風電功率短期預測方法
【技術領域】
[0001] 本發明涉及一種風電功率預測方法，具體地，涉及一種風電功率短期預測方法。
【背景技術】
[0002] 隨著風力發電機組單機容量的提高和自動化技術的發展，風力發電系統也從原來 的用戶分布式能源向集中式大規模風電場發展。風電在電網中比例不斷增大，大量并網的 風電對電力系統的調度運行和安全穩定帶來了嚴峻挑戰。有效的風電功率預測可以減少電 力系統備用容量、降低系統運行成本、減輕風力發電對電網造成的不利影響、提高風電在電 力系統中的比例，因此對風電功率進行預測具有十分重要意義。
[0003] 目前風功率預測有物理方法和統計方法。物理方法主要考慮的是一些物理量，比 如數值天氣預報得到的天氣數據（風速、風向、氣壓等），風電場周圍的信息（等高線、粗糙 度、障礙物等）以及風電機組的技術參數（輪毅高、穿透系數等）。其目的是找到風電機組 輪毅高度出的風速最優估計值，然后用模型輸出統計模塊減小存在的誤差，最后根據風電 場的功率曲線計算得到風電場的輸出功率。由于天氣預報每天只更新幾次，因此這種方法 通常適用于相對較長期的預測。
[0004] 統計預測方法一般需要大量的歷史數據進行建模，統計方法對于提前幾小時的風 電功率預測結果是可以滿足精度要求的，但對于提前更長時間的預測結果，精度是不夠 的。目前常用的統計學預測方法有卡爾曼濾波法、時間序列法、人工神經網絡法、支持向量 機法、灰色模型、小波分析等。這些方法隨著風電技術的深入暴露了難以克服的缺陷，如預 測精度差，收斂速度慢，有局限性等缺點。
【發明內容】
[0005] 本發明的目的就在于克服上述現有技術的缺點和不足，提供一種預測精度高、收 斂速度快、計算簡單的風電功率短期預測方法。
[0006] 本發明解決上述問題所采用的技術方案是： 風電功率短期預測方法，以風速作為輸入，采用最小二乘支持向量機的回歸模型對風 電場的輸出功率進行預測，最小二乘支持向量機的回歸模型參數采用混沌粒子群算法進行 優化。
[0007] 作為本發明的進一步改進，所述的以風速作為輸入，采用最小二乘支持向量機的 回歸模型對風電場的輸出功率進行預測，最小二乘支持向量機的回歸模型參數采用混沌粒 子群算法進行優化具體包括以下步驟： 步驟1:獲取數據，并對數據進行歸一化處理后作為訓練樣本； 步驟2 :初始化最小二乘支持向量機和混沌粒子群算法的參數； 步驟3 :以回歸誤差平方和最小為目標函數，采用混沌粒子群算法對最小二乘支持向 量機的回歸模型參數進行優化； 步驟4 :將優化的參數代回最小二乘支持向量機的回歸模型中，重新進行訓練； 步驟5 :使用訓練好最小二乘支持向量機的回歸模型對風電場的輸出功率進行預測。
[0008] 進一步，所述最小二乘支持向量機的回歸模型構建方法包括以下步驟： 采用一個訓練樣本集（Xi,y)，i= 1，2，. . .，l，Xi是風速，yi是風電輸出功率的實測值， 1是訓練樣本集中數據點集的總數，利用一個非線性映射將樣本空間映射到特征空間， 并在高維空間中構造最優決策函數：
利用結構風險最小化原則，最小二乘支持向量機的優化目標可表示為：
其中：w為權值向量，| |w| |2是模型的復雜度；C為邊際系數，控制對誤差的懲罰程度；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：
通過核函數將（4)轉化為線性方程進行求解，選用在回歸預測中效果較好的徑向基核 函數，定義核函數為&(H)=，轉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
，式中。為核寬度，I|x_Xi| |為二范 數； 最小二乘支持向量機的回歸模型為
，該式中的0和式 (2)中的C采用混沌粒子群算法進行優化。
[0009] 進一步，步驟3具體包括以下步驟： 步驟3. 1 :采用混沌系統zn+1=yzn(l-zn)產生混沌序列對算法中粒子的速度和位置 進行初始化，其中U為混純控制參量，zn是混純變量，n為序列個數； 步驟3. 2:遍歷搜索得到個體最優位置，并按公式（7)以回歸誤差平方和最小為適應 度，計算并比較適應度值，迭代搜索出全局最優位置；
式中：f(Xi)為第i時刻的預測值；Xi為最小二乘支持向量機的回歸模型的輸入值，yi為第i時刻的實測值； 步驟3. 3 :以全局最優位置為基礎產生混沌序列，將產生的序列中最好的一個位置作 為其中一個粒子的新位置； 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：《為慣性權重；Cl、c2為學習因子；SpS2為介于〇和1之間的隨機數；此外，粒 子的最大速度不應超過其最大速度Vmax，xik(t)是i時刻第k個粒子的位置，xik(t+l)是i+1 時刻第k個粒子的位置；vik (t)是i時刻第k個粒子的速度，vik (t+1)是i+1時刻第k個粒 子的速度，Pik(t)是個體最優位置，pgk(t)是全局最優位置； 步驟3. 5 :判斷是否滿足迭代次數限制，是則結束優化并輸出結果，否則返回步驟3. 2。
[0010] 進一步，步驟2中，所述的初始化最小二乘支持向量機和混沌粒子群算法的參數 包括以下步驟： 步驟2. 1、確定最小二乘支持向量機的懲罰參數C和核參數〇 2的范圍，初始化最小二 乘支持向量機的慣性權重《 ; 步驟2. 2、確定混沌粒子群算法的學習因子Cl、c2;混沌控制參量和迭代次數。
[0011] 本發明的有益效果是： 1、本發明采用混沌粒子群算法對支持向量機的參數進行優化。粒子群算法是一種具有 并行運算能力的智能優化算法，但該算法也存在缺陷，算法在迭代當中易落入局部最優點， 使得算法過早收斂而不能保證計算的精度。混沌粒子群算法是建立在混沌理論之上的，混 沌狀態特點是遍歷性、隨機性和規律性，混沌狀態雖然是一種隨機狀態，但是可以由確定的 方程得到，并且混沌運動能在一定范圍內按照某一規律不重復地遍歷所有狀態。混沌粒子 群算法將混沌運動特性引入到迭代過程當中，在搜索過程中利用混沌運動的遍歷性來提高 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、進化后期收斂慢且精度低的 缺點，有效的解決了粒子群算法的"早熟"問題，能夠保證全局最優性，預測效果更好。
[0012] 2、本發明運用最小二乘支持向量機進行預測。在處理非線性復雜的回歸問題時， 支持向量機將回歸預測問題轉化為一個求解二次規劃的問題，可以求得全局最優解。而最 小二乘支持向量機的預測模型則避免了求解二次規劃的問題，并且將預測問題轉化為求解 線性方程組的過程，其求解過程大大簡化。
[0013] 3、本發明采用單一風速作為輸入數據，預測模型更加簡單。
【附圖說明】
[0014] 圖1是本發明的風電功率短期預測流程；
[0015] 圖2是混沌粒子群算法的計算流程；
[0016] 圖3是實測值與最小二乘支持向量機的回歸模型預測值對比圖。
【具體實施方式】
[0017] 本發明針對風速間歇性和隨機性的特點，采用一種基于混沌粒子群和最小二乘支 持向量機（CPSO-LSSVM)的風電功率短期預測方法以風速作為輸入，以風電場的輸出功率 為輸出，采用最小二乘支持向量機的回歸模型對風電場的輸出功率進行預測，最小二乘支 持向量機的回歸模型參數采用混沌粒子群算法進行優化，克服傳統方法計算方法陷入局部 極小、訓練時間長等缺點，有更好的泛化性能和精確性。
[0018] 下面結合實施例及附圖，對本發明作進一步地的詳細說明，但本發明的實施方式 不限于此。
[0019] 如圖1所示，風電功率短期預測方法包括以下步驟： 步驟1:數據的獲取和歸一化處理。本實施例中采用某一時刻的風速數據\作為輸入 數據進行訓練，用于預測下一時刻的風速，獲取到風速數據后首先按公式10進行歸一化處 理，然后作為訓練樣本T:
式中是訓練樣本T中的某個風速數據歸一化后的結果；x_和XniiI^v別是訓練樣本T中該組變量數據的最大值和最小值。本步驟中數據的獲取可以直接從電力系統的SCADA 系統中提取，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（LSSVM)和混沌粒子群算法（CPSO)的各參數。本 步驟中，初始化最小二乘支持向量機和混純粒子群算法的各參數具體包括： 步驟2. 1、確定LSSVM的懲罰參數C和核參數〇2的范圍，初始化LSSVM的慣性權重《 ; 步驟2. 2、確定CPSO的相關參數，例如但不限于算法參數、迭代次數；算法參數包括學 習因子CpC^;混純控制參量y; 步驟2. 3、在LSSVM的懲罰參數C和核參數〇 2的范圍內隨機初始化粒子群。 步驟3 :以回歸誤差平方和最小為目標函數，采用混沌粒子群算法對最小二乘支持向 量機的參數進行優化。 步驟4:將優化的參數代回最小二乘支持向量機的回歸模型中，得到預測模型，并對預 測模型重新進行訓練； 步驟5 :根據得到的風速數據，使用訓練好最小二乘支持向量機的回歸模型作為預測 模型對風電場的輸出功率進行預測。
[0020] 其中，上述LSSVM的回歸模型的構建方法為： 對于事先獲得的訓練樣本集（Xi，yi)，Xi是風速，yi是風電輸出功率的實測值，1是訓練 樣本集中數據點集的總數，利用一個非線性映射舛.v)將樣本空間映射到特征空間，并在高 維空間中構造最優決策函數：
利用結構風險最小化原則，最小二乘支持向量機的優化目標可表示為：
其中：《為權值向量，用于控制前面風速對當前風速的影響，I|w|I2是模型的復雜度；C為邊際系數，控制對誤差的懲罰程度；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，將上述的優化過程轉化為線性方程，再進行求解 即可。本實施例中，選用在回歸預測中效果較好的徑向基核函數，定義核函數為 (X,.，X, ) = Xv,)，轉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ai和偏差b，便能得到非線性的回歸模型：
式（6