CN106503850A - 一种用于风电功率预测的svm预测模型 - Google Patents

Abstract

本发明涉及一种用于风电功率预测的SVM预测模型，属于电气工程的预测领域。一种用于风电功率预测的SVM预测模型，包括以下步骤：1)改进引力搜索算法，以提高算法的收敛速度和精度；2)将改进后的引力搜索算法与SVM结合构建风电功率的预测模型；3)根据构建的风电功率的预测模型，对风电功率时间序列的预测数据进行预测。本发明通过将改进的引力搜索方法引入到SVM的参数优化中，从而提高寻优精度和收敛速度，弥补局部优化能力差的缺憾，最终优化风电功率预测的预测精度。

Description

一种用于风电功率预测的SVM预测模型

技术领域

本发明涉及电气工程的预测领域，特别涉及一种用于风电功率预测的的SVM预测模型。

背景技术

支持向量机(SVM)的性能与其相关参数的选择有很大关系，目前常用的SVM参数优化方法有蚁群优化算法、遗传算法和粒子群算法等，上述算法都在相应的领域证明了各自的有效性，但在寻优的过程中均会有不同程度的陷入局部最优的缺点，所以探索新的智能算法优化SVM来建立模型具有重要意义。

万有引力搜索算法是一种启发式优化算法，也是一种源于对物理学中的万有引力进行模拟产生的群体智能优化方法，在对标准测试函数进行优化时，其寻优精度和收敛速度都明显优于粒子群优化算法和遗传算法等优化效果，引力搜索算法中的搜索粒子是一组在空间运行的物体，物体间通过万有引力作用相互吸引，并在引力作用下朝着质量最大的物体移动，从而求出优化问题的最优解，其具有目标函数不必可微、优化结果不依赖于初始值、全局优化和隐含并行搜索的恃点，己成功地应用于诸多领域。

发明内容

本发明的目的在于针对上述问题，提供了一种用于风电功率预测的的SVM预测模型，具有提高寻优精度和收敛速度的优点，弥补了局部优化能力差的缺憾。

本发明的目的是这样实现的：

一种用于风电功率预测的的SVM预测模型，其特征在于，包括以下步骤：

1)改进引力搜索算法，以提高算法的收敛速度和精度；

2)将改进后的引力搜索算法与SVM结合构建风电功率的预测模型；

3)根据构建的风电功率的预测模型，对风电功率时间序列的预测数据进行预测。

其中，所述引力搜索算法的改进过程如下：

在一个D维的搜索空间中，假设有N个粒子，定义第i个粒子的位置为；

X_i＝(x_i ¹，...x_i ^d，...x_i ⁿ)，i＝1，2，..N；

上式中，x_i ^d为第i个粒子在第d维上的位置；粒子的质量通过适应度值的大小来计算，粒子质量更新公式为：

M_ai＝M_pi＝M_ii＝M_i，i＝1，2，...，N

上式中，M_ai为粒子个体质量；M_pi为粒子引力质量；M_ii为粒子惯性质量；为适应度值；m_bestt(t)、m_worst(t)是整个种群在t时刻的最好、最差适应度值；

则在某t时刻，定义粒子j作用在粒子i上的万有引力F_ij ^d(t)为：

上式中，M_pi(t)为t时刻受力粒子i的引力质量；M_oj(t)为t时刻施力粒子i的引力质量；R_ij(t)为两粒子间的欧式距离；G(t)是t时刻的万有引力常系数；

接着，定义k_best(t)为第t次迭代的时候一组质量较大的粒子的数量，设定k_best(t)初值为搜索粒子群体的数量N，随着迭代次数的递增，作用粒子持续减少，最后k_best(t)的线性值递减为1，因此，在第d维空间中，粒子i所受来自其他所有粒子作用力的合力定义进化为：

得到粒子i在第d维空间的速度v_i ^d和位置x_i ^d更新分别如下：

式中，R是[0，1]之间的随机数；

最后，将精英策略引入引力搜索算法中，形成新的解组合，以提高迭代过程中粒子的质量：

X_{i_new}＝X_{i_besr}×Q

Q＝R_top×rand(-0.5，0.5)/D

X_{i_worst}＝X_{i_new}

式中，X_{i_besr}为适应度最好的前20％″精英解″所处的位置；X_{i_worst}为将要被替代掉的适应度最差的后20％的解位置，X_{i_new}为产生的新解位置，R_top为最优解与距离最优解最近的解之间的欧氏距离；rand(-0.5，0.5)为一个[-0.5，0.5]范围内的伪随机数；D为搜索空间的维数。

其中，所述风电功率的预测模型的构建包括以下分步骤：

2.1)将风电功率时间序列的训练样本分为训练数据x₁和预测数据x₂；

2.2)利用改进后的引力搜索算法进行SVM的参数优化。

其中，所述SVM的参数优化包括以下子步骤：

2.2.1)将训练数据x₁再分为作为参数寻优过程中的训练集S1和作为参数寻优过程中的验证集S2，采用简单交叉验证的方法提高模型的泛化能力，寻优目标为验证集S2输出预测值与真值之间的均方误差最小值；

2.2.2)初始化改进的引力搜索算法，产生初始种群；

2.2.3)输入训练集x₁，生成初始SVM参数组合；

2.2.4)将目标函数的最小值作为寻优目标，为每个粒子计算适应度值，更新种群最优解和最差解；

2.2.5)利用精英策略产生新解，替代种群中最差的20％的解，形成新的解的组合；

2.2.6)更新常系数G(t)，计算解中每个粒子的质量M_i(t)，计算粒子所受合力F_i ^d(t)和加速度a_i ^d(t)；

2.2.7)更新粒子的速度和位置，新的位置即为新的SVM参数值；

2.2.8)如果达到最大迭代次数，则终止迭代，返回最优参数值；否则返回搭配步骤2.2.3)。

本发明的有益效果为：通过将改进的引力搜索方法引入到SVM的参数优化中，从而提高寻优精度和收敛速度，弥补局部优化能力差的缺憾，最终优化风电功率预测的预测精度。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合具体实施例和附图，进一步阐述本发明。

本发明的流程如附图1所示，主要包括两部分：对引力搜索方法进行改进；在SVM算法的参数优化中引进改进引力搜索算法，建立组合预测的模型。

具体包括以下步骤：

1)改进引力搜索算法：

在一个D维的搜索空间中，假设有N个粒子，定义第i个粒子的位置为：

X_i＝(x_i ¹，...x_i ^d，...x_i ⁿ)，i＝1，2，..N

上式中，x_i ^d为第i个粒子在第d维上的位置。粒子的质量通过适应度值的大小来计算。粒子的质量越大，就意味着它越接近最优值，并且有越大的吸引力和越慢的移动速度。粒子质量更新公式为：

M_ai＝M_pi＝M_ii＝M_i，i＝1，2，...，N

上式中，M_ai为粒子个体质量；M_pi为粒子引力质量；M_ii为粒子惯性质量；为适应度值；m_bestt(t)、m_worst(t)是整个种群在t时刻的最好、最差适应度值。

在某t时刻，定义粒子j作用在粒子i上的万有引力F_ij ^d(t)为：

上式中，M_pi(t)为t时刻受力粒子i的引力质量；M_oj(t)为t时刻施力粒子i的引力质量；R_ij(t)为两粒子间的欧式距离；G(t)是t时刻的万有引力常系数。

定义k_best(t)为第t次迭代的时候一组质量较大的粒子的数量，且它是一个随时间递减的线性函数。这里，设定k_best(t)初值为搜索粒子群体的数量N，即优化初期所有的粒子都相互作用，但随着迭代次数的递增，作用粒子持续减少，最后k_best(t)的线性值递减为1，即只有一个惯性质量最大的粒子作用其他的粒子，因此，在第d维空间中，粒子i所受来自其他所有粒子作用力的合力定义进化为：

粒子i在第d维空间的速度v_i ^d和位置x_i ^d更新分别如下：

式中，R是[0，1]之间的随机数。这从一定程度上可增加种群多样性，有利于避免陷入局部最优。

将精英策略引入引力搜索算法中，即将每个粒子按适应度大小排序，找出20％适应度最好的解和20％适应度最差的解，利用适应度最好的20％″精英解″按照下式生成新的解，并将新的解替代原来适应度最差的20％解，形成新的解组合，以提高迭代过程中粒子的质量：

X_{i_new}＝X_{i_besr}×Q

Q＝R_top×rand(-0.5，0.5)/D

X_{i_worst}＝X_{i_new}

式中，X_{i_besr}为适应度最好的前20％″精英解″所处的位置；X_{i_worst}为将要被替代掉的适应度最差的后20％的解位置，X_{i_new}为产生的新解位置。R_top为最优解与距离最优解最近的解之间的欧氏距离；rand(-0.5，0.5)为一个[-0.5，0.5]范围内的伪随机数；D为搜索空间的维数。

该改进的引力搜索算法的优点在于可使算法在保持全局收敛性的同时，增强在最优解区域的局部搜索能为，并提高了算法前期向全局最优解靠拢的速度，进一步提高算法的收敛速度和精度。

2)将改进的引力搜索算法与SVM结合构建风电功率的预测模型：

2.1)将风电功率时间序列的训练样本分为训练数据x₁和预测数据x₂。

2.2)利用改进引力搜索算法进行SVM的参数优化：

2.2.1)将训练数据x₁再分为训练集S1和验证集S2，S1作为参数寻优过程中的训练集，S2作为参数寻优过程中的验证集，采用简单交叉验证的方法提高模型的泛化能力，寻优目标为验证集S2输出预測值与真值之间的均方误差最小值。

2.2.2)给定种群规模N、最大迭代次数T，产生初始种群，即初始化改进引力搜索算法。

2.2.3)输入训练集x₁，生成初始SVM参数组合，即各个粒子的位置值。

2.2.4)将目标函数的最小值作为寻优目标，为每个粒子计算适应度值，更新种群最优解、最差解。

2.2.5)利用精英策略产生新解，替代种群中最差的20％的解，形成新的解的组合。

2.2.6)更新常系数G(t)，计算解中每个粒子的质量M_i(t)，计算粒子所受合力F_i ^d(t)和加速度a_i ^d(t)。

2.2.7)更新粒子的速度和位置，新的位置即为新的SVM参数值。

2.2.8)如果达到最大迭代次数，则终止迭代，返回最优参数值；否则返回步骤2.2.3)。

3)根据学习获得的模型，对风电功率时间序列的预测数据x₂进行预测。

比较预测数据X₂的真实值和预测值算出误差，该模型对风电功率的预测的误差比传统SVM的误差较小，能够提高功率预测的精度，从而对风电功率的控制具有重要意义，例如有助于通过储能平抑风功率波动等。

Claims (4)

1.一种用于风电功率预测的SVM预测模型，其特征在于，包括以下步骤：

1)改进引力搜索算法，以提高算法的收敛速度和精度；

2)将改进后的引力搜索算法与SVM结合构建风电功率的预测模型；

3)根据构建的风电功率的预测模型，对风电功率时间序列的预测数据进行预测。

2.根据权利要求1所述的一种用于风电功率预测的SVM预测模型，其特征在于，所述引力搜索算法的改进过程如下：

在一个D维的搜索空间中，假设有N个粒子，定义第i个粒子的位置为：

X_i＝(x_i ^l，...x_i ^d，...x_i ⁿ)，i＝1，2，..N

上式中，x_i ^d为第i个粒子在第d维上的位置；粒子的质量通过适应度值的大小来计算，粒子质量更新公式为：

M_ai＝M_pi＝M_ii＝M_i，i＝1，2，...，N

上式中，M_ai为粒子个体质量；M_pi为粒子引力质量；M_ii为粒子惯性质量；为适应度值；m_bestt(t)、m_worst(t)是整个种群在t时刻的最好、最差适应度值；则在某t时刻，定义粒子j作用在粒子i上的万有引力F_ij ^d(t)为：

上式中，M_pi(t)为t时刻受力粒子i的引力质量；M_oj(t)为t时刻施力粒子i的引力质量；R_ij(t)为两粒子间的欧式距离；G(t)是t时刻的万有引力常系数；

接着，定义k_best(t)为第t次迭代的时候一组质量较大的粒子的数量，设定k_best(t)初值为搜索粒子群体的数量N，随着迭代次数的递增，作用粒子持续减少，最后k_best(t)的线性值递减为1，因此，在第d维空间中，粒子i所受来自其他所有粒子作用力的合力定义进化为：

得到粒子i在第d维空间的速度v_i ^d和位置x_i ^d更新分别如下：

v_i ^d(t+1)＝R×v_i ^d(t)+a_i ^d(t)

x_i ^d(t+1)＝x_i ^d(t)+v_i ^d(t+1)

式中，R是[0，1]之间的随机数；

最后，将精英策略引入引力搜索算法中，形成新的解组合，以提高迭代过程中粒子的质量：

X_{i_new}＝X_{i_besr}×Q

Q＝R_top×rand(-0.5，0.5)/D

X_{i_worst}＝X_{i_new}

式中，X_{i_besr}为适应度最好的前20％″精英解″所处的位置；X_{i_worst}为将要被替代掉的适应度最差的后20％的解位置，X_{i_new}为产生的新解位置，R_top为最优解与距离最优解最近的解之间的欧氏距离；rand(-0.5，0.5)为一个[-0.5，0.5]范围内的伪随机数；D为搜索空间的维数。

3.根据权利要求1所述的一种用于风电功率预测的SVM预测模型，其特征在于，所述风电功率的预测模型的构建包括以下分步骤：

2.1)将风电功率时间序列的训练样本分为训练数据x₁和预测数据x₂；

2.2)利用改进后的引力搜索算法进行SVM的参数优化。

4.根据权利要求3所述的一种用于风电功率预测的SVM预测模型，其特征在于，所述SVM的参数优化包括以下子步骤：

2.2.1)将训练数据x₁再分为作为参数寻优过程中的训练集S1和作为参数寻优过程中的验证集S2，采用简单交叉验证的方法提高模型的泛化能力，寻优目标为验证集S2输出预測值与真值之间的均方误差最小值；

2.2.2)初始化改进的引力搜索算法，产生初始种群；

2.2.3)输入训练集x₁，生成初始SVM参数组合；

2.2.4)将目标函数的最小值作为寻优目标，为每个粒子计算适应度值，更新种群最优解和最差解；

2.2.5)利用精英策略产生新解，替代种群中最差的20％的解，形成新的解的组合；

2.2.6)更新常系数G(t)，计算解中每个粒子的质量M_i(t)，计算粒子所受合力F_i ^d(t)和加速度a_i ^d(t)；

2.2.7)更新粒子的速度和位置，新的位置即为新的SVM参数值；

2.2.8)如果达到最大迭代次数，则终止迭代，返回最优参数值；否则返回搭配步骤2.2.3)。