向量机的风电场风速的概率预测方法。以历史风速、气压、温度数据作为输入，对风速和环境条件进行训练，建立预测模型，并且运用网格搜索法确定模型参数，通过对参数v的不同选取，可以计算出相应概率下的风速置信区间。算例结果表明，使用上述方法预测的风速置信区间很好地包含了真实值，比“单点”预测的效果更好。因此是一种比较有价值的风速预测方法。0.引言随着风电容量在电力系统中的比例越来越大，对系统的影响日益明显。但由于风的随机性使得电力公司不愿意将其列为能源之一，有时将其称为“一个潜在的捣乱者”。随着风能地位的增加，风力发电机在电力网络中的安装位置也在发生着改变。电力公司必须为维持电能质量而负责，因此，很有必要模拟和预测风力发电机组出力。风速的预测有很强的不确定性，仅仅通过预测单个数值作为结果，其模糊性太强。由于风速的强烈的随机性，上述的预测方法在一定程度上难以满足预测的精度的要求。如果给出预测值的一个范围，并给出它的概率，也就是预测值的置信区间，这样的话比预测值本身更有实用价值。第31卷第0期电网技术21.风速的概率预测模型的建立1.1v－支持向量回归机文【？？】由最小二乘支持向量机模型得出的预测值（点预测）作为预测量的期望值，下面为了求得置信区间，需要引入另外一种模型——v－支持向量回归机。在最小二乘支持向量机回归中，需要事先确定－不敏感损失函数中的，然而在某些情况下选择合适的并不是件容易的事，因此，需要一种自动计算的v－支持向量机[34]。引入另外一个参数v（0v），把最优化问题2*11()2niiiWC修改为：2*11[()]2niiiWCv(1)其约束条件为：**(),0(),00iiiiiiiiiiWxbyyWxb(2)注意这里是作为优化问题的变量出现的，其值作为解的一部分输出。式中，C0决定经验风险与正规部分之间的平衡；v为0～1之间的常数。可以证明，当0时，v是错误样本个数占总样本个数份额的上界。其中错误样本点指落在图1“带”外部的样本点，其对应的松弛变量i或者*i0，如图4.1中点“1”和点“2”所示。上述结论意味着样本点将以至少1v的概率落入“带”，也就是说，在利用v－支持向量机进行回归估计时，可以同时近似用1v来描述“置信度”，而用来描述对应的“置信区间”。这就是本文的基本出发点。1x2xH12带带图1非线性回归函数的不灵敏带Fig.1Insensitivebandofnonlinearregressionfunction1.2v－支持向量回归机的解法①选择适当的正数v，C和核函数；②构造并求解优化问题（式1）的对偶问题，得到最优解***T1122(,,,,,,)nn第31卷第0期电网技术3③构造决策函数**1()()(,)niiiifxKxxb（3）*b按照下列方式计算：选择*的位于开区间（0，C）中的两个分量j和*k，令：***111[(()(,)()(,))]2nnjkiiijiiikiibyyKxxKxx（4）④置信区间估计***1()(,)niiijjiKxxby（5）或***1()(,)nkiiijiyKxxb（6）在一定条件下，可以证明[34]，当训练集中的样本个数趋向无穷时，v以1的概率渐近于支持向量的个数与样本点个数之比，也渐近于错误样本点个数与样本点个数之比。因此，大体上可以用v（01）来控制支持向量的个数或错误样本点的个数（称最优解中i或*i不为零时对应的ix为支持向量），这就是为v值的选取提供一个依据。2.风速的概率预测本文继续采用原有的样本集即玉门风电场2006年7月3日7时0分到2006年7月4日16时10分共200个点的风速数据，利用v－支持向量回归机进行模型训练以及预测。本方法的训练数据样本的选择与处理，核函数与核参数的选取以及预测的程序都与第三章所用方法和程序一样。由于篇幅所限，本文只给出当v=0.15以及v=0.05两种情况下的预测结果。如图4.2所示，具体数据见表4.1和表4.2，表4.3是两种情况下预测结果的对比。第31卷第0期电网技术4(a)v=0.15(b)v=0.05图2风速在不同置信度下的预测Fig.2Windforecastingindifferencedegreeofconfidence表4.1v＝0.15，置信度为85％时，风速预测结果Table4.1Windforecastingresultwhendegreeofconfidenceis0.85第31卷第0期电网技术5预测时刻实际值m/s最小二乘向量机预测值m/s置信上限m/s置信下限m/s7:0012.512.9213.9211.937:1012.212.2513.3511.157:2012.111.9612.9211.007:3012.812.8712.7510.987:4012.512.5413.6011.487:5012.912.2513.1111.408:0013.412.9313.2711.998:1013.413.1113.9112.328:2013.413.1113.7912.448:3012.813.1113.8212.418:4013.412.9413.2611.818:5013.113.1113.8812.349:0012.912.8313.4712.18······························14:408.68.568.838.2914:506.77.138.046.2215:005.45.175.674.6815:104.64.865.474.2615:205.04.685.174.1715:304.95.065.664.4615:405.74.965.464.4715:5065.736.225.2316:006.36.026.515.5316:107.16.316.795.81第31卷第0期电网技术6表2v=0.05置信度为95％时，风速预测结果Table4.2Windforecastingresultwhendegreeofconfidenceis0.95预测时刻实际值m/s最小二乘向量机预测值m/s置信上限m/s置信下限m/s7:0012.512.9214.2911.557:1012.212.2513.7810.727:2012.111.9613.3510.587:3012.812.8713.1010.647:4012.512.5414.0711.017:5012.912.2513.4811.028:0013.412.9313.5611.718:1013.413.1114.1812.048:2013.413.1114.0412.198:3012.813.1114.1812.048:4013.412.9413.4711.618:5013.113.1114.1812.049:0012.912.8313.7511.90······························14:408.68.568.948.1814:506.77.138.445.8215:005.45.175.884.4815:104.64.865.734.0015:205.04.685.393.9615:304.95.065.924.2015:405.74.965.674.2615:5065.736.435.0416:006.36.026.715.3316:107.16.317.195.62采用下式来衡量该方法的精度：kNN（7）式中：是精度，kN是包括在置信区间内的样本点数，N总样本数。第31卷第0期电网技术7表3不同置信度下预测结果比较Table4.3Forecastingresultscomparisonindifferentconfidencev(1-v)置信度/%预测精度0.0595%0.960.1585%0.795综上可以看出，采用v－支持向量机法计算出来的置信区间符合风速预测的要求，总体来说可信度很高。此外，置信区间随置信度的增加有所增大，因此置信度越高其包含的风速范围大，精度就相应越高。该方法比单纯的点预测更适合于风速这