基于支持向量机的风电功率预测

基于支持向量机的风电功率预测 毕业论文(设计)题目：基于支持向量机的 评价评价内容法和手(设合理；实验是否正确，设计、计算、分析处理是 综综柯贤军同学所做的“基于支持向量机的风电合功率预测”，选题符合建筑设施智能技术专业的评培养目标，体现了学科、专业特点和教学计划的价基本要求，能达到综合训练的目的，且难度适计合理、计算正确，符号统一，图表完备、整洁、正确。体现了该生具有一定查阅文献、综合归纳资料的能力和一定的外文与计算机应用能评月日湘潭大学毕业论文(设计)鉴定意见 毕业论文(设计说明书)31页图表21张论文(设计)题目：论文(设计)题目：基于支持向量机的风电功率预测近年来，我国大力建设发展风电市场，风力发电在电力系统中日益发挥着重要的作用。然而，由于风电的随机性，间歇性和波动性，使得电力系统很不稳定，给电力部门重要。本课题主要是当今电力部门的研究热点。本文首先讲解了风电功率的发电原理和影 和预测方法功率预测办法；然后，重点讲解了支持向量机的回归预测中的实现方法；而后，我们建立了基于支持向量度持向量机的参数，最终结果表明该生基础理论较好，对于毕业设计当中出现的各种现象能够及时分析和处理，有一定的综合运用能力，达到了毕业设计的要求。同意其参加答辩，建议成绩评定为。同意其参加答辩，建议成绩评定为。指导教师：年月日 答辩小组组长：年月日经答辩委员会讨论，同意该毕业论文(设计)成绩评定为。答辩委员会主任：年月日目录 基于支持向量机的风电功率预测挥着日益重要的作用。然而，由于由于风速具有随机性，间歇性和波动性等特点，通过风能转化为电能的电力系统也会随着风速的变化而变化。这给电力调度部门带来诸多问题。因此，对风电场输出功率进行预测,把风电功率纳入电网的调度计划是保证电VM本文首先介绍了风电功率预测的选题背景以及国内外的研究现状。在国外起步较然后，介绍了风电功率预测的一些基本概念，风电功率预测的基本知识和国标中并运用遗传算法(GA)优化参数，平均相对误差比之前低了3.08%。 第1章引言风力发电已经作为人类寻找新能源的一种成功尝试，但风电输出功率的不稳定性，给电力调度部门带来很多不便。因此对风电输出功率预测的研究显得尤为重要。了能源危保证电网稳定经别方面有很大优势，能够避免 开展了发出了基于人工神经网络(BP模型)、支持向量机(SVM)等统计方法的风电功率预测建、辽宁、吉林、黑龙江、甘肃、宁夏、新疆等风电功率预测系统已经投入运行，取5]。进展。并简单介绍了风电功率预测的方法，包括持续法、时间序列法、卡尔曼滤波法、人工神经网络和支持向量机等方法。在下一章节里，主要介绍风力发电的一些基本知识和风电功率预测中有待解决的问题。第2章和结构风电电的 风机通常为12~22转/分)转变为很高的发电机转速(发电机同步转速通常为1500转/分)。化为电能，在现有的大中型风力发电机组的范围内变化。当风速增加使齿轮变速箱高速输出转速达到，也带动了风轮转速的随机变化。风轮的转速直接影响着发、电压、频率的输出。当风速到达切入风速时，风轮开始旋转并带动发电机力增强，风轮转速增加，发电机输出功率增加。当风速达到额定风速时，发额定功率。之后输出功率保持大致不变。如果风速进一步增加，达到切出风，风轮通过刹车系统进行剎车停机，发电机不再输出功率，以免风电机组受心部件，主要包括控制和检测两部分。控制部分的主、风向对系统加以控制，使风机获取最大的风能，保证风力发电机采集实际输出功率 其它影响因素：包括尾流，环境污染，风电机组本身等都会对风电机组的实际输出办法》(以下简称《办法》)的规定，风电功率预报的时间分辨率为15分钟。且风电电功率预测分为长期预测(72h以上的风电功率预测)，短期预测(即当天预测次日00:00时起72h的风电场输出功率)和超短期预测(即实现提前量为0一4h的滚动预测)波分析法、支持向量机法(SVM)等。本文主要采用支持向量机和改进的支持向量机的方法对风电功率进行预测，且与行性和可靠性。2.3风电功率预测评价标准 「准确率：r=|1_1|L 点-免考核点数)；Cap为风电场的开机容量。2NkCapkCapk上报率：表示成功上报预测数据的概率 月(年)风电功率预测数据传输率(%)=月(年)成功传输数据天数 .2本文采用的评价标准不超过25%，实时预测误差不超过25%，全天预测的结果的均方根误差不超过20%(也就是准确率要超过80%)。由于本文中只是进行实时预测和日预测，所以只需要对准确率(r1)和合格率(r2)们MK Nyt(2.7)2.4风电功率预测问题的描述形式因1基于数值天气预报天气预报预报的分布面广，预测区域大，获取的天气信息不能反应风电场特定区环境变化，且缺少风电预测的一些重要影响因素，因此，我们需要专门建立预测风电功率的实时天气预报系统,统计分析这些因素。中国国网电力科学研究院研发的V2]。的问题。中科院国家天文台的张志伟等人发明了一种实时测量风速的方法及装置 电功率的预测，因为无法获取和预测较长时间的风速变化过程。因而，这种方法不能 遍被接受和应用的有神经网络(BP)和支持向量机(SVM)的方法。本文主要用于解决基于时间序列的历史功率这一类型的风电功率预测问题，我们SVM(SupportVectorMachine)是由瓦普尼克(Vapnik)在研究统计理论的时候[13][14][15]。对于监督性学习来说，学习器输入(或输出)样本的训练集通常是以向量的形式两类问题的分类通常可以可以用一个实值函数f:XRnR的方式：当f(X)>=0ii (3.2) (3.2)3.2.2拉格朗日(Lagrange)原理 n 题就很容易解决的了。我们通过引入拉格朗日乘子可以把问题转化为对几个参数的求解。为了便于研究，对拉格朗日乘子作如下一般性描述：?Fi?0=?f?Fi?x?x1?xiiiFx,x,j12j3)函数f只可能在这些求出的稳定点处取得条件极值，由问题的实际意义,如果函数必存在条件极值,方程组又只有唯一一个稳定点,则该点必为所求的极值点.通过拉格朗日乘子可知：要讨论目标函数满足联立方程组的约束条件极值问题,只需先引入拉格朗日乘子，解决带有拉格朗日乘子的函数极值问题,这是因为它们的极值对应关系[16]规划和对偶理论通分情况中，实心点和空心点分别用来表示两类训练样本，把两类样H/w。以上就是在法方向w给定的情况下构那个法方向w就是我们要选择的。综上所述，所谓最优分类线H就是不仅要求分类线0 隔原则，求最优分类面的问题就变成了求最小法方向w的问题。将式(3.2)中两式合并，可得yi((w.x)+b)≥1，因此，在线性可分情况下构造的最优分类面，就转化为下面的二次规划问题：|i|i式(3.4)被称为求解最优分类面的原始问题。只要能够求得最优解w*和b*，之后构间分类面(w*.x)+b*=0，就可以由此确定决策函数f(x)=Sgn((w*.x)+b*)。为了求出最优题转换到对偶空间 i1令i=1i=1将式(3.7)和(3.8)代入式(3.6)得到：i2i2i1=xlai-xlxlaiajyiyj(xi.xj)(3.10)这样，就把式3(.3)的优化问题转化到了对偶空间成为了对偶问题。i=1i=1j=1 i iiii=1iii=1i=1对于任意给定的测试样本x，选取不为零的支持向量系数ai*，代入式(3.7)中求得b*，再将所得到的ai*、b*、训练样本xi、训练结果yi及测试样本x带入式(3.12)的最对于线性不可分情况，不要求一切的训练样本均符合约束条件yi((w.x)+b)≥1，为此放宽为：xibil很明显，=(1,...,l)T体现了训练样本被误分的情况，可采用i来作为训练样本被 (1)使2/w的分类间隔尽可能的大。 (2)尽可能缩小误分程度。i=1i=1i=1(a(y(w•x+b)-1+G=0,Vii-ai-bi所构造的最优分类面的问题可转化为下面的二次规划对偶问题：上面所讨论的线性可分和线性不可分的对偶问题只与在训练支持向量机过程中所找出的支持向量和测试样本之间的内积运x算x有关。ij3.5非线性可分支持向量机引入一个核函数K。 ijijijiiji=1j=1i=1i=1ijiini=1|2 函数有： (1)多项式函数核函数q (2)高斯径向基核函数(RBF) (3)多层感知器(MLP)核函数SVM留着分类算法中最大间隔的主要特征：非线性函数可以通过核空间中的线性学习器得到，同时，系统的容量受到与特征空间维数不相关的参数控制。和分类算法的原理一样，回归算法也是通稀疏的[13]。支持向量机回归(SVR)的原理是将输入样本点通过非线性映射，映射到高维特征S经验风险最小化转化成结构风险最小化以便利用结构风险最小化原则来构造最优决策函数(目标函数)，最后运用原维空间的核函数替代映射函数ijii 理线性回归问题的时候，RBF核函数由于局部较优，它对于一定范围内的数据具有较 和密度估计问题中，支持向量机是一个很强大的方入统计学习理论和结构风险最小化之中。这些方法中，凸优的规范条款解释。经典的模式识别算法的内核版本如判别分S支持向量的积极选择和估计的近似值。原始对偶申述的方法被开发为核心谱聚类，数 通过前面的学习，我们也初步了解了风力发电的基本原理，风电功率预测的影响因素，以及发电功率预测的分类和预测办法，同时我们重点讲述了持之向量机的理论基础，在做线性回归预测方面的优越性。风电功率预测的方法有很多，但由于风具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的，大部分基于特征经验和规律序列的预测方法往往难以达到《办法》中的要求。综合一些论文的叙述以及以及风电场所选择的预测模型来看，我们不难发现，现在普遍使用的是基于BP神经网络及其优化组合模型和基于支持向量机(SVM)及其优化组合模型取得不错的预测效4.1风电功率数据选取 (1)观测数据真实可靠 (3)预测期间风电机组分布不变，发电机组性能不随时间发生变化在数据选取和模型假设工作完成后，我们分别建立支持向量机，基于小波的支持下所示： 定核函数的参数和惩罚系数使用结构风险最小化原则(SRM)替代经验风险最小化原则，使它较好的解决了小 选取]以5月31号前10天的数据作为训练样本，按照时间的前后强化某一时刻的训练效果，后者怎么来建立训练样本呢？我们首0500708050603040到某一时刻训练数据对为了便于分析和理解，先从简单的模型入手，同时考虑数据的有效性(我们认 kxxmaxmin预测是以局部历史数据为基础，这些数据也只是在一定的范围内波动。同时，短期预测需要较好的跟踪相近数据的变化，得出相邻几个小时内的预测值。因此RBF更适合核参数与输入样本的空间范围和宽度有关，他可以精确的定义高斯空间0()的。 本文的SVM风电功率预测调用了LS-SVM工具箱(可以通过LS-SVMlab主页：下一些子函数。通过训练函数trainlssvm对样本进行训练，.3.1参数选择组功率和总机组功率的参数选择。所以进行两次测试即可。调用MATLAB中的图4-3，4-4所示)： 0.950.90.850.80.750.7205惩罚参数00核参数50.950.90.850.80.750.70.65205惩罚参数00核参数5 Clinspace以看出在坐标(8,16)这点的合格率最大，即在(8)=22,率(r1)、合格率(r2)和平均相对误差(MAPE)。仿真预测结果如下所示(预测结果保留在附件里面)：率功出输的组机AP4050605月30日96个时刻点70809010010200 xx1044.5真实值预测值.5率功3出输的2.5组机总285P150605月30日96个时刻点8090100440506070809010040506070809010000PA和P58的准确率(r1)、合格率(r2)和平均相对误差(MAPE)如下表所示r2(%)平均相对误差 测结果的比较，发现用前一天的数据作为训练数据，预测的准确率和合格率都能达到要求。且机组的综合预测精度大于个体的预测精度。同时，随着时刻的推移4.3.3SVM和BP神经网络预测精度的比较通过设置训练默认参数和编程(程序见附件2)，可得BP和SVM的对比结果，如下所示： 8090100004050605月30日96个时刻点P1020也在不断下降。下表是它们预测精确度的比较： SVM型 和核参数，因为核函数和核参数是映射到高维空间，进行点运算的关键。而惩罚参数C通过程序以获得最优参数。但此举耗时费力，难以保证模型收敛到局部最小[23]。现在也有很多学者通过各种办法，进行参数的优化。王强强[2]和庄新妍[24]等人利用遗传算法(GA)对参数进行优化；陈道君[20]等人通过粒子群(PSO)对参数进行优化。还有用蚁群算法(ACO)和模拟退火算法(SA)等智能算法对参数进行优化。YN向量机算法流程图 1)对惩罚参数C和核参数采用浮点数进行编码，首先根据经验给定参数的初始2)采用随机方式产生初始种群3)设计适应度函数。本文采用平均相对误差作为训练函数(先对前一天的数据进行预测)：Nyt=1t4)对遗传算子进行交叉编译操作，并记录最优的适应度值。4.4.3结果分析1)因为支持向量机的结果是由少数支持向量决定的,通过抓住这些关键样本来“剔3)寻找到的少数最优支持向量可以决定SVM的决策函数,并且计算的复杂性是由“维数灾难”。M理二类分类问题，所以用SVM处理 6本章小结M 本次毕业设计是基于支持向量机理论的实际应用。对于这个第一次接触的智能算法，我首先在网上查阅相关文献，了解到它在模式识别，分类和预测等方面具有显著的优越性。结合，自己本专业的特点，最终提出了基于支持向量机的风电功率预测模在学习支持向量机的理论上花费了很长时间，通过在图书馆借的基本书里，掌握了支持向量机的基础理论知识。紧接着，我找到了2011年电工杯的风力发电功率的历由于自己之前参加过数学建模比赛，用MATLAB就行编程也还算可以。在网上下载LSSVM来了很大的方便。结合以前接触的智能算法，用BP取得不错的效果。也希望各电力部门能够尝试建设基于支持向量机的风电功率预测系统。本次毕业设计，自己收获了很多的东西，包括王老师的热心帮助，查阅文献的能致谢行文至此，我的这篇论文已接近尾声；岁月冉冉，我四年的大学时光也即将敲响结束的钟声。离别在即，站在人生的又一个转折点上，心中难免思绪万千，一种感恩学习条件；是你们，一如既往的站在我的身后默默的支持着我，鼓励我前行，你们的爱，爱的无声，却又爱的深沉。没有你们就不会有我的今天。谢谢你们，我的父亲母亲！本篇论文是在王老师的悉心指导下完成的，在做毕设的这两个月里，多次向你请教，你都很用心的给我了一些建设性的意见，在初稿到完稿的过程中，你都认真仔细心帮助和指导我的指导老师王冬丽老师表示衷心的感谢并致以崇高的敬意！在这四年中，老师的谆谆教导、同学的互帮互助使我在专业技术和为人处事方面都得到了很大的提高。感谢湘潭大学，这样一个美丽的校园，我们能在清静中嗅到书你们的专业，成就了我们的专业。感谢大学四年曾经帮助过我的所有同学，是你们用自己的爱心书写了湘大爱的新篇章。 参考文献J)社,2010.S[12]林春霖，风电场风电功率预测系统介绍[J].水利科技，2012，(3)tiontoSupportVectorM电功率预测[J].电网技术，2013,37(4) [23]唐炜，张莉，陈涛．遗传优化支持向量机的传感器动态建模[J]．自动化仪 (3)%把LSSVMlabv工具包装在工作目录下面tic;%开始记时loadPA;%x=PA(20,:);xtest=PA(21,:);MAX=max(x);MIN=min(x);x=(x-MIN)./(MAX-MIN);%----------------------------------------------------------------x=x';Y_svm=x(p+1:end);fori=1:pX_svm(:,i)=x(i:end-p+i-1); end%---------------------------------------------------gam=10000;sig2=2;%---------------------------------------------------type='functionestimation';[alpha,b]=trainlssvm({X_svm,Y_svm,type,gam,sig2,'RBF_kernel','preprocess'});step_to_predict=96;%预测5月30日96个时刻的风电负荷temp_matrix=x(end-p+1:end)';%---------------------------------------------------ytest=[];fori=1:1:step_to_predictXt=temp_matrix;%先用前一天15个数据作为输入Yt=simlssvm({X_svm,Y_svm,type,gam,sig2,'RBF_kernel','preprocess'},{alpha,b},Xt);ytest=[ytestYt];temp_matrix=[temp_matrix(1,2:end)Yt];endytest;%预测功率输出值svm_multi=(ytest.*(MAX-MIN))+MIN;r1=1-sqrt(sum(((xtest-svm_multi)/850).^2)/96)%计算预测的准确率fori=1:96if(1-(xtest(i)-svm_multi(i))/850)>0.75B(i)=1;elseB(i)=0;endend r2=sum(B)/96tocPA;x=PA(20,:);xtest=PA(21,:);time=15;%从数据中可以看到风电功率基本是四个小时一个周期。x=x';T=x(time+1:96);fori=1:timeP(:,i)=x(i:96-time+i-1);endP=P';T=T';[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T);net=newff(minmax(Pn),[15,13,1],{'tansig','tansig','purelin'},'traingdx')inputWeights=net.IW{1,1};%当前输入层权值和阀值inputbias=net.b{1};layerWeights=net.LW{2,1};%当前网络层权值和阀值layerbias=net.b{2};net.trainParam.show=30;%设置训练参数net.trainParam.lr=0.005;net.trainParam.mc=0.8;net.trainParam.epochs=6000;[net,tr]=traingdx(net,Pn,Tn);%调用TRAINGDX算法训练BP网络 x=x';p1=[x(82:96),xtest];p2=p1(1:15);fori=2:96%得到训练样本p2=[p2;p1(i:i+14)];endpnew=p2';%输入新的数据pnewn=tramnmx(pnew,minp,maxp);aven=sim(net,pnewn)%对归一化后的数据进行仿真anew=postmnmx(aven,mint,maxt);anew;f=1:96;anew=anew(1:96);plot(f,anew,'-r',f,xtest,'-b')legend('预测值','真实值')xlabel('九十六个时刻')ylabel('对应的输出功率')r1=1-sqrt(sum(((xtest-anew)/850).^2)/96)B=zeros(1,96);fori=1:96if(1-(xtest(i)-anew(i))/850)>0.75B(i)=1;elseB(i)=0;endendr2=sum(B)/96