CN105046374B - 一种基于核极限学习机模型的功率区间预测方法 - Google Patents

Abstract

本发明属于风电发电功率预测领域，尤其涉及一种基于粒子群优化核极限学习机模型的风电功率区间预测方法，包括：数据预处理，依据风速与功率相关相关性预处理SCADA中历史数据；初始化KELM模型参数，计算得到初始输出权重β_int；初始化粒子群参数；根据评价指标构建优化准则F，进行粒子群寻优，得到模型最优输出权重β_best；带入测试数据到β_best构成的KELM模型，得到风电功率预测区间，评价预测区间各项指标。本发明易于工程实现，能够得到较好的预测结果，不仅能描述未来风电功率可能波动范围，同时有效评估预测区间的可靠性，给出风电功率在不同置信水平下可能的波动区间，更好地为电力系统决策人提供参考。

Description

一种基于核极限学习机模型的功率区间预测方法

技术领域

本发明属于风电发电功率预测领域，尤其涉及一种基于粒子群优化核极限学习机模型的风电功率区间预测方法。

背景技术

风能作为一种清洁的可再生能源已经得到世界各国的广泛应用，它具有安全、清洁、充裕而且资源巨大等特点。风力发电是人类利用风能的主要形式，然而风自身具有很强的随机性和不稳定性，就会导致风电功率的剧烈波动。尤其近几年风电产业发展迅速，装机容量持续增加，大规模风电接入电网的背景下，风电功率的随机不稳定性给电力系统的安全稳定运行带来严峻挑战。对风电功率进行预测，使电力调度部门提前根据风电功率变化及时调整调度计划，以减轻风电系统对电网造成不利影响，减少系统的备用容量，降低电力系统运行成本，保证供电质量。所以风电功率预测已成为风电产业研究热点和技术必需。

目前风电功率预测从预测方法上可分为物理方法和统计方法。物理方法要求较多风机相关物理信息，采用物理方程进行预测，应用较为复杂；统计方法对风电历史数据进行统计分析,根据其内在规律进行预测。常用的统计预测方法有时间序列、人工神经网络、支持向量机等。但是，目前风电功率预测通常为确定性的点预测，这就对预测结果的准确性的要求较高，但实际预测过程中存在各种不确定因素，得到的预测结果一般都有不同程度的误差。因此，需要进行风电功率概率性区间预测，给出预测功率值可能出现的概率。区间预测方法可以对由不确定性因素引起的预测结果变动范围进行量化，得出未来在某一置信水平下由上、下界确定的预测区间(prediction intervals，PIs)，向电力系统规划的决策者提供更多信息。

传统区间预测方法，如：分位数回归，非参数核密度估计，单层前向神经网络，需要大量样本进行复杂数学计算以及对参数分布进行先验假设，计算预测误差相关系数矩阵、联合概率分布函数等。为了摆脱模型对于大量训练样本的需求，提高非线性拟合能力能力，学者将极限学习机(ELM,Extreme Learning Machine)技术应用于风电功率预测领域中，运用较少的训练样本实现了较快更较精确的预测，且有效避免陷入局部最小的危险。但在实际工程运用中ELM也体现了一些不足之处：在计算数据低维时可能出现的线性不可分，影响预测效果，导致ELM模型的输出易出现随机波动，稳定性和泛化能力不理想。

发明内容

针对传统风电功率点预测及极限学习机方法的不足，本发明提出了一种基于粒子群优化核极限学习机(KELM,Kernel Extreme Learning Machine)模型的风电功率区间预测方法，包括：

步骤1：获取风电场SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制系统)中的实际风速、功率数据，根据风速与功率相关性进行处理，将数据分为训练样本和测试样本，将数据归一化；

步骤2：在训练数据中，将风速数据序列作为KELM模型的输入值，对功率数据进行小幅上下浮动来作为KELM模型的初始预测区间上下限；初始化KELM预测模型的参数，包括选取核函数、惩罚系数，代入步骤1处理的训练样本数据，得到初始输出权重β_int；

步骤3：初始化粒子群参数，包括设定种群数、粒子初始位置和随机设定初始速度、个体极值、全体极值；把初始输出权重β_int设为粒子初始位置，惯性权重按线性递减策略动态调整；

步骤4：根据预测区间覆盖概率(PI coverage probability，PICP)、预测区间平均带宽(PI normalized average width，PINAW)和累积带宽偏差(Accumulated widthdeviation，AWD)这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值，进行粒子群寻优，根据比较每个粒子的F在每次迭代中的大小，更新粒子速度、位置、个体极值和全体极值，得到最优输出权重β_best；

步骤5：根据步骤4寻优得到的最优输出权重β_best代入KELM模型，代入测试样本，输出即为风电功率预测区间，使用步骤4中的各项评价指标来评价预测区间。

所述步骤1具体包括：

步骤101：数据预处理，按一定时间间隔采集SCADA中一一对应的风速与功率数据，按时间顺序排序，删除其中的零点、缺值点、停机点及限功率点，排除人为因素干扰；

步骤102：数据再处理，根据初步处理的风速及功率数据，绘制风功率曲线，根据功率曲线，分别按照风速、功率进行分段，运用莱茵达法则去除每个风速段内误差较大值；如果分段内数据过少则不进行莱茵达法则删除，最终得到一组具有较强相关性的数据；

步骤103：归一化步骤102中处理的数据到[0，1]区间，将数据分为训练样本和测试样本，其中风速数据序列构成x_i＝[x₁,x₂…x_m]^T；与之对应的功率数据序列t_i＝[t₁,t₂,…,t_m]^T，他们共同构成N个训练样本i代表序列中第i个数据，m代表训练数据个数。

所述步骤2具体包括：

步骤201：将风速数据序列x_i作为KELM模型的输入值，对功率数据序列t_i进行小幅上下浮动，作为KELM模型的初始预测区间上下限

步骤202：初始化KELM预测模型参数，选取RBF径向基核函数：K(μ,ν)＝exp(-(μ-ν)²/σ)，其中μ、ν为映射数据，σ为宽度参数，控制函数的径向作用范围；β^*＝H^T(I/C+HH^T)^-1T，其中β*为输出权重，C为惩罚系数，T是预测区间上下限，I为单位矩阵，H为极限学习机的隐含层输出矩阵；

步骤203：将步骤1中的训练样本代入KELM模型计算得到初始输出权重β_int。

所述步骤3具体包括：

步骤301：初始化粒子群参数，设KELM模型计算得到的初始输出权重β_int为粒子初始位置，粒子初始速度为[0，1]的随机数，粒子维数为输出权重维数；

步骤302：采用动态调整惯性权重策略，兼顾粒子群的全局搜索能力和局部搜索能力，惯性权重按线性递减策略动态调整：ω(t)＝ω_max-(ω_max-ω_min)(t/t_max)

其中t为当前迭代次数，t_max为最大迭代次数，ω(t)为第t次迭代时权重，权重最大ω_max＝0.9，权重最小值ω_min＝0.1。

所述步骤4具体包括：

步骤401：根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值：

其中，分别为针对预测区间覆盖概率、预测区间平均带宽和累积带宽偏差的权重系数，t为当前迭代次数，α为置信水平；

预测区间覆盖概率表示功率数据序列t_i落在预测区间上下限内的概率；其中N_t为预测样本数，κ_i为布尔量，如果预测目标值t_i包含于区间预测上下限，则κ_i＝1，否则κ_i＝0；

区间平均带宽其中R为预测目标值t_i的变化范围，用于对平均带宽进行归一化处理；

累积带宽偏差表示预测目标值t_i偏离预测区间上限或下限的程度：

步骤402：粒子群每次迭代得到一组新的输出权重，进而得到KELM模型输出，由此计算此次适应度，与个体极值和全体极值进行比较，留下适应度更小的粒子，并更新个体极值和全体极值，同时粒子按下面公式更新自己的速度和位置：

x_j(t+1)＝x_j(t)+φν_j(t+1)

其中，t代表迭代次数；v_j(t)为第j个粒子在第t代的速度；ω为惯性权重；c₁、c₂为认知系数取值均为2；R₁、R₂为均匀分布随机数，由[0,1]之间随机赋值；为粒子j个体历史最优位置；为群体历史最优位置；x_j(t)为粒子在第t代的位置；φ是一个收缩因子，用来保持速度在一定范围内，取值为1。

本发明的有益效果在于：通过本发明方法对风电功率区间进行区间预测，替代传统点预测，易于工程实现，能够得到较好的预测结果，不仅能描述未来风电功率可能波动范围，同时能有效评估预测区间的可靠性，给出风电功率在不同置信水平下可能的波动区间，更好地为电力系统决策人提供参考。

附图说明

图1为本发明风电功率区间预测方法的流程示意图。

图2为KELM预测模型示意图。

图3-图5为某风电场风电功率区间在不同置信水平下的实际预测结果，图中的横坐标为时间，每个点之间间隔15分钟。

具体实施方式

下面结合附图，对实施例作详细说明。

如图1流程示意图所示，为本发明采用华能酒泉某风电场在2014年7-10月间从SCADA中采集到的实际风电功率数据，分辨率为15min，包括实测输出功率和测风塔风速，对其中一天功率进行区间预测。该风场有133台1.5MW变桨距调节三叶片水平轴异步发电机。该方法包含以下步骤：

步骤1：获取风电场SCADA中的实际风速、功率数据，根据风速与功率相关性进行处理，将数据分为训练样本和测试样本，将数据归一化；

步骤101：数据预处理：采集SCADA中间隔为15分钟的风速与功率一一对应数据，按时间顺序排序，删除其中的零点，缺值点，停机点及限功率点，排除人为因素干扰；

步骤102：数据再处理：根据初步处理的风速及功率数据，绘制风功率曲线，根据功率曲线，分别按照风速(每段0.25m/s)，功率(每段100kW)分段，运用莱茵达法则去除每个风速段内误差较大值。如果分段内数据过少(少于5个点)则不进行莱茵达法则删除，最终得到一组具有较强相关性的数据；

步骤103：归一化步骤102中处理的数据到[0，1]区间，将数据分为训练样本和测试样本，其中风速数据序列构成x_i＝[x₁,x₂…x_m]^T；与之对应的功率数据序列t_i＝[t₁,t₂,…,t_m]^T，他们共同构成N个训练样本i代表序列中第i个数据，m代表训练数据个数。

步骤2：在训练数据中，将风速数据序列作为KELM模型的输入值，对功率数据进行小幅上下浮动来作为KELM模型的初始预测区间上下限；初始化KELM预测模型的参数，模型如图2所示，包括选取核函数、惩罚系数，代入步骤1处理的训练样本数据，得到初始输出权重β_int。

步骤201：将风速数据序列x_i作为KELM模型的输出值，对功率数据序列t_i进行上下浮动25％，作为KELM模型的初始预测区间上下限

步骤202：初始化KELM预测模型参数，选取RBF径向基核函数：K(μ,ν)＝exp(-(μ-ν)²/σ)，其中μ、ν为映射数据，σ为宽度参数，σ＝0.1，控制函数的径向作用范围；β^*＝H^T(I/C+HH^T)^-1T，其中β*为输出权重，惩罚系数C＝0.5，T是预测区间上下限，I为单位矩阵，H为极限学习机的隐含层输出矩阵；

步骤203：将步骤1的训练样本代入KELM模型的到初始权重β_int。

步骤3：初始化粒子群参数，包括设定种群数，粒子初始位置(设为β_int)和随机设定初始速度，个体极值和全体极值；把初始输出权重β_int设为粒子初始位置，惯性权重按线性递减策略动态调整；

步骤301：初始化粒子群参数：种群大小的个数设为25，设KELM计算的初始输出权重β_int为粒子初始位置，粒子初始速度为[0，1]的随机数，粒子维数为输出权重维数；

步骤302：采用动态调整惯性权重策略，兼顾粒子群的全局搜索能力和局部搜索能力，惯性权重按线性递减策略动态调整：ω(t)＝ω_max-(ω_max-ω_min)(t/t_max)其中t为当前迭代次数，ω(t)为第t次迭代时权重，最大迭代次数t_max设为400，权重最大ω_max＝0.9，权重最小值ω_min＝0.1。

步骤4：根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差3个评价指标构建粒子群的优化目标函数F(即适应度值)，进行粒子群寻优，根据比较每个粒子的F在每次迭代中的大小，更新粒子速度、位置、个体极值和全体极值，得到最优输出权重β_best；

步骤401：根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值：

其中，分别为针对预测区间覆盖概率、预测区间平均带宽和累积带宽偏差的权重系数，各指标权重值取为γ＝1、φ＝2、λ＝0.1；t为迭代次数，α为置信水平。

预测区间覆盖概率表示功率数据序列t_i落在预测区间上下限内的概率；其中N_t为预测样本数，κ_i为布尔量，如果预测目标值t_i包含于区间预测上下限，则κ_i＝1，否则κ_i＝0；

区间平均带宽其中R为预测目标值t_i的变化范围，用于对平均带宽进行归一化处理；

累积带宽偏差表示预测目标值t_i偏离预测区间上限或下限的程度：

步骤402：粒子群每次迭代得到一组新的输出权重，进而得到KELM模型输出，由此计算此次适应度，与个体极值和全体极值进行比较，留下适应度更小的粒子，并更新个体极值和全体极值，同时粒子按下面公式更新自己的速度和位置：

步骤402：粒子群每次迭代得到一组新的输出权重，进而得到KELM模型输出，由此计算此次优化目标函数F即适应度，与粒子本身最优解即个体极值和种群当前最优解即全体极值进行比较，留下适应度更小的粒子，并更新个体极值和全局极值，同时粒子按下面公式更新自己的速度和位置：

x_i(t+1)＝x_i(t)+φν_i(t+1)

其中，t代表迭代次数；v_j(n)为第j个粒子在第t代的速度；ω为惯性权重；c₁、c₂为认知系数取值均为2；R₁、R₂为均匀分布随机数，由[0,1]之间随机赋值；为粒子j个体历史最优位置；为群体历史最优位置；x_j(t)为粒子在第t代的位置；φ是一个收缩因子，用来保持速度在一定范围内，取值为1。

步骤5：根据步骤4寻优得到的最优输出权重β_best代入KELM模型，代入测试样本(10月某天数据)，输出即为风电功率预测区间，使用步骤4中的各项评价指标评价预测区间，得到结果如下表；

额定置信水平表示预测目标值t_i以在额定置信水平α的概率落在所构建的预测区间内，分别为预测区间的上下限；

从图3～5中和上表可以看出，预测区间覆盖率(PICP)接近目标值PINC，预测区间宽度和预测区间偏差都较小，且随着额定置信水平的增大而增大，图3～5中情况与表中结果一致。PINC增大，为使更多点实际落入区间之中预测区间的宽度增加，但增加幅度不大。本方法预测区间能包络接近置信水平的风电功率实际值，落入区间外的实际值与区间边界的偏差也比较小，预测结果能够较好的追踪风电功率的变化，能够为电力系统决策者提供参考。

以上所述实施例仅为本发明较佳的具体实施方式，并非对本发明作任何形式上的限制，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 (3)

1.一种基于粒子群优化核极限学习机模型的风电功率区间预测方法，其特征在于，包括：

步骤1：获取风电场SCADA中的实际风速、功率数据，根据风速与功率相关性进行处理，将数据分为训练样本和测试样本，将数据归一化；

步骤2：在训练数据中，将风速数据序列作为KELM模型的输入值，对功率数据进行小幅上下浮动来作为KELM模型的初始预测区间上下限；初始化KELM预测模型的参数，包括选取核函数、惩罚系数，代入步骤1处理的训练样本数据，得到初始输出权重β_int；

所述步骤2具体包括：

步骤201：将风速数据序列x_i作为KELM模型的输入值，对功率数据序列t_i进行小幅上下浮动，作为KELM模型的初始预测区间上下限

步骤202：初始化KELM预测模型参数，选取RBF径向基核函数：K(μ,ν)＝exp(-(μ-ν)²/σ)，其中μ、ν为映射数据，σ为宽度参数，控制函数的径向作用范围；β^*＝H^T(I/C+HH^T)^-1T，其中β*为输出权重，C为惩罚系数，T是预测区间上下限，I为单位矩阵，H为极限学习机的隐含层输出矩阵；

步骤203：将步骤1中的训练样本代入KELM模型计算得到初始输出权重β_int；

步骤3：初始化粒子群参数，包括设定种群数、粒子初始位置和随机设定初始速度、个体极值、全体极值；把初始输出权重β_int设为粒子初始位置，惯性权重按线性递减策略动态调整；

步骤4：根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值，进行粒子群寻优，根据比较每个粒子的F在每次迭代中的大小，更新粒子速度、位置、个体极值和全体极值，得到最优输出权重β_best；

所述步骤4具体包括：

步骤401：根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值：

其中，γ、λ分别为针对预测区间覆盖概率、预测区间平均带宽和累积带宽偏差的权重系数，t为当前迭代次数，α为置信水平；

预测区间覆盖概率表示功率数据序列t_i落在预测区间上下限内的概率；其中N_t为预测样本数，κ_i为布尔量，如果功率数据序列t_i包含于区间预测上下限，则κ_i＝1，否则κ_i＝0；

预测区间平均带宽其中R为功率数据序列t_i的变化范围，用于对平均带宽进行归一化处理；

累积带宽偏差表示功率数据序列t_i偏离预测区间上限或下限的程度：

步骤402：粒子群每次迭代得到一组新的输出权重，进而得到KELM模型输出，由此计算此次适应度，与个体极值和全体极值进行比较，留下适应度更小的粒子，并更新个体极值和全体极值，同时粒子按下面公式更新自己的速度和位置：

x_j(t+1)＝x_j(t)+φν_j(t+1)

其中，t代表当前迭代次数；v_j(t)为第j个粒子在第t代的速度；ω为惯性权重；c₁、c₂为认知系数取值均为2；R₁、R₂为均匀分布随机数，由[0,1]之间随机赋值；为粒子j个体历史最优位置；为群体历史最优位置；x_j(t)为粒子在第t代的位置；φ是一个收缩因子，用来保持速度在一定范围内，取值为1；

步骤5：根据步骤4寻优得到的最优输出权重β_best代入KELM模型，代入测试样本，输出即为风电功率预测区间，使用步骤4中的各项评价指标来评价预测区间。

2.根据权利要求1所述方法，其特征在于，所述步骤1具体包括：

步骤101：数据预处理，按一定时间间隔采集SCADA中一一对应的风速与功率数据，按时间顺序排序，删除其中的零点、缺值点、停机点及限功率点，排除人为因素干扰；

步骤102：数据再处理，根据初步处理的风速及功率数据，绘制风功率曲线，根据功率曲线，分别按照风速、功率进行分段，运用莱茵达法则去除每个风速段内误差较大值；如果分段内数据过少则不进行莱茵达法则删除，最终得到一组具有较强相关性的数据；

步骤103：归一化步骤102中处理的数据到[0，1]区间，将数据分为训练样本和测试样本，其中风速数据序列构成x_i＝[x₁,x₂…x_m]^T；与之对应的功率数据序列t_i＝[t₁,t₂,…,t_m]^T，他们共同构成N个训练样本i代表序列中第i个数据，m代表训练数据个数。

3.根据权利要求1所述方法，其特征在于，所述步骤3具体包括：

步骤301：初始化粒子群参数，设KELM模型计算得到的初始输出权重β_int为粒子初始位置，粒子初始速度为[0，1]的随机数，粒子维数为输出权重维数；

步骤302：采用动态调整惯性权重策略，兼顾粒子群的全局搜索能力和局部搜索能力，惯性权重按线性递减策略动态调整：ω(t)＝ω_max-(ω_max-ω_min)(t/t_max)

其中t为当前迭代次数，t_max为最大迭代次数，ω(t)为第t次迭代时权重，权重最大ω_max＝0.9，权重最小值ω_min＝0.1。