基于小波变换和支持向量机的短期风电功率预测-黄晓松.pdf

《基于小波变换和支持向量机的短期风电功率预测-黄晓松.pdf》由会员分享，可在线阅读，更多相关《基于小波变换和支持向量机的短期风电功率预测-黄晓松.pdf（54页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 分类号： T M- 61 4 密级： U D C： 编号： 11-080802-M 学 位 论 文 基于小波变换和支持向量机的短期风电功率预测 黄晓松 指导教师姓名： 李玲玲 教授 河北工业大学 申请学位级别： 硕 士 学科、专业名称： 电气工程 论文提交日期： 2012 年 11 月 论文答辩日期: 2012 年 12 月 学位授予单位： 河北工业大学 答辩委员会主席： 评 阅 人： 2012年 11 月 Thesis Submitted to Hebei University of Technology for The Master Degree of Electrical Engine

2、ering SHORT-TERM WIND POWER FORECASTING BASED ON WEVELET TRANSFORM AND SUPPORT VECTOR MACHINE By Hang Xiaosong Supervisor: Prof. Li Lingling November 2012 This work supported by the Construction Science and Technology Research Projects of Hebei. No.2011-14 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行研究工作所取得的成

3、 果。除文中已经注明引用的内容外，本学位论文的研究成果不包含任何他人创作的、已公 开发表或者没有公开发表的作品的内容。 对本论文所涉及的研究工作做出贡献的其他个人 和集体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任由本人承担。 学位论文作者签名： 日期： 关于学位论文版权使用授权的说明 本人完全了解河北工业大学关于收集、保存、使用学位论文的规定。同意如下各项内 容：按照学校要求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和 电子版，并采用影印、缩印、扫描、数字化或其它手段保存论文；学校有权提供目录检索 以及提供本学位论文全文或者部分的阅览服务； 学校有权按有关规定

4、向国家有关部门或者 机构送交论文的复印件和电子版；在不以赢利为目的的前提下，学校可以适当复制论文的 部分或全部内容用于学术活动。 (保密的学位论文在解密后适用本授权说明) 学位论文作者签名： 日期： 导师签名 ： 日期： 基于小波变换和支持向量机的短期风电功率预测 基于小波变换和支持向量机的短期风电功率预测 摘要 近年来，风能作为一种清洁、永续的能源得到了国家的大力扶持和鼓励，风力发电量 也随之得到了迅猛发展。然而由于我国电网基础建设相对薄弱，当其发电量在电网中的比 例达到一定程度时，势必给电网的稳定性带来严峻的挑战。因此为解决风速的随机波动特 性对并网风力发电系统造成的冲击，需要对短期风速进

5、行准确的预测。 本文建立了一种将小波变换和支持向量机理论相结合的综合预测模型。首先运用小波 变换得到风速序列在不同尺度下的变化特性，提取出风速中的低频趋势分量和高频波动分 量；其次利用改进的粒子群算法对支持向量机的参数进行寻优处理；然后基于优化后的支 持向量机将输入的风速低频趋势分量映射到一个高维特征空间中，并通过小波重构实现风 速的精确预测；最后将预测后的风速序列代入风机的特性功率曲线，得到最终的风电预测 结果。 实验表明该模型具有泛化能力强，预测精度高等优点，700 个作为训练样本，200 个 测试样本，预测风速序列均方根误差最低可达 0.0932，预测功率结果偏差为零的点占总样 本的 4

6、8.5%，且随着预测时长的增加，误差逐渐放大，预测效果明显强于使用传统的预测 模型，并通过对比未经参数优化和经参数优化的两种向量机预测模型，证明改进粒子群算 法确实大幅提高了支持向量机的预测精度， 实现了风电功率 13天的短期预测。 关键字：小波变换, 支持向量机, 风电预测, 粒子群算法, 参数优化 基于小波变换和支持向量机的短期风电功率预测 ii SHORT-TERM WIND POWER FORECASTINGBASED ON WEVELET TRANSFORM AND SUPPORT VECTOR MACHINE ABSTRACT In recent years , wind ener

7、gy has obtained the countrys strong support and encouragement as a clean and sustainable energy , wind power has also developed rapidly . However , power grid infrastructure is relatively weak in China, when the proportion of its power generation in the grid reaches a certain level ,it would bring a

8、ustere challenges to the stability of the grid . In order to solve the shock to the grid wind power generation system as the random speed wave characteristics , it is need to accurately predict for short-term wind speed . This paper design a combination of comprehensive prediction model based on wav

9、elet transform and support vector machine theory . First , it uses wavelet transform to obtain characteristics of wind speed sequence at different scales , and extracts low frequency component and high frequency wave component in wind speed . Secondly , it uses improved particle swarm optimization t

10、o optimize parameters of support vector machine . And then , the input low frequency component of wind is mapped to a high dimensional space by support vector machine optimized , which realizes the accurate prediction of the wind through wavelet reconstruction . Finally , the wind sequence predicted

11、 is substituted in characteristic power curve of the fan , then the final prediction result of the wind power will be got . The test show that the model has some advantages such as a great generalization ability , a high forecast precision and so on .700 training samples, 200 test samples , the wind

12、 sequence predicted root mean square error lowest can be reached 0.0932 . The result of predictive power whose deviation is 0 can account for 48.5% of the total sample and with the forecast length increases, the error gradually enlarge. It has obviously stronger prediction effect than traditional pr

13、ediction model . Compare the two support vector machine prediction model that whether or not go through parameter optimization , it can prove improved particle swarm optimization substantially improve the prediction accuracy of the support vector machine indeed , and realize short-term wind power fo

14、recasting of 1-3 days . KEYWORDS : wavelet transform, support vector machine, wind power forecasting, particle swarm optimization, parameters optimization 河北工业大学硕士学位论文 iii 目录 第一章 - 1 绪论 1.1 选题的目的及意义 - 1 1.2 国内外的发展现状 - 3 1.2.1 国外风电预测产业发展状况 - 3 1.2.2 国内风电预测产业发展状况 - 4 1.3 本文的主要研究内容 - 5 第二章 - 6 风电预测理论及其

15、研究概况 2.1 风速的基本特性 - 6 2.1.1 风的形成过程 - 6 2.1.1 风速的参数特性 - 6 2.1.2 风速的概率分布 - 7 2.2 风速的数据采集 - 8 2.3 风电功率及其特性曲线 - 8 2.4 传统的风电功率预测模型概述 - 9 2.5 数据预处理及预测结果误差分析 - 12 2.6 MATLAB在风电预测研究中的应用- 12 2.6 本章小结- 13 第三章 - 14 小波理论与风电短期预测的研究 3.1 小波分析理论概述 - 14 3.2 小波定义- 14 3.3 小波变换理论概述 - 15 3.3.1 连续小波变换 - 15 3.3.2 离散栅格的小波变换

16、 - 16 3.3.3 多尺度分析 - 18 3.4 应用MALLAT算法分析风速时间序列 - 18 3.4.1 MALLAT算法简介 - 18 3.4.2 MALLAT算法的实现 - 19 3.4.3 风速序列小波分解 - 19 3.5 本章小结- 22 第四章 - 23 基于回归型支持向量机的风电预测 4.1 VC维理论和结构风险最小化原则- 23 4.1.1 VC维理论 - 23 4.1.2 结构风险最小化原则 - 23 4.2 支持向量机理论概述 - 24 4.3 核函数的选择- 26 4.4 SVM算法实现- 28 4.4 本章小结- 30 第五章 - 31 粒子群算法在支持向量机参

17、数优化中的应用基于小波变换和支持向量机的短期风电功率预测 iv 5.1 粒子群算法简介 - 31 5.2 粒子群算法的改进 - 32 5.3 粒子群算法参数的选择 - 33 5.4 利用改进粒子群算法优化支持向量机 - 34 5.5 本章小结- 35 第六章 - 36 风电场功率预测实例分析 6.1 实例分析 - 36 6.2 本章小结 - 41 第七章 - 42 结论与展望 7.1 论文的主要结论 - 42 7.2 课题的前景展望 - 42 参考文献 - 43 致谢 - 46 攻读学位期间所取得的相关科研成果 - 47 河北工业大学硕士学位论文 第一章 绪论 1.1 选题的目的及意义 科技的

18、进步推动了经济的发展，人口的不断激增使得人类对能源的需求进一步增加，而以石油、 煤炭为主的不可再生资源的储存量在不断缩减的同时，也带来了严重的环境污染问题 1 。因此可再生 资源(如风能、太阳能、潮汐能、地热等)的进一步利用得到了越来越多国家的重视，其中风能作为太 阳能的转化形式，是一种清洁的永续能源，并且具有着无需开采、运输、资源丰富等特点，已成为各 国竞相发展的新型能源 2 。 近年来风电产业的发展速度一直保持着非常高的增长率，甚至在 05 年至 08 年间达到 220%的增 长速度，装机容量几乎翻了一倍多 3-4 。据风能协会预计，全球的风电总装机容量将在十年内翻四倍， 达到 12.45

19、 亿千瓦，其发电总量将占世界总发电量的 11.9% 5 。近十年的世界风电总装机容量的统计数 据如图 1.1 所示： 5906 2599 1260 764 567 469 402 12150 20000 30000 0 5000 10000 15000 20000 25000 30000 35000 2001 2002 2003 2004 2005 2006 2007 2008 2009E 2010E Years Power（Mkw）图1.1 世界总装机容量 Fig.1.1 Total capacity of the world 我国风力资源十分丰富，风能储备量居世界首位，共计约为 10 亿k

20、w，其中海上可开发和利用的 风能储量约 7.5 亿kw，而距陆地 10 米高度的风能储量虽然只有 2.53 亿kw，但由于其安装方便，节省 成本，是目前利用最多的风能形式 6-8 。至 2003年底我国电力装机总量却只有 56.3万kw，理论上如果 能将这部分风能全部利用，不仅能够缓解资源匮乏带来的种种问题，还能满足我们日常所有的电力花 销。我国特定的地理环境决定风资源主要分布在东北、华北、西北和东南沿海地带 9 。由于我国政府 1 基于小波变换和支持向量机的短期风电功率预测 大力扶持风力发电产业和发展风机设计技术，带来风能产业的快速发展，预计在 2010 年、2020 年我 国风电装机总容量

21、将分别达到 500 万kw、3000 万kw 10 。我国近几年风电装机总容量统计数据如图所 示： 399 465 563 760 1267 2555 5866 25805 44733 12020 0 5000 10000 15000 20000 25000 30000 35000 40000 45000 50000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Years Power（Mw）图1.2 中国风电累计装机容量 Fig 1.2 Total installed capacity of wind power in China 然而，

22、风能在提供清洁能源的同时，也给传统的电力系统带来了严峻的挑战。风力发电的原动力 来源于流经风电机组的风能，由于风速具有随机性和非平稳性等固有缺点，而大型的风电机组又不具 有储能功能，因此风电机组发出的电能也会随着地域、季节、天气、高度等因素的不同，具有很大的 随机波动性 11 。当风电场的装机容量较小时，以上特性在并网后对电力系统不会造成很大影响，但随 着我国风电装机容量的不断扩大， 当其在正规电网的比重达到一定比例(一般比重超过 20%就会产生较 明显的影响，具体和电网的结构有关)时会对整个电网的稳定性造成严重的影响，当风速过大至风机的 切出风速时，风机停转会造成风电场发电量瞬间消失，而电网

23、又不能瞬间补充足够的电量，就会导致 电力系统的局部或大范围崩溃 12 。 如今风力发电量在电网中的比例日渐突出，某些地区甚至风力发电占据电网的主要部分，这表明， 风能将成为电力供应和系统供需平衡的重要组成部分 13 。风力发电的波动性时实现风电并网的最主要 障碍，因为风力发电与天气状况紧密相关，所以无法完全确定某个时刻的发电量。这就给系统总体平 衡计划的制定带来了困难。准确的风力发电预测可以减少因风力发电量波动而引起的电网运行问题， 提升风力发电的形象。风力发电的波动性也会对风力发电公司的电价产生影响，一些国家专门给风力 发电机组制定了高于电力市场报价的补贴价格。毋庸置疑，发展的趋势是解除这种

24、电力市场的管制。 但是，如果供应过量或者不足，也会造成严重的后果。这种制度也会使发电厂商必须考虑提供更稳定 可靠地电能，如果风力发电量太大，就会减少卖电的收益，反过来降低了投资风力发电的积极性，只 有将风电场输出电能汇集起来，以及对风电场输入电网电能进行准确的预测，才有提高可能提高买电 2 河北工业大学硕士学位论文 3 的价格，让风力发电成为更吸引人的投资项目，获得更高的价格，也意味着可以在更多地点发展风力 发电，因为在那些平均风速比较低的地区发展风力发电的经济效益更强 14 。 为了解决风电并网给电力系统稳定性带来的影响，解决的途径之一就是对风电功率进行预测，一 般我们按预测时间长度将风电功

25、率的预测划分为超短期预测、短期预测、中期预测和长期预测 14 。具 体分类如表 1.1： 表1.1 风电功率预测类型 Table1.1 The type of wind power prediction 预测类型 预测提前时间 用途 超短期预测 数分钟至数小时 为了风电机组控制的需要 短期预测 数小时至数天(一般不超过 3 天) 便于电网进行合理调度 中期预测 数月(一般不超 2 年) 安排大修或调试 长期预测 数年至数十年 预测风电场建成后的的年发电量 其中短期预测的时间范围正好满足电网调度所需时间，有利于电力系统调度部门更加合理安排调 度计划，减少了由于平衡风电波动而预留的旋转备用容量，降

26、低了整个电网的运行成本，提高了电网 的兼容性和稳定性 15 。为保证风力发电的并网能力，我国在 2009 年发布的风电场接入电网技术规 定中明文规定，风电场必须具有完备风电功率预测系统，并且该系统应具有 3 天内短期预测能力以 及 15 分钟至 4 小时超短期预测能力的最低要求 16 。 本论文正是根据电力系统调度的需要，对风电场风电功率 13 天的短期预测进行研究。 1.2 国内外的发展现状 1.2.1 国外风电预测产业发展状况 国外关于风电预测方面的研究始于上个世纪 90 年代，现在德国、丹麦、英国、西班牙以及美国等 国家已经拥有较为成熟的风电预测系统并投入使用 17 。目前预测系统的模型

27、可以分为两大类，一种是 基于气象信息预报数据的物理模型，一种是基于历史统计数据的统计模型 18 。物理模型是根据风电场 周围的地形，粗糙度，障碍物等物理信息来估计轮毂处的风速，然后利用功率曲线得到风电机组的发 电量，其输入的参数是由天气预报(NWP)信息 19 。但由于风电气象预报更新时间较长，因此该模型更 适用于中期风电预测。而统计模型是基于历史功率或风速时间序列，通过模式识别，参数估计和模型 校验等步骤建立映射关系，由于风速具有很大的随机波动性，因此该模型比较适合短期的风速预测。 一般认为第一套风电预测系统是由Lars Landberg等人于1990年开发出来的，其原理是利用数值天 气预报

28、提供的风速、风向等数据，通过数学模型转换的思想变换为风机轮毂一定高度的风速、风向， 然后利用功率曲线得到风电机组的发电量，并根据风电场的实际参数(湿度、温度、效率等)进行模型基于小波变换和支持向量机的短期风电功率预测 4 修正，得到最终的预测模型，该方法是一种基于物理模型的预测方法 20 。其优点是不需要大量、长期 的数据支持，是把整个风电场作为模型进行预测，比较适合如高山等复杂的地形。缺点是需要提供数 值天气预报的数据支持，而在我国目前为止还没有比较全面的气象信息服务，且该模型建立对精度要 求较高， 不适合较简单的预测模型 21 。 而最早用于风电功率预测的只有丹麦里索国家实验室的Predi

29、ktor 预测系统和丹麦科学技术大学的WPPT风电功率预测工具。从1994年开始， WPPT就在丹麦西部电力系 统中运行，并在西班牙、爱尔兰和德国的短期风电功率预测业务中得到应用；五年后WPPT开始在丹 麦东部电力系统运行。最初这个系统把自适应回归最小平方根法与指数遗忘算法相结合，可以给出 0.536 h的预测结果。 90年代中期以后，美国Truewind公司也开始了商业化的风电功率预测服务。同时，在欧洲和世界 其它地区也出现了一些风电功率测服模式。美国Truewind开发的EWind风电功率预测软件由高分辨率 的中尺度气象数值模式和统计学模式构成，统计模式是多元线性回归和神经网络。EWind

30、和Prediktor 目前在美国Callfomia同时为两个大型风电场服务，2001年10月到2002年9月之间的预测检验表明， Predikior的平均绝对误差是14%22%，EWind的平均绝对误差是14%18%。目前用于业务预测的系统 还有德国的Previento、西班牙的 LocalPred and RegioPred、爱尔兰与丹麦的HIRPOM等，其中由德国奥 尔登堡大学开发的Previento可以对一个较大的区域给出2天内的功率预测。高级风电功率预测工具 AWPPT是德国太阳能研究所开发的风电功率管理系统WPMS的一部分， 其特点是： 采用数值天气预报， 用人工神经网络计算风电场的

31、功率输出，用在线外推模型计算注入到电网的总的风电功率，可进行 18h短期预测和天前预测。 目前， 丹麦里索国家实验室开发的Prediktor、 丹麦科学技术大学开发的WPPT 和Zephyr等系统被认为是较成熟的风电功率预测产品，其中Zephry是新一代短期风功率预测程序 22 。 利用统计模型预测风电的方法很多，常用的有：卡尔曼滤波法、模糊法、时间序列法、空间相关 法，另外还有一些智能方法，如神经网络法等 23 。著名的例子有德国ISET开发的WPMS(Wind PowerManagement System)系统，使用神经网络(ANN)方法，其预测均方根误差为装机容量的 7%-19%， 已成

32、为商用最成熟的发电量预测系统。统计模型进行风电预测最大的优点就是不用深究数据序列产生 的背景，而是通过数据本身所具有的时序性和自相关性去建立数学模型，但存在着低阶模型预测误差 大，高阶模型参数估计困难大的缺点 24 。 1.2.2 国内风电预测产业发展状况 我国在风电预测方面的研究起步比较晚，还主要从事于理论方面的研究，但近几年已经有产品化 的预测系统出现了，但是预测精度还只是相当于国外 10 年前的水平。截止 2006 年，据世界范围内公 开报道国外风电预测误差已降至 6.5%(均方根误差与机组额定功率的比值)，而我国目前最好的报道也 只有 12.53%。该结果是由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)的杜颖、卢继平 等人基于最小二乘支持向量机方法得到的 25 。造成这一现象的原因，一方面由于国内风电预测研究起 步较晚，实践方面的研究相对比较落后，另一方面，国外的NWP系统比国内先进，能提供精度更高、