CN111105005B - 一种风电功率预测方法 - Google Patents

一种风电功率预测方法 Download PDF

Info

Publication number
CN111105005B
CN111105005B CN201911220447.9A CN201911220447A CN111105005B CN 111105005 B CN111105005 B CN 111105005B CN 201911220447 A CN201911220447 A CN 201911220447A CN 111105005 B CN111105005 B CN 111105005B
Authority
CN
China
Prior art keywords
wind power
power prediction
input
dimension
training
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.)
Active
Application number
CN201911220447.9A
Other languages
English (en)
Other versions
CN111105005A (zh
Inventor
董朕
简俊威
刘颖锋
邓民皓
甘文琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201911220447.9A priority Critical patent/CN111105005B/zh
Publication of CN111105005A publication Critical patent/CN111105005A/zh
Application granted granted Critical
Publication of CN111105005B publication Critical patent/CN111105005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种风电功率预测方法，包括以下步骤：S1、根据局域均值分解对原始风电功率时间序列进行分解；S2、对每个PF分量和余量构建各自的训练数据集和测试数据集；S3、对每个PF分量和余量分别建立改进差分算法优化极限学习机的风电功率预测模型；S4、将训练数据集中多个PF分量和余量的训练样本逐一输入改进差分算法优化极限学习机的风电功率预测模型进行训练，得到各自对应的风电功率预测子模型；S5、将测试数据输入到各自对应的风电功率预测子模型进行预测；S6、将每个风电功率预测子模型的预测输出值进行组合叠加处理。本发明的风电功率预测方法有效降低原始风电功率数据非线性强对预测结果的影响，获得了更高精度的风电功率预测结果。

Description

一种风电功率预测方法
技术领域
本发明涉及风电功率技术领域，具体涉及一种风电功率预测方法。
背景技术
为满足不断增长的全球电力需求，可再生能源的使用有了明显的提升。风能是一种新兴的可再生能源，总装机容量近几年成倍增加。而风电的不稳定性是风电系统与主电网结合的障碍之一，为了更安全有效的利用持续增长的风能，高精度的风电功率预测方法对电网运行有着重要意义。
预测风电功率的最大挑战是它间歇性和不确定性。目前的预测方法可分为基于物理模型和基于历史数据预测两类方法。复杂的物理模型总是依靠数字天气预报(NWP)系统，但所需的输入数据通常很难获得。基于历史数据预测的方法较多，它们包括时间序列法，灰色模型方法，人工神经网络，支持向量机和极限学习机等。其中极限学习机由于其具有自适应的特点而得到广泛应用。但极限学习机的预测性能受到随机生成的输出权值和隐含层偏置的影响，且风电功率时间序列具有非线性强和非平稳性高的特点，单一的极限学习机很难对波动较大的风电功率序列进行准确预测。而传统的差分进化算法在处理大规模参数优化问题时存在早熟收敛问题，无法获得最优的参数优化效果。
发明内容
为了克服上述现有技术所存在的无法达到最优的预测效果，在优化过程中存在局部最优的早熟收敛以及原始风电功率波动性大的问题，本发明提供了一种风电功率预测方法，是一种基于局域均值分解和改进差分算法优化极限学习机的风电功率预测方法，有效降低了原始风电功率数据非线性强对预测结果的影响，避免了单一极限学习机的非最优参数的情况，同时解决了差分进化算法的局部最优问题。
为解决上述技术问题，本发明提供以下技术方案：
一种风电功率预测方法，包括以下步骤：
S1、根据局域均值分解对原始风电功率时间序列进行分解，得到多个PF分量和一个余量；
S2、对每个PF分量和余量构建各自的训练数据集和测试数据集；
S3、对每个PF分量和余量分别建立改进差分算法优化极限学习机的风电功率预测模型；
S4、将训练数据集中多个PF分量和余量的训练样本逐一输入改进差分算法优化极限学习机的风电功率预测模型进行训练，针对不同PF分量设定数据输入维数学习反馈机制，得到各自对应的风电功率预测子模型；
S5、将测试数据输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值；
S6、将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果。
进一步的，在步骤S1中，根据局域均值分解对原始风电功率时间序列进行分解的具体步骤为：
S1.1、找出原始信号x(t)所有的局部极值点ni，求出所有相邻的局部极值点的平均值：
Figure GDA0004043851640000021
将所有相邻的平均值点mi用直线连接起来，然后用滑动平均法进行平滑处理，得到局部均值函数m11(t)；
S1.2、求出包络估计值：
Figure GDA0004043851640000022
将相邻的平均值点ai用直线连接起来，然后用滑动平均法进行平滑处理，得到包络估计函数a11(t)；
S1.3、将局部均值函数m11(t)从原始信号x(t)中分离出来，得到分解过程中原始信号x(t)的一个分离剩余分量：
h11(t)＝x(t)-m11(t)；
S1.4、用h11(t)除以包络估计函数a11(t)，以对h11(t)进行解调，得到分离剩余分量h11(t)的解调信号：
s11(t)＝h11(t)/a11(t)
对s11(t)重复上述步骤便能得到s11(t)的包络估计函数a12(t)，假如a12(t)不等于1，说明s11(t)不是一个纯调频信号，需重复上述迭代过程n次，直至s1n(t)为一个纯调频信号，也就是s1n(t)的包络估计函数a1(n+1)(t)＝1，所以有：
Figure GDA0004043851640000031
式中，
Figure GDA0004043851640000032
迭代终止条件为：
Figure GDA0004043851640000033
S1.5、将迭代过程中所产生的全部包络估计函数相乘，得到包络信号，一个瞬时幅值函数：
Figure GDA0004043851640000034
S1.6、将包络信号a1(t)和纯调频信号s1n(t)相乘得：
PF1(t)＝a1(t)s1n(t)
式中，PF1(t)为信号x(t)的第一个PF分量，包含了原始信号的最高频成分，是一个单分量的调幅-调频信号，瞬时频率f1(t)由调频信号s1n(t)求出：
Figure GDA0004043851640000035
从原始信号x(t)中将第一个PF分量PF1(t)分离出来，得到剩余信号u1(t)，由于剩余信号u1(t)中还包含较多频率成分，因此将u1(t)作为原始数据重复以上步骤对其进行分解，得到第二个PF分量，重复这个过程直到uk为一个单调函数为止，得到k个PF分量和一个余量：
Figure GDA0004043851640000036
最终信号x(t)表示为k个PF分量和余量之和：
Figure GDA0004043851640000037
式中，uk(t)为残余函数，代表信号的平均趋势。
进一步的，在步骤S2中，构建各自训练数据集和测试数据集的方法具体为：
PF分量PFk和余量uk的训练数据Trn包含模型的输入数据Xn和输出数据Yn，输入数据和输出数据是对PF分量的时间序列进行连续采集而来，输入数据
Figure GDA0004043851640000041
其中m为预测模型输入个数，输出数据
Figure GDA0004043851640000042
p的取值由预测模型输出个数决定，PF分量的测试数据集Ten的选取方式与训练数据集Trn的选取方式相同，计算更加准确。
进一步的，在步骤S3中，建立改进差分算法优化极限学习机的风电功率预测模型具体步骤为：
S3.1、根据给定的训练数据集，确定极限学习机的网络拓扑结构和各层的节点数，并确定改进差分算法的缩放因子MF，交叉因子PDE，变异概率PA，维度交叉概率Pv，种群规模M，最大迭代次数Tmaxgen和粒子维数D，粒子维数即为所要优化的输入权值和隐含层偏置个数；
S3.2、对所要优化的输入权值和隐含层偏置进行粒子编码，并随机产生初始种群X＝[X1，X2，...，XM]T，其中第i个粒子为：
Xi＝[w11，w12，...，w1l，w21，w22，...，w2l，...，wn1，wn2，...，wnl，b1，b2，...，bl]；i＝1，2，...，M.
式中，n和l分别为极限学习机的输入层和隐含层个数，wnl为输入层第n个节点到隐含层第l各节点的输入权值，bl为隐含层第l的节点的偏置；
S3.3、将每个粒子转换成极限学习机对应的输入权值和隐含层偏置，根据伪逆算法计算出极限学习机的输出权值为：
β＝HT
式中，β为极限学习机的输出权值，T为训练样本的输出目标矩阵，H是隐含层的输出矩阵，表示如下：
Figure GDA0004043851640000043
g为隐含层激活函数，选用Sigmoid函数，如下：
Figure GDA0004043851640000051
；
S3.4、迭代次数k置1，根据下式计算初始种群中每个粒子的适应度值：
Figure GDA0004043851640000052
其中，
Figure GDA0004043851640000053
表示预测值，P(t)表示实际值，N表示训练集数据总数；
S3.5、使用这些粒子探索目标空间，在目标空间的k次迭代中，通过下式对第k代种群中的每一个个体
Figure GDA0004043851640000054
执行变异操作，获得与其对应的突变个体
Figure GDA0004043851640000055
即
Figure GDA0004043851640000056
式中，r1,r2,r3∈{1,2,...M}且互不相同，M为种群大小，同时与i不同；
Figure GDA0004043851640000057
为父代基向量；
Figure GDA0004043851640000058
称为父代差分向量；MF为0～2随机数，称为缩放因子；
利用下式对
Figure GDA0004043851640000059
和突变个体
Figure GDA00040438516400000510
实施交叉操作，生成试验个体
Figure GDA00040438516400000511
即
Figure GDA00040438516400000512
式中：rand(j)为0～1之间的均匀分布随机数；PDE为范围在0～1之间的交叉因子；
通过下式对试验个体
Figure GDA00040438516400000513
和
Figure GDA00040438516400000514
进行选择操作，
Figure GDA00040438516400000515
式中，fit为适应度函数，
粒子更新完成后，计算更新位置后的粒子适应度值，最优个体Xbest；
S3.6、若rand>PA，则进入活性变异算子，对最优个体Xbest进行高斯变异操作，更新Xbest的位置：
Figure GDA00040438516400000516
Figure GDA0004043851640000061
式中，
Figure GDA0004043851640000062
为高斯变异后的最优粒子，N(0,1)为均值为0、方差为1的高斯分布随机量；
S3.7、根据当前迭代次数k，根据下式求出整个种群的方差E：
Figure GDA0004043851640000063
种群方差E小于阈值E0时则不再执行差分进化算子，则进入维度竞争算子，根据维度交叉概率Pv更新种群粒子位置。对种群中所有维进行两两不重复随机配对，共D/2对，按顺序依次取出每一对，若第d1维和第d2维被选中，rand>Pv则重新选取一对维数，若rand<Pv则对种群中所有粒子X(i)的第d1维和第d2维执行概率维度竞争算子，根据下式产生新粒子保存在MSvc中，
MSvc(i,d1)＝r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M)；d1,d2∈N(1,D)；r∈[0,1]
将MSvc中粒子与X中的父代粒子进行适应度值比较，择优保留在X中，重复上述步骤D/2次后结束，记录最优粒子Xbest；
S3.8、判断当前迭代次数k>Tmaxgen，则结束寻优，将Xbest转为极限学习机的输入权值和偏置进行预测；若k<Tmaxgen，则k＝k+1，转动步骤S3.5进行下一轮迭代，使计算更加准确。
进一步的，在步骤S4中，针对不同PF分量设定数据输入维数学习反馈机制具体为：
在模型训练过程中针对每个PF分量进行多次训练，每次训练选取不同的输入维数m，其中3<m<12，比较维数在3到12维之间时的模型学习效果来选出每个分量最佳的输入维数，采用均方误差公式MSE评价不同输入维数下模型的学习效果，MSE表示如下：
Figure GDA0004043851640000064
式中，
Figure GDA0004043851640000065
表示预测值，P(t)表示实际值，N表示训练集数据总数，
每次训练结束后比较MSE，选取最佳的输入维数建立风电功率预测模型，计算更加准确。
进一步的，在步骤S5中，将测试数据输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值，精准度更高。
进一步的，在步骤S6中，将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果，预测精度更高。
进一步的，在步骤S1.4中，实际应用中，在不影响分解效果的前提下，为了减少迭代次数，降低运算时间，设置一个变量Δ，使得当满足1-Δ≤a1n(t)≤1+Δ时，终止迭代，计算更加快速。
进一步的，在步骤S3.7中，E0取10-20，计算更加准确。
进一步的，在步骤S4中，其中的输入维数m的取值范围为：3<m<12，比较维数在3到12维之间时的模型学习效果来选出每个分量最佳的输入维数，计算更加准确。
与现有技术相比，本发明具有以下有益效果：
本发明是一种基于局域均值分解和改进差分算法优化极限学习机的风电功率预测方法，首先针对风电功率序列非线性强的特点，采用局域均值分解自适应的将原始风电功率序列分解为多个PF分量和一个余量，然后对各个分量建立改进差分算法优化极限学习机的预测模型，同时针对不同分量各自的序列特性建立输入维数学习反馈机制，从而建立各分量最佳的预测模型，提高预测模型的稳定性和泛化能力，最后叠加全部分量的预测值得到真实的风电功率预测结果，本发明有效降低原始风电功率数据非线性强对预测结果的影响，避免了单一极限学习机的非最优参数的情况，同时解决了差分进化算法的局部最优问题，最终获得了较单一预测方法更高精度的风电功率预测结果。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例描述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，还可以根据附图获得其他的附图。
图1为本发明一种风电功率预测方法的流程图；
图2为本发明一种风电功率预测方法的改进差分算法优化极限学习机的流程图；
图3为本发明一种风电功率预测方法的输入维数学习反馈机制流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。
本发明实施例包括：
如图1所示，一种风电功率预测方法，包括以下步骤：
S1、根据局域均值分解对原始风电功率时间序列进行分解，得到多个PF分量和一个余量；
S2、对每个PF分量和余量构建各自的训练数据集和测试数据集；
S3、对每个PF分量和余量分别建立改进差分算法优化极限学习机的风电功率预测模型；
S4、将训练数据集中多个PF分量和余量的训练样本逐一输入改进差分算法优化极限学习机的风电功率预测模型进行训练，针对不同PF分量设定数据输入维数学习反馈机制，得到各自对应的风电功率预测子模型；
S5、将测试数据输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值；
S6、将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果。
在本实施例中，在步骤S1中，根据局域均值分解对原始风电功率时间序列进行分解的具体步骤为：
S1.1、找出原始信号x(t)所有的局部极值点ni，求出所有相邻的局部极值点的平均值：
Figure GDA0004043851640000081
将所有相邻的平均值点mi用直线连接起来，然后用滑动平均法进行平滑处理，得到局部均值函数m11(t)；
S1.2、求出包络估计值：
Figure GDA0004043851640000082
将相邻的平均值点ai用直线连接起来，然后用滑动平均法进行平滑处理，得到包络估计函数a11(t)；
S1.3、将局部均值函数m11(t)从原始信号x(t)中分离出来，得到分解过程中原始信号x(t)的一个分离剩余分量：
h11(t)＝x(t)-m11(t)；
S1.4、用h11(t)除以包络估计函数a11(t)，以对h11(t)进行解调，得到分离剩余分量h11(t)的解调信号：
s11(t)＝h11(t)/a11(t)
对s11(t)重复上述步骤便能得到s11(t)的包络估计函数a12(t)，假如a12(t)不等于1，说明s11(t)不是一个纯调频信号，需重复上述迭代过程n次，直至s1n(t)为一个纯调频信号，也就是s1n(t)的包络估计函数a1(n+1)(t)＝1，所以有：
Figure GDA0004043851640000091
式中，
Figure GDA0004043851640000092
迭代终止条件为：
Figure GDA0004043851640000093
S1.5、将迭代过程中所产生的全部包络估计函数相乘，得到包络信号，一个瞬时幅值函数：
Figure GDA0004043851640000094
S1.6、将包络信号a1(t)和纯调频信号s1n(t)相乘得：
PF1(t)＝a1(t)s1n(t)
式中，PF1(t)为信号x(t)的第一个PF分量，包含了原始信号的最高频成分，是一个单分量的调幅-调频信号，瞬时频率f1(t)由调频信号s1n(t)求出：
Figure GDA0004043851640000095
从原始信号x(t)中将第一个PF分量PF1(t)分离出来，得到剩余信号u1(t)，由于剩余信号u1(t)中还包含较多频率成分，因此将u1(t)作为原始数据重复以上步骤对其进行分解，得到第二个PF分量，重复这个过程直到uk为一个单调函数为止，得到k个PF分量和一个余量：
Figure GDA0004043851640000096
最终信号x(t)表示为k个PF分量和余量之和：
Figure GDA0004043851640000097
式中，uk(t)为残余函数，代表信号的平均趋势。
在本实施例中，在步骤S2中，构建各自训练数据集和测试数据集的方法具体为：
PF分量PFk和余量uk的训练数据Trn包含模型的输入数据Xn和输出数据Yn，输入数据和输出数据是对PF分量的时间序列进行连续采集而来，输入数据
Figure GDA0004043851640000101
其中m为预测模型输入个数，输出数据
Figure GDA0004043851640000102
p的取值由预测模型输出个数决定，PF分量的测试数据集Ten的选取方式与训练数据集Trn的选取方式相同，计算更加准确。
如图2所示，在步骤S3中，建立改进差分算法优化极限学习机的风电功率预测模型具体步骤为：
S3.1、根据给定的训练数据集，确定极限学习机的网络拓扑结构和各层的节点数，并确定改进差分算法的缩放因子MF，交叉因子PDE，变异概率PA，维度交叉概率Pv，种群规模M，最大迭代次数Tmaxgen和粒子维数D，粒子维数即为所要优化的输入权值和隐含层偏置个数；
S3.2、对所要优化的输入权值和隐含层偏置进行粒子编码，并随机产生初始种群X＝[X1，X2，...，XM]T，其中第i个粒子为：
Xi＝[w11，w12，...，w1l，w21，w22，...，w2l，...，wn1，wn2，...，wnl，b1，b2，...，bl]；i＝1，2，...，M.
式中，n和l分别为极限学习机的输入层和隐含层个数，wnl为输入层第n个节点到隐含层第l各节点的输入权值，bl为隐含层第l的节点的偏置；
S3.3、将每个粒子转换成极限学习机对应的输入权值和隐含层偏置，根据伪逆算法计算出极限学习机的输出权值为：
β＝HT
式中，β为极限学习机的输出权值，T为训练样本的输出目标矩阵，H是隐含层的输出矩阵，表示如下：
Figure GDA0004043851640000103
g为隐含层激活函数，选用Sigmoid函数，如下：
Figure GDA0004043851640000111
；
S3.4、迭代次数k置1，根据下式计算初始种群中每个粒子的适应度值：
Figure GDA0004043851640000112
其中，
Figure GDA0004043851640000113
表示预测值，P(t)表示实际值，N表示训练集数据总数；
S3.5、使用这些粒子探索目标空间，在目标空间的k次迭代中，通过下式对第k代种群中的每一个个体
Figure GDA0004043851640000114
执行变异操作，获得与其对应的突变个体
Figure GDA0004043851640000115
即
Figure GDA0004043851640000116
式中，r1,r2,r3∈{1,2,...M}且互不相同，M为种群大小，同时与i不同；
Figure GDA0004043851640000117
为父代基向量；
Figure GDA0004043851640000118
称为父代差分向量；MF为0～2随机数，称为缩放因子；
利用下式对
Figure GDA0004043851640000119
和突变个体
Figure GDA00040438516400001110
实施交叉操作，生成试验个体
Figure GDA00040438516400001111
即
Figure GDA00040438516400001112
式中：rand(j)为0～1之间的均匀分布随机数；PDE为范围在0～1之间的交叉因子；
通过下式对试验个体
Figure GDA00040438516400001113
和
Figure GDA00040438516400001114
进行选择操作，
Figure GDA00040438516400001115
式中，fit为适应度函数，
粒子更新完成后，计算更新位置后的粒子适应度值，最优个体Xbest；
S3.6、若rand>PA，则进入活性变异算子，对最优个体Xbest进行高斯变异操作，更新Xbest的位置：
Figure GDA00040438516400001116
Figure GDA0004043851640000121
式中，
Figure GDA0004043851640000122
为高斯变异后的最优粒子，N(0,1)为均值为0、方差为1的高斯分布随机量；
S3.7、根据当前迭代次数k，根据下式求出整个种群的方差E：
Figure GDA0004043851640000123
种群方差E小于阈值E0时则不再执行差分进化算子，则进入维度竞争算子，根据维度交叉概率Pv更新种群粒子位置。对种群中所有维进行两两不重复随机配对，共D/2对，按顺序依次取出每一对，若第d1维和第d2维被选中，rand>Pv则重新选取一对维数，若rand<Pv则对种群中所有粒子X(i)的第d1维和第d2维执行概率维度竞争算子，根据下式产生新粒子保存在MSvc中，
MSvc(i,d1)＝r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M)；d1,d2∈N(1,D)；r∈[0,1]
将MSvc中粒子与X中的父代粒子进行适应度值比较，择优保留在X中，重复上述步骤D/2次后结束，记录最优粒子Xbest；
S3.8、判断当前迭代次数k>Tmaxgen，则结束寻优，将Xbest转为极限学习机的输入权值和偏置进行预测；若k<Tmaxgen，则k＝k+1，转动步骤S3.5进行下一轮迭代，使计算更加准确。
如图3所示，在步骤S4中，针对不同PF分量设定数据输入维数学习反馈机制具体为：
在模型训练过程中针对每个PF分量进行多次训练，每次训练选取不同的输入维数m，其中3<m<12，比较维数在3到12维之间时的模型学习效果来选出每个分量最佳的输入维数，采用均方误差公式MSE评价不同输入维数下模型的学习效果，MSE表示如下：
Figure GDA0004043851640000124
式中，
Figure GDA0004043851640000125
表示预测值，P(t)表示实际值，N表示训练集数据总数，
每次训练结束后比较MSE，选取最佳的输入维数建立风电功率预测模型，计算更加准确。
在本实施例中，在步骤S5中，将测试数据输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值，精准度更高。
在本实施例中，在步骤S6中，将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果，预测精度更高。
在本实施例中，在步骤S1.4中，实际应用中，在不影响分解效果的前提下，为了减少迭代次数，降低运算时间，设置一个变量Δ，使得当满足1-Δ≤a1n(t)≤1+Δ时，终止迭代，计算更加快速。
在本实施例中，在步骤S3.7中，E0取10-20，计算更加准确。
在本实施例中，在步骤S4中，其中的输入维数m的取值范围为：3<m<12，比较维数在3到12维之间时的模型学习效果来选出每个分量最佳的输入维数，计算更加准确。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种风电功率预测方法，其特征在于，包括以下步骤：
S1、根据局域均值分解对原始风电功率时间序列进行分解，得到多个PF分量和一个余量；
S2、对每个PF分量和余量构建各自的训练数据集和测试数据集；
S3、对每个PF分量和余量分别建立改进差分算法优化极限学习机的风电功率预测模型；
S4、将训练数据集中多个PF分量和余量的训练样本逐一输入改进差分算法优化极限学习机的风电功率预测模型进行训练，针对不同PF分量设定数据输入维数学习反馈机制，得到各自对应的风电功率预测子模型；
S5、将测试数据输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值；
S6、将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果。
在步骤S1中，根据局域均值分解对原始风电功率时间序列进行分解的具体步骤为：
S1.1、找出原始信号x(t)所有的局部极值点ni，求出所有相邻的局部极值点的平均值：
Figure FDA0004043851630000011
将所有相邻的平均值点mi用直线连接起来，然后用滑动平均法进行平滑处理，得到局部均值函数m11(t)；
S1.2、求出包络估计值：
Figure FDA0004043851630000012
将相邻的平均值点ai用直线连接起来，然后用滑动平均法进行平滑处理，得到包络估计函数a11(t)；
S1.3、将局部均值函数m11(t)从原始信号x(t)中分离出来，得到分解过程中原始信号x(t)的一个分离剩余分量：
h11(t)＝x(t)-m11(t)；
S1.4、用h11(t)除以包络估计函数a11(t)，以对h11(t)进行解调，得到分离剩余分量h11(t)的解调信号：
s11(t)＝h11(t)/a11(t)
对s11(t)重复上述步骤得到s11(t)的包络估计函数a12(t)，假如a12(t)不等于1，说明s11(t)不是一个纯调频信号，需重复上述迭代过程n次，直至s1n(t)为一个纯调频信号，也就是s1n(t)的包络估计函数a1(n+1)(t)＝1，所以有：
Figure FDA0004043851630000021
式中，
Figure FDA0004043851630000022
迭代终止条件为：
Figure FDA0004043851630000023
S1.5、将迭代过程中所产生的全部包络估计函数相乘，得到包络信号，一个瞬时幅值函数：
Figure FDA0004043851630000024
S1.6、将包络信号a1(t)和纯调频信号s1n(t)相乘得：
PF1(t)＝a1(t)s1n(t)
式中，PF1(t)为信号x(t)的第一个PF分量，包含了原始信号的最高频成分，是一个单分量的调幅-调频信号，瞬时频率f1(t)由调频信号s1n(t)求出：
Figure FDA0004043851630000025
从原始信号x(t)中将第一个PF分量PF1(t)分离出来，得到剩余信号u1(t)，由于剩余信号u1(t)中还包含较多频率成分，因此将u1(t)作为原始数据重复以上步骤对其进行分解，得到第二个PF分量，重复这个过程直到uk为一个单调函数为止，得到k个PF分量和一个余量：
Figure FDA0004043851630000026
最终信号x(t)表示为k个PF分量和余量之和：
Figure FDA0004043851630000031
式中，uk(t)为残余函数，代表信号的平均趋势；
在步骤S2中，构建各自训练数据集和测试数据集的方法具体为：
PF分量PFk和余量uk的训练数据Trn包含模型的输入数据Xn和输出数据Yn，输入数据和输出数据是对PF分量的时间序列进行连续采集而来，输入数据
Figure FDA0004043851630000032
其中m为预测模型输入个数，输出数据
Figure FDA0004043851630000033
p的取值由预测模型输出个数决定，PF分量的测试数据集Ten的选取方式与训练数据集Trn的选取方式相同；
在步骤S3中，建立改进差分算法优化极限学习机的风电功率预测模型具体步骤为：
S3.1、根据给定的训练数据集，确定极限学习机的网络拓扑结构和各层的节点数，并确定改进差分算法的缩放因子MF，交叉因子PDE，变异概率PA，维度交叉概率Pv，种群规模M，最大迭代次数Tmaxgen和粒子维数D，粒子维数即为所要优化的输入权值和隐含层偏置个数；
S3.2、对所要优化的输入权值和隐含层偏置进行粒子编码，并随机产生初始种群X＝[X1，X2，…，XM]T，其中第i个粒子为：
Xi＝[w11，w12，...，w1l，w21，w22，...，w21，...，wn1，wn2，...，wnl，b1，b2，...，bl]；i＝1，2，...，M.
式中，n和l分别为极限学习机的输入层和隐含层个数，wnl为输入层第n个节点到隐含层第l各节点的输入权值，bl为隐含层第l的节点的偏置；
S3.3、将每个粒子转换成极限学习机对应的输入权值和隐含层偏置，根据伪逆算法计算出极限学习机的输出权值为：
β＝HT
式中，β为极限学习机的输出权值，T为训练样本的输出目标矩阵，H是隐含层的输出矩阵，表示如下：
Figure FDA0004043851630000034
g为隐含层激活函数，选用Sigmoid函数，如下：
Figure FDA0004043851630000041
；
S3.4、迭代次数k置1，根据下式计算初始种群中每个粒子的适应度值：
Figure FDA0004043851630000042
其中，
Figure FDA0004043851630000043
表示预测值，P(t)表示实际值，N表示训练集数据总数；
S3.5、使用这些粒子探索目标空间，在目标空间的k次迭代中，通过下式对第k代种群中的每一个个体
Figure FDA0004043851630000044
执行变异操作，获得与其对应的突变个体
Figure FDA0004043851630000045
即
Figure FDA0004043851630000046
式中，r1,r2,r3∈{1,2,...M}且互不相同，M为种群大小，同时与i不同；
Figure FDA0004043851630000047
为父代基向量；
Figure FDA0004043851630000048
称为父代差分向量；MF为0～2随机数，称为缩放因子；
利用下式对
Figure FDA0004043851630000049
和突变个体
Figure FDA00040438516300000410
实施交叉操作，生成试验个体
Figure FDA00040438516300000411
即
Figure FDA00040438516300000412
式中：rand(j)为0～1之间的均匀分布随机数；PDE为范围在0～1之间的交叉因子；
通过下式对试验个体
Figure FDA00040438516300000413
和
Figure FDA00040438516300000414
进行选择操作，
Figure FDA00040438516300000415
式中，fit为适应度函数，
粒子更新完成后，计算更新位置后的粒子适应度值，最优个体Xbest；
S3.6、若rand>PA，则进入活性变异算子，对最优个体Xbest进行高斯变异操作，更新Xbest的位置：
Figure FDA00040438516300000416
Figure FDA0004043851630000051
式中，
Figure FDA0004043851630000052
为高斯变异后的最优粒子，N(0,1)为均值为0、方差为1的高斯分布随机量；
S3.7、根据当前迭代次数k，根据下式求出整个种群的方差E：
Figure FDA0004043851630000053
种群方差E小于阈值E0时则不再执行差分进化算子，则进入维度竞争算子，根据维度交叉概率Pv更新种群粒子位置，对种群中所有维进行两两不重复随机配对，共D/2对，按顺序依次取出每一对，若第d1维和第d2维被选中，rand>Pv则重新选取一对维数，若rand<Pv则对种群中所有粒子X(i)的第d1维和第d2维执行概率维度竞争算子，根据下式产生新粒子保存在MSvc中，
MSvc(i,d1)＝r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M)；d1,d2∈N(1,D)；r∈[0,1]
将MSvc中粒子与X中的父代粒子进行适应度值比较，择优保留在X中，重复上述步骤D/2次后结束，记录最优粒子Xbest；
S3.8、判断当前迭代次数k>Tmaxgen，则结束寻优，将Xbest转为极限学习机的输入权值和偏置进行预测；若k<Tmaxgen，则k＝k+1，转动步骤S3.5进行下一轮迭代。
2.根据权利要求1所述的风电功率预测方法，其特征在于，在步骤S4中，针对不同PF分量设定数据输入维数学习反馈机制具体为：
在模型训练过程中针对每个PF分量进行多次训练，每次训练选取不同的输入维数m，其中3<m<12，比较维数在3到12维之间时的模型学习效果来选出每个分量最佳的输入维数，采用均方误差公式MSE评价不同输入维数下模型的学习效果，MSE表示如下：
Figure FDA0004043851630000054
式中，
Figure FDA0004043851630000055
表示预测值，P(t)表示实际值，N表示训练集数据总数，
每次训练结束后比较MSE，选取最佳的输入维数建立风电功率预测模型。
3.根据权利要求2所述的风电功率预测方法，其特征在于，在步骤S5中，将测试数据输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值。
4.根据权利要求3所述的风电功率预测方法，其特征在于，在步骤S6中，将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果。
5.根据权利要求1所述的风电功率预测方法，其特征在于，在步骤S1.4中，实际应用中，在不影响分解效果的前提下，为了减少迭代次数，降低运算时间，设置一个变量Δ，使得当满足1-Δ≤a1n(t)≤1+Δ时，终止迭代。
6.根据权利要求1所述的风电功率预测方法，其特征在于，在步骤S3.7中，E0取10-20。
7.根据权利要求2所述的风电功率预测方法，其特征在于，在步骤S4中，其中的输入维数m的取值范围为：3<m<12，比较维数在3到12维之间时的模型学习效果来选出每个分量最佳的输入维数。
CN201911220447.9A 2019-12-03 2019-12-03 一种风电功率预测方法 Active CN111105005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911220447.9A CN111105005B (zh) 2019-12-03 2019-12-03 一种风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911220447.9A CN111105005B (zh) 2019-12-03 2019-12-03 一种风电功率预测方法

Publications (2)

Publication Number Publication Date
CN111105005A CN111105005A (zh) 2020-05-05
CN111105005B true CN111105005B (zh) 2023-04-07

Family

ID=70420929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911220447.9A Active CN111105005B (zh) 2019-12-03 2019-12-03 一种风电功率预测方法

Country Status (1)

Country Link
CN (1) CN111105005B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381139B (zh) * 2020-11-13 2023-07-25 长春工业大学 基于elm-adhdp的复杂分离过程优化方法
CN113435595B (zh) * 2021-07-08 2024-02-06 南京理工大学 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN114169251A (zh) * 2021-12-27 2022-03-11 广东工业大学 一种超短期风电功率预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978608A (zh) * 2015-06-24 2015-10-14 云南电网有限责任公司电力科学研究院 一种风电功率预测装置及预测方法
CN106875041A (zh) * 2017-01-16 2017-06-20 广东电网有限责任公司揭阳供电局 一种短期风速预测方法
CN107230977A (zh) * 2017-05-05 2017-10-03 浙江工商大学 基于误差修正和提升小波组合预测模型的风电功率预测方法
CN108197750A (zh) * 2018-01-19 2018-06-22 上海电机学院 一种基于LMD-Elman的风电功率组合预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8301406B2 (en) * 2008-07-24 2012-10-30 University Of Cincinnati Methods for prognosing mechanical systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978608A (zh) * 2015-06-24 2015-10-14 云南电网有限责任公司电力科学研究院 一种风电功率预测装置及预测方法
CN106875041A (zh) * 2017-01-16 2017-06-20 广东电网有限责任公司揭阳供电局 一种短期风速预测方法
CN107230977A (zh) * 2017-05-05 2017-10-03 浙江工商大学 基于误差修正和提升小波组合预测模型的风电功率预测方法
CN108197750A (zh) * 2018-01-19 2018-06-22 上海电机学院 一种基于LMD-Elman的风电功率组合预测方法

Also Published As

Publication number Publication date
CN111105005A (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN111105005B (zh) 一种风电功率预测方法
CN112348271A (zh) 基于vmd-ipso-gru的短期光伏功率预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN113887787B (zh) 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
Mestav et al. State estimation for unobservable distribution systems via deep neural networks
CN109886464B (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
CN109583588B (zh) 一种短期风速预测方法及系统
CN109888773B (zh) 一种电力系统多区域分布式状态评估方法
CN113746087B (zh) 基于ctgan的电网暂稳样本可控生成以及评估方法和系统
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
CN114169645A (zh) 一种智能电网短期负荷预测方法
CN114169251A (zh) 一种超短期风电功率预测方法
CN115453871A (zh) 一种基于ide扩展多维泰勒网的非线性系统建模方法
CN105608295A (zh) 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法
CN115561005A (zh) 基于eemd分解和轻量化神经网络的化工过程故障诊断方法
CN117407802A (zh) 一种基于改进深度森林模型径流预测方法
CN110675276B (zh) 一种用于直流输电系统反演下垂控制的方法及系统
CN116663745A (zh) 一种基于pca_ dwt的lstm流域水流量预测方法
CN113328466B (zh) 一种电动汽车充电场景生成方法
CN112465271B (zh) 一种面向储能平抑风电波动场景的储能电池选型方法
CN113610665B (zh) 一种基于多延迟输出回声状态网的风力发电功率预测方法
CN114117917B (zh) 一种多目标优化的舰船磁偶极子阵列建模方法
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN112529328B (zh) 一种产品性能预测方法及系统
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法

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
GR01 Patent grant
GR01 Patent grant