(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110966330.6 (22)申请日 2021.08.23 (65)同一申请的已公布的文献号 申请公布号 CN 113591399 A (43)申请公布日 2021.11.02 (73)专利权人 贵州大学 地址 550025 贵州省贵阳市花溪区花溪大 道南段2708号 (72)发明人 张靖　叶永春　范璐钦　何宇　 谭真奇　马覃峰　 (74)专利代理 机构 北京东方盛凡知识产权代理 事务所(普通 合伙) 11562 代理人 李娜 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) G06F 111/08(2020.01) G06F 119/06(2020.01) 审查员 谢萍 (54)发明名称 一种短期风功率预测方法 (57)摘要 本发明公开了一种短期风功率预测方法， 包 括： 采集风功率数据， 将风功率数据划分为训练 集和测试集； 基于SVM核函数与Stacking集成学 习算法构建第一融合模型、 第二融合模型， 将训 练集作为输入对第一融合模型进行训练获得目 标训练集； 将测试集输入训练后的第一融合模型 获得目标测试集； 将目标训练集和目标测试集输 入第二融合模型， 获得风功率预测结果。 本发明 通过对风电场输出功率进行预测， 可以降低不确 定性风险， 实现了对风力发电系统更好的组合调 度， 为电力系统的安全 稳定和电能质量提供了 保 障。 权利要求书1页 说明书8页 附图13页 CN 113591399 B 2022.04.26 CN 113591399 B 1.一种短期风功率预测方法,其特 征在于， 包括： 采集风功率数据， 将所述 风功率数据划分为训练集和 测试集； 基于SVM核函数与Stackin g集成学习算法构 建第一融合模型、 第二融合模型， 将所述训 练集作为输入对所述第一融合模型进 行训练获得目标训练集； 将所述测试集输入训练后的 第一融合模型获得目标测试集； 将所述目标训练集和所述目标测试集输入所述第二融合模型， 获得风功率预测结果； 所述Stacking集成学习算法包括样本空间、 输入空间、 假设空间、 输出空间和版本空 间； 所述样本空间为输入特 征的全组合数据； 所述输入空间对应原 始数据的输入条 数； 所述输出空间对应预测数据的输出条数； 所述假设空间为理论上所有存在的样本集 合； 所述版本空间用于反映泛化能力的强弱； 所述Stacking集成学习算法还包括基模型、 元模型、 最大泛化正假设边界、 最大精确正 假设边界； 通过所述基模型获得第一融合模型， 通过所述元模型获得第二融合模型， 所述最大泛 化正假设边界代表所述输出空间， 根据所述最大泛化正假设边界和所述最大精确正假设边 界获得所述版本空间。 2.根据权利要求1所述的短期风功率预测方法， 其特 征在于， 通过所述基模型获得第 一融合模型包括输入所需变量对所述基模型进行训练， 所述变 量包括历史信息、 天气信息、 日历规则。 3.根据权利要求1所述的短期风功率预测方法， 其特 征在于， 所述SVM核函数至少包括 Linear核函数、 RBF核函数、 Po ly核函数、 Sigmo id核函数； 其中， 所述 Linear核函数用于解决线性问题； 所述RBF核函数、 所述Po ly核函数、 Sigmo id核函数用于解决非线性问题。 4.根据权利要求1所述的短期风功率预测方法， 其特 征在于， 获得所述目标训练集还 包括， 采用k 折交叉验证法将所述训练集进行划分； 通过留一法对所述SVM核函数进行训练， 基于改进人工鱼群算法对训练后的SVM核函数 的所述基模型寻找最优 超参数。 5.根据权利要求 4所述的短期风功率预测方法， 其特 征在于， 寻找所述最优超参数包括， 所述改进人工鱼群算法通过觅食、 聚集、 追尾和随机行为对 所述基模型进行状态迭代， 每次迭代完成将当前状态与预设状态进行比较， 低于所述预设 状态进行替代， 直至迭代结束， 获得 所述最优超参数。 6.根据权利要求1所述的短期风功率预测方法， 其特 征在于， 所述预测结果 通过预测评价指标来表示； 所述预测评价指标包括平均绝对百分比误差、 均方根 误差。权　利　要　求　书 1/1 页 2 CN 113591399 B 2一种短期风功率 预测方法 技术领域 [0001]本发明属于风电功率测量领域， 特别是 涉及一种短期风功率预测方法。 背景技术 [0002]随着能源与环境问题的逐渐突出， 对可再生能源的研究和利用成为全社会广泛关 注的热点问题。 而风力发电作为安全可靠、 无污染、 不需消耗燃料、 可并网运行的重要可再 生能源之一， 近年来在世界范围内得到了突飞猛进的发展。 世界风力发电从1990年开始了 迅猛发展， 2018年2月14日， 全球风能理事会发布2017年全球风电发展统计数据： 2017年全 球风电市场新增容量超 过52.57GW， 全球累计容量达到539.58GW。 2017年中国风力发电新增 容量19.5GW， 占全世界2017年风力发电总新增容量的37％， 2017年中国风力发电累计容量 188.19GW， 占全世界风力发电总 累计容量的34.87％。 [0003]然而风具有不确定性和非平稳性的特点， 因此风能是一个波动的电能来源在电力 系统中， 风力发电的不可调 度会给电力系统安全稳定和电能质量造成威胁。 因此， 风电功 率 预测特别重要。 通过对风电场输出功率的预测， 可以降低不确定性风险、 更好的对火电机 组、 水电机组和蓄能电站机组进行调度和组合以及提高风电场参与上网竞价的市场竞争 力。 因此， 风力发电作为 发展最快和最成熟的可再生能源发电技术， 需要准确的风力发电预 测来解决风电输出功率控制、 电网安全经济调度以及电力市场环境下风电竞价交易等问 题。 发明内容 [0004]为解决上述问题， 本发明提供了如下 方案： 一种短期风功率预测方法,包括： [0005]采集风功率数据， 将所述 风功率数据划分为训练集和 测试集； [0006]基于SVM核函数与Stacking集成学习算法构建第一融合模型、 第二融合模型， 将所 述训练集作为输入对所述第一融合模型进 行训练获得目标训练集； 将所述测试集输入训练 后的第一融合模型获得目标测试集； [0007]将所述目标训练集和所述目标测试集输入所述第二融合模型， 获得风功率预测结 果。 [0008]优选地， 所述Stacking集成学习算法包括样本空间、 输入空间、 假设空间、 输出空 间和版本空间； [0009]所述样本空间为输入特征的全组合数据； 所述输入空间对应原始数据的输入条 数； 所述输出 空间对应预测数据的输出条数； 所述假设空间为理论上所有存在的样本集合； 所述版本空间用于反映泛化能力的强弱。 [0010]优选地， 所述Stacking集成学习算法还包括基模型、 元模型、 最大泛化正假设边 界、 最大精确正 假设边界； [0011]通过所述基模型获得第一融合模型， 通过所述元模型获得第二融合模型， 所述最 大泛化正假设边界代表所述输出空间， 根据所述最大泛化正假设边界和所述最大精确正假说　明　书 1/8 页 3 CN 113591399 B 3