CN102170130B - 一种风电功率短期预测方法 - Google Patents

Abstract

本发明公开了风电功率预测技术领域中的一种风电功率短期预测方法。该方法通过采集预测日之前30个小时的风速信息和对应的风电功率数据，用脊波变换对采集的初始数据进行去噪处理，处理后的数据形成样本集；利用量子进化算法选择最优样本；将选择出的最优样本作为直推支持向量机的训练样本进行训练，利用训练好的直推支持向量机进行风电功率预测。本发明在预测短期风电功率方面，有较好的适应性和较高的检测精度。

Description

一种风电功率短期预测方法

技术领域

本发明属于风电功率预测技术领域，尤其涉及一种风电功率短期预测方法。

背景技术

风能是一种清洁的可再生能源，由于具有较好的经济效益和社会效益，风力发电已经受到世界各国的高度重视。由于风的不可控制性，对风电功率的预测显得尤为重要，尤其是风电功率短期预测能有效的减轻风电并网对整个电网的影响，有利于电力系统调度部门更加合理地安排调度计划。

目前风电功率的预测方法可以分为两类：一类是数值天气预报方法，另一类是基于历史数据的预测方法。

基于数值天气预报就是利用气象部门提供的数值天气预报模型，对风电场或附近某个点的天气情况(如风速、风向、气温等参数)进行预测，建立模型，对风电功率进行预测。风电场短期功率预测模型可以分为统计模型和物理模型两类。统计模型方法是在系统的输入(数值天气预报模型、风电场的测量数据等)和风电场的功率之间建立一种映射关系。物理模型方法就是建立风电厂当地的数值天气预报模型，其特点是不需要大量的预测数据，但建立的模型比较粗糙，预测精度差。

基于历史数据的预测方法是根据风电功率的历史数据，直接建立风电功率的预测模型，常见的方法包括：持续性算法、线性回归模型、自适应模糊逻辑算法等，但是模型中未考虑到其他影响因素，而且对数据的可靠性和时效性要求很高。总体而言，已有方法仍然存在平均预测精度不高、单点预测误差较大等突出问题。

发明内容

针对上述背景技术中提到的风电功率预测不准确的不足，本发明提出了一种风电功率短期预测方法。

本发明的技术方案是，一种风电功率短期预测方法，其特征该方法包括以下步骤：

步骤1：采集预测日之前30小时的风速信息和对应的风电功率数据，形成样本集；

步骤2：对样本集进行数据预处理，采用基于脊波变换的方法对得到的样本集去噪；

步骤3：利用量子进化算法选择最优样本；

步骤4：将选择出的最优样本作为直推支持向量机TSVM的训练样本进行训练，利用训练好的直推支持向量机进行风电功率预测。

所述步骤2具体包括下列步骤：

步骤2.1：对采集的样本集应用有限Ridgelet变换，得到Ridgelet系数矩阵，对Ridgelet系数矩阵的每列分别进行一维离散多尺度小波变换，得到有限脊波变换系数矩阵；

步骤2.2：对有限脊波变换系数矩阵的每一列，进行小波自适应阈值去噪处理，低频子带不处理，对各高频子带系数进行软阈值处理；

步骤2.3：处理后的Ridgelet系数矩阵应用有限Ridgelet反变换重构信号；

步骤2.4：对重构信号进行自适应维纳Wiener滤波，得到去噪后的数据信号。

所述步骤3具体包括下列步骤：

步骤3.1：初始化种群Q(t)；

步骤3.2：观察Q(t)中各个个体的概率幅构造量子叠加态的具体观测值P(t)；

步骤3.3：用适应度函数对种群中的所有个体进行适应度值评估，保存最优个体到B(t)中；

步骤3.4：若满足停机条件，输出当前最优样本，否则继续；

步骤3.5：利用量子旋转门更新Q(t)，返回步骤2.2，直到满足终止条件结束。

所述步骤2.1中Ridgelet变换的计算公式为：

${\mathrm{FRAT}}_f[k,1]=\frac{1}{\sqrt{p}}\underset{(i,j)\∈L_{k,1}}{\mathrm{\Σ}}f(i,j)$

式中：

FRAT_f[k，l]是有限脊波变换系数矩阵；

p是系数矩阵的维数；

f(i，j)是离散数据信号；

L_k，l表示网格Z_p ²上组成的以k为斜率、l为截距的直线的点的集合。

所述步骤2.2中阈值的计算公式为：

$T=\frac{{\mathrm{\σ}}_n^2}{{\mathrm{\σ}}_j^2},(j=\mathrm{0,1},\·\·\·,n)$

其中：

为估计噪声的方差；

为估计子带信号方差。

所述步骤3.3中适应度函数的计算公式为：

$\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i+C^{*}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ξ}}_j^{\text{*}}$

式中：

C为有标签样本在训练过程中的影响因子；

C^*为无标签样本在训练过程中的影响因子；

为无标签样本j在目标函数中的影响项。

所述步骤4中直推支持向量机TSVM的训练过程可描述为：

$\mathrm{Minimizeover}(y_1^{*},...,y_k^{*},w,b,{\mathrm{\ξ}}_1,...,{\mathrm{\ξ}}_n,{\mathrm{\ξ}}_1^{*},...,{\mathrm{\ξ}}_k^{*})$

$\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i+C^{*}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ξ}}_j^{\text{*}}$

$\mathrm{subject\; to}:{\∀}_{i=1}^n:y_i[w{v}_i+b]\≥1-{\mathrm{\ξ}}_i.$

${\∀}_{j=1}^k:y_j[w{v}_j^{*}+b]\≥1-{\mathrm{\ξ}}_j^{*}$

${\∀}_{i=1}^n:{\mathrm{\ξ}}_i\≥0$

${\∀}_{j=1}^k:{\mathrm{\ξ}}_j^{*}\≥0$

本发明对风电功率进行预测的方法是先用脊波变换对得到的样本集进行去噪处理，然后用量子进化优化样本，最后用直推支持向量机建模进行预测，本发明适合于风电场短期功率的预测，实现了结构风险最小化的原则，量子进化的引入避免了局部最优的现象，使预测模型更加准确。

附图说明

图1为短期风电功率预测方法流程图；

图2为基于脊波变换的方法对得到的样本集去噪的流程图；

图3为基于量子进化算法选择最优样本的过程流程图；

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

经脊波变换处理后的数据组成新的样本集，从样本集中筛选最优样本是预测风电功率的前提。为此，本发明引入量子进化算法提取最优样本，它采用量子比特编码来表示染色体，充分利用量子比特的关联性，用量子旋转门更新完成种群进化，一次量子旋转门操作将同时作用于组成叠加态的所有基态上，各个基态通过量子旋转门相互干涉使它们的相位改变，从而各个基态的概率幅发生变化，这样就能够更好地保持种群多样性，避免陷入局部最优，其寻优能力和收敛速度有了明显的提高。将用量子进化算法得到的最优样本作为输入，对TSVM学习机进行训练，建立最终的学习机模型，使TSVM学习机能预测短期内任一时刻的风电功率。

图1是本发明提供的一种基于QEA-TSVM短期功率预测方法流程图。图1中，本发明提供的方法包括如下的步骤：

步骤1：采集预测日之前30个小时的风速信息和对应的风电功率数据，形成样本集；

需要采集预测日之前30个小时内的风速和风电功率数据，这些数据每隔15分钟采集一次，把采集到的数据分成10组，每组包含12个元素，即形成了12个样本。

步骤2：对样本集进行数据预处理，采用基于脊波变换的方法对得到的样本集去噪；图2是基于脊波变换的方法对得到的样本集去噪的流程图。步骤2又包含下列步骤：

步骤2.1：对采集的样本集应用有限Ridgelet变换，每个方向上将产生一个FRAT序列，因此有限Ridgelet变换的结果是产生一个p×(p+1)的Ridgelet系数矩阵，对Ridgelet系数矩阵的每列分别进行一维离散多尺度小波变换，得到有限脊波变换系数矩阵FRAT_f[k，l]，(k，l)∈P_i，j，整个过程称为有限脊波变换。

设p是一个素数，定义集合Z_p＝{0，1，2，…，p-1}，那么定义离散数据信号f(x)在有限网格Z_p ²上的有限Ridgelet变换(FRAT)为：

${\mathrm{FRAT}}_f[k,1]=\frac{1}{\sqrt{p}}\underset{(i,j)\∈L_{k,1}}{\mathrm{\Σ}}f(i,j)---\left(1\right)$

式中：

FRAT_f[k，l]是有限脊波变换系数矩阵；

p是系数矩阵的维数；

f(i，j)是离散数据信号；

L_k，l表示网格Z_p ²上组成的以k为斜率、l为截距的直线(当k＝p时，代表斜率无限大或垂直的直线)的点的集合，即：

L_k，l＝{(i，j)|j＝ki+l(modp)，i∈Z_p}，k∈Z_p    (2)

L_p，l＝{(l，j)|j∈Z_P}    (3)

上式定义了有限网格Z_p ²上p×(p+1)个方向上的直线，其中每条直线上均包含p个点，对于任意给定方向，存在p条互相平行的直线，它们完全覆盖了网格Z_p ²。其重构公式为：

$F(i,j)=\frac{1}{\sqrt{p}}\underset{(k,1)\∈p_{i,j}}{\mathrm{\Σ}}{\mathrm{FRAT}}_f[k,1]---\left(4\right)$

式中：

p_i，j为经过点(i，j)∈Z_p ²的直线的斜率和截距，可表示为：

p_i，j＝{(k，l)|l＝j-ki(mod p)，k∈Z_p ²}∪{(p，i)}；

步骤2.2：对有限脊波变换系数矩阵的每一列，进行小波自适应阈值去噪处理，低频子带不处理，对各高频子带系数进行软阈值处理。阈值公式为：

$T=\frac{{\mathrm{\σ}}_n^2}{{\mathrm{\σ}}_j^2},(j=\mathrm{0,1},\·\·\·,n)$

其中：

为估计噪声的方差；

为估计子带信号方差；

步骤2.3：处理后的Ridgelet系数矩阵应用有限Ridgelet反变换重构信号；

步骤2.4：对重构信号进行自适应维纳Wiener滤波，以减少“卷绕”效应，得到去噪后的样本集。

步骤3：利用量子进化算法选择最优样本。图3是基于量子进化算法选择最优样本的流程图。步骤3又包含下列步骤：

步骤3.1：初始化种群Q(t)；

初始化进化代数t＝0，初始化种群

为去噪后的样本集，n为种群规模。对种群中每个个体进行染色体编码，每个个体分别包含每个时刻采集到的信息，用量子位表示，一个量子位的状态可由两个量子态的叠加表示为：

|ψ＞＝α|0＞+β|1＞

式中：

|ψ＞为量子位介于0和1的中间状态；

|0＞为量子位的0状态；

|1＞为量子位的1状态；

α为量子位的0状态时的概率；

β为量子位的1状态时的概率，且|α|²+|β|²＝1；

每个时刻得到的信息由一个量子位表示，若有n个采集的时刻点，则染色体编码为：

$\left[\begin{array}{cccccc}{\mathrm{\α}}_1& {\mathrm{\α}}_2& \·\·\·& {\mathrm{\α}}_k& \·\·\·& {\mathrm{\α}}_n\\ {\mathrm{\β}}_1& {\mathrm{\β}}_2& \·\·\·& {\mathrm{\β}}_k& \·\·\·& {\mathrm{\β}}_n\end{array}\right]$

式中：

|α_k|²+|β_k|²＝1，(k＝1，2，…n)，初始化时将所有α_k、β_k都设为

步骤3.2：观察Q(t)中各个个体的概率幅构造量子叠加态的具体观测值P(t)；

对Q(t)进行观测的方法是：每一个量子位随机产生一个[0，1]随机数，若该随机数小于|α|²，则P(t)中的相应位取0，表示相应时刻的数据不被选中，否则取1，表示相应时刻的数据被选中。这样就可以得到一组二进制编码的观测态P(t)。

步骤3.3：用适应度函数对种群中的所有个体进行适应度值评估，保存最优个体到B(t)中。

适应度函数为：

$\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i+C^{*}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ξ}}_j^{\text{*}}$

式中：

C为有标签样本在训练过程中的影响因子；

C^*为无标签样本在训练过程中的影响因子；

为无标签样本j在目标函数中的影响项。

步骤3.4：若满足停机条件，输出当前最优样本，否则继续。

步骤3.5：利用量子旋转门更新Q(t)，返回步骤2.2，直到满足终止条件结束。

更新采用量子旋转门，每一位量子位

的更新公式为：

$\left[\begin{array}{c}{\mathrm{\α}}_k^{(t+1)}\\ {\mathrm{\β}}_k^{(t+1)}\end{array}\right]=G\left(\mathrm{\θ}\right)=\left[\begin{array}{c}{\mathrm{\α}}_k^{\left(t\right)}\\ {\mathrm{\β}}_k^{\left(t\right)}\end{array}\right]$

式中：

G(θ)为量子旋转门。

$G\left(\mathrm{\θ}\right)=\left[\begin{array}{cc}\cos \mathrm{\θ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]$

式中：

θ为旋转角度，其取值可以查询表1。

表1  旋转角θ的查询表

表1中：

x_k为观测态中当前染色体；

best_k为最优解的第k位；f(x)为适应度函数；

α_k、β_k为当前染色体第k为量子的概率幅；

θ为旋转角度；

δ为旋转角度θ的大小；

±δ指以相等的概率取+δ或-δ，其取值公式为：δ＝0.5πexp(-t/t_max)。在该步骤中，将当前染色体观测值适应度f(x_k)与当前最优解适应度f(best_k)比较，如果f(x_k)＞f(best_k)，则调整相位

使之向有利于x_k出现的方向进化，否则向有利于best_k出现的方向进化。

步骤4：将选择出的最优样本作为直推支持向量机TSVM的训练样本进行训练，利用训练好的直推支持向量机TSVM进行风电功率预测。

对直推支持向量机TSVM的训练可转化为一种优化问题的求解，在一般的线性不可分的条件下，直推支持向量机TSVM的训练过程可以描述为下面的优化问题：

$\left.\begin{array}{c}\mathrm{Minimizeover}(y_1^{*},...,y_k^{*},w,b,{\mathrm{\ξ}}_1,...,{\mathrm{\ξ}}_n,{\mathrm{\ξ}}_1^{*},....{,\mathrm{\ξ}}_k^{*})\\ \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i+C^{*}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ξ}}_j^{*}\\ \mathrm{subject\; to}:{\∀}_{i=1}^n:y_i[w{v}_i+b]\≥1-{\mathrm{\ξ}}_i\\ {\∀}_{j=1}^k:y_j[w{v}_j^{*}+b]\≥1-{\mathrm{\ξ}}_i\\ {\∀}_{i=1}^n:{\mathrm{\ξ}}_i\≥0\\ {\∀}_{j=1}^k:{\mathrm{\ξ}}_j^{*}\≥0\end{array}\right\}---\left(5\right)$

同时引入拉格朗日乘子和核诱导特征空间，具体如下：

subject to：

0≤α_i≤C，i＝1，…，l

$0\≤{\mathrm{\α}}_j^{*}\≤C^{*},j=1+1,\·\·\·,1+k$

$\underset{i=1}{\overset{1}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i+\underset{j=1+1}{\overset{1+k}{\mathrm{\Σ}}}{\mathrm{\α}}_j^{*}{y}_j^{*}=0$

将步骤3中得到的最优样本代入上述目标函数中就可以求解目标优化问题，得到分类器。用得到的直推支持向量机TSVM分类器模型对测试样本分类，输出风电功率预测结果。

风电功率预测的过程中要用到大量的历史数据，这些数据在采集、传输、转换各个环节都有可能发生故障或受到干扰，导致数据异常，而且风速及功率这些数据变化幅度大，没有规律性，因此发明中用脊波变换进行数据的去噪处理。处理后的数据形成新的样本集，利用量子进化算法进行样本优化，最后利用进化后的最优样本训练学习机进行功率预测。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种风电功率短期预测方法，其特征该方法包括以下步骤：

步骤1：采集预测日之前30小时的风速信息和对应的风电功率数据，形成样本集；

步骤2：对样本集进行数据预处理，采用基于脊波变换的方法对得到的样本集去噪；

步骤3：利用量子进化算法选择最优样本；

步骤4：将选择出的最优样本作为直推支持向量机TSVM的训练样本进行训练，利用训练好的直推支持向量机进行风电功率预测。

2.根据权利要求1所述一种风电功率短期预测方法，其特征是所述步骤2具体包括下列步骤：

步骤2.1：对采集的样本集应用有限Ridgelet变换，得到Ridgelet系数矩阵，对Ridgelet系数矩阵的每列分别进行一维离散多尺度小波变换，得到有限脊波变换系数矩阵；

步骤2.2：对有限脊波变换系数矩阵的每一列，进行小波自适应阈值去噪处理，低频子带不处理，对各高频子带系数进行软阈值处理；

步骤2.3：处理后的Ridgelet系数矩阵应用有限Ridgelet反变换重构信号；

步骤2.4：对重构信号进行自适应维纳Wiener滤波，得到去噪后的样本集。

3.根据权利要求1所述一种风电功率短期预测方法，其特征是所述步骤3具体包括下列步骤：

步骤3.1：初始化种群Q(t)；

步骤3.2：观察Q(t)中各个个体的概率幅构造量子叠加态的具体观测值P(t)；

步骤3.3：用适应度函数对种群中的所有个体进行适应度值评估，保存最优个体到B(t)中；

步骤3.4：若满足停机条件，输出当前最优样本，否则继续；

步骤3.5：利用量子旋转门更新Q(t)，返回步骤2.2，直到满足终止条件结束。

4.根据权利要求2所述一种风电功率短期预测方法，其特征是所述步骤2.1中Ridgelet变换的计算公式为：

${\mathrm{FRAT}}_f[k,l]=\frac{1}{\sqrt{p}}\underset{(i,j)\∈L_{k,l}}{\mathrm{\Σ}}f(i,j)$

式中：

FRAT_f[k,l]是有限脊波变换系数矩阵；

p是系数矩阵的维数；

f(i,j)是离散数据信号；

L_k,l表示网格Z_p ²上组成的以k为斜率、l为截距的直线的点的集合。

5.根据权利要求2所述一种风电功率短期预测方法，其特征是所述步骤2.2中阈值的计算公式为：

$T=\frac{{\mathrm{\σ}}_n^2}{{\mathrm{\σ}}_j^2},(j=\mathrm{0,1},\·\·\·,n)$

其中：

为估计噪声的方差；

为估计子带信号方差。

6.根据权利要求3所述一种风电功率短期预测方法，其特征是所述步骤3.3中适应度函数的计算公式为：

$\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i+C^{*}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ξ}}_j^{*}$

式中：

C为有标签样本在训练过程中的影响因子；

C^*为无标签样本在训练过程中的影响因子；

为无标签样本j在目标函数中的影响项。

7.根据权利要求1所述一种风电功率短期预测方法，其特征是所述步骤4中直推支持向量机TSVM的训练过程可描述为：

$\mathrm{Minimizeover}(y_1^{*},...,y_k^{*},w,b,{\mathrm{\ξ}}_1,...,{\mathrm{\ξ}}_n,{\mathrm{\ξ}}_1^{*},...,{\mathrm{\ξ}}_k^{*})$

$\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i+C^{*}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\ξ}}_j^{*}$

$\mathrm{subject\; to}:{\∀}_{i=1}^n:y_i[{\mathrm{wv}}_i+b]\≥1-{\mathrm{\ξ}}_i$

${\∀}_{j=1}^k:y_j[{\mathrm{wv}}_j^{*}+b]\≥1-{\mathrm{\ξ}}_j^{*}$

${\∀}_{i=1}^n:{\mathrm{\ξ}}_i\≥0$

${\∀}_{j=1}^k:{\mathrm{\ξ}}_j^{*}\≥0.$

Images