基于统计分析和多支持向量机的风电功率坡度事件分类预测

上海交通大学学报（自然版） ›› 2012, Vol. 46 ›› Issue (12): 1971-1976.

基于统计分析和多支持向量机的风电功率坡度事件分类预测

李福东1, 2, 吴敏1, 冯高熠3

（1. 中南大学信息科学与工程学院, 先进控制与智能自动化湖南省工程实验室, 长沙 410083;2. 湖南省电力公司培训中心，长沙 410131； 3. 大唐华银城步新能源公司, 湖南邵阳 422000）

收稿日期:2012-06-20 出版日期:2012-12-29 发布日期:2012-12-29
基金资助:
国家自然科学基金(60974045)，国家杰出青年科学基金(60425310)资助项目

Wind Power Slope Events Classification and Forecasting Based on Statistical Analysis and Multiple Support Vector Machines

LI Fu-Dong-1, 2 , WU Min-1, FENG Gao-Yi-3

（1. School of Information Science and Engingeering, Hunan Engineering Laboratory for Advanced Control and Intelligent Automation, Central South University, Changsha 410083, China; 2. The Training Center of Hunan Electric Power Corporation, Changsha 410131, China;3. The New Energy Company of Datang Huayin, Shaoyang 422000, Hunan, China）

Received:2012-06-20 Online:2012-12-29 Published:2012-12-29

摘要/Abstract

摘要： 为准确评估风电功率变化行为的影响，优化风电系统控制，提出了基于统计分析和多支持向量机的风电功率坡度事件分类预测方法.通过对风电功率坡度事件进行定义和分类，利用风电场的实际运行数据，对不同统计周期和不同方向的坡度事件幅度分布和时间段分布进行了统计分析，找到了功率坡度事件变化的内在规律.在此基础上，将二元支持向量机（Support Vector Machine，SVM) 拓展到多支持向量机 (Multiple Support Vector Machines，MSVMs)，建立了对功率坡度事件类别的一步和多步预测.实验结果表明,所提方法具有较高的坡度事件预测精度和稳定性，可以对风电功率变化进行准确的风险预测，有利于风电系统的优化控制.

关键词: 风电功率, 坡度事件, 多支持向量机, 类别, 预测

Abstract: To evaluate the influence of wind power fluctuations and optimize the control of wind power system, a method of wind power slope events classification and forecasting based on statistical analysis and multiple support vector machine was presented. Firstly, the wind power slope events were defined and classified. Then, the wind power data collected from a wind farm were used to investigate the classification and range of slope events, and the internal laws of slope events were explored. In this context, the binary support vector machine(SVM) was extended to multiple support vector machines(MSVMs) and was applied to the classification of slope down/up events for both one-step and multi-step ahead scenarios. Finally, the numerical results based on the wind power data verify the effectiveness of the proposed approach.

Key words: wind power, slope event, multiple support vector machin(MSVM), classification, forecasting

中图分类号:

TM 614

李福东1, 2, 吴敏1, 冯高熠3. 基于统计分析和多支持向量机的风电功率坡度事件分类预测[J]. 上海交通大学学报（自然版）, 2012, 46(12): 1971-1976.

LI Fu-Dong-1, 2 , WU Min-1, FENG Gao-Yi-3. Wind Power Slope Events Classification and Forecasting Based on Statistical Analysis and Multiple Support Vector Machines[J]. Journal of Shanghai Jiaotong University, 2012, 46(12): 1971-1976.

参考文献

［1］Kabouris J, Kanellos F D. Impacts of largescale wind penetration on designing and operation of electric power systems ［J］. IEEE Transactions on Sustainable Energy, 2010, 1(2): 107114.
［2］Kusiak A, Zheng H, Song Z. Wind farm power prediction: A data mining approach ［J］. Wind Energy, 2009, 12(3): 275293.
［3］Saurabh S S, Zareipour H, Malik O, et al. A review of wind power and wind speed forecasting methods with different time horizons ［C］∥IEEE Conference on North American Power Symposium. Arlington, TX: IEEE, 2010: 18.
［4］廖立, 忻建华, 翟海青, 等. 短期负荷预测模型及其影响因素［J］. 上海交通大学学报, 2004, 38(9): 15441547.
LIAO Li, XIN Jianhua, ZHAI Haiqing, et al. Short term load forecasting model and the influencing factors ［J］. Journal of Shanghai Jiaotong University, 2004, 38(9): 15441547.
［5］Bessa R J, Miranda V, Gama J. Entropy and correntropy against minimum square error in offline and online threeday ahead wind power forecasting ［J］. IEEE Transactions on Power Systems, 2009, 24(4): 16571666.
［6］Catalan J P S, Pousinho H M I, Mendes V M F. Hybrid waveletPSOANFIS approach for shortterm wind power forecasting in Portugal ［J］. IEEE Transactions on Sustainable Energy, 2011, 2(1): 5059.
［7］Taylor J W, McSharry P E, Buizza R. Wind power density forecasting using ensemble predictions and time series models［J］. IEEE Transactions on Energy Conv, 2009, 24(3): 775782.
［8］Foley A M, Leahyz P G, McKeogh E J. Wind power forecasting & prediction methods［C］∥IEEE 9th International Conference on Environment and Electrical Engineering. Prague, Czech Republic: IEEE, 2010: 14.
［9］Hodge B, Milligan M. Wind power forecasting error distributions over multiple timescales ［C］∥IEEE Power and Energy Society General Meeting. Detroit, Michigan, USA: IEEE, 2011: 18.
［10］陈益哲, 张步涵, 王江虹,等. 基于短期负荷预测的微网储能系统主动控制策略［J］. 电网技术, 2011, 35(8): 3540.
CHEN Yizhe, ZHANG Buhan, WANG Jianghong, et al. Active control strategy for microgrid energy storage system based on shortterm load forecasting ［J］. Power System Technology, 2011, 35(8): 3540.
［11］邓乃扬, 田英杰. 支持向量机: 理论、算法与拓展［M］.北京：科学出版社, 2009.
［12］张广明，袁宇浩，龚松建. 基于改进最小二乘支持向量机方法的短期风速预测［J］. 上海交通大学学报, 2011, 45(8): 11251129.
ZHANG Guangming, YUAN Yuhao, GONG Songjian. A predictive model of short term wind speed based on improved least squares support vector machine algorithm ［J］. Journal of Shanghai Jiaotong University, 2011, 45(8): 11251129.

[1]	曾国治, 魏子清, 岳宝, 丁云霄, 郑春元, 翟晓强. 基于CNN-RNN组合模型的办公建筑能耗预测[J]. 上海交通大学学报, 2022, 56(9): 1256-1261.
[2]	李恒杰, 朱江皓, 傅晓飞, 方陈, 梁达明, 周云. 基于集成学习的电动汽车充电站超短期负荷预测[J]. 上海交通大学学报, 2022, 56(8): 1004-1013.
[3]	段红燕, 唐国鑫, 盛捷, 曹孟杰, 裴磊, 田宏伟. 一种新型的疲劳强度预测模型[J]. 上海交通大学学报, 2022, 56(6): 801-808.
[4]	姜俊豪, 陈刚. 驾驶机器人转向操纵的动态模型预测控制方法[J]. 上海交通大学学报, 2022, 56(5): 594-603.
[5]	王子垚, 郭凤祥, 陈俐. 基于外推高斯过程回归方法的发动机排放预测[J]. 上海交通大学学报, 2022, 56(5): 604-610.
[6]	许勇, 蔡云泽, 宋林. 基于数据驱动的核电设备状态评估研究综述[J]. 上海交通大学学报, 2022, 56(3): 267-278.
[7]	田若岑, 张庆振, 郭云鹤, 程林. 基于禁飞区规避的高超声速飞行器再入制导律设计[J]. 空天防御, 2022, 5(2): 65-74.
[8]	陈志鑫, 汪怡平, 杨亚锋, 苏建军, 杨斌. 不同送风方式下大客车内飞沫传播特性研究[J]. 上海交通大学学报, 2022, 56(11): 1532-1540.
[9]	沈阳武, 宋兴荣, 罗紫韧, 沈非凡, 黄晟. 基于模型预测控制的分布式储能型风力发电场惯性控制策略[J]. 上海交通大学学报, 2022, 56(10): 1285-1293.
[10]	沈慧, 刘世民, 许敏俊, 黄德林, 鲍劲松, 郑小虎. 面向加工领域的数字孪生模型自适应迁移方法[J]. 上海交通大学学报, 2022, 56(1): 70-80.
[11]	张亮, 屈刚, 李慧星, 金皓纯. 智能电网电力监控系统网络安全态势感知平台关键技术研究及应用[J]. 上海交通大学学报, 2021, 55(S2): 103-109.
[12]	巩伟峥, 许凌, 姚寅. 计及风速分布与机组惯量转化不确定性的风电场可用惯量估计[J]. 上海交通大学学报, 2021, 55(S2): 51-59.
[13]	王岩, 陈耀然, 韩兆龙, 周岱, 包艳. 基于互信息理论与递归神经网络的短期风速预测模型[J]. 上海交通大学学报, 2021, 55(9): 1080-1086.
[14]	周小宇, 李红霞, 黄一. C11集装箱船参数横摇运动极值响应分析[J]. 上海交通大学学报, 2021, 55(8): 984-989.
[15]	李鹏, 阮晓钢, 朱晓庆, 柴洁, 任顶奇, 刘鹏飞. 基于深度强化学习的区域化视觉导航方法[J]. 上海交通大学学报, 2021, 55(5): 575-585.