引言

風力發(fā)電作為波動性能源,大量接入電網(wǎng)時需要接受電網(wǎng)的統(tǒng)一調度,而對能源進行調度的前提是能掌握發(fā)電機的變化趨勢,當前的預測技術基本基于相似日數(shù)據(jù)以及天氣數(shù)據(jù)進行分析,并制訂相關調度計劃。

難以直接對風力發(fā)電進行預測的原因在于風速變化的無序性,這直接導致了風機轉速的不穩(wěn)定以及發(fā)電功率的無序變化,所以目前電網(wǎng)難以接受大量風力發(fā)電的并網(wǎng)運行。因此,對風力發(fā)電進行更為準確的預測,是支持風力發(fā)電大規(guī)模并網(wǎng)的關鍵所在。而究其根源,需要對風速進行有效預測,本文針對此問題進行了相關研究。

1支持向量機基本理論

支持向量機(support Vector Machine,SVM）是在20世紀90年代初提出的,它建立在統(tǒng)計學習理論的VC維概念和結構風險最小原理基礎上,可以根據(jù)有限的樣本信息實現(xiàn)計算量和計算能力之間的平衡性,是歸屬于統(tǒng)計學的新興分支。其獨特的對于數(shù)據(jù)的歸類識別能力,使其能夠有效地應用到機器學習的相關領域進行預測分析。

對于群體在線性可分情況下的分類情況示意如圖1所示,由圖可知,兩類不同的樣本被分類線H分離,且存在兩條與H平行的直線H₁和H₂分別經過了兩組樣本最靠近分類線的樣本。針對此結果,可得出最優(yōu)分類線的定義:針對兩樣本存在一條分類線能將其正確分類,而且H₁和H₂的距離最大。

圖l最優(yōu)分類線示意圖

針對以上基本理論,將分類線H的方程設為wx+b=0,并將該方程歸一化,有:

在方程(1）的樣本集(x_i,y_i）中有以下關系:x_i∈R_d,y_i=｛-1,+1},i=1,2,…,n。據(jù)此可知分類間隔(margin）為2/||w||。若要在計算中實現(xiàn)分類間隔最大化,則通過約束實現(xiàn)||w||²最小即可。

據(jù)此,最優(yōu)分類線在數(shù)學上的定義可描述為滿足式(1）且使||w||²最小的方程表達式,而在H₁和H₂上進行訓練的樣本點則為對應的支持向量。

以上分析是基于二維平面概念而言的,那么在VC維空間里,則所分析的樣本理論上分布在一個超球范圍內,同樣存在一超平面能夠將超球內的樣本進行有效分類,將超平面表示為f(x,w,b）=sgn(wx+b）。若要實現(xiàn)有效分類,則該函數(shù)滿足以下關系:

其中,R和N分別為超球半徑和空間的維數(shù),且在超球

中存在條件||w||≤A。與二維系統(tǒng)同理,當w最小時,VC維可取得最小值。

為了實現(xiàn)對最優(yōu)分類面的求解,通常引用拉格朗日優(yōu)化方法,利用該方法將此問題轉化為對偶問題,可得:

式(3）中的ai對應于每個數(shù)據(jù)樣本中的拉格朗日乘子,且該因子有以下關系:

由于式(3）受到不等式的約束,所以能夠求解出該方程的唯一解。同時,對于系列解的結果中存在少部分ai不為零的數(shù)據(jù)樣本的合集便組成了支持向量?；谝陨辖獾慕Y果,可知分類曲面所對應的最優(yōu)函數(shù)表達式為:

i=l

據(jù)前文分析可知,大部分的求解結果ai均為零,所以式(5）中的有效求和只是有效支持向量的解的和。對應的分類閾值b*可通過將式(5）代入任一支持向量求得。

2優(yōu)化的支持向量機算法研究

上文所述的標準支持向量機可以實現(xiàn)對有約束的二次規(guī)劃問題的求解,但該方法中所設計的約束條件數(shù)量與待分類樣本的數(shù)量相同,當樣本量過大時會大幅降低計算速度。針對此問題,本文將最小二乘線性系統(tǒng)引入到支持向量機中,對傳統(tǒng)的支持向量機算法進行優(yōu)化,依據(jù)最小二乘法在二次規(guī)劃中的優(yōu)越性,輔助計算函數(shù)估計問題。

采用最小二乘法進行輔助,可以將支持向量機所求解的問題轉化為二次優(yōu)化問題,能夠將傳統(tǒng)方案中的大冗余度計算收斂為二次損失函數(shù)的求解問題。在二次優(yōu)化情況下的回歸求解的目標函數(shù)為:

式中:y為正規(guī)劃參數(shù)。

進一步地,可以使用等式約束替代傳統(tǒng)方案中的不等式約束:

該問題同樣需要使用拉格朗日函數(shù)進行輔助求解,定義拉格朗日函數(shù)為:

在此基礎上可以更加簡化地求得分類函數(shù)為:

3實驗分析

在實際情況下,風力發(fā)電機獲得的風能主要來自于葉片末端的風力驅動,所以在依據(jù)風速數(shù)據(jù)分析風力發(fā)電機驅動力時,需要根據(jù)葉輪的尺寸進行修正,修正的公式是:

式中:a為高度修正系數(shù)。

本文針對一實際風電場中的風機尺寸數(shù)據(jù),分別采用常規(guī)的支持向量機和優(yōu)化的支持向量機方法預測了風機末端位置的風速情況。在實驗中,將歷史記錄的風速數(shù)據(jù)和風電場出力的數(shù)據(jù)分別二維化,并存儲為列為2的矩陣。同時定義矩陣中的數(shù)據(jù)為時間序列數(shù)據(jù),并記作(xl,l=1,2,…,n）。據(jù)此,可應用支持向量機方法進行風速預測,某一日的預測結果如圖2所示。

通過以上結果對比可知,兩種方法都能較好地跟蹤風速的變化情況,為了進一步對比預測結果,求解了各預測值的絕對誤差,如圖3所示。由圖可知,優(yōu)化的支持向量機方法能夠更加準確地進行風速預測。

圖2兩種方法下的風速預測結果對比

圖3兩種方法下絕對誤差對比

4結語

本文針對風力發(fā)電系統(tǒng)出力的無序性問題,研究了風速預測方法的可行性。首先,闡述了基本的支持向量機理論,指出了該方法在解決大樣本問題中的局限性:其次,對常規(guī)支持向量機方法進行了優(yōu)化改進,引入了最小二乘法簡化求解過程:最后,通過實驗方法驗證了所提出的優(yōu)化支持向量機方法的有效性。