CN103903067A - 风电功率短期组合预测方法 - Google Patents

Abstract

一种风电功率短期组合预测方法，包括：1）对风速、风电功率数据进行归一化处理，分别利用支持向量机回归、Elman神经网络、BP神经网络建立相应单项预测模型；2）根据风速大小对各单项预测模型训练所得预测结果进行分期；3）选取待优化参数，建立组合预测模型4）根据组合预测模型确定目标函数，并采用平均绝对百分误差最小作为目标函数的约束条件，获取优化后参数5）根据优化后参数获取分期后的每一期的权重系数值，更新组合预测模型；6）根据风速大小动态选择对应的权重系数值，利用风电功率测试数据对更新后的组合预测模型进行训练并进行预测，得到组合预测值。本发明有效地综合各单一预测模型的优势，降低预测风险、且预测精度高。

Description

风电功率短期组合预测方法

技术领域

本发明涉及风电功率预测技术领域，特别是涉及一种基于熵判别蜂群算法优化的风电功率短期组合预测方法。

背景技术

近年来，风能作为一种可再生能源，在全球范围内迅速发展。截止到2012年12月，世界风电装机容量已经从2000年的60GW增加到282.578GW，预计到2015年世界风电装机容量将达到460GW。随着风电的迅速发展，并网成为了充分利用风电的研究热点。风电的输出功率依赖于风速，然而由于风速的不确定性和间歇性，势必会给电网的稳定性带来严重冲击。

准确的风电功率短期预测有利于电力部门制定合理的发电计划和电网调度，进而减轻风电并入对电网稳定性的冲击。

发明内容

本发明的目的在于，提供一种风电功率短期组合预测方法，采用组合预测模型，同时采用熵判别人工蜂群算法对其进行优化，利用优化的参数进而确定权重系数、更新组合预测模型，有效提高了对风电机组的输出功率的预测精度，增强了风电并网的稳定性、经济性。

为达到上述目的，本发明提供了一种风电功率短期组合预测方法，包括以下步骤：

（1）对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，分别利用支持向量机回归、Elman神经网络、BP神经网络建立相应单项预测模型；

（2）根据风速大小对各单项预测模型训练所得预测结果进行分期；

（3）选取矩阵β_is为待优化参数，建立组合预测模型，

$y=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{s=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{is}}{\hat{y}}_{\mathrm{is}}$

其中，ω_is为权重系数，其表达示为：

${\mathrm{\ω}}_{\mathrm{is}}=\frac{{\left[{\mathrm{\Σ}}_{t=1}^N{\mathrm{\β}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{{\mathrm{\Σ}}_{i=1}^M{\left[{\mathrm{\Σ}}_{t=1}^N{\mathrm{\β}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}},$ y_t和 ${\hat{y}}_t$ 分别为功率实际值和预测值；

（4）根据组合预测模型确定目标函数，并采用平均绝对百分误差最小作为目标函数的约束条件，对步骤（2）分期后的每一期的预测结果进行优化，获取优化后参数，其中，目标函数公式为：

$f\left(x\right)=|\frac{1}{N}(y_t-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{s=1}{\overset{T}{\mathrm{\Σ}}}\frac{{\left[{\mathrm{\Σ}}_{t=1}^N{\mathrm{\β}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{{\mathrm{\Σ}}_{i=1}^M{\left[{\mathrm{\Σ}}_{t=1}^N{\mathrm{\β}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{\hat{y}}_{\mathrm{is}})/y_t|;$

（5）根据优化后参数获取分期后的每一期的权重系数值，更新组合预测模型；

（6）根据风速大小动态选择对应的权重系数值，利用风电功率测试数据对更新后的组合预测模型进行训练并进行预测，得到组合预测值。

本发明风电功率短期组合预测方法的优点是：采用组合预测模型，能够有效地综合各单一预测模型的优势，降低预测风险。同时采用熵判别人工蜂群算法对其进行优化，利用优化的参数进而确定权重系数、更新组合预测模型，选取合理的权重系数有利于提高组合模型性能。实际风电功率预测数据表明：本发明组合模型预测精度高，能够智能的确定权重系数值，明显降低了预测误差。

附图说明

图1是本发明风电功率短期组合预测方法的流程图；

图2是本发明种群调整区域示意图。

具体实施方式

以下结合附图对本发明风电功率短期组合预测方法及装置进行详细说明，但是应当指出，本发明的实施方式是为了解释目的的优选方案，并不是对本发明范围的限制。

参见图1，本发明所述的风电功率短期组合预测方法的流程图，接下来对该方法所述步骤做详细说明。

S11：对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，分别利用支持向量机回归、Elman神经网络、BP神经网络建立相应单项预测模型。

为了降低风电功率及风速数据的波动，训练前对其归一化处理。归一化公式为：

${\hat{x}}_i=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(1\right)$

式（1）中，

为归一化后的数据值、x_i为原始数据值、x_max为原始数据最大值、x_min为原始数据最小值。

S12：根据风速大小对各单项预测模型训练所得预测结果进行分期。

对各单项预测模型进行训练，得到对应的预测结果。根据风速值大小，将预测结果分为6期，分别作为组合预测模型的训练数据。例如，风速为3-6m/s区间为一期、6-8m/s区间为一期，如此划分6期。

S13：选取矩阵β_is为待优化参数，建立组合预测模型，

$\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{s=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{is}}{\hat{y}}_{\mathrm{is}}---\left(2\right)$

式（2）中，ω_is为权重系数，其表达示为：

${\mathrm{\ω}}_{\mathrm{is}}=\frac{{\left[{\mathrm{\Σ}}_{t=1}^N{\mathrm{\β}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{{\mathrm{\Σ}}_{i=1}^M{\left[{\mathrm{\Σ}}_{t=1}^N{\mathrm{\β}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}---\left(3\right)$

式（3）中，y_t和

分别为功率实际值和预测值。

S14：根据组合预测模型确定目标函数，并采用平均绝对百分误差最小作为目标函数的约束条件，对分期后的每一期的预测结果进行优化，获取优化后参数。其中，目标函数公式为：

$f\left(x\right)=|\frac{1}{N}(y_t-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{s=1}{\overset{T}{\mathrm{\Σ}}}\frac{{\left[{\mathrm{\Σ}}_{t=1}^N{\mathrm{\β}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{{\mathrm{\Σ}}_{i=1}^M{\left[{\mathrm{\Σ}}_{t=1}^N{\mathrm{\β}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{\hat{y}}_{\mathrm{is}})/y_t|---\left(4\right)$

进一步通过熵判别人工蜂群算法对待优化参数进行优化，熵判别人工蜂群算法是将信息熵理论与人工蜂群算法结合，利用蜜蜂各个群体的熵值，调节种群的多样性，对适应度差的蜜蜂进行迁移，克服了其易陷入局部极小点的缺陷。具体为：

A）、初始化，随机产生M×Q个食物源和雇佣蜂，搜索区间为（0,1），其中M为待优化参数个数，Q为食物源个数。

B）雇佣蜂计算各个食物源的收益率：

C）跟随蜂根据收益重新选择食物源；进一步采用轮盘选择的方法重新选择食物源。

$p_i=\frac{\mathrm{fit}\left(x_i\right)}{\underset{i=1}{\overset{T}{\mathrm{\Σ}}}\mathrm{fit}\left(x_i\right)}$

D）根据熵值模型计算蜂群的熵值，其中熵值模型为：

$\left(t\right)=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}p\left(x_{\mathrm{ii}}\right){\log }_N\left(p\left(x_{\mathrm{ti}}\right)\right)$

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}p\left(x_{\mathrm{ti}}\right)=1$

$\left(x_{\mathrm{ti}}\right)\⋐\left(\mathrm{0,1}\right)$

式中，F(t)为第t代全体蜜蜂的熵值，p(x_ti)为第t代i个蜜蜂的适应度值与第t代蜜蜂全体蜜蜂适应度值的比率。p(x_ti)求解如下式：

$\left(x_{\mathrm{ti}}\right)=\frac{f\left(x_{\mathrm{ti}}\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}f\left(x_{\mathrm{ti}}\right)}$

式中，f(x_ti)为第t代i个蜜蜂的适应度值，N为整个蜂群的总数。

E）雇佣蜂进行邻域搜索，邻域搜索更新公式为：

x_i"＝x_i'+c_ω*α(x_i'-x'_k)，1≤i≤T,1≤k≤T，且i≠k,α∈[-1,1]

式中，c_ω为基于熵值的惯性权重调节系数，x_i'是本次搜索食物源位置，x'_k是本次搜索前随机的食物源位置。

其中，

$c_{\mathrm{\&omega;}}=\left\{\begin{array}{cc}1+c_u(F\left(t\right)-L_{\mathrm{up}}\left(t\right))& ,F\left(t\right)>L_{\mathrm{up}}\left(t\right)\\ 1& ,L_{\mathrm{low}}\left(t\right)\&le;F\left(t\right)\&le;L_{\mathrm{up}}\left(t\right)\\ 1-c_1(F\left(t\right)-L_{\mathrm{up}}\left(t\right))& ,F\left(t\right)<L_{\mathrm{low}}\left(t\right)\end{array}\right.$

c_u，c_l为调整参数，优选的，c_u、c_l分别为1.3、0.7。L_up（t）调整上界函数，L_low(t)为调整下界函数。

$L_{\mathrm{up}}\left(t\right)=\left\{\begin{array}{cc}1-\frac{2{(t-t^{\&prime;})}^2}{T^2}& ,t\&le;t^{\&prime;}\\ 1& ,t>t^{\&prime;}\end{array}\right.,L_{\mathrm{low}}\left(t\right)=\mathrm{bt},$

式中a、b为常数参数，t'为预设的调节参数阀值。

在迭代进化过程中，如果蜂群多样性损失过快，可能会使算法过早陷入局部最优，进而使其丧失全局搜索能力；反之，如果在迭代后期蜂群仍保持较高的多样性，即蜜源位置分散，则可能会降低算法搜索到最优解的可能性。因此，在迭代过程中，合理设置蜂群多样性的范围，将会提高算法的收敛和寻优性能。本发明以种群熵值的形式表述其多样性，因此，在迭代过程中，根据熵值的变化对种群进行动态调整，从而避免局部收敛或过早收敛现象。

种群调整区域如图2所示，当第t代蜂群的熵值F(t)高于L_up（t）或低于L_low(t)时，表明种群过于集中或者过于分散，即种群处于非理想状态，可能会导致种群过早收敛。此时，对蜜蜂邻域位置搜索调节因子进行重新调整，使种群跳出非理想状态。

步骤E）进一步包括：若F(t)＞L_up(t)或F(t)＜L_low(t)，对δ(t)个蜜蜂进行迁移，迁移公式为x(t)＝x(t)+s·ηx(t)，式中s为变异步长，η为柯西随机变量。柯西随机变量的表达式为：

$\mathrm{\&eta;}\left(t\right)=\frac{1}{\mathrm{\&pi;}}\&CenterDot;\frac{3}{t^2+3^2},\&infin;<t<+\&infin;$

迭代后期，迁移蜜蜂个数不宜过多，因此，

为迁移调节参数可以取1.0，N为蜜蜂个数，t为当前迭代数，T迭代总次数。

还可以为：若F(t)＞L_up(t)，则对δ(t)个蜜蜂进行迁移；若F(t)＜L_low(t)，则从N-δ(t)个蜜蜂中随机选取δ(t)个进行替换。

柯西算子容易生成远离远点的随机数，易使蜜蜂进行有效迁移。实验仿真表明，a越大，调整上限将减小，调整区域变大，种群相对分散；b越大，种群的熵值越大。t'越大，超出上限的蜜蜂增多。综合考虑取a=100、b=4、t'=30。

F）通过收益率对比，更新每个雇佣蜂最优食物源位置及最优收益率。

G）食物源在循环一次后收益率没有改进，则抛弃该食物源，并利用下式选择新事物源位置：

$x_i^j=x_{\min }^j+\mathrm{rand}\left(\mathrm{0,1}\right)(x_{\max }^j-x_{\min }^j),1\&le;i\&le;N,1\&le;j\&le;n$

其中，

和

为抛弃食物源的最近、最远位置，

为新食物源的位置。

H）判断是否满足收敛条件（达到最大迭代次数或设定的误差），若满足则停止并获取优化后参数，否则调回步骤A）。

S15：根据优化后参数获取分期后的每一期的权重系数值，更新组合预测模型。

据优化后参数β_is以及权重系数ω_is的表达式（3）确定相应权重系数值，分别获取分期后的每一期的权重系数值，进而对组合预测模型更新。

S16：根据风速大小动态选择对应的权重系数值，利用风电功率测试数据对更新后的组合预测模型进行训练并进行预测，得到组合预测值。

例如，风速大小落在3-6m/s区间，则选择该期所对应的权重系数值、进而根据更新后的组合预测模型，得到相应组合预测值。风速大小落在6-8m/s区间，则选择该期所对应的权重系数值、进而根据更新后的组合预测模型，得到相应组合预测值。

作为优选的实施方式，本发明进一步包括：对预测结果进行误差分析并输出预测结果。

本发明采用组合预测模型，能够有效地综合各单一预测模型的优势，降低预测风险。同时采用熵判别人工蜂群算法对其进行优化，利用优化的参数进而确定权重系数、更新组合预测模型，选取合理的权重系数有利于提高组合模型性能。实际风电功率预测数据表明：本发明组合模型预测精度高，能够智能的确定权重系数值，明显降低了预测误差。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种风电功率短期组合预测方法，其特征在于，包括以下步骤：

（1）对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，分别利用支持向量机回归、Elman神经网络、BP神经网络建立相应单项预测模型；

（2）根据风速大小对各单项预测模型训练所得预测结果进行分期；

（3）选取矩阵β_is为待优化参数，建立组合预测模型，

$y=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{s=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{is}}{\hat{y}}_{\mathrm{is}}$

其中，ω_is为权重系数，其表达示为：

${\mathrm{\&omega;}}_{\mathrm{is}}=\frac{{\left[{\mathrm{\&Sigma;}}_{t=1}^N{\mathrm{\&beta;}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{{\mathrm{\&Sigma;}}_{i=1}^M{\left[{\mathrm{\&Sigma;}}_{t=1}^N{\mathrm{\&beta;}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}},$ y_t和 ${\hat{y}}_t$ 分别为功率实际值和预测值；

（4）根据组合预测模型确定目标函数，并采用平均绝对百分误差最小作为目标函数的约束条件，对步骤（2）分期后的每一期的预测结果进行优化，获取优化后参数，其中，目标函数公式为：

$f\left(x\right)=|\frac{1}{N}(y_t-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{s=1}{\overset{T}{\mathrm{\&Sigma;}}}\frac{{\left[{\mathrm{\&Sigma;}}_{t=1}^N{\mathrm{\&beta;}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{{\mathrm{\&Sigma;}}_{i=1}^M{\left[{\mathrm{\&Sigma;}}_{t=1}^N{\mathrm{\&beta;}}_{\mathrm{is}}^3{(y_t-{\hat{y}}_t)}^2\right]}^{-1}}{\hat{y}}_{\mathrm{is}})/y_t|;$

（5）根据优化后参数获取分期后的每一期的权重系数值，更新组合预测模型；

（6）根据风速大小动态选择对应的权重系数值，利用风电功率测试数据对更新后的组合预测模型进行训练并进行预测，得到组合预测值。

2.根据权利要求1所述的风电功率短期组合预测方法，其特征在于，步骤（2）进一步包括：根据风速值大小，将各单项预测模型训练所得预测结果分为6期，分别作为组合预测模型的训练数据。

3.根据权利要求1所述的风电功率短期组合预测方法，其特征在于，步骤（4）进一步包括：通过熵判别人工蜂群算法对待优化参数进行优化：

（41）初始化，随机产生M×Q个食物源和雇佣蜂，搜索区间为（0,1），其中M为待优化参数个数，Q为食物源个数；

（42）雇佣蜂计算各个食物源的收益率：

（43）跟随蜂根据收益重新选择食物源；

（44）根据熵值模型计算蜂群的熵值，其中熵值模型为：

$\left(t\right)=-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}p\left(x_{\mathrm{ii}}\right){\log }_N\left(p\left(x_{\mathrm{ti}}\right)\right)$

$\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}p\left(x_{\mathrm{ti}}\right)=1,$

$\left(x_{\mathrm{ti}}\right)\&Subset;\left(\mathrm{0,1}\right)$

式中，F(t)为第t代全体蜜蜂的熵值，p(x_ti)为第t代i个蜜蜂的适应度值与第t代蜜蜂全体蜜蜂适应度值的比率，其求解如下式：

$\left(x_{\mathrm{ti}}\right)=\frac{f\left(x_{\mathrm{ti}}\right)}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}f\left(x_{\mathrm{ti}}\right)}$

式中，f(x_ti)为第t代i个蜜蜂的适应度值，N为整个蜂群的总数；

（45）雇佣蜂进行邻域搜索，邻域搜索更新公式为：

x_i"＝x_i'+c_ω*α(x_i'-x'_k)，1≤i≤T,1≤k≤T，且i≠k,α∈[-1,1]，

式中，c_ω为基于熵值的惯性权重调节系数，x_i'是本次搜索食物源位置，x'_k是本次搜索前

随机的食物源位置，其中，

$c_{\mathrm{\&omega;}}=\left\{\begin{array}{cc}1+c_u(F\left(t\right)-L_{\mathrm{up}}\left(t\right))& ,F\left(t\right)>L_{\mathrm{up}}\left(t\right)\\ 1& ,L_{\mathrm{low}}\left(t\right)\&le;F\left(t\right)\&le;L_{\mathrm{up}}\left(t\right)\\ 1-c_1(F\left(t\right)-L_{\mathrm{up}}\left(t\right))& ,F\left(t\right)<L_{\mathrm{low}}\left(t\right)\end{array}\right.$

c_u，c_l为调整参数，L_up（t）调整上界函数，L_low(t)为调整下界函数，

$L_{\mathrm{up}}\left(t\right)=\left\{\begin{array}{cc}1-\frac{2{(t-t^{\&prime;})}^2}{T^2}& ,t\&le;t^{\&prime;}\\ 1& ,t>t^{\&prime;}\end{array}\right.,L_{\mathrm{low}}\left(t\right)=\mathrm{bt},$

式中a、b为常数参数，t'为预设的调节参数阀值；

（46）通过收益率对比，更新每个雇佣蜂最优食物源位置及最优收益率；

（47）食物源在循环一次后收益率没有改进，则抛弃该食物源，并利用下式选择新事物源位置： $x_i^j=x_{\min }^j+\mathrm{rand}\left(\mathrm{0,1}\right)(x_{\max }^j-x_{\min }^j),1\&le;i\&le;N,1\&le;j\&le;n,$ 其中，

和

为抛弃食物源的最近、最远位置，为新食物源的位置；

（48）判断是否满足收敛条件，若满足则停止并获取优化后参数，否则调回步骤（41），所述收敛条件为达到最大迭代次数或设定的误差。

4.根据权利要求3所述的风电功率短期组合预测方法，其特征在于，步骤（43）进一步包括：采用轮盘选择的方法重新选择食物源。

5.根据权利要求3所述的风电功率短期组合预测方法，其特征在于，步骤（45）进一步包括：调整参数c_u、c_l分别为1.3、0.7。

6.根据权利要求3所述的风电功率短期组合预测方法，其特征在于，步骤（45）进一步包括：若F(t)＞L_up(t)或F(t)＜L_low(t)，对δ(t)个蜜蜂进行迁移，迁移公式为x(t)＝x(t)+s·ηx(t)，式中s为变异步长，η为柯西随机变量，

其中，

$\mathrm{\&delta;}\left(t\right)=c_{q}N(1-\frac{t}{T}),$

为迁移调节参数，N为蜜蜂个数，t为当前迭代数，T迭代总次数。

7.根据权利要求3或6所述的风电功率短期组合预测方法，其特征在于，步骤（45）进一步包括：常数参数a、b分别为100、4，t'为30。

8.根据权利要求1所述的风电功率短期组合预测方法，其特征在于，步骤（6）进一步包括：对预测结果进行误差分析并输出预测结果。

Images