【文章內(nèi)容簡介】 風(fēng)機(jī)獲取最大的風(fēng)能，保證風(fēng)力發(fā)電機(jī)組的安全可靠運(yùn)行并提供良好的電能質(zhì)量。監(jiān)測部分的主要作用是將各種傳感器采集到的數(shù)據(jù)送到控制器，經(jīng)過處理作為控制參數(shù)或作為原始記錄存儲起來。　風(fēng)電輸出功率的影響因素由于風(fēng)電機(jī)組的實(shí)際輸出功率曲線受到風(fēng)電場的風(fēng)速，風(fēng)向和空氣密度等的影響，風(fēng)電機(jī)組在不同的狀況下實(shí)際輸出的功率必然不同。因此，研究影響風(fēng)電實(shí)際輸出功率的因素顯得尤為必要。影響風(fēng)電電機(jī)組實(shí)際輸出功率曲線的因素有[[] [J].風(fēng)能，2013，（4）]：l 海拔高度：海拔高度增加，空氣密度降低，輸出功率減?。籰 空氣溫度、濕度：溫度升高會造成空氣密度的降低，使得同樣風(fēng)速下風(fēng)電機(jī)組出力降低。空氣中還有水蒸氣，空氣存在一定的濕度，濕度對空氣密度也有一定的影響。l 陣風(fēng)：由于陣風(fēng)時(shí)大時(shí)小的變化，當(dāng)陣風(fēng)達(dá)到最大風(fēng)速后，約1s2s 后風(fēng)速就會小于平均風(fēng)速的一半，接著再出現(xiàn)一次大風(fēng)[7]。而葉輪慣性大，使得葉輪轉(zhuǎn)速的變化總是滯后于風(fēng)速的變化，從而偏離最佳葉尖速比，造成風(fēng)電機(jī)組的輸出功率的損失。l 湍流：湍流是流體的一種流動狀態(tài)，湍流強(qiáng)度是指風(fēng)速隨機(jī)變化幅度的大小， 定義為10min 內(nèi)標(biāo)準(zhǔn)偏差與平均風(fēng)速的比值。湍流強(qiáng)度是風(fēng)電場的重要特性指標(biāo)，它的計(jì)算、分析是風(fēng)電場資源評估的重要內(nèi)容。研究表明，湍流強(qiáng)度越大，風(fēng)電機(jī)組滿負(fù)荷運(yùn)行發(fā)電的風(fēng)速也就越高，對曲線的影響越大[[] 葉杭冶, 等. 風(fēng)力發(fā)電系統(tǒng)的設(shè)計(jì)、運(yùn)行與維護(hù)[M]. 北京: 電子工業(yè)出版社,2010.]。l 其它影響因素：包括尾流，環(huán)境污染，風(fēng)電機(jī)組本身等都會對風(fēng)電機(jī)組的實(shí)際輸出功率產(chǎn)生影響。 風(fēng)電功率預(yù)測的分類　負(fù)荷預(yù)測類型根據(jù)國家能源局文件—國能新能[2011]177號文件《風(fēng)電場功率預(yù)測預(yù)報(bào)管理暫行辦法》（以下簡稱《辦法》）的規(guī)定，風(fēng)電功率預(yù)報(bào)的時(shí)間分辨率為15分鐘。且風(fēng)電功率預(yù)報(bào)分為日預(yù)報(bào)和實(shí)時(shí)預(yù)報(bào)兩種方式。日預(yù)報(bào)是指次日0至24時(shí)的功率預(yù)報(bào)；實(shí)時(shí)預(yù)報(bào)是指自上報(bào)之刻起，未來15分鐘至4小時(shí)的功率預(yù)報(bào)[[] 風(fēng)電場功率預(yù)測預(yù)報(bào)管理暫行辦法[S].北京：國家能源局，2011]。根據(jù)國家電網(wǎng)公司發(fā)表的《風(fēng)電功率預(yù)測功能規(guī)范》，電網(wǎng)調(diào)度部門對風(fēng)電功率預(yù)測分為長期預(yù)測（72h以上的風(fēng)電功率預(yù)測），短期預(yù)測（即當(dāng)天預(yù)測次日00: 00時(shí)起72 h的風(fēng)電場輸出功率）和超短期預(yù)測（即實(shí)現(xiàn)提前量為0一4 h 的滾動預(yù)測）[[] 風(fēng)電功率預(yù)測功能規(guī)范[S].北京：國家電網(wǎng)公司，2011]?！∝?fù)荷預(yù)測方法分類風(fēng)電功率的預(yù)測方法主要包括物理方法和統(tǒng)計(jì)方法[4]。物理方法不依賴于以往的大量歷史數(shù)據(jù)，但需要對風(fēng)電場的地理位置，環(huán)境特點(diǎn)，機(jī)組結(jié)構(gòu)和專家經(jīng)驗(yàn)等各種因素進(jìn)行綜合分析，適用于沒有歷史數(shù)據(jù)的新建風(fēng)電場的功率預(yù)測；統(tǒng)計(jì)方法是風(fēng)電場中普遍使用的預(yù)測模型。統(tǒng)計(jì)方法是在各種人工智能算法和時(shí)間序列等各種預(yù)測方法日漸壯大的情況下建立起來的，它依托嚴(yán)格的數(shù)據(jù)推理和數(shù)學(xué)演算。現(xiàn)在主要的統(tǒng)計(jì)預(yù)測方法包括持續(xù)法、時(shí)間序列法（包括AR、MA、ARMA、ARIMA等）、神經(jīng)網(wǎng)絡(luò)法（ANN）、小波分析法、支持向量機(jī)法（SVM）等。本文主要采用支持向量機(jī)和改進(jìn)的支持向量機(jī)的方法對風(fēng)電功率進(jìn)行預(yù)測，且與其他模型對比，證明它的可行性和可靠性。 風(fēng)電功率預(yù)測評價(jià)標(biāo)準(zhǔn) 《辦法》中的考核指標(biāo) 根據(jù)國家能源局文件—國能新能[2011]177號文件《風(fēng)電場功率預(yù)測預(yù)報(bào)管理暫行辦法》的規(guī)定，風(fēng)電場發(fā)電預(yù)測預(yù)報(bào)考核指標(biāo)為風(fēng)電場發(fā)電預(yù)測預(yù)報(bào)準(zhǔn)確率，合格率和上報(bào)率。178。 準(zhǔn)確率： （）其中，為時(shí)段的實(shí)際平均功率；為 時(shí)段的預(yù)測平均功率；N為日考核總時(shí)段數(shù)（取96點(diǎn)免考核點(diǎn)數(shù)）；為風(fēng)電場的開機(jī)容量。178。 合格率： （）其中 （） （） 178。 上報(bào)率：表示成功上報(bào)預(yù)測數(shù)據(jù)的概率 （） 本文采用的評價(jià)標(biāo)準(zhǔn) 根據(jù)《辦法》中對誤差管理的規(guī)定：風(fēng)電場功率系統(tǒng)提供的日預(yù)測曲線最大誤差不超過25%，實(shí)時(shí)預(yù)測誤差不超過25%，全天預(yù)測的結(jié)果的均方根誤差不超過20%（也就是準(zhǔn)確率要超過80%）。 由于本文中只是進(jìn)行實(shí)時(shí)預(yù)測和日預(yù)測，所以只需要對準(zhǔn)確率（r1）和合格率(r2)進(jìn)行分析即可。 為了對預(yù)測結(jié)果的精度和可靠性進(jìn)行評價(jià)、分析,對系統(tǒng)的預(yù)測值進(jìn)行糾正，我們還采用相對誤差和平均相對誤差對預(yù)測結(jié)果進(jìn)行分析。 () 平均相對誤差： （） 風(fēng)電功率預(yù)測問題的描述形式 ，我們了解到影響風(fēng)電功率的因素有很多，這些因素中有些是主要因素，如空氣的濕度，溫度和湍流等，有些是次要因素，如尾流，環(huán)境污染，風(fēng)電機(jī)組本身等對風(fēng)電機(jī)組的實(shí)際輸出功率產(chǎn)生影響。在風(fēng)電功率實(shí)時(shí)預(yù)測的過程中，我們往往不能準(zhǔn)確的獲取影響風(fēng)電功率預(yù)測的各種因素的準(zhǔn)確信息。所以，在描述問題的時(shí)候，會有所不同，依據(jù)的結(jié)果的準(zhǔn)確性也會大有差異。 在我國，預(yù)測風(fēng)電功率的問題描述形式大概有以下三類： 基于數(shù)值天氣預(yù)報(bào)基于數(shù)值天氣預(yù)報(bào)的風(fēng)電功率預(yù)測對實(shí)時(shí)天氣預(yù)報(bào)的要求比較高，由于我們生活中的天氣預(yù)報(bào)預(yù)報(bào)的分布面廣，預(yù)測區(qū)域大，獲取的天氣信息不能反應(yīng)風(fēng)電場特定區(qū)域的環(huán)境變化，且缺少風(fēng)電預(yù)測的一些重要影響因素，因此，我們需要專門建立預(yù)測風(fēng)電功率的實(shí)時(shí)天氣預(yù)報(bào)系統(tǒng),統(tǒng)計(jì)分析這些因素。中國國網(wǎng)電力科學(xué)研究院研發(fā)的 “NARI ”中，通過測遙站記錄了該風(fēng)電場的實(shí)時(shí)天氣情況，我們可以利用這些信息，測出風(fēng)電功率的預(yù)測數(shù)據(jù)，且預(yù)測精度較高[[] 林春霖，風(fēng)電場風(fēng)電功率預(yù)測系統(tǒng)介紹[J].水利科技，2012，（3）]。 基于風(fēng)過程由于影響風(fēng)電功率的各種其實(shí)歸根結(jié)底都是影響風(fēng)的因素，如果我們能夠直接獲取風(fēng)速，就可以省去對NWP的測量所帶來的誤差。然而獲取風(fēng)速并不是一件容易的事，很多學(xué)者也竟可能在數(shù)據(jù)中挖掘風(fēng)速的信息。丁志勇[4]等人對訓(xùn)練數(shù)據(jù)進(jìn)行聚類預(yù)處理。主要針對風(fēng)速有關(guān)的物理量，使聚類結(jié)果盡量由風(fēng)速導(dǎo)向，不受溫度、雨雪等有明顯帶有季節(jié)性變化的物理量的影響，建立了風(fēng)速相似日的無監(jiān)督聚類和風(fēng)特性相似的連續(xù)時(shí)間段無監(jiān)督聚類，聚類模型建立好后，利用SVM對預(yù)測模型進(jìn)行回歸預(yù)測。這種風(fēng)速提取的方法，在提取的過程中，受提取條件的影響，往往會存在很大的數(shù)據(jù)丟失，準(zhǔn)確度也比較一般。因此，急切需要一種測量風(fēng)速的裝置，來解決信息丟失的問題。中科院國家天文臺的張志偉等人發(fā)明了一種實(shí)時(shí)測量風(fēng)速的方法及裝置（專利號：CN 101871947 B），利用風(fēng)速傳感器和復(fù)位模塊連接，接收風(fēng)速脈沖信號和復(fù)位設(shè)置參數(shù)。這種方法在實(shí)時(shí)風(fēng)速測量中有良好的效果，但只能應(yīng)用于超短期風(fēng)電功率的預(yù)測，因?yàn)闊o法獲取和預(yù)測較長時(shí)間的風(fēng)速變化過程。因而，這種方法不能夠泛化。 基于時(shí)間序列的歷史功率基于時(shí)間序列的歷史功率是通過依靠以往風(fēng)電場功率的歷史數(shù)據(jù)，來預(yù)測風(fēng)電功率。時(shí)間序列預(yù)測不需要知道風(fēng)電功率的影響因素的數(shù)值，它的這些影響因素已經(jīng)通過最終的結(jié)果表現(xiàn)出來，所以，我們不要從歷史數(shù)據(jù)中，去挖掘各種因素的信息，然后對其分析，發(fā)現(xiàn)規(guī)律，用于預(yù)測。基于時(shí)間序列的歷史功率的問題，其準(zhǔn)確率很大程度受預(yù)測方法的影響?，F(xiàn)在，基于風(fēng)電功率的預(yù)測方法有很多，預(yù)測精度高，且普遍被接受和應(yīng)用的有神經(jīng)網(wǎng)絡(luò)（BP）和支持向量機(jī)（SVM）的方法。本文主要用于解決基于時(shí)間序列的歷史功率這一類型的風(fēng)電功率預(yù)測問題，我們主要運(yùn)用基于支持向量機(jī)和其優(yōu)化組合模型的方法進(jìn)行建模，并和BP方法進(jìn)行比較，總結(jié)其利弊。 本章小結(jié) 本章主要講了風(fēng)電功率預(yù)測的基本知識，包括風(fēng)力發(fā)電的基本原理，風(fēng)電場的結(jié)構(gòu)特點(diǎn)和影響風(fēng)電功率輸出的一些基本因素。風(fēng)電功率預(yù)測的類型和預(yù)測方法的分類，以及風(fēng)電功率預(yù)測的評價(jià)標(biāo)準(zhǔn)。最后我們講了風(fēng)電功率預(yù)測的集中問題的描述類型以及他們各自的特點(diǎn)，提出了本文將要預(yù)測的風(fēng)電功率預(yù)測類型以及預(yù)測方法。 第3章 支持向量機(jī)理論 SVM（Support Vector Machine）是由瓦普尼克（Vapnik）在研究統(tǒng)計(jì)理論的時(shí)候提出來的。在1992年計(jì)算學(xué)習(xí)理論的會議上介紹進(jìn)入人機(jī)學(xué)習(xí)領(lǐng)域，之后受到廣泛關(guān)注。在20世紀(jì)90年代中后其得到了全面深入的發(fā)展，現(xiàn)已成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的標(biāo)準(zhǔn)工具。 SVM是機(jī)器學(xué)習(xí)領(lǐng)域中很多標(biāo)準(zhǔn)技術(shù)集大成者。它包含了最大間隔超平面、Mecer（莫瑟爾）核、凸二次規(guī)劃、對偶定理、 Lagrange理論、稀疏解和松弛變量等多種技術(shù)。在很多挑戰(zhàn)性的應(yīng)用問題中，獲得最好的性能。在美國科學(xué)雜志社，支持向量機(jī)以及核學(xué)習(xí)方法被認(rèn)為是“機(jī)器學(xué)習(xí)領(lǐng)域非常流行的方法和成功的例子，并是一個(gè)十分令人矚目的發(fā)展方向”[[] Nello Cristianini,John ShaweTaylor,An Introduction to Support Vector Machines and other Knernrlbased Leaininng Methods[M].李國正等，：電子工業(yè)出版社，][[] 楊志民,[M].北京:科學(xué)出版社,2007][[] 白鵬，[M].西安：西安電子科技大學(xué)出版社，2008]。 首先考慮這樣一個(gè)分類問題：己知包含l個(gè)樣本點(diǎn)的樣本集的集合為： () 其中輸入指標(biāo)向量是。輸出向量為{+1,1}，其中i=1,2,.....,l。訓(xùn)練樣本是由這l個(gè)樣本點(diǎn)組成的集合。那么對于一個(gè)給定的新的輸入x，如何根據(jù)訓(xùn)練集，推斷它的輸出值是+l，還是1。 把分類問題用數(shù)學(xué)語言描述如下： 對于給定的訓(xùn)練樣本集合 ,其中，{+1，1}，i=1，2，.....，l。需要在X=Rn上尋找一個(gè)實(shí)值函數(shù)g(x)，以便可以用與其有關(guān)的決策函數(shù)f(x)=Sgn(g(x))推斷出與任一個(gè)輸入量x相對應(yīng)的y值。由上面可知，找到一個(gè)能把Rn的點(diǎn)分成兩部分的規(guī)則，就是求解分類問題的實(shí)質(zhì)。分類學(xué)習(xí)機(jī)大描述的問題大概有三類，有線性可分分類問題、線性不可分分類問題和非線性可分分類問題三種類型。 圖31線性可分問題 圖32線性不可分問題 圖33非線性可分問題 線性學(xué)習(xí)器 對于監(jiān)督性學(xué)習(xí)來說，學(xué)習(xí)器輸入（或輸出）樣本的訓(xùn)練集通常是以向量的形式給出的，因此輸入空間是R^n的子集。一旦給定一些輸入向量，就有相應(yīng)的目標(biāo)函數(shù)集與之對應(yīng)。而且，線性函數(shù)最容易理解，而且也應(yīng)用方便。在傳統(tǒng)的統(tǒng)計(jì)學(xué)和經(jīng)典的神經(jīng)網(wǎng)絡(luò)中已經(jīng)普遍使用線性函數(shù)來對輸入向量進(jìn)行整合，進(jìn)而達(dá)到訓(xùn)練的目的。兩類問題的分類通?？梢钥梢杂靡粋€(gè)實(shí)值函數(shù)的方式：當(dāng)f(X)=0時(shí)，輸入點(diǎn)X歸為一類，負(fù)責(zé)，為另一類。則可以表示成如下形式： （）這里是函數(shù)的控制參數(shù)，決策函數(shù)由。統(tǒng)計(jì)學(xué)家和神經(jīng)網(wǎng)絡(luò)的研究學(xué)者使用這種線性判別平面作為簡單的分類感知機(jī)。線性判別平面的理論是Fisher在1936年發(fā)展起來的，而神經(jīng)網(wǎng)絡(luò)的感知機(jī)是Rosenblatt于20世紀(jì)60年代提出來的。其中W和b被稱為權(quán)重向量和偏置[13]。（Lagrange）原理拉格朗日理論最初建立的目的是為了刻畫沒有不等式約束的最優(yōu)化問題的最優(yōu)解。這個(gè)理論主要依托于拉格朗日乘子和拉格朗日函數(shù)。1629年，法國數(shù)學(xué)家兼物理學(xué)家Lagrange在總結(jié)Fermat結(jié)論的基礎(chǔ)上提出的，并運(yùn)用于解決力學(xué)問題。1951年，Kuhn和Tucker在KuhnTucker理論中，將其擴(kuò)展到不等式約束的問題中。這幾個(gè)逐步擴(kuò)充的過程為SVM提供了有利的條件[13]。為了訓(xùn)練SVM，只需考慮線性約束，凸二次目標(biāo)的函數(shù)問題，如果能夠把目標(biāo)函數(shù)變化成這種函數(shù)，那么問題就很容易解決的了。我們通過引入拉格朗日乘子可以把問題轉(zhuǎn)化為對幾個(gè)參數(shù)的求解。為了便于研究，對拉格朗日乘子作如下一般性描述：1)對函數(shù)y =f(x1 ,x2 , ?,xn)滿足聯(lián)立方程組Fj(x1 ,x2 ,?,xn) =0的條件極值2)作輔助函數(shù)(也稱拉格朗日函數(shù)）:Φ = f +λ1 F1 +λ2 F2 + ?+λm Fm 求Φ的穩(wěn)定點(diǎn)也稱駐點(diǎn)即求方程組: (） () 其中( i = 1 ,2 , ?, n)；( j = 1 ,2 , ?, m) 3)函數(shù)f只可能在這些求出的穩(wěn)定點(diǎn)處取得條件極值，由問題的實(shí)際意義, 如果函數(shù)必存在條件極值,方程組又只有唯一一個(gè)穩(wěn)定點(diǎn) ,則該點(diǎn)必為所求的極值點(diǎn).通過拉格朗日乘子可知：要討論目標(biāo)函數(shù)滿足聯(lián)立方程組的約束條件極值問題,只需先引入拉格朗日乘子，解決帶有拉格朗日乘子的函數(shù)極值問題,這是因?yàn)樗鼈兊臉O值點(diǎn)有很好的對應(yīng)關(guān)系[[] [J].高等數(shù)學(xué)研究，2010,13（2）] 凸二次規(guī)劃和對偶理論支持向量機(jī)的求解實(shí)質(zhì)是對凸二次規(guī)劃問題的求解。在這之前，我們首先要明白什么是凸函數(shù)。凸函數(shù)的定義：設(shè)f為E^n中的非空凸集，f是定義在S上的實(shí)函數(shù)。如果對于任意的x(1)，x(2)∈S及每個(gè)數(shù)∈(O，1)都有：則稱f為S上的凸函數(shù)。凸二次函數(shù)，通過加入拉格朗日乘子后就成為了拉格朗日函數(shù)，拉格朗日函數(shù)通過對乘子和變量求導(dǎo)來得到最優(yōu)值，通過求導(dǎo)后的等式約束條件進(jìn)行整合，就可以變成Lagrange對偶問題問題[[] [D].西安：西安電子科技大學(xué)，2005]。為了在線性可分情形下能求解出最優(yōu)分類面而提出了支持向量機(jī)方法。在圖34所示的二維