CN107274015A - 一种预测风速的方法及系统 - Google Patents
一种预测风速的方法及系统 Download PDFInfo
- Publication number
- CN107274015A CN107274015A CN201710439263.6A CN201710439263A CN107274015A CN 107274015 A CN107274015 A CN 107274015A CN 201710439263 A CN201710439263 A CN 201710439263A CN 107274015 A CN107274015 A CN 107274015A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- particle
- parameter
- individual
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 239000002245 particle Substances 0.000 claims abstract description 128
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 71
- 231100000219 mutagenic Toxicity 0.000 claims abstract description 25
- 230000003505 mutagenic effect Effects 0.000 claims abstract description 25
- 230000035772 mutation Effects 0.000 claims abstract description 22
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000000714 time series forecasting Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种预测风速的方法及系统,方法包括:获取风速数据的原始序列;采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并将原始序列分解为若干模态函数子序列;采用差分进化算法确定各模态函数子序列的最小二乘支持向量机模型的核参数,变异操作的变异因子随进化代数的增加而减小,生成的变异个体与上一代的最优个体有关,交叉操作的交叉概率因子随进化代数的增加而增加;根据各模态函数子序列的自相关性及各核参数,确定各模态函数子序列的最小二乘支持向量机风速预测子模型,并通过各风速预测子模型预测各子序列的分解风速;根据各分解风速,确定最终的风速预测值。本发明提供的方法及系统,能够精确预测风速。
Description
技术领域
本发明涉及时间序列预测领域,特别是涉及一种预测风速的方法及系统。
背景技术
风电作为一种可再生清洁能源,近几年来在我国得到大规模发展,同时,风力发电所具有的随机性、间歇性和波动性给电网的稳定和经济运行带来了安全隐患。准确的风电功率预测可以为电力调度提供重要依据,有效减轻风电对电网的影响。由于风电功率与风速有直接的关系,可通过风速预测实现对风电功率的预测,所以准确预测风电场的风速是十分必要的。由于对风速时间序列采用信号分析方法进行数据预处理后分别预测再集成,可以降低风速非平稳性对预测结果的影响,因此,基于时间序列预测风速的方案得到了越来越多的关注。
现有技术对风速序列的分解方法主要有三种:(1)小波分解,这种分解方法具有良好的时频局域化特性,但分解效果取决于基函数的选择,自适应性差。(2)经验模态分解,这种分解方法自适应性强,但存在端点效应和过包络等问题。(3)局域均值分解,这种分解方法迭代次数少,端点效应较轻,但判断纯调频信号的条件需要试凑,若滑动跨度选择不当,会引起函数不收敛,导致过平滑,影响算法精确度。
现有技术中对分解后的风速序列建立预测模型的方法主要包括:(1)人工神经网络,这种预测模型基于经验风险最小化,易陷入局部最优,训练结果不太稳定,一般需要大样本。(2)支持向量机,支持向量机有严格的理论和数学基础,基于结构风险最小化原则,具有全局最优性,泛化能力优于神经网络。(3)最小二乘支持向量机,这种模型用等式约束代替传统支持向量机方法中的不等式约束,降低了计算复杂性,具有更快的求解速度和稳定性。但是,最小二乘支持向量机的性能依赖于核参数的选择,目前对核参数的选择方法有网格搜索算法和智能种群寻优算法,网格搜索算法只能实现粗略寻优,往往无法找到最优值;智能种群寻优由于算法自身的设计缺陷,容易陷入局部最优。可见,现有技术中由于核参数的选择不当,造成了基于最小二乘支持向量机的预测模型的预测精度较低。
因此,如何提供一种能够精确预测风速的方法和系统,成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种预测风速的方法,能够精确预测风速。
为实现上述目的,本发明提供了如下方案:
一种预测风速的方法,所述方法包括:
获取风速数据的原始序列;
采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并根据所述最优预设尺度参数和所述最优带宽参数将所述原始序列分解为若干模态函数子序列;
采用改进的差分进化算法确定各模态函数子序列的最小二乘支持向量机模型的核参数,所述改进的差分进化算法中变异操作的变异因子随进化代数的增加而减小,且所述变异操作生成的变异个体与上一代的最优个体有关,所述改进的差分进化算法中交叉操作的交叉概率因子随进化代数的增加而增加;
根据各所述模态函数子序列的自相关性及各所述核参数,确定各所述模态函数子序列的最小二乘支持向量机风速预测子模型,并通过各所述最小二乘支持向量机风速预测子模型预测各所述子序列的分解风速;
根据各所述分解风速,确定最终的风速预测值。
可选的,所述采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数具体包括:
初始化粒子种群中各粒子的位置和速度,其中,所述粒子的位置为预设尺度参数K和带宽参数α的组合[K,α],粒子群算法总的迭代次数为N,所述速度用于表征对应粒子位置的变化方向;
根据变分模态分解方法确定各所述粒子对应的模态函数分量,每个所述粒子对应K个所述模态函数分量;
分别计算每个所述粒子对应的K个模态函数分量的包络熵,并筛选出最小的包络熵作为各所述粒子的局部最小熵值;
从各所述粒子的所述局部最小熵值中筛选出最小的局部最小熵值,作为全局最小熵值;
根据所述局部最小熵值和所述全局最小熵值更新各所述粒子的位置和速度;
判断当前迭代次数是否小于N;
若是,继续根据变分模态分解方法确定各所述粒子对应的模态函数分量;
若否,选择全局最小熵值对应的粒子作为最优粒子,所述最优粒子中的预设尺度参数为所述最优预设尺度参数,所述最优粒子中的带宽参数为所述最优带宽参数。
可选的,所述变异操作具体包括:
对原始个体Xi,t随机生成五个整数r1,r2,r3,r4,r5∈{1,2,...,NP},其中,r1,r2,r3,r4,r5,i互不相同,NP为种群规模;
根据公式:
生成变异个体,
其中,Vi,t+1表示变异个体,T表示所述差分进化算法的最大迭代次数,t表示当前的进化代数,表示父代基向量,Xbest,t表示第t代进化中的最优个体,F表示变异因子,F∈[0,2],F0表示所述变异因子的初始值,和分别表示父代差分向量。
可选的,根据公式:
对所述变异个体和所述原始个体实施所述交叉操作,生成实验个体Ui,t+1,
其中, 表示所述变异个体Vi,t+1的第j个分量,表示所述原始个体Xi,t的第j个分量,randj表示位于[0,1]区间的均匀分布的随机数;randni表示{1,2}内随机产生的维数索引号;CR表示交叉概率因子;CRmin表示所述交叉概率因子的最小值;CRmax表示所述交叉概率因子的最大值。
可选的,所述根据各所述分解风速,确定最终的风速预测值具体包括:
获取各所述最小二乘支持向量机风速预测子模型预测的分解风速;
将各所述分解风速叠加求和,得到所述最终的风速预测值。
本发明的目的还在于提供一种预测风速的系统,能够精确预测风速。
为实现上述目的,本发明提供了如下方案:
一种预测风速的系统,所述系统包括:
数据获取模块,用于获取风速数据的原始序列;
子序列确定模块,用于采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并根据所述最优预设尺度参数和所述最优带宽参数将所述原始序列分解为若干模态函数子序列;
核参数确定模块,用于采用改进的差分进化算法确定各模态函数子序列的最小二乘支持向量机模型的核参数,所述改进的差分进化算法中变异操作的变异因子随进化代数的增加而减小,且所述变异操作生成的变异个体与上一代的最优个体有关,所述改进的差分进化算法中交叉操作的交叉概率因子随进化代数的增加而增加;
预测子模型模块,用于根据各所述模态函数子序列的自相关性及各所述核参数,确定各所述模态函数子序列的最小二乘支持向量机风速预测子模型,并通过各所述最小二乘支持向量机风速预测子模型预测各所述子序列的分解风速;
风速预测模块,用于根据各所述分解风速,确定最终的风速预测值。
可选的,所述子序列确定模块具体包括:
初始化单元,用于初始化粒子种群中各粒子的位置和速度,其中,所述粒子的位置为预设尺度参数K和带宽参数α的组合[K,α],粒子群算法总的迭代次数为N,所述速度用于表征对应粒子位置的变化方向;
模态函数确定单元,用于根据变分模态分解方法确定各所述粒子对应的模态函数分量,每个所述粒子对应K个所述模态函数分量;
局部最小熵值确定单元,用于分别计算每个所述粒子对应的K个模态函数分量的包络熵,并筛选出最小的包络熵作为各所述粒子的局部最小熵值;
全局最小熵值确定单元,用于从各所述粒子的所述局部最小熵值中筛选出最小的局部最小熵值,作为全局最小熵值;
粒子更新单元,用于根据所述局部最小熵值和所述全局最小熵值更新各所述粒子的位置和速度;
判断单元,用于判断当前迭代次数是否小于N;
最优参数确定单元,用于选择全局最小熵值对应的粒子作为最优粒子,所述最优粒子中的预设尺度参数为所述最优预设尺度参数,所述最优粒子中的带宽参数为所述最优带宽参数。
可选的,所述核参数确定模块具体包括:
随机数生成单元,用于对原始个体Xi,t随机生成五个整数r1,r2,r3,r4,r5∈{1,2,...,NP},其中,r1,r2,r3,r4,r5,i互不相同,NP为种群规模;
变异个体生成单元,用于根据公式:
生成变异个体,
其中,Vi,t+1表示变异个体,T表示所述差分进化算法的最大迭代次数,t表示当前的进化代数,表示父代基向量,Xbest,t表示第t代进化中的最优个体,F表示变异因子,F∈[0,2],F0表示所述变异因子的初始值,和分别表示父代差分向量。
可选的,所述核参数确定模块根据公式:
对所述变异个体和所述原始个体实施所述交叉操作,生成实验个体Ui,t+1,
其中, 表示所述变异个体Vi,t+1的第j个分量,表示所述原始个体Xi,t的第j个分量,randj表示位于[0,1]区间的均匀分布的随机数;randni表示{1,2}内随机产生的维数索引号;CR表示交叉概率因子;CRmin表示所述交叉概率因子的最小值;CRmax表示所述交叉概率因子的最大值。
可选的,所述风速预测模块具体包括:
分解风速获取单元,用于获取各所述最小二乘支持向量机风速预测子模型预测的分解风速;
最终风速确定单元,用于将各所述分解风速叠加求和,得到所述最终的风速预测值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并根据最优预设尺度参数和最优带宽参数将原始的风速序列信号进行变分模态分解,将原始的风速序列信号分解为各模态函数子序列,对风速序列信号高频部分的分解更为彻底,且高频分量幅值波动较小。
采用改进的差分进化算法确定各模态函数子序列的最小二乘支持向量机模型的核参数,变异过程不仅考虑了父代基向量的影响,还考虑了上一代的最优个体对变异个体的影响,由于变异因子随着迭代次数增加由大变小,使得父代基向量的权重逐渐变小,而上一代的最优个体的权重逐渐变大。在进化刚开始时,算法的搜索空间大,全局搜索能力强;而在最后阶段,算法以局部搜索为主,有利于在最优区域周围进行搜索。交叉操作中交叉概率因子随进化代数增加逐渐增加,使算法在搜索初期保持种群多样性,而在后期有较高的收敛速度。使得本发明提供的风速预测方法及系统,既有较强的全局搜索能力又能保证收敛精度和速度,从而显著提高了风速的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例1的流程图;
图2为本发明实施例1确定最优预设尺度参数和最优带宽参数的流程图;
图3为本发明实施例2的结构框图;
图4为本发明实施例2子序列确定模块的结构框图;
图5为本发明实施例3的流程图;
图6为本发明实施例3风速序列的分解结果图;
图7为本发明实施例3预测风速与实际风速的比较图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种能够精确预测风速的方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:如图1所示,一种预测风速的方法包括:
步骤11:获取风速数据的原始序列;
步骤12:采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并根据最优预设尺度参数和最优带宽参数将原始序列分解为若干模态函数子序列;
步骤13:采用改进的差分进化算法确定各模态函数子序列的最小二乘支持向量机模型的核参数,改进的差分进化算法中变异操作的变异因子随进化代数的增加而减小,且变异操作生成的变异个体与上一代的最优个体有关,改进的差分进化算法中交叉操作的交叉概率因子随进化代数的增加而增加;
步骤14:根据各模态函数子序列的自相关性及各核参数,确定各模态函数子序列的最小二乘支持向量机风速预测子模型,并通过各最小二乘支持向量机风速预测子模型预测各子序列的分解风速;
步骤15:根据各分解风速,确定最终的风速预测值。
如图2所示,步骤12中采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数具体包括:
步骤121:初始化粒子种群中各粒子的位置和速度,其中,粒子的位置为预设尺度参数K和带宽参数α的组合[K,α],粒子群算法总的迭代次数为N,速度用于表征对应粒子位置的变化方向,预设尺度参数K表征对应粒子的模态函数的分量个数;
步骤122:根据变分模态分解方法确定各粒子对应的模态函数分量,每个粒子对应K个模态函数分量;
步骤123:分别计算每个粒子对应的K个模态函数分量的包络熵,并筛选出最小的包络熵作为各粒子的局部最小熵值;
步骤124:从各粒子的局部最小熵值中筛选出最小的局部最小熵值,作为全局最小熵值;
步骤125:根据局部最小熵值和全局最小熵值更新各粒子的位置和速度;
步骤126:判断当前迭代次数是否小于N,若是,返回步骤122,若否,执行步骤127;
步骤127:选择全局最小熵值对应的粒子作为最优粒子,最优粒子中的预设尺度参数为最优预设尺度参数,最优粒子中的带宽参数为最优带宽参数。
具体地,步骤13中的变异操作具体包括:
对原始个体Xi,t随机生成五个整数r1,r2,r3,r4,r5∈{1,2,...,NP},其中,r1,r2,r3,r4,r5,i互不相同,NP为种群规模;
根据公式:
生成变异个体,
其中,Vi,t+1表示变异个体,T表示所述差分进化算法的最大迭代次数,t表示当前的进化代数,表示父代基向量,Xbest,t表示第t代进化中的最优个体,F表示变异因子,F∈[0,2],F0表示所述变异因子的初始值,和分别表示父代差分向量。
本实施例中,根据公式:
对步骤132生成的变异个体和原始个体实施交叉操作,生成实验个体Ui,t+1,
其中, 表示所述变异个体Vi,t+1的第j各分量,表示所述原始个体Xi,t的第j各分量,randj表示位于[0,1]区间的均匀分布的随机数;randni表示{1,2}内随机产生的维数索引号;CR表示交叉概率因子;CRmin表示所述交叉概率因子的最小值;CRmax表示所述交叉概率因子的最大值。
本实施例中,表示惩罚因子C,表示核宽度σ。
具体地,步骤15具体包括:
获取各最小二乘支持向量机风速预测子模型预测的分解风速;
将各分解风速叠加求和,得到最终的风速预测值。
本实施例采用完全非递归的方法,通过迭代搜寻变分模型的最优解,将原始风速序列分解为多个具有不同中心频率的限带本征模态函数子序列,高频部分的分解更为彻底,且高频分量幅值波动较小,以降低原始风速序列的非平稳性对风速预测的影响。然后采用改进的差分进化算法对最小二乘支持向量机子模型进行了优化,变异过程不仅考虑了父代基向量的影响,还考虑了上一代的最优个体对变异个体的影响,在进化刚开始时,算法的搜索空间大,全局搜索能力强;而在最后阶段,算法以局部搜索为主,有利于在最优区域周围进行搜索。交叉操作中交叉概率因子随进化代数增加逐渐增加,使算法在搜索初期保持种群多样性,而在后期有较高的收敛速度。因此,本实施例提供的风速预测方法,既有较强的全局搜索能力又能保证收敛精度和速度,能够显著提高风速的预测精度。
实施例2:
如图3所示,一种预测风速的系统包括:
数据获取模块21,用于获取风速数据的原始序列;
子序列确定模块22,用于采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并根据所述最优预设尺度参数和所述最优带宽参数将所述原始序列分解为若干模态函数子序列;
核参数确定模块23,用于采用改进的差分进化算法确定各模态函数子序列的最小二乘支持向量机模型的核参数,改进的差分进化算法中变异操作的变异因子随进化代数的增加而减小,且变异操作生成的变异个体与上一代的最优个体有关,改进的差分进化算法中交叉操作的交叉概率因子随进化代数的增加而增加;
预测子模型模块24,用于根据各所述模态函数子序列的自相关性及各所述核参数,确定各所述模态函数子序列的最小二乘支持向量机风速预测子模型,并通过各所述最小二乘支持向量机风速预测子模型预测各所述子序列的分解风速;
风速预测模块25,用于根据各所述分解风速,确定最终的风速预测值。
如图4所示,子序列确定模块22具体包括:
初始化单元221,用于初始化粒子种群中各粒子的位置和速度,其中,粒子的位置为预设尺度参数K和带宽参数α的组合[K,α],粒子群算法总的迭代次数为N,速度用于表征对应粒子位置的变化方向;
模态函数确定单元222,用于根据变分模态分解方法确定各粒子对应的模态函数分量,每个粒子对应K个模态函数分量;
局部最小熵值确定单元223,用于分别计算每个粒子对应的K个模态函数分量的包络熵,并筛选出最小的包络熵作为各粒子的局部最小熵值;
全局最小熵值确定单元224,用于从各粒子的局部最小熵值中筛选出最小的局部最小熵值,作为全局最小熵值;
粒子更新单元225,用于根据局部最小熵值和全局最小熵值更新各粒子的位置和速度;
判断单元226,用于判断当前迭代次数是否小于N;
最优参数确定单元227,用于选择全局最小熵值对应的粒子作为最优粒子,所述最优粒子中的预设尺度参数为最优预设尺度参数,最优粒子中的带宽参数为最优带宽参数。
具体地,核参数确定模块23具体包括:
随机数生成单元,用于对原始个体Xi,t随机生成五个整数r1,r2,r3,r4,r5∈{1,2,...,NP},其中,r1,r2,r3,r4,r5,i互不相同,NP为种群规模;
变异个体生成单元,用于根据公式:
生成变异个体,
其中,Vi,t+1表示变异个体,T表示差分进化算法的最大迭代次数,t表示当前的进化代数,表示父代基向量,Xbest,t表示第t代进化中的最优个体,F表示变异因子,F∈[0,2],F0表示变异因子的初始值,和分别表示父代差分向量。
核参数确定模块23根据公式:
对变异个体和原始个体实施交叉操作,生成实验个体Ui,t+1,
其中, 表示变异个体Vi,t+1的第j各分量,表示原始个体Xi,t的第j各分量,randj表示位于[0,1]区间的均匀分布的随机数;randni表示{1,2}内随机产生的维数索引号;CR表示交叉概率因子;CRmin表示交叉概率因子的最小值;CRmax表示交叉概率因子的最大值。本实施例中,表示惩罚因子C,表示核宽度σ。
风速预测模块25具体包括:
分解风速获取单元,用于获取各最小二乘支持向量机风速预测子模型预测的分解风速;
最终风速确定单元,用于将各分解风速叠加求和,得到最终的风速预测值。
本实施例首先采用改进的变分模态分解方法将风速序列分解为一系列限带内禀模态函数以降低其非平稳性对预测性能的影响,然后对各模态分别建立最小二乘支持向量机预测模型,并利用改进的差分进化算法对其关键核参数寻优,最后将各子序列预测结果叠加组合得到最终风速预测值。预测系统执行的操作步骤明确、结果可靠,能够解决风电场风速序列的不平稳性导致的短期风速预测精度不高的问题。
实施例3:如图5所示,预测风速的方法包括:
步骤31:获取风电场的短期风速数据作为风速数据的原始序列:
实际风速的原始序列为31天的小时平均风速数据,共744个数据,选择前30天的数据共720个样本点为训练集,进行信号分解并建立子模型;选择第31天的数据共24个样本点作为预测集,以检验模型预测精度。
步骤32:采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并根据最优预设尺度参数和最优带宽参数将原始序列分解为各模态函数子序列:
本发明采用粒子群算法对变分模态分解的预设尺度K和带宽参数α寻优,将优化后的变分模态分解方法应用于风电场风速序列分解。采用完全非递归的方法,通过迭代搜寻变分模型的最优解,最终将原始风速序列分解为K个具有不同中心频率的限带本征模态函数子序列,具体步骤如下:
步骤321:构建并初始化粒子种群的速度和位置,粒子种群中粒子的数量为NP′,粒子群算法总的迭代次数为N,其中,粒子的位置为预设尺度参数K和带宽参数α的组合[K,α],速度用于表征对应粒子位置的变化方向,预设尺度参数K表征变分模态函数分量的个数。
步骤322:将初始化的NP′个粒子都代入变分模态分解的运算过程,分别计算每个粒子对应的K个变分模态函数分量,具体分解步骤如下:
步骤3221:迭代次数置1,初始化每个粒子对应的各模态函数中心频率ωk和拉格朗日乘法算子λ(ω),得到和其中,{ωk}:={ω1,ω2,...,ωK′},和依次表示初始化的模态函数、中间频率及拉格朗日乘法算子,
步骤3222:根据下面的公式分别更新ωk和λ(ω);
式中,τ表示噪声容限参数,n表示当前变分模态分解过程的迭代次数,ω表示随机频率,α表示带宽参数,ωk表示中心频率,表示拉格朗日算子,表示原始序列,表示粒子对应的第k个模态函数。
步骤3223:给定判别精度ε>0,判断是否满足收敛条件:
若是,则停止迭代;否则,n加1,返回步骤3222。
步骤323:计算每个粒子对应的K个模态函数分量的包络熵,并从这K个包络熵中找到最小值,作为局部最优值;再从NP′个粒子对应的局部最小熵值中找出最小值作为全局最优值。
步骤324:根据局部最优值和全局最优值更新每个粒子的位置和速度。
其中,表示第m个粒子在第k代的速度,m=1,2,...,NP′,k=1,2,...,N;w表示惯性权重;c1、c2表示学习因子;η表示[0,1]间的随机数;pm表示m个粒子的局部最优值;pg表示全局最优值;表示第m个粒子在第k代的位置。
步骤325:判断当前迭代次数k是否小于N,若是,返回步骤322,若否,执行步骤326。
步骤326:选出全局最小熵值对应的粒子作为最优粒子,最优粒子中的预设尺度参数为所述最优预设尺度参数,最优粒子中的带宽参数为最优带宽参数,并根据最优预设尺度参数和最优带宽参数将原始序列分解为各模态函数子序列,如图6所示采用改进的变分模态分解方法对风速序列的分解结果图。
步骤33:对步骤32得到的各模态函数子序列分析其自相关性,确定各模态函数子序列对应的最小二乘支持向量机子模型的输入向量,并分别建立最小二乘支持向量机子模型。
步骤34:对差分进化算法的变异因子、交叉概率因子和变异策略进行改进,并采用改进的差分进化算法对最小二乘支持向量机的关键核参数惩罚因子C和核宽度σ寻优,以提高各最小二乘支持向量机子模型的预测精度,具体步骤如下:
步骤341:以惩罚因子C和核宽度σ作为个体[C,σ],用Xi表示,初始化进化种群,种群规模为NP,最大迭代次数为T;
步骤342:计算每个个体对应的最小二乘支持向量机子模型的预测误差,作为适应度函数值f(Xi);
步骤343:变异操作。综合差分进化算法的两种变异策略,并引入权重因子λ′,提出一种新的变异策略如下:对每个第t代种群中的第i个个体Xi,t,随机生成五个整数r1,r2,r3,r4,r5∈{1,2,...,NP},且r1,r2,r3,r4,r5,i互不相同,按照下式生成变异个体Vi,t+1。
其中,Vi,t+1表示变异个体,T表示差分进化算法的最大迭代次数,t表示当前的进化代数,表示父代基向量,Xbest,t表示第t代进化中的最优个体,F表示变异因子,F∈[0,2],F0表示变异因子的初始值,和分别表示父代差分向量。
在标准差分进化算法中,只考虑了父代基向量的影响,没有考虑第i代的最优个体对变异个体的影响,且变异因子F在进化过程中固定不变,父代差分向量只有一组。而改进后的变异过程中,权重因子由0逐渐变化到1,使得父代基向量的权重逐渐变小,而进化过程中的最优个体Xbest,t的权重逐渐变大;同时,变异因子F的取值也随着迭代次数增加由大变小。在进化刚开始时,算法的搜索空间大,全局搜索能力强;而在最后阶段,算法以局部搜索为主,有利于在最优区域周围进行搜索,这样可以使算法既有较强的全局搜索能力又能保证收敛精度。
步骤344:交叉操作:
根据公式:
对变异个体Vi,t+1和原始个体Xi,t实施交叉操作,生成实验个体Ui,t+1,
其中, 表示变异个体Vi,t+1的第j各分量,表示原始个体Xi,t的第j各分量,randj表示位于[0,1]区间的均匀分布的随机数;randni表示{1,2}内随机产生的维数索引号,保证了Ui,t+1至少有一维由变异向量Vi,t+1贡献,从而避免了与父代个体向量相同,提高种群多样性;CR表示交叉概率因子;CRmin表示交叉概率因子的最小值;CRmax表示交叉概率因子的最大值。
本实施例中,表示惩罚因子C,表示核宽度σ。
在进化过程中,CR由最小值逐渐变化到最大值,以使算法在搜索初期保持种群多样性,而在后期有较高的收敛速度。
步骤346:判断当前迭代次数是否达到最大迭代次数T,若否,返回步骤342,若是,输出最优解[C,σ],作为该序列最小二乘支持向量机子模型的核参数。
对每个子序列都按照步骤34建立最小二乘支持向量机子模型。
步骤35:用各最小二乘支持向量机子模型对K个子序列分别预测下一时刻的值,将预测值进行叠加求和,得到下一时刻的风速预测值。
如图7所示,与已有分解方法对风速序列的分解效果相比,改进的变分模态分解对风速序列的高频部分的分解更为彻底且高频幅值波动较小;改进差分进化算法提高了算法的全局搜索能力和收敛精度,保证了最小二乘支持向量机的模型精度;对风速序列进行变分模态分解分别建模预测再集成的方法显著提高了风速预测精度。本发明提供的方法适用于非平稳时间序列预测领域,具有预测精度高的特点,尤其适用于对风电场的短期风速进行预测。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种预测风速的方法,其特征在于,所述方法包括:
获取风速数据的原始序列;
采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并根据所述最优预设尺度参数和所述最优带宽参数将所述原始序列分解为若干模态函数子序列;
采用改进的差分进化算法确定各模态函数子序列的最小二乘支持向量机模型的核参数,所述改进的差分进化算法中变异操作的变异因子随进化代数的增加而减小,且所述变异操作生成的变异个体与上一代的最优个体有关,所述改进的差分进化算法中交叉操作的交叉概率因子随进化代数的增加而增加;
根据各所述模态函数子序列的自相关性及各所述核参数,确定各所述模态函数子序列的最小二乘支持向量机风速预测子模型,并通过各所述最小二乘支持向量机风速预测子模型预测各所述子序列的分解风速;
根据各所述分解风速,确定最终的风速预测值。
2.根据权利要求1所述的预测风速的方法,其特征在于,所述采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数具体包括:
初始化粒子种群中各粒子的位置和速度,其中,所述粒子的位置为预设尺度参数K和带宽参数α的组合[K,α],粒子群算法总的迭代次数为N,所述速度用于表征对应粒子位置的变化方向;
根据变分模态分解方法确定各所述粒子对应的模态函数分量,每个所述粒子对应K个所述模态函数分量;
分别计算每个所述粒子对应的K个模态函数分量的包络熵,并筛选出最小的包络熵作为各所述粒子的局部最小熵值;
从各所述粒子的所述局部最小熵值中筛选出最小的局部最小熵值,作为全局最小熵值;
根据所述局部最小熵值和所述全局最小熵值更新各所述粒子的位置和速度;
判断当前迭代次数是否小于N;
若是,继续根据变分模态分解方法确定各所述粒子对应的模态函数分量;
若否,选择全局最小熵值对应的粒子作为最优粒子,所述最优粒子中的预设尺度参数为所述最优预设尺度参数,所述最优粒子中的带宽参数为所述最优带宽参数。
3.根据权利要求1所述的预测风速的方法,其特征在于,所述变异操作具体包括:
对原始个体Xi,t随机生成五个整数r1,r2,r3,r4,r5∈{1,2,...,NP},其中,r1,r2,r3,r4,r5,i互不相同,NP为种群规模;
根据公式:
生成变异个体,
其中,Vi,t+1表示变异个体,T表示所述差分进化算法的最大迭代次数,t表示当前的进化代数,表示父代基向量,Xbest,t表示第t代进化中的最优个体,F表示变异因子,F∈[0,2],F0表示所述变异因子的初始值,和分别表示父代差分向量。
4.根据权利要求3所述的预测风速的方法,其特征在于,根据公式:
对所述变异个体和所述原始个体实施所述交叉操作,生成实验个体Ui,t+1,
其中, 表示所述变异个体Vi,t+1的第j个分量,表示所述原始个体Xi,t的第j个分量,randj表示位于[0,1]区间的均匀分布的随机数;randni表示{1,2}内随机产生的维数索引号;CR表示交叉概率因子;CRmin表示所述交叉概率因子的最小值;CRmax表示所述交叉概率因子的最大值。
5.根据权利要求1所述的预测风速的方法,其特征在于,所述根据各所述分解风速,确定最终的风速预测值具体包括:
获取各所述最小二乘支持向量机风速预测子模型预测的分解风速;
将各所述分解风速叠加求和,得到所述最终的风速预测值。
6.一种预测风速的系统,其特征在于,所述系统包括:
数据获取模块,用于获取风速数据的原始序列;
子序列确定模块,用于采用粒子群算法确定变分模态分解方法的最优预设尺度参数和最优带宽参数,并根据所述最优预设尺度参数和所述最优带宽参数将所述原始序列分解为若干模态函数子序列;
核参数确定模块,用于采用改进的差分进化算法确定各模态函数子序列的最小二乘支持向量机模型的核参数,所述改进的差分进化算法中变异操作的变异因子随进化代数的增加而减小,且所述变异操作生成的变异个体与上一代的最优个体有关,所述改进的差分进化算法中交叉操作的交叉概率因子随进化代数的增加而增加;
预测子模型模块,用于根据各所述模态函数子序列的自相关性及各所述核参数,确定各所述模态函数子序列的最小二乘支持向量机风速预测子模型,并通过各所述最小二乘支持向量机风速预测子模型预测各所述子序列的分解风速;
风速预测模块,用于根据各所述分解风速,确定最终的风速预测值。
7.根据权利要求6所述的预测风速的系统,其特征在于,所述子序列确定模块具体包括:
初始化单元,用于初始化粒子种群中各粒子的位置和速度,其中,所述粒子的位置为预设尺度参数K和带宽参数α的组合[K,α],粒子群算法总的迭代次数为N,所述速度用于表征对应粒子位置的变化方向;;
模态函数确定单元,用于根据变分模态分解方法确定各所述粒子对应的模态函数分量,每个所述粒子对应K个所述模态函数分量;
局部最小熵值确定单元,用于分别计算每个所述粒子对应的K个模态函数分量的包络熵,并筛选出最小的包络熵作为各所述粒子的局部最小熵值;
全局最小熵值确定单元,用于从各所述粒子的所述局部最小熵值中筛选出最小的局部最小熵值,作为全局最小熵值;
粒子更新单元,用于根据所述局部最小熵值和所述全局最小熵值更新各所述粒子的位置和速度;
判断单元,用于判断当前迭代次数是否小于N;
最优参数确定单元,用于选择全局最小熵值对应的粒子作为最优粒子,所述最优粒子中的预设尺度参数为所述最优预设尺度参数,所述最优粒子中的带宽参数为所述最优带宽参数。
8.根据权利要求6所述的预测风速的系统,其特征在于,所述核参数确定模块具体包括:
随机数生成单元,用于对原始个体Xi,t随机生成五个整数r1,r2,r3,r4,r5∈{1,2,...,NP},其中,r1,r2,r3,r4,r5,i互不相同,NP为种群规模;
变异个体生成单元,用于根据公式:
生成变异个体,
其中,Vi,t+1表示变异个体,T表示所述差分进化算法的最大迭代次数,t表示当前的进化代数,表示父代基向量,Xbest,t表示第t代进化中的最优个体,F表示变异因子,F∈[0,2],F0表示所述变异因子的初始值,和分别表示父代差分向量。
9.根据权利要求8所述的预测风速的系统,其特征在于,所述核参数确定模块根据公式:
对所述变异个体和所述原始个体实施所述交叉操作,生成实验个体Ui,t+1,
其中, 表示所述变异个体Vi,t+1的第j个分量,表示所述原始个体Xi,t的第j个分量,randj表示位于[0,1]区间的均匀分布的随机数;randni表示{1,2}内随机产生的维数索引号;CR表示交叉概率因子;CRmin表示所述交叉概率因子的最小值;CRmax表示所述交叉概率因子的最大值。
10.根据权利要求6所述的预测风速的系统,其特征在于,所述风速预测模块具体包括:
分解风速获取单元,用于获取各所述最小二乘支持向量机风速预测子模型预测的分解风速;
最终风速确定单元,用于将各所述分解风速叠加求和,得到所述最终的风速预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439263.6A CN107274015A (zh) | 2017-06-12 | 2017-06-12 | 一种预测风速的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439263.6A CN107274015A (zh) | 2017-06-12 | 2017-06-12 | 一种预测风速的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107274015A true CN107274015A (zh) | 2017-10-20 |
Family
ID=60066214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710439263.6A Pending CN107274015A (zh) | 2017-06-12 | 2017-06-12 | 一种预测风速的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274015A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907542A (zh) * | 2017-10-25 | 2018-04-13 | 天津大学 | 一种ivmd及能量估计相结合的dspi相位滤波方法 |
CN108022025A (zh) * | 2017-12-28 | 2018-05-11 | 华中科技大学 | 一种基于人工神经网络的风速区间预测方法与系统 |
CN108520269A (zh) * | 2018-03-10 | 2018-09-11 | 华北电力大学(保定) | 一种风速预测方法及风速预测系统 |
CN108717579A (zh) * | 2017-12-15 | 2018-10-30 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
CN111222680A (zh) * | 2019-10-28 | 2020-06-02 | 同济大学 | 基于最小二乘支持向量机的风电站出力超短时预测方法 |
CN113364056A (zh) * | 2021-06-17 | 2021-09-07 | 国网江苏电力设计咨询有限公司 | 一种海上风电场调频模式下的有功控制方法 |
CN114578087A (zh) * | 2022-01-24 | 2022-06-03 | 华北电力大学(保定) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
-
2017
- 2017-06-12 CN CN201710439263.6A patent/CN107274015A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907542A (zh) * | 2017-10-25 | 2018-04-13 | 天津大学 | 一种ivmd及能量估计相结合的dspi相位滤波方法 |
CN108717579A (zh) * | 2017-12-15 | 2018-10-30 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
CN108717579B (zh) * | 2017-12-15 | 2022-06-07 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
CN108022025A (zh) * | 2017-12-28 | 2018-05-11 | 华中科技大学 | 一种基于人工神经网络的风速区间预测方法与系统 |
CN108022025B (zh) * | 2017-12-28 | 2020-08-18 | 华中科技大学 | 一种基于人工神经网络的风速区间预测方法与系统 |
CN108520269A (zh) * | 2018-03-10 | 2018-09-11 | 华北电力大学(保定) | 一种风速预测方法及风速预测系统 |
CN111222680A (zh) * | 2019-10-28 | 2020-06-02 | 同济大学 | 基于最小二乘支持向量机的风电站出力超短时预测方法 |
CN113364056A (zh) * | 2021-06-17 | 2021-09-07 | 国网江苏电力设计咨询有限公司 | 一种海上风电场调频模式下的有功控制方法 |
CN113364056B (zh) * | 2021-06-17 | 2023-12-12 | 国网江苏电力设计咨询有限公司 | 一种海上风电场调频模式下的有功控制方法 |
CN114578087A (zh) * | 2022-01-24 | 2022-06-03 | 华北电力大学(保定) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
CN114578087B (zh) * | 2022-01-24 | 2023-10-13 | 华北电力大学(保定) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274015A (zh) | 一种预测风速的方法及系统 | |
CN109242204A (zh) | 基于最优vmd与同步优化的超短期风速预测方法 | |
CN109685257A (zh) | 一种基于支持向量机回归的光伏发电功率预测方法 | |
CN107612016B (zh) | 基于电压最大相关熵的配电网中分布式电源的规划方法 | |
CN107800140A (zh) | 一种考虑负荷特征的大用户供电接入决策方法 | |
CN109886464A (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
CN110348048A (zh) | 基于考虑热岛效应负荷预测的配电网优化重构方法 | |
CN106505593A (zh) | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 | |
CN104037776B (zh) | 随机惯性因子粒子群优化算法的电网无功容量配置方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN105184391A (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
CN107679583A (zh) | 基于大数据获取故障解决方案的方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN109002915A (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN105741193A (zh) | 计及分布式电源和负荷不确定性的多目标配网重构方法 | |
CN106022529A (zh) | 一种基于高维随机矩阵的配电网异常数据检测方法 | |
CN106532778A (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN108446808A (zh) | 一种萤火虫算法优化神经网络的短期负荷预测方法 | |
CN104638672A (zh) | 一种考虑变量相关性的光伏穿透功率极限的确定方法 | |
CN105956252B (zh) | 基于生成型深信度网络的超短期风速多尺度预报建模方法 | |
CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
CN105024645B (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN117634730A (zh) | 一种基于动态联邦学习的多电站协同故障诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |