CN106786499A - 基于改进afsa优化elm的短期风电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于改进AFSA优化ELM的短期风电功率预测方法，包括以下步骤，随机产生人工鱼初始群体，将极限学习机网络的权值和阈值作为人工鱼群的位置向量，由极限学习机的均方根误差函数确定人工鱼群的食物浓度，由改进人工鱼群方法求得最优位置向量，并将次位置向量作为极限学习机网络的初始权值和阈值，在用于短期风电功率的预测。本发明在短期风电功率预测中具有收敛速度快，泛化能力强，预测精度高的特点，具有良好的应用前景。

Description

基于改进AFSA优化ELM的短期风电功率预测方法

技术领域

本发明涉及短期风电功率预测技术领域，具体涉及一种基于改进AFSA优化ELM的短期风电功率预测方法。

背景技术

随着全球气候变暖和石油、天然气等不可再生资源的枯竭，对于清洁、可再生能源的开发和利用日益受到世界各国的高度重视。国外从20世纪90年代初，就开始了短期风电功率预测方法的研究，由于风电功率预测起步较晚，在预测精度、可靠性和对不同风场的适应性方面仍然有许多不足。

极限学习机ELM是单隐含层前馈神经网络SLFN中的一种新的学习方法，训练过程无需调整，设置隐含层的个数就可以获得最优解，ELM以其泛化能力强、训练速度快且将批处理和逐次迭代相结合等优点成为研究的热点。但是，ELM算法存在学习速度缓慢，计算时间代价增大，容易陷入局部最小值；若过度训练容易引起繁华能力下降等缺陷。因此，寻求更高效的优化算法是提高神经网络预测精度的关键步骤之一。

人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)，在算法后期搜索盲目性大，收敛速度较慢，通过改进步长、视野可以克服以上问题的存在。如何对AFSA算法进行改进，用来优化ELM的权值和阈值，以便提高ELM短期风功率预测的精度，是当前急需解决的问题。

发明内容

本发明的目的是克服现有技术中根据ELM进行短期风功率预测，预测精度低，计算时间代价增大，容易陷入局部最小值的问题。本发明的基于改进AFSA优化ELM的短期风电功率预测方法，运用改进的鱼群算法优化极限学习机的权值和阈值，并用改进人工鱼群优化极限学习机进行短期风电功率预测，具有收敛速度快，泛化能力强，预测精度高的特点，更适合短期风电功率预测，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种基于改进AFSA优化ELM的短期风电功率预测方法，其特征在于：包括以下步骤，

步骤(A)，确定极限学习机网络的输入向量和输出向量：采用单一风速作为限学习机网络的输入向量，输入向量为I＝[I₁,I₂,…,I_M]，输出向量为y＝F(I)，其中，I为风速、M为输入的风速个数；

步骤(B)，定义人工鱼群的食物浓度：将极限学习机网络的均方根误差函数的倒数作为人工鱼群的食物浓度；

步骤(C)，初始化人工鱼群：选取N条人工鱼构成人工鱼群，其中每个人工鱼都是D维向量，包括代表极限学习机网络的输入权值ω_ij、输出权值ω_io、输入节点阈值b_ki和输出节点阈值b_ko；

步骤(D)，初始化人工鱼群的位置向量：某一条人工鱼的当前位置向量X和在某一时刻视点所在的位置向量X_v；

步骤(E)，根据公式(1)调整第k+1和第k次迭代的视野和步长的关系，

其中，g(k)为调整因子、m为调整因子的调整幅度、n为迭代总次数，k为第k次迭代，某一条人工鱼的当前位置向量该人工鱼的视野范围为visual，某一时刻视点处所在的位置向量若视点处的食物浓度高于当前位置的食物浓度，则向视点方向移动一步，到达位置X_next；若视点处的食物浓度不比当前位置的食物浓度高，则返回公式(1)继续寻找视野内的其他位置，直到到达位置X_next，完成人工鱼群的改进；

步骤(F)，根据步骤(B)‐步骤(E)所述的改进人工鱼群算法优化步骤(A)的极限学习机网络，得到基于改进人工鱼群算法的极限学习机网络对短期风电功率进行预测，。

前述的基于改进AFSA优化ELM的短期风电功率预测方法，其特征在于：步骤(B)，将极限学习机网络的均方根误差函数的倒数作为人工鱼群的食物浓度，所述人工鱼群的食物浓度，根据公式(2)得到，

其中，E为人工鱼群的食物浓度，N为人工鱼群的人工鱼样本总数，R为输出节点数，为输出节点s在样本p作用时输出，为在样本p作用时输出节点s的目标值，fc为人工鱼当前位置的食物浓度。

前述的基于改进AFSA优化ELM的短期风电功率预测方法，其特征在于：步骤(F)，根据步骤(B)‐步骤(E)所述的改进人工鱼群算法优化步骤(A)的极限学习机网络，得到基于改进人工鱼群算法的极限学习机网络对短期风电功率进行预测，具体过程为，

(F1)将训练数据输入极限学习机网络，再将极限学习机网络的初始权值和阈值作为人工鱼群算法的参数，随机产生人工鱼的初始群体；

(F2)各代人工鱼的状态根据它的状态函数随觅食、聚群变化而变化，用改进人工鱼群算法反复优化极限学习机网络模型的权值和阈值，直至适应度函数即食物浓度函数不在增加为止；

(F3)将食物浓度函数不在增加时，改进人工鱼群算法优化对应的权值和阈值带回到极限学习机网络中，形成基于改进人工鱼群算法的极限学习机网络；

(F4)，通过基于改进人工鱼群算法的极限学习机网络，对短期风电功率进行预测。

本发明的有益效果是：本发明的基于改进AFSA优化ELM的短期风电功率预测方法，运用改进的鱼群算法优化极限学习机的权值和阈值，并用改进人工鱼群优化极限学习机进行短期风电功率预测，具有收敛速度快，泛化能力强，预测精度高的特点，更适合短期风电功率预测，并具有以下特点，

(1)改进的人工鱼群算法(IAFSA)改善了传统人工鱼群算法(AFSA)运行后期搜索的盲目性较大，收敛速度减慢，搜索精度变低的缺陷。

(2)通过改进人工鱼群优化极限学习机混合算法具有收敛速度快，泛化能力强，预测精度高的特点，更适合短期风电功率预测。

(3)通过改进人工鱼群优化极限学习机混合算法的误差概率分布更加集中，说明改进人工鱼群优化极限学习机混合算法的粗大误差明显减少，预测结果更加稳定，预测数据更有利于电力系统的调度和运营。

附图说明

图1是本发明的调整因子的函数图像。

图2是AFSA与IAFSA两种算法的收敛情况对比图。

图3是本发明的改进AFSA优化ELM算法的流程图。

图4是本发明的改进AFSA优化ELM预测模型的相对误差比较图。

图5是本发明的改进AFSA优化ELM预测模型的误差概率分布比较图。

具体实施方式

下面将结合说明书附图，对本发明作进一步的说明。

本发明的基于改进AFSA优化ELM的短期风电功率预测方法，运用改进的鱼群算法优化极限学习机的权值和阈值，并用改进人工鱼群优化极限学习机进行短期风电功率预测，具有收敛速度快，泛化能力强，预测精度高的特点，更适合短期风电功率预测，包括以下步骤，

步骤(A)，确定极限学习机网络的输入向量和输出向量：采用单一风速作为限学习机网络的输入向量，输入向量为I＝[I₁,I₂,…,I_M]，输出向量为y＝F(I)，其中，I为风速、M为输入的风速个数；

步骤(B)，定义人工鱼群的食物浓度：将极限学习机网络的均方根误差函数的倒数作为人工鱼群的食物浓度，所述人工鱼群的食物浓度，根据公式(2)得到，

其中，E为人工鱼群的食物浓度，N为人工鱼群的人工鱼样本总数，R为输出节点数，为输出节点s在样本p作用时输出，为在样本p作用时输出节点s的目标值，fc为人工鱼当前位置的食物浓度；

步骤(C)，初始化人工鱼群：选取N条人工鱼构成人工鱼群，其中每个人工鱼都是D维向量，包括代表极限学习机网络的输入权值ω_ij、输出权值ω_io、输入节点阈值b_ki和输出节点阈值b_ko；

步骤(D)，初始化人工鱼群的位置向量：某一条人工鱼的当前位置向量X和在某一时刻视点所在的位置向量X_v；

步骤(E)，根据公式(1)调整第k+1和第k次迭代的视野和步长的关系，

其中，g(k)为调整因子、m为调整因子的调整幅度、n为迭代总次数，k为第k次迭代，某一条人工鱼的当前位置向量该人工鱼的视野范围为visual，某一时刻视点处所在的位置向量若视点处的食物浓度高于当前位置的食物浓度，则向视点方向移动一步，到达位置X_next；若视点处的食物浓度不比当前位置的食物浓度高，则返回公式(1)继续寻找视野内的其他位置，直到到达位置X_next，完成人工鱼群的改进；

步骤(F)，根据步骤(B)‐步骤(E)所述的改进人工鱼群算法优化步骤(A)的极限学习机网络，得到基于改进人工鱼群算法的极限学习机网络对短期风电功率进行预测，如图3所示，具体过程为，

(F1)将训练数据输入极限学习机网络，再将极限学习机网络的初始权值和阈值作为人工鱼群算法的参数，随机产生人工鱼的初始群体；

(F2)各代人工鱼的状态根据它的状态函数随觅食、聚群变化而变化，用改进人工鱼群算法反复优化极限学习机网络模型的权值和阈值，直至适应度函数即食物浓度函数不在增加为止；

(F3)将食物浓度函数不在增加时，改进人工鱼群算法优化对应的权值和阈值带回到极限学习机网络中，形成基于改进人工鱼群算法的极限学习机网络；

(F4)，通过基于改进人工鱼群算法的极限学习机网络，对短期风电功率进行预测，通过极限学习机网络对对短期风电功率进行预测，是本领域技术人员的常用手段，这里就不介绍了，本发明包括的内容为如何基于改进人工鱼群算法形成构成用于对短期风电功率进行预测的极限学习机网络。

如图1所示，某一条人工鱼的当前位置向量该人工鱼的视野范围为visual，某一时刻视点处所在的位置向量若视点处的食物浓度高于当前位置的食物浓度，则向视点方向移动一步，到达位置X_next；若视点处的食物浓度不比当前位置的食物浓度高，则返回公式(1)继续寻找视野内的其他位置，直到到达位置X_next，完成人工鱼群的改进，搜索的次数越多，对视野内的食物状态了解越全面，即对周围环境有一个全方位的认知，有助于做出全局性的判断。

该过程可以表示为：

x_i＝x_i+visual·r,i＝1,2,…,n

其中，r为[-1,1]之间均匀分布的伪随机，visual是人工鱼的视野范围，Step是人工鱼的步长，本发明通过引入调整因子g(k),k＝1,2,…,n，调整第k+1和第k次视野和步长的关系，改进人工鱼群的视野范围和步长，调整方式如下式：

其中，visual_k+1和visual_k分别为第k+1和第k次搜索视野；Step_k+1和Step_k分别为第k+1和第k次搜索步长；visualmin为视野最小值、Stepmin为步长最小值；g(k)为调整因子，即：

值域为[0,1]，m为调整因子的调整幅度，n为迭代总次数，这里的g(k)随着迭代次数的增加，逐步减小人工鱼群的视野和步长，由全局搜索逐步演化为局部搜索。在最优解附近区域后进行精细搜索，能加快算法的收敛速度，提高局部搜索能力，进而提高算法的精确度。

而整个鱼群的每一次迭代，人工鱼群中的最优个体如果没有改变，则将其保持不变；发生改变，就需要更新状态。这样既可以较好地利用当前的有利信息，又可以探索新的领域，即较好地保持了算法在寻优过程中的平衡。

改进的改进人工鱼群施实例：采用非线性二元函数Schaffer函数来验证IAFSA算法的性能。函数如下式所示：

其中，-10.0≤x,y≤10.0；Schaffer函数具有无数个极小值，在(0,0)点处取得最小值0，分别用AFSA(人工鱼群算法)和IAFSA(改进的人工鱼群算法)对该函数进行测试仿真，对测试函数进行100次试验，AFSA的适应度平均值为0.0073，IAFSA的适应度平均值为0.0009，试验结果如图2所示。可以看出，本发明的所提出的IAFSA算法在搜索精度和收敛速度上，均优于传统AFSA算法，尤其IAFSA算法在20次迭代后，精度就已经比较高了，而AFSA算法要在接近60次迭代后，才能达到较高的精度。试验结果，如图2所示。

为验证本发明的IAFSA-ELM(改进的人工鱼群算法优化极限学习机网络)的性能，以ELM和AFSA-ELM为比较对象，进行实施例分析，进一步说明本发明：

将江苏某风电场2015年30台风机的实际发电功率和风机监测系统采集的风速数据，数据时间分辨率为15min，以及2015年全年的测风塔数据，时间分辨率为15min，40台风机型号相同，其切入风速为3m/s，额定风速12m/s，切出风速25m/s，额定功2MW，风轮直径93m，扫风面积6793m²。因为，该风电场处于季风区，具有明显的季节特征，为此将实验室数据分为春、夏、秋、冬四个季节分别进行试验，并且在40台风机中选取该季度未出现脱网、故障、检修的风机的功率数据。

由于风速是影响风电功率的最主要因素，因此，本发明仅将风速作为单一神经网络输入，根据Kolmogorov定理确定隐含层节点数，并在此基础上采用试验法逐渐增加隐含层神经元个数，从而得到最佳隐含层神经元个数为20，输出层只有一个节点即预测模型的预测功率，故本发明共有40个权值、21个阈值共61个待优化参数，

IAFSA的初始参数分别为：人工鱼数目为100，人工鱼群为一个61*100的矩阵，最大迭代次数为100次，最大试探次数为100次，初始视野为1，初始移动步长0.1，拥挤度为0.618，调整因子的调整幅度m的幅值为10；

将每个季度最后一天的数据作为测试集，该季度中其他天数的数据作为训练样本集，通过以下两种指标来评价预测效果，分别是均方根误差(RMSE)和绝对平均误差(MAE)，其中，RMSE用来衡量误差的分散程度，MAE衡量预测误差的平均幅度。为评价改进人工鱼群优化极限学习机算法的预测效果，将通过上述的训练样本分别用ELM，AFSA-ELM以及改进人工鱼群优化极限学习机预测模型训练，并用同一样本检验。为了避免单次训练结果的偶然性，分别对模型进行10次训练，取10次预测结果的平均值作为最终的预测功率，得出相应的风电功率均方根误差(RMSE)和绝对平均误差(MAE)结果，AFSA-ELM的输出结果较ELM，AFSA-ELM的MAE以及RMSE都有减小，相比较前三个季度的试验结果，冬季的预测结果在RMSE和MAE上提高最多，验证了改进人工鱼群优化极限学习机算法在风电功率预测中的合理性。

为了更好地说明本发明所提出算法的有效性，从上述试验中抽取2014年冬季的训练结果，运用相对误差和误差概率分布对三种模型的预测效果进行评估，如图4所示，为ELM、AFSA-ELM和改进人工鱼群优化极限学习机网络的预测相对误差比较图，由图可知，在大多数时间点上，本发明的算法预测的相对误差较ELM、AFSA-ELM都有减小，说明其预测结果比其他预测模型的预测结果更接近实际风电功率输出数据，预测效果最好；图5为ELM、AFSA-ELM和改进人工鱼群优化极限学习机网络的预测误差概率分布直方图，其中横坐标为误差区间，纵坐标为对应概率区间上的误差的概率密度。可以看出几种预测方法误差的拟合分布曲线从形态上有从“矮胖”型到“高瘦”型的变化趋势，说明改进人工鱼群优化极限学习机算法的粗大误差较ELM、AFSA-ELM算法明显减少，误差分布更加集中，预测结果更加稳定，预测数据更有利于电力系统的调度和运营。因此，本发明提出的改进人工鱼群优化极限学习机预测模型是稳定的、实用的，适用于风电功率的短期预测。

综上所述，本发明的基于改进AFSA优化ELM的短期风电功率预测方法，运用改进的鱼群算法优化极限学习机的权值和阈值，并用改进人工鱼群优化极限学习机进行短期风电功率预测，具有收敛速度快，泛化能力强，预测精度高的特点，更适合短期风电功率预测，并具有以下特点，

(1)改进的人工鱼群算法(IAFSA)改善了传统人工鱼群算法(AFSA)运行后期搜索的盲目性较大，收敛速度减慢，搜索精度变低的缺陷。

(2)通过改进人工鱼群优化极限学习机混合算法具有收敛速度快，泛化能力强，预测精度高的特点，更适合短期风电功率预测。

(3)通过改进人工鱼群优化极限学习机混合算法的误差概率分布更加集中，说明改进人工鱼群优化极限学习机混合算法的粗大误差明显减少，预测结果更加稳定，预测数据更有利于电力系统的调度和运营。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.基于改进AFSA优化ELM的短期风电功率预测方法，其特征在于：包括以下步骤，

步骤(A)，确定极限学习机网络的输入向量和输出向量：采用单一风速作为限学习机网络的输入向量，输入向量为I＝[I₁,I₂,…,I_M]，输出向量为y＝F(I)，其中，I为风速、M为输入的风速个数；

步骤(B)，定义人工鱼群的食物浓度：将极限学习机网络的均方根误差函数的倒数作为人工鱼群的食物浓度；

步骤(C)，初始化人工鱼群：选取N条人工鱼构成人工鱼群，其中每个人工鱼都是D维向量，包括代表极限学习机网络的输入权值ω_ij、输出权值ω_io、输入节点阈值b_ki和输出节点阈值b_ko；

步骤(D)，初始化人工鱼群的位置向量：某一条人工鱼的当前位置向量X和在某一时刻视点所在的位置向量X_v；

步骤(E)，根据公式(1)调整第k+1和第k次迭代的视野和步长的关系，

其中，g(k)为调整因子、m为调整因子的调整幅度、n为迭代总次数，k为第k次迭代，某一条人工鱼的当前位置向量该人工鱼的视野范围为visual，某一时刻视点处所在的位置向量若视点处的食物浓度高于当前位置的食物浓度，则向视点方向移动一步，到达位置X_next；若视点处的食物浓度不比当前位置的食物浓度高，则返回公式(1)继续寻找视野内的其他位置，直到到达位置X_next，完成人工鱼群的改进；

步骤(F)，根据步骤(B)‐步骤(E)所述的改进人工鱼群算法优化步骤(A)的极限学习机网络，得到基于改进人工鱼群算法的极限学习机网络对短期风电功率进行预测。

2.根据权利要求1所述的基于改进AFSA优化ELM的短期风电功率预测方法，其特征在于：步骤(B)，将极限学习机网络的均方根误差函数的倒数作为人工鱼群的食物浓度，所述人工鱼群的食物浓度，根据公式(2)得到，

其中，E为人工鱼群的食物浓度，N为人工鱼群的人工鱼样本总数，R为输出节点数，为输出节点s在样本p作用时输出，为在样本p作用时输出节点s的目标值，fc为人工鱼当前位置的食物浓度。

3.根据权利要求1所述的基于改进AFSA优化ELM的短期风电功率预测方法，其特征在于：步骤(F)，根据步骤(B)‐步骤(E)所述的改进人工鱼群算法优化步骤(A)的极限学习机网络，得到基于改进人工鱼群算法的极限学习机网络对短期风电功率进行预测，具体过程为，

(F1)将训练数据输入极限学习机网络，再将极限学习机网络的初始权值和阈值作为人工鱼群算法的参数，随机产生人工鱼的初始群体；

(F2)各代人工鱼的状态根据它的状态函数随觅食、聚群变化而变化，用改进人工鱼群算法反复优化极限学习机网络模型的权值和阈值，直至适应度函数即食物浓度函数不在增加为止；

(F3)将食物浓度函数不在增加时，改进人工鱼群算法优化对应的权值和阈值带回到极限学习机网络中，形成基于改进人工鱼群算法的极限学习机网络；

(F4)，通过基于改进人工鱼群算法的极限学习机网络，对短期风电功率进行预测。