風(fēng)電功率短期預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種風(fēng)電功率預(yù)測(cè)方法，具體地，涉及一種風(fēng)電功率短期預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 隨著風(fēng)力發(fā)電機(jī)組單機(jī)容量的提高和自動(dòng)化技術(shù)的發(fā)展，風(fēng)力發(fā)電系統(tǒng)也從原來(lái) 的用戶分布式能源向集中式大規(guī)模風(fēng)電場(chǎng)發(fā)展。風(fēng)電在電網(wǎng)中比例不斷增大，大量并網(wǎng)的 風(fēng)電對(duì)電力系統(tǒng)的調(diào)度運(yùn)行和安全穩(wěn)定帶來(lái)了嚴(yán)峻挑戰(zhàn)。有效的風(fēng)電功率預(yù)測(cè)可以減少電 力系統(tǒng)備用容量、降低系統(tǒng)運(yùn)行成本、減輕風(fēng)力發(fā)電對(duì)電網(wǎng)造成的不利影響、提高風(fēng)電在電 力系統(tǒng)中的比例，因此對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)具有十分重要意義。
[0003] 目前風(fēng)功率預(yù)測(cè)有物理方法和統(tǒng)計(jì)方法。物理方法主要考慮的是一些物理量，比 如數(shù)值天氣預(yù)報(bào)得到的天氣數(shù)據(jù)（風(fēng)速、風(fēng)向、氣壓等），風(fēng)電場(chǎng)周圍的信息（等高線、粗糙 度、障礙物等）以及風(fēng)電機(jī)組的技術(shù)參數(shù)（輪毅高、穿透系數(shù)等）。其目的是找到風(fēng)電機(jī)組 輪毅高度出的風(fēng)速最優(yōu)估計(jì)值，然后用模型輸出統(tǒng)計(jì)模塊減小存在的誤差，最后根據(jù)風(fēng)電 場(chǎng)的功率曲線計(jì)算得到風(fēng)電場(chǎng)的輸出功率。由于天氣預(yù)報(bào)每天只更新幾次，因此這種方法 通常適用于相對(duì)較長(zhǎng)期的預(yù)測(cè)。
[0004] 統(tǒng)計(jì)預(yù)測(cè)方法一般需要大量的歷史數(shù)據(jù)進(jìn)行建模，統(tǒng)計(jì)方法對(duì)于提前幾小時(shí)的風(fēng) 電功率預(yù)測(cè)結(jié)果是可以滿足精度要求的，但對(duì)于提前更長(zhǎng)時(shí)間的預(yù)測(cè)結(jié)果，精度是不夠 的。目前常用的統(tǒng)計(jì)學(xué)預(yù)測(cè)方法有卡爾曼濾波法、時(shí)間序列法、人工神經(jīng)網(wǎng)絡(luò)法、支持向量 機(jī)法、灰色模型、小波分析等。這些方法隨著風(fēng)電技術(shù)的深入暴露了難以克服的缺陷，如預(yù) 測(cè)精度差，收斂速度慢，有局限性等缺點(diǎn)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)和不足，提供一種預(yù)測(cè)精度高、收 斂速度快、計(jì)算簡(jiǎn)單的風(fēng)電功率短期預(yù)測(cè)方法。
[0006] 本發(fā)明解決上述問題所采用的技術(shù)方案是： 風(fēng)電功率短期預(yù)測(cè)方法，以風(fēng)速作為輸入，采用最小二乘支持向量機(jī)的回歸模型對(duì)風(fēng) 電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)，最小二乘支持向量機(jī)的回歸模型參數(shù)采用混沌粒子群算法進(jìn)行 優(yōu)化。
[0007] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述的以風(fēng)速作為輸入，采用最小二乘支持向量機(jī)的 回歸模型對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)，最小二乘支持向量機(jī)的回歸模型參數(shù)采用混沌粒 子群算法進(jìn)行優(yōu)化具體包括以下步驟： 步驟1:獲取數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理后作為訓(xùn)練樣本； 步驟2 :初始化最小二乘支持向量機(jī)和混沌粒子群算法的參數(shù)； 步驟3 :以回歸誤差平方和最小為目標(biāo)函數(shù)，采用混沌粒子群算法對(duì)最小二乘支持向 量機(jī)的回歸模型參數(shù)進(jìn)行優(yōu)化； 步驟4 :將優(yōu)化的參數(shù)代回最小二乘支持向量機(jī)的回歸模型中，重新進(jìn)行訓(xùn)練； 步驟5 :使用訓(xùn)練好最小二乘支持向量機(jī)的回歸模型對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)。
[0008] 進(jìn)一步，所述最小二乘支持向量機(jī)的回歸模型構(gòu)建方法包括以下步驟： 采用一個(gè)訓(xùn)練樣本集（Xi,y)，i= 1，2，. . .，l，Xi是風(fēng)速，yi是風(fēng)電輸出功率的實(shí)測(cè)值， 1是訓(xùn)練樣本集中數(shù)據(jù)點(diǎn)集的總數(shù)，利用一個(gè)非線性映射將樣本空間映射到特征空間， 并在高維空間中構(gòu)造最優(yōu)決策函數(shù)：
利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，最小二乘支持向量機(jī)的優(yōu)化目標(biāo)可表示為：
其中：w為權(quán)值向量，| |w| |2是模型的復(fù)雜度；C為邊際系數(shù)，控制對(duì)誤差的懲罰程度；L是誤差向量；b是偏差量； 利用拉格朗日法求解式（2)，可得：
式中：a= 1，2,…，1)為拉格朗日乘子； 由KKT(Krush-Kuhn-Tucker)條件可知：
通過核函數(shù)將（4)轉(zhuǎn)化為線性方程進(jìn)行求解，選用在回歸預(yù)測(cè)中效果較好的徑向基核 函數(shù)，定義核函數(shù)為&(H)=，轉(zhuǎn)化后的線性方程組為：
用最小二乘法求解上式，得到回歸系數(shù)ai和偏差b，便能得到非線性的回歸模型：
式（6)中，徑向基核函數(shù)
，式中。為核寬度，I|x_Xi| |為二范 數(shù)； 最小二乘支持向量機(jī)的回歸模型為
，該式中的0和式 (2)中的C采用混沌粒子群算法進(jìn)行優(yōu)化。
[0009] 進(jìn)一步，步驟3具體包括以下步驟： 步驟3. 1 :采用混沌系統(tǒng)zn+1=yzn(l-zn)產(chǎn)生混沌序列對(duì)算法中粒子的速度和位置 進(jìn)行初始化，其中U為混純控制參量，zn是混純變量，n為序列個(gè)數(shù)； 步驟3. 2:遍歷搜索得到個(gè)體最優(yōu)位置，并按公式（7)以回歸誤差平方和最小為適應(yīng) 度，計(jì)算并比較適應(yīng)度值，迭代搜索出全局最優(yōu)位置；
式中：f(Xi)為第i時(shí)刻的預(yù)測(cè)值；Xi為最小二乘支持向量機(jī)的回歸模型的輸入值，yi為第i時(shí)刻的實(shí)測(cè)值； 步驟3. 3 :以全局最優(yōu)位置為基礎(chǔ)產(chǎn)生混沌序列，將產(chǎn)生的序列中最好的一個(gè)位置作 為其中一個(gè)粒子的新位置； 步驟3. 4 :按公式（8)更新其它粒子的速度，按公式（9)更新其他粒子的位置；vik(t+l) = ?vik(t)+C! 8J(pik(t)-xik(t))+c2 8 2 (pgk(t)-xik(t)) (8) xik(t+l) =xik(t)+vik(t+l) (9)； 式中：《為慣性權(quán)重；Cl、c2為學(xué)習(xí)因子；SpS2為介于〇和1之間的隨機(jī)數(shù)；此外，粒 子的最大速度不應(yīng)超過其最大速度Vmax，xik(t)是i時(shí)刻第k個(gè)粒子的位置，xik(t+l)是i+1 時(shí)刻第k個(gè)粒子的位置；vik (t)是i時(shí)刻第k個(gè)粒子的速度，vik (t+1)是i+1時(shí)刻第k個(gè)粒 子的速度，Pik(t)是個(gè)體最優(yōu)位置，pgk(t)是全局最優(yōu)位置； 步驟3. 5 :判斷是否滿足迭代次數(shù)限制，是則結(jié)束優(yōu)化并輸出結(jié)果，否則返回步驟3. 2。
[0010] 進(jìn)一步，步驟2中，所述的初始化最小二乘支持向量機(jī)和混沌粒子群算法的參數(shù) 包括以下步驟： 步驟2. 1、確定最小二乘支持向量機(jī)的懲罰參數(shù)C和核參數(shù)〇 2的范圍，初始化最小二 乘支持向量機(jī)的慣性權(quán)重《 ; 步驟2. 2、確定混沌粒子群算法的學(xué)習(xí)因子Cl、c2;混沌控制參量和迭代次數(shù)。
[0011] 本發(fā)明的有益效果是： 1、本發(fā)明采用混沌粒子群算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化。粒子群算法是一種具有 并行運(yùn)算能力的智能優(yōu)化算法，但該算法也存在缺陷，算法在迭代當(dāng)中易落入局部最優(yōu)點(diǎn)， 使得算法過早收斂而不能保證計(jì)算的精度?；煦缌Ｗ尤核惴ㄊ墙⒃诨煦缋碚撝系?，混 沌狀態(tài)特點(diǎn)是遍歷性、隨機(jī)性和規(guī)律性，混沌狀態(tài)雖然是一種隨機(jī)狀態(tài)，但是可以由確定的 方程得到，并且混沌運(yùn)動(dòng)能在一定范圍內(nèi)按照某一規(guī)律不重復(fù)地遍歷所有狀態(tài)。混沌粒子 群算法將混沌運(yùn)動(dòng)特性引入到迭代過程當(dāng)中，在搜索過程中利用混沌運(yùn)動(dòng)的遍歷性來(lái)提高 算法的全局搜索能力，改善了粒子群算法易陷入局部極值點(diǎn)、進(jìn)化后期收斂慢且精度低的 缺點(diǎn)，有效的解決了粒子群算法的"早熟"問題，能夠保證全局最優(yōu)性，預(yù)測(cè)效果更好。
[0012] 2、本發(fā)明運(yùn)用最小二乘支持向量機(jī)進(jìn)行預(yù)測(cè)。在處理非線性復(fù)雜的回歸問題時(shí)， 支持向量機(jī)將回歸預(yù)測(cè)問題轉(zhuǎn)化為一個(gè)求解二次規(guī)劃的問題，可以求得全局最優(yōu)解。而最 小二乘支持向量機(jī)的預(yù)測(cè)模型則避免了求解二次規(guī)劃的問題，并且將預(yù)測(cè)問題轉(zhuǎn)化為求解 線性方程組的過程，其求解過程大大簡(jiǎn)化。
[0013] 3、本發(fā)明采用單一風(fēng)速作為輸入數(shù)據(jù)，預(yù)測(cè)模型更加簡(jiǎn)單。
【附圖說(shuō)明】
[0014] 圖1是本發(fā)明的風(fēng)電功率短期預(yù)測(cè)流程；
[0015] 圖2是混沌粒子群算法的計(jì)算流程；
[0016] 圖3是實(shí)測(cè)值與最小二乘支持向量機(jī)的回歸模型預(yù)測(cè)值對(duì)比圖。
【具體實(shí)施方式】
[0017] 本發(fā)明針對(duì)風(fēng)速間歇性和隨機(jī)性的特點(diǎn)，采用一種基于混沌粒子群和最小二乘支 持向量機(jī)（CPSO-LSSVM)的風(fēng)電功率短期預(yù)測(cè)方法以風(fēng)速作為輸入，以風(fēng)電場(chǎng)的輸出功率 為輸出，采用最小二乘支持向量機(jī)的回歸模型對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)，最小二乘支 持向量機(jī)的回歸模型參數(shù)采用混沌粒子群算法進(jìn)行優(yōu)化，克服傳統(tǒng)方法計(jì)算方法陷入局部 極小、訓(xùn)練時(shí)間長(zhǎng)等缺點(diǎn)，有更好的泛化性能和精確性。
[0018] 下面結(jié)合實(shí)施例及附圖，對(duì)本發(fā)明作進(jìn)一步地的詳細(xì)說(shuō)明，但本發(fā)明的實(shí)施方式 不限于此。
[0019] 如圖1所示，風(fēng)電功率短期預(yù)測(cè)方法包括以下步驟： 步驟1:數(shù)據(jù)的獲取和歸一化處理。本實(shí)施例中采用某一時(shí)刻的風(fēng)速數(shù)據(jù)\作為輸入 數(shù)據(jù)進(jìn)行訓(xùn)練，用于預(yù)測(cè)下一時(shí)刻的風(fēng)速，獲取到風(fēng)速數(shù)據(jù)后首先按公式10進(jìn)行歸一化處 理，然后作為訓(xùn)練樣本T:
式中是訓(xùn)練樣本T中的某個(gè)風(fēng)速數(shù)據(jù)歸一化后的結(jié)果；x_和XniiI^v別是訓(xùn)練樣本T中該組變量數(shù)據(jù)的最大值和最小值。本步驟中數(shù)據(jù)的獲取可以直接從電力系統(tǒng)的SCADA 系統(tǒng)中提取，也可以通過其他方式采集。 步驟2 :初始化最小二乘支持向量機(jī)（LSSVM)和混沌粒子群算法（CPSO)的各參數(shù)。本 步驟中，初始化最小二乘支持向量機(jī)和混純粒子群算法的各參數(shù)具體包括： 步驟2. 1、確定LSSVM的懲罰參數(shù)C和核參數(shù)〇2的范圍，初始化LSSVM的慣性權(quán)重《 ; 步驟2. 2、確定CPSO的相關(guān)參數(shù)，例如但不限于算法參數(shù)、迭代次數(shù)；算法參數(shù)包括學(xué) 習(xí)因子CpC^;混純控制參量y; 步驟2. 3、在LSSVM的懲罰參數(shù)C和核參數(shù)〇 2的范圍內(nèi)隨機(jī)初始化粒子群。 步驟3 :以回歸誤差平方和最小為目標(biāo)函數(shù)，采用混沌粒子群算法對(duì)最小二乘支持向 量機(jī)的參數(shù)進(jìn)行優(yōu)化。 步驟4:將優(yōu)化的參數(shù)代回最小二乘支持向量機(jī)的回歸模型中，得到預(yù)測(cè)模型，并對(duì)預(yù) 測(cè)模型重新進(jìn)行訓(xùn)練； 步驟5 :根據(jù)得到的風(fēng)速數(shù)據(jù)，使用訓(xùn)練好最小二乘支持向量機(jī)的回歸模型作為預(yù)測(cè) 模型對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)。
[0020] 其中，上述LSSVM的回歸模型的構(gòu)建方法為： 對(duì)于事先獲得的訓(xùn)練樣本集（Xi，yi)，Xi是風(fēng)速，yi是風(fēng)電輸出功率的實(shí)測(cè)值，1是訓(xùn)練 樣本集中數(shù)據(jù)點(diǎn)集的總數(shù)，利用一個(gè)非線性映射舛.v)將樣本空間映射到特征空間，并在高 維空間中構(gòu)造最優(yōu)決策函數(shù)：
利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，最小二乘支持向量機(jī)的優(yōu)化目標(biāo)可表示為：
其中：《為權(quán)值向量，用于控制前面風(fēng)速對(duì)當(dāng)前風(fēng)速的影響，I|w|I2是模型的復(fù)雜度；C為邊際系數(shù)，控制對(duì)誤差的懲罰程度；Ii是誤差向量；b是偏差量。
[0021] 利用拉格朗日法求解式（2)，可得：
) 式中：a= 1，2,…，1)為拉格朗日乘子。
[0022] 由KKT(Krush-Kuhn-Tucker)條件：
可得：
即得到公式：
[0023] 最后，只須通過核函數(shù)，將上述的優(yōu)化過程轉(zhuǎn)化為線性方程，再進(jìn)行求解 即可。本實(shí)施例中，選用在回歸預(yù)測(cè)中效果較好的徑向基核函數(shù)，定義核函數(shù)為 (X,.，X, ) = Xv,)，轉(zhuǎn)化后的線性方程組為：
用最小二乘法求解上式，得到回歸系數(shù)ai和偏差b，便能得到非線性的回歸模型：
式（6