【正文】 電功率的預(yù)測方法，本文提出了基于SVM的風(fēng)電功率預(yù)測方法對風(fēng)電功率進行建模和預(yù)測。本文首先介紹了風(fēng)電功率預(yù)測的選題背景以及國內(nèi)外的研究現(xiàn)狀。在國外起步較早，且已經(jīng)建立了各種風(fēng)電功率預(yù)測系統(tǒng)。國內(nèi)起步晚，但發(fā)展快，很多地方和很多學(xué)者都參與風(fēng)電功率預(yù)測的研究。然后，介紹了風(fēng)電功率預(yù)測的一些基本概念，風(fēng)電功率預(yù)測的基本知識和國標中的一些規(guī)定。接著，詳細講述了SVM的理論基礎(chǔ)，在分類問題和回歸問題中的應(yīng)用。隨后，建立了基于SVM的風(fēng)電功率預(yù)測模型，運用2011電工杯的數(shù)據(jù)進行檢驗，先后建立了采用網(wǎng)格選取核參數(shù)和懲罰參數(shù)C,PA和P58預(yù)測精確度對比，以及SVM和BP預(yù)測的對比這三個模型。發(fā)現(xiàn)SVM預(yù)測的合格率能達到90%以上，且預(yù)測精度高于BP神經(jīng)網(wǎng)絡(luò)。最后提出了基于組合預(yù)測模型的概念，并運用遺傳算法（GA）優(yōu)化參數(shù)，%。關(guān)鍵詞：支持向量機；風(fēng)電功率預(yù)測；參數(shù)優(yōu)化；遺傳算法Wind power forecasting based on support vector machineAbstract:In recent years, our country to build the development of wind power, wind farmsand rapid development is playing an increasingly important role in the power system. However, due to the randomness of wind speed, the characteristics ofintermittence and fluctuation of the wind energy into the power system, the powerwill be with the wind speed changes. This brought many problems to the electric power dispatching department. Therefore, to predict the output power of wind farm, wind power into the grid scheduling is one of the important measures to ensure the stability of power system economic operation.Through the parison of forecasting methods of many wind power, this paperpresents a method to predict the modeling and forecasting of wind power wind power based on SVM.This paper first introduces the research background and the domestic and foreign wind power prediction. Started early in foreign countries, and hasestablished a variety of wind power forecasting system. China started late, butrapid development, many places and many scholars involved in the research ofwind power prediction.Then, the wind power prediction of some of the basic concept, some of the provisions of the basic knowledge and international wind power prediction.Then, a detailed account of the basic theory of SVM, application in classification and regression problems.Then, wind power prediction model is built based on SVM, using 2011 electriccup test data, have established the mesh selection of kernel parameters and thepenalty parameters C, PA and P58 forecast accuracy parison, andparison of SVM and BP prediction of these three models. SVM predicted the qualified rate can reach more than 90%, and the prediction precision is higher than the BP neural network.Finally, the bination forecasting model based on the concept, and the use of genetic algorithm (GA) optimization parameters, the average relative error islower than %.Keywords:Support vector machine。Wind power forecasting。Parameter optimization。Genetic algorithm第1章 引 言 風(fēng)力發(fā)電已經(jīng)作為人類尋找新能源的一種成功嘗試，但風(fēng)電輸出功率的不穩(wěn)定性，給電力調(diào)度部門帶來很多不便。因此對風(fēng)電輸出功率預(yù)測的研究顯得尤為重要。 隨著全球氣候變暖以及能源危機的出現(xiàn)，人類對可再生能源的依賴越來越強。風(fēng)能作為一種可再生潔凈能源的代表，有著廣泛的發(fā)展前景[參考文獻[] [J].電網(wǎng)與清潔能源,2011,1(1)]。近幾年來，國家大力支持發(fā)展風(fēng)電產(chǎn)業(yè)，風(fēng)電裝機容量越來越大。在我國風(fēng)電資源儲量達到32,。26億KW以上，位居世界第一，應(yīng)用潛力相當可觀[[] [J].貴州師范大學(xué)學(xué)報，(1)]。國內(nèi)風(fēng)力發(fā)電場的建立雖然起步較晚，但經(jīng)歷20多年的發(fā)展，總裝機容量以達到130萬KW，預(yù)計2020年將增至3000萬KW。這些電能被應(yīng)用到工業(yè)，農(nóng)業(yè)和生活各方面的用電需求，在很大程度上解決了能源危機?？焖侔l(fā)展的風(fēng)力發(fā)電場在電力系統(tǒng)的中發(fā)揮重要作用的同時，也給電力調(diào)度部門帶來一些問題。由于風(fēng)速具有隨機性，間歇性和波動性等特點，通過風(fēng)能轉(zhuǎn)化為電能的電力系統(tǒng)也隨著風(fēng)速發(fā)生實時變化，大幅波動會破壞電網(wǎng)功率平衡，降低電網(wǎng)運行安全系數(shù)。因此盡可能準確地對風(fēng)電功率進行預(yù)測成為當務(wù)之急。對風(fēng)電場輸出功率進行預(yù)測, 把風(fēng)電功率納入電網(wǎng)的調(diào)度計劃是保證電網(wǎng)穩(wěn)定經(jīng)濟運行的重要措施之一。對于調(diào)度部門安排系統(tǒng)的發(fā)電計劃，保證電力系統(tǒng)的安全穩(wěn)定運行，降低備用容量和運行成本以及對電力市場進行有效的管理等都具有重要意義[[] [D] .北京:北京大學(xué),2009.]。目前，用于風(fēng)電功率預(yù)測主要基于統(tǒng)計方法，主要包括持續(xù)法、時間序列法、卡爾曼濾波法、人工神經(jīng)網(wǎng)絡(luò)等[[] [J].自動系統(tǒng)自動化， ,36（14）]。持續(xù)法方法雖然簡單，不需要建立模型，但預(yù)測精度較差，主要作為各種方法的比較基準。時間序列法模型簡單，理論成熟，但只能作為超短時預(yù)測，且預(yù)測精度不太理想。人工神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用廣泛的一種智能預(yù)測算法，它適用范圍較廣，能夠自適應(yīng)、自學(xué)習(xí)，適合描述風(fēng)電功率預(yù)測模型的復(fù)雜性和非線性特點；但是人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長，對訓(xùn)練樣本相似性要求較高，容易陷入局部最優(yōu)，且受環(huán)境的影響較大。支持向量機(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機器學(xué)習(xí)問題中。LSSVM是SVM在回歸預(yù)測方面運用的一種特殊形式，LSSVM能夠同時考慮經(jīng)驗風(fēng)險最小和置信范圍最小，使模型具有較強的推廣性，模型性能主要由核函數(shù)的幾個支持向量決定，在小樣本識別方面有很大優(yōu)勢，能夠避免出現(xiàn)局部最優(yōu)，而達到全局最優(yōu)[4]。因此，我們基于LSSVM的風(fēng)電功率預(yù)測具有很強的可行性。 國外在開展對風(fēng)電場出力預(yù)測方面已經(jīng)取得一些成果，20世紀80年代就開始了風(fēng)電功率預(yù)測相關(guān)技術(shù)研究。在國外，提供電能交易的電網(wǎng)運營商和風(fēng)電場都是風(fēng)電功率預(yù)測的主體。風(fēng)電場科學(xué)合理的風(fēng)電功率預(yù)測是進行電力市場競價和風(fēng)電場運行維護的保證。在風(fēng)能開發(fā)水平相對較高的歐美國家各種模型的預(yù)測系統(tǒng)相繼被開發(fā)出來，并投入到實際應(yīng)用中，取得了良好的預(yù)測效果。 德國: WPMS：ISET開發(fā)，2001年開始運行，應(yīng)用于德國四個電網(wǎng)公司 Previento：德國奧爾登堡大學(xué)開發(fā)，2002開始運行 丹麥: Prediktor：Ris248。開發(fā)，1994年開始運行 WPPT：丹麥技術(shù)大學(xué)開發(fā)，1994年開始運行 Zephy：丹麥技術(shù)大學(xué)開發(fā)，2003年開始運行 西班牙:LocalPredRegioPred：西班牙可再生能源中心開發(fā)，2001年開始運行 SIPRE?LICO：西班牙卡洛斯Ⅲ大學(xué)開發(fā)，2002年開始運行 美國: eWind：AWS Truewind開發(fā),1998年開始運行我國對風(fēng)力發(fā)電廠建立比較晚，對風(fēng)力發(fā)電功率預(yù)測也晚于國外，準備工作也不及國外充分，例如，對風(fēng)電功率預(yù)測系統(tǒng)所需要的基礎(chǔ)數(shù)據(jù)準備不夠充分，對風(fēng)電場氣象信息的監(jiān)測和收集技術(shù)不夠成熟等，這些都制約著對風(fēng)電功率預(yù)測系統(tǒng)的研究和開發(fā)。我國主要從事風(fēng)力發(fā)電工作的單位有中國電力科學(xué)研究院、中國氣象局國家氣候中心、華北電力大學(xué)、金風(fēng)科技股份有限公司等。在國家電網(wǎng)和電力調(diào)度中心的積極組織下，中國電科院和吉林省電力公司開展了風(fēng)電功率預(yù)測系統(tǒng)的研究和開發(fā)，并于2008年投入運行。目前,電力調(diào)度部門已經(jīng)開發(fā)出了基于人工神經(jīng)網(wǎng)絡(luò)(BP模型)、支持向量機（SVM）等統(tǒng)計方法的風(fēng)電功率預(yù)測模型，以及基于ARMA和卡爾曼濾波等模型，同時正在開展基于實地天氣狀況，進行特征提取，建立混合優(yōu)化的智能預(yù)測算法。目前，華北、東北、西北、上海、江蘇、福建、遼寧、吉林、黑龍江、甘肅、寧夏、新疆等風(fēng)電功率預(yù)測系統(tǒng)已經(jīng)投入運行，取得了不錯的運行效果[[] 范高峰，[J].中國電力，,44（6）]。 本章小結(jié) 本章主要講述了風(fēng)電功率預(yù)測的背景，以及國內(nèi)外目前對風(fēng)電功率預(yù)測的進展。并簡單介紹了風(fēng)電功率預(yù)測的方法，包括持續(xù)法、時間序列法、卡爾曼濾波法、人工神經(jīng)網(wǎng)絡(luò)和支持向量機等方法。在下一章節(jié)里，主要介紹風(fēng)力發(fā)電的一些基本知識和風(fēng)電功率預(yù)測中有待解決的問題。第2章 發(fā)電功率預(yù)測的原理和方法 風(fēng)力發(fā)電的原理和結(jié)構(gòu) 工作原理風(fēng)能是一種可再生的清潔能源，是太陽能的一種轉(zhuǎn)化形式。由于地球表面受太陽照射的強度不同，會出現(xiàn)受熱不均勻，從而引起大氣流動形成風(fēng)，其攜帶的能量便是風(fēng)能。風(fēng)能通過風(fēng)力發(fā)電機組，帶動齒輪轉(zhuǎn)動，轉(zhuǎn)化為機械能，齒輪轉(zhuǎn)動又帶動了發(fā)電機的轉(zhuǎn)動，進而把機械能轉(zhuǎn)化為電能。其工作原理圖如下所示：機械能電網(wǎng)電能風(fēng)能發(fā)電機風(fēng)輪、變速箱風(fēng) 圖21 風(fēng)力發(fā)電原理 發(fā)電場的結(jié)構(gòu)特點 風(fēng)力發(fā)電所需要的裝置和各種部件的組合叫做風(fēng)力發(fā)電機組。一般的風(fēng)力發(fā)電機組由風(fēng)輪、齒輪變速箱、發(fā)電機、偏航裝置、剎車系統(tǒng)、塔架及有關(guān)控制器等組成[[] [J].中國電力教育，2011，（18）]。如圖22所示 風(fēng)輪是風(fēng)力發(fā)電機組的重要組成部件，它是有很好接受空氣流動的葉片組成?？諝庵辛鲃拥娘L(fēng)吹動葉片轉(zhuǎn)動，使其帶動輪軸轉(zhuǎn)動，所以風(fēng)輪的主要作用就是捕捉和吸收風(fēng)能。低速旋轉(zhuǎn)的風(fēng)輪通過齒輪變速箱來增提高轉(zhuǎn)動速度速，并將動力傳給發(fā)電機。圖22 風(fēng)力發(fā)電機組結(jié)構(gòu)通常自然界的風(fēng)速吹動風(fēng)輪轉(zhuǎn)動不足以促使發(fā)電機的轉(zhuǎn)動。通過齒輪變速箱的增速作用可以提高輪軸的轉(zhuǎn)動速度。齒輪變速箱作為風(fēng)力發(fā)電機組的一個重要的機械部件，其主要作用就是將很低的風(fēng)輪轉(zhuǎn)速（600kW的風(fēng)機通常為27轉(zhuǎn)/分、1500kW的風(fēng)機通常為12~22轉(zhuǎn)/分）轉(zhuǎn)變?yōu)楹芨叩陌l(fā)電機轉(zhuǎn)速（發(fā)電機同步轉(zhuǎn)速通常為1500轉(zhuǎn)/分）。 發(fā)電機是把風(fēng)輪轉(zhuǎn)動而輸入的機械能轉(zhuǎn)化為電能，在現(xiàn)有的大中型風(fēng)力發(fā)電機組中，普遍采用異步發(fā)電機或同步發(fā)電機兩種[6]。異步發(fā)電機的轉(zhuǎn)速取決于電網(wǎng)的頻率，只能在同步轉(zhuǎn)速附近很小的范圍內(nèi)變化。當風(fēng)速增加使齒輪變速箱高速輸出轉(zhuǎn)速達到異步發(fā)電機同步轉(zhuǎn)速時，發(fā)電機組并入電網(wǎng)，向電網(wǎng)送電。 每時每刻變化的風(fēng)速，也帶動了風(fēng)輪轉(zhuǎn)速的隨機變化。風(fēng)輪的轉(zhuǎn)速直接影響著發(fā)電機功率、電壓、頻率的輸出。當風(fēng)速到達切入風(fēng)速時，風(fēng)輪開始旋轉(zhuǎn)并帶動發(fā)電機發(fā)電。風(fēng)力增強，風(fēng)輪轉(zhuǎn)速增加，發(fā)電機輸出功率增加。當風(fēng)速達到額定風(fēng)速時，發(fā)電機輸出額定功率。之后輸出功率保持大致不變。如果風(fēng)速進一步增加，達到切出風(fēng)速的時候，風(fēng)輪通過剎車系統(tǒng)進行剎車停機，發(fā)電機不再輸出功率，以免風(fēng)電機組受損[[] 賀德馨, 等. 風(fēng)工程與空氣動力學(xué)[M]. 北京: 國防工業(yè)出版社,2006.]。 控制器是風(fēng)力發(fā)電機組的核心部件，主要包括控制和檢測兩部分?？刂撇糠值闹饕饔檬歉鶕?jù)風(fēng)速、風(fēng)向?qū)ο到y(tǒng)加以控制，使