CN113139346A - 一种基于iofa-svm的短期风电功率预测方法 - Google Patents

Abstract

本发明涉及一种基于IOFA‑SVM的短期风电功率预测方法，其技术特点是：步骤1、收集风力发电待预测数据并对其进行归一化处理；步骤2、选取目标函数与误差评价指标；步骤3、使用改进最优觅食算法及优化支持向量机，进行短期风电功率预测。本发明设计合理，其在传统的最优觅食算法中加入柯西变异和差分进化策略，使算法及早跳出局部最优觅食位置找到全局最优解，来提高算法的预测精度和减少算法的收敛时间，提高了算法全局的寻优能力以获取SVM的最优参数，提高了风电功率预测精度和准确性，对风力发电机组协调规划和电力系统经济调度具有重大意义。

Description

一种基于IOFA-SVM的短期风电功率预测方法

技术领域

本发明属于风力发电技术领域，尤其是一种基于IOFA-SVM(改进最优觅食算法-优化支持向量机)的短期风电功率预测方法。

背景技术

经济发展对能源的需求与日俱增，但资源枯竭、环境污染和气候变化等问题与现实要求矛盾日益突出，所以清洁能源的开发利用得到各国的大力关注。风力资源作为一种清洁能源，在我国的蕴含量十分丰富，风能的大规模开发利用将极大缓解环境污染和用电负荷持续增长的问题，但由于风能受气象因素影响严重的特性导致风电输出功率具有间歇性、随机性，大规模风电并网将会影响电网的电压和频率，并将对电网安全运行及电力部门做出合理的调度计划造成巨大影响。因此，准确的预测风电输出功率对促进清洁能源的开发利用和电网的安全经济运行具有重要意义。

短期风电功率预测一般将对未来72小时之内的风电输出功率作为主要研究内容，预测方法主要包括物理方法和统计方法。物理方法是一种基于数值天气预报的方法，利用大量气象数据做数值计算来预测未来的天气情况，并根据风电场的功率曲线预测输出功率值，但由于物理方法对气象预报系统要求较高和计算量大而没有得到广泛应用。统计方法主要对风电场的输出功率和气象数据进行训练，构建数据之间的映射关系，采用线性或非线性方法来预测输出功率。而近些年随着智能算法的研究深入，开始利用智能算法预测风电输出功率，例如神经网络(Neural Network,NN)、灰色预测(Grey Prediction)、自回归平均滑动(Autoregressive Moving Average Models,ARMA)模型、极限学习机(ExtremeLearning Machine,ELM)和支持向量机(Support Vector Machine,SVM)等。

支持向量机由于自身具有结构简单和良好的泛化能力等优点，而且容易获取到全局最优解，所以预测领域得到广泛应用。但支持向量机的预测精度与核函数参数和惩罚参数的选取密切相关，可以通过智能优化算法获取最优参数来更好的解决许多预测问题。文献“States prediction for solar power and wind speed using BBA-SVM[J].(Renewable Power Generation,2019,13)”提出一种向后寻优蝙蝠算法优化支持向量机的风速和光伏输出功率预测模型，通过对真实数据集进行仿真，证明所提模型相对于传统支持向量机有更优的预测性能。文献“基于改进粒子群优化支持向量机的光伏电池输出功率预测(电气自动化,2019,41(03))”利用粒子群算法优化支持向量机预测光伏电池输出功率，虽然预测精度得到提升，但粒子群算法收敛时间较长。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、精度高且处理速度快的基于IOFA-SVM的短期风电功率预测方法。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种基于IOFA-SVM的短期风电功率预测方法，包括以下步骤：

步骤1、收集风力发电待预测数据并对其进行归一化处理；

步骤2、选取目标函数与误差评价指标；

步骤3、使用改进最优觅食算法及优化支持向量机，进行短期风电功率预测。

进一步，所述风力发电待预测包括风电功率、风速和风向正余弦值。

进一步，所述步骤2选取均方根误差作为SVM的目标函数，选取的误差评价指标包括：平均绝对误差、标准绝对值平均误差和标准均方误差。

进一步，所述步骤3的具体实现方法为：

步骤3.1、使用改进的最优觅食算法搜索最优觅食位置，选取最优惩罚因子c和核函数参数g；

步骤3.2、对输入待预测数据建立SVM回归预测模型得到预测结果，并进行反归一化。

步骤3.3、将预测结果与实际风电功率数据对比，选取评价指标衡量预测结果。

进一步，所述步骤3.1的具体实现方法包括以下步骤：

⑴初始化种群觅食位置，并计算每个个体的目标函数值；

⑵对目标函数值进行排序，记录当前最优觅食位置和最优目标函数值；

⑶计算新的觅食位置并计算新的目标函数值；

⑷判断新的觅食位置，选出当前最优觅食位置为最优解；

⑸对当前最优觅食位置进行柯西变异，计算目标函数值；

⑹比较变异前后的目标函数值，若变异后的觅食位置优于之前位置，保留变异后的位置用于下次搜索，否则忽略新位置；

⑺对每个个体进行差分进化操作；

⑻判断是否达到最大搜索次数，达到结束搜索并输出最优觅食位置，得到最优惩罚因子c和核函数参数g，否则继续执行步骤⑶。

进一步，所述步骤⑶采用如下公式计算新的觅食位置：

所述步骤⑷采用下式判断新的觅食位置：

所述⑸采用下式计算目标函数值：

上式中，

为[0,1]的随机数，F为目标函数值，

为从1到0线性递减的向量，γ为均匀分布于[0,1]之间的随机值。

进一步，所述步骤⑺采用如下方法对每个个体进行差分进化操作：

首先，采用差分变异策略中的DE/rand/1策略对种群向量进行变异，在每一次轮迭代后期加入差分变异策略，公式如下：

式中，p₁≠p₂≠p₃，

为差分向量，F∈[0.1,0.9]为缩放因子，h^i,t为第i个位置在第t次迭代的变异向量；

然后，进行如下交叉操作：

式中，v^i,t为第i个搜索位置的交叉变量；j0为维数中的一个随机值，每次交叉操作仅涉及个体的一个维度，pCR∈[0,1]为交叉概率；

最后，按照贪婪准则保留目标函数值较优向量作为下一代个体，选择操作表示为：

进一步，所述步骤3.2建立的SVM回归预测模型为：

通过一个非线性映射φ(x)函数，将低维样本x映射到更高维的向量空间Rⁿ中，其函数关系如下：

式中：ω是权值系数，b是偏置项，f(x)为样本x对应的预测值；

建立如下目标函数以及约束条件：

式中，C为惩罚参数，其值的大小代表对跳出允许拟合误差ε不敏感点的惩罚力度；

通过拉格朗日函数求解上式，将寻找带有条件的最优值问题转化为无限制条件的函数，对各个参数求解偏导，利用对偶定理并加入核函数的支持向量机的回归函数式为：

采用如下径向基函数将来自输入空间的样本映射到高维特征空间，

其中，δ是核函数的带宽。

本发明的优点和积极效果是：

本发明设计合理，其在传统的最优觅食算法中加入柯西变异和差分进化策略，使算法及早跳出局部最优觅食位置找到全局最优解，来提高算法的预测精度和减少算法的收敛时间，提高了算法全局的寻优能力以获取SVM的最优参数，提高了风电功率预测精度和准确性，对风力发电机组协调规划和电力系统经济调度具有重大意义。

附图说明

图1是本发明的风电输出功率预测流程图；

图2是不同预测模型预测结果图；

图3是不同模型相对误差曲线；

图4是不同模型预测结果对比柱状图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

本发明提出一种改进最优觅食算法优化支持向量机(IOFA-SVM)的预测模型并将其用于短期风电功率预测，其设计思想是：由于最优觅食算法是近些年基于最优觅食理论提出的一种新型智能算法，具有较强的寻优能力。为了进一步提高算法的全局搜索能力，本专利在传统最优觅食算法中加入柯西变异，能增强动物在选取最优觅食位置时的随机性，使算法及早跳出局部最优觅食位置找到全局最优解，来提高算法的预测精度和减少算法的收敛时间。本专利通过改进最优觅食算法对支持向量机内部参数进行寻优，可有效解决内部参数影响支持向量机预测精度的问题。

下面对发明中涉及的最优觅食算法、改进改进最优觅食算法和支持向量机进行说明：

1、最优觅食算法

最优觅食算法(Optimal Foraging Algorithm，OFA)是基于最优觅食理论开发的一种随机搜索算法，根据动物觅食理论解决全局优化问题。在该算法中将个体视作觅食动物，将觅食位置代表目标解，动物在觅食过程中总是在食物最丰富的区域觅食，所以动物聚集的地方被认为是有丰富食物的区域，即在当前位置及附近寻找最优解。算法的基本原理描述如下：

在OFA算法中，动物觅食位置用d维向量[x₁,…x_i,…x_d]^T表示，其中x_i∈[x^L,x^U]，式中x^L和x^U分别为变量x_i上下边界，根据最优觅食理论，算法将用公式(1)在当前觅食位置附近搜索最佳位置：

式中，

为第i个个体t次搜索后的觅食位置，

为个体

更新过后新的觅食位置，k为比例因子，r_1i和r2i均匀分布于[0,1]之间的随机值，

为个体

更新觅食位置的位置增量。

为使个体离开局部最优解，继续搜索潜在的最优解，OFA算法通过招募其他个体来扩大搜索空间，从而避免陷入局部最优。在t次搜索中第j个个体的第i个觅食位置增量

公式如下：

式中，

分别为t次搜索时，b个体所处的第i个觅食位置，第j个个体所处的第i个觅食位置和此次搜索中种群最差的觅食位置；

分别为

所对应目标函数值。

当种群中所有个体均更新完觅食位置后，算法将会根据此时位置的目标函数值也即为动物觅食能量摄入量来判断新位置是否优于原位置以及决定在随后的搜索过程中是否使用该位置，其原理可用如下公式描述：

式中，

为[0,1]的随机数。

若更新后的位置满足上述公式则将在t+1次搜索时将获得的位置用于下次搜索，否则将忽略此位置并保留t次搜索位置。

2、改进最优觅食算法

由于最优觅食算法通过对现实中动物觅食理论进行模拟，使得该算法具有较好的寻优能力，但在搜索过程中，觅食位置的范围会随着搜索次数的增加而自适应减少，逐渐聚集在局部最优解附近，导致搜索范围多样性减少，发生早熟收敛，陷入局部最优，不能找到全局最优觅食位置。因此，本发明在传统的最优觅食算法中加入柯西变异和差分进化策略来提高算法全局的寻优能力以获取SVM的最优参数。

柯西分布是一种连续分布，其数学期望不存在，概率密度分布曲线对称分布于峰值左右，在峰值俩端的数值递减趋于零，且分布较长，其分布公式如下：

在算法中加入柯西变异能在当前的觅食位置附近产生较大的扰动，在搜索时朝更广的范围变异，使搜索觅食位置获得有更大的随机性，提升算法的搜索能力，及时跳出局部最优，其原理如下：

式中，

为从1到0线性递减的向量，γ为均匀分布于[0,1]之间的随机值。

在柯西变异之后，计算新的觅食位置的目标函数值并对其进行排序，将新位置的最优位置与变异前位置进行比较，确定最优位置并继续搜索。

为避免在搜索过程中出现早熟现象，本发明引入差分变异策略来增加群体的多样性。采用差分变异策略中的DE/rand/1策略对种群向量进行变异，在每一次轮迭代后期加入差分变异策略，公式如下：

式中，p₁≠p₂≠p₃，

为差分向量，F∈[0.1,0.9]为缩放因子，h^i,t为第i个位置在第t次迭代的变异向量。

得到变异向量后，进行交叉操作：

式中，v^i,t为第i个搜索位置的交叉变量；j0为维数中的一个随机值，每次交叉操作仅涉及个体的一个维度，pCR∈[0,1]为交叉概率。

之后进行选择操作，按照贪婪准则保留目标函数值较优向量作为下一代个体，选择操作表示为：

改进后的最优觅食算法具体过程如下：

(1)初始化种群觅食位置，并计算每个个体的目标函数值。

(2)对目标函数值进行排序，记录当前最优觅食位置和最优目标函数值。

(3)根据公式(3)计算新的觅食位置并计算新的目标函数值。

(4)根据公式(4)判断新的觅食位置，选出当前最优觅食位置为最优解。

(5)根据公式(6)对当前最优觅食位置进行柯西变异，计算目标函数值。

(6)比较变异前后的目标函数值，若变异后的觅食位置优于之前位置，保留变异后的位置用于下次搜索，否则忽略新位置。

(7)根据公式(6)-(8)对每个个体进行差分进化操作。

(8)判断是否达到最大搜索次数，达到结束搜索并输出最优觅食位置，否则继续执行步骤(3)。

3、支持向量机

支持向量机(SVM)是一种基于统计学习理论的机器学习方法，主要分为两类，可用于模式分类和非线性回归。当SVM用来做回归预测分析时，可以通过一个非线性映射φ(x)函数，将低维样本x映射到更高维的向量空间Rⁿ中，可以更好的解决小样本问题，其函数关系如下：

式中：ω是权值系数，b是偏置项，f(x)为样本x对应的预测值。

应用结构风险最小化原则可以将向量回归问题可以转化为一个包含约束的优化问题。将f(x)与真实值y之差所满足的实际允许拟合误差ε考虑到回归问题计算中，为了估计预测点偏差大小并加入两个松弛因子ξ_i和ξ_i ^*，回归问题就变成了目标优化问题，目标函数以及约束条件分别为：

式中，C为惩罚参数，其值的大小代表对跳出允许拟合误差ε不敏感点的惩罚力度。

为求解上式，引入拉格朗日函数，可以将寻找带有条件的最优值问题转化为无限制条件的函数。对各个参数求解偏导，利用对偶定理并加入核函数的支持向量机的回归函数式为：

径向基函数(Radial Basis Function,RBF)具有高分辨率、计算量少、实用性强的特点，可以有效地将来自输入空间的样本映射到高维特征空间，有利于低维小样本数据表示对原始输入输出空间的非线性关系。在本发明中核函数选取RBF，如下式所示：

其中，δ是核函数的带宽。

基于上述设计思想，本发明提出一种基于IOFA-SVM的短期风电功率预测方法，如图1所示，包括以下步骤：

步骤1、收集风力发电待预测数据并对其进行归一化处理。具体方法如下：

本实施例以法国La Haute Borne风电场第一台发电机组2017年的运行数据为例进行，该发电机组的额定功率是2050kW，数据集的采样间隔是1小时，包括同一时刻的风速、风向、温度、湿度和风电输出功率等数据，根据研究发现，同一时刻的风速和风向对此时的输出功率有较大影响，所以在本发明中将风速和风向对应的正弦值与余弦值作为输入数据，将对应时刻的输出功率作为输出数据。

为了降低风电预测输入数据剧烈的波动性对预测精度的影响，使所提的风电预测模型更好的适应风电输出变化规律，在本发明中对数据包括训练数据中的风电功率、风速和风向正余弦值，预测数据中的风速和风向正余弦值均进行归一化处理，以风电功率为例进行原理说明：

式中，P_scale,i为归一化后的风电功率，P_i为风电输出功率真实值，P_max和P_max分别为原始风电功率中的最大值和最小值。

步骤2、选取目标函数与误差评价指标

为了更好的评估风电功率预测结果，本发明选择均方根误差(RMSE)作为SVM的目标函数，具体公式如下：

式中，N为待预测数据中风电输出功率个数，P_i为风电输出功率真实值，Y_i为输出功率预测值。

为验证所提预测模型的优略，需要借助评级指标来衡量预测模型结果的误差大小，本发明中引入的误差评价指标如下：

(1)平均绝对误差(Mean Absolute Error,MAE)

(2)标准绝对值平均误差(Normalized Mean Absolute Error,NMAE)

(3)标准均方误差(Normalized Root Mean Square Error,NRMSE)

式中，P_N为发电机组的额定功率。

步骤3、建立改进最优觅食算法优化支持向量机的风电预测模型并进行短期风电功率预测

由于风能的间歇及波动的自身特性导致风电功率输出不稳定，故可将风电系统看成非线性系统回归问题，本发明采用支持向量机来预测风电输出功率，该算法执行具体步骤如下：

步骤3.1、使用改进的最优觅食算法搜索最优觅食位置，得到最优惩罚因子c和核函数参数g；

本步骤的具体实现方法为：

(1)初始化种群觅食位置，并计算每个个体的目标函数值。

(2)对目标函数值进行排序，记录当前最优觅食位置和最优目标函数值。

(3)根据公式(3)计算新的觅食位置并计算新的目标函数值。

(4)根据公式(4)判断新的觅食位置，选出当前最优觅食位置为最优解。

(5)根据公式(6)对当前最优觅食位置进行柯西变异，计算目标函数值。

(6)比较变异前后的目标函数值，若变异后的觅食位置优于之前位置，保留变异后的位置用于下次搜索，否则忽略新位置。

(7)根据公式(6)-(8)对每个个体进行差分进化操作。

(8)判断是否达到最大搜索次数，达到结束搜索并输出最优觅食位置，得到最优惩罚因子c和核函数参数g，否则继续执行步骤(3)。

步骤3.2、对输入待预测数据建立SVM回归预测模型得到预测结果，并进行反归一化。

步骤3.3、与实际风电功率数据对比，选取评价指标衡量预测结果。

通过上述步骤即可实现基于IOFA-SVM的短期风电功率预测功能。

为了验证所提出的改进最优觅食算法优化支持向量机预测模型的性能，本发明中还选取了未改进的最优觅食算法、BP神经网络和灰狼优化算法进行对比，其中灰狼优化算法是最近几年提出的新的智能优化算法。算法中的相关参数设置如下：种群数量为30，最大搜索次数为300，惩罚因子c的搜索范围为[0.1,1200]，核函数参数g为[0.01,100]，算法只对两个参数寻优所以种群维数为2。各个算法中的其余参数均为默认值。

本发明选取秋季某周中前五天的数据作为原始训练数据，后两天的数据作为待预测数据，原始训练数据包括风速、风向的正、余弦值和风电输出功率，待预测数据包括风速和风向的正、余弦值，并对所有数据进行归一化处理。本发明采用BP、GWO-SVM、OFA-SVM、IOFA-SVM四种不同的预测模型对风电输出功率进行预测，四种预测模型的预测结果如图2所示。图中显示了四种不同预测模型的预测结果和真实值之间的对比，整体上预测模型的预测结果与真实值的走势大致相同，其中IOFA-SVM的预测结果在除极个别预测值与真实值的误差较大，曲线整体与真实值拟合效果较好，同真实值最为接近，表明本发明所提的IOFA-SVM预测模型有较好的预测能力。由图可知，BP和OFA-SVM的预测能力较为接近，但与IOFA-SVM相比，预测误差较大的点的个数明显增多，GWO-SVM预测模型的输出结果与真实值距离相差在几种模型中最大，表明该模型预测效果较差。

为了更加直观的展示不同预测模型的预测能力，分别了计算不同预测模型的各个预测结果的相对误差和平均相对误差(Mean Related Error，MRE)，计算结果如图3和表1所示。

表1不同预测模型平均相对误差

通过图3和表1表明，BP预测模型的平均相对误差大而且其相对误差曲线最高而且波动最大，表明其预测精度相较于SVM预测模型预测精度和稳定性较差。表中GWO-SVM和OFA-SVM平均相对误差值较为接近，但与IOFA-SVM预测模型相比，除极个别预测点之外，IOFA-SVM模型的相对误差曲线均位于其他三种模型之下，且IOFA-SVM模型的平均相对误差最小，与BP相比平均相对误差下降1.69％，表明本发明所提的改进模型具有更准确的预测能力。

为衡量不同预测模型预测能力，本发明用MAE、NMAE和NRMSE三个评价指标对预测结果进行评价，结果如表2所示，各种模型预测结果对比柱状图如图4所示。

表2不同预测模型的评价指标

从表2可以看出，用不同算法优化SVM的预测模型三种评价指标均要优于BP，结合图3，BP的输出预测相对误差曲线大多数点位于其他三种预测模型之上，结合BP自身特点，可见BP在风电输出功率预测方面能力较差。IOFA-SVM模型的MAE值为2.56％，相较于其他三种模型分别下降了1.05％、0.89％、0.49％，表明IOFA-SVM各个预测点与真实值之间的离散程度较小，即误差值较大的点较少，IOFA-SVM模型的NMAE值为3.83％，相较于其他三种模型分别下降1.69％、0.85％、0.53％，IOFA-SVM模型的NRMSE值为3.31％，相较于其他三种模型分别下降1.84％、0.97％、0.50％，表明预测值与真实值之间的偏差更小，预测值与真实值的拟合效果较好。通过上述的评价指标分析，表明本发明所提的IOFA-SVM风电输出功率预测模型具有更加准确的预测效果。

为更加直观的表现所提模型的预测能力，本发明对不同模型中相对误差区间在[-2.5％,2.5％],[-5％,5％]和[-7.5％,7.5％]的预测值个数百分比分别进行统计，统计结果如表3所示，其中不同预测模型的相对误差在[-2.5％,2.5％]区间内点的个数百分比为39.58％，31.25％，35.42％和43.75％，只有所提模型的预测点个数多于40％，从统计结果可以看出本发明做提的模型预测结果要优于其他预测模型。所提模型的91.67％预测点相对误差在[-7.5％,7.5％]区间内，说明大部分预测点分布于低误差区间，进而表明所提模型出色的预测能力。

表3不同预测模型的误差区间评估

通过以上风电输出功率预测分析可以看出，

本发明提出了基于改进最优觅食算法优化支持向量机的短期风电功率预测模型，首先在传统最优觅食算法的基础上加入柯西变异和差分进化策略，在最优觅食位置寻优过程中增大随机性，避免算法陷入局部最优觅食位置，增强算法寻找全局最优解的能力，然后用改进后的算法寻找支持向量机的最优参数c和g并建立输出功率预测模型，选取历史数据中的风速和风向作为输入，预测未来48小时的风电功率输出，并将改进模型的预测结果与BP、GWO-SVM、OFA-SVM模型进行对比，IOFA-SVM模型的平均相对误差下降了1.69％。通过观察风电输出功率曲线并结合不同评价指标，相较于其他三种预测模型，IOFA-SVM模型的风电输出功率预测值误差小且曲线拟合效果较好，说明本发明所提的IOFA-SVM模型具有更准确的预测能力。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (8)

1.一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：包括以下步骤：

步骤1、收集风力发电待预测数据并对其进行归一化处理；

步骤2、选取目标函数与误差评价指标；

步骤3、使用改进最优觅食算法及优化支持向量机，进行短期风电功率预测。

2.根据权利要求1所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述风力发电待预测包括风电功率、风速和风向正余弦值。

3.根据权利要求1所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤2选取均方根误差作为SVM的目标函数，选取的误差评价指标包括：平均绝对误差、标准绝对值平均误差和标准均方误差。

4.根据权利要求1所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤3的具体实现方法为：

步骤3.1、使用改进的最优觅食算法搜索最优觅食位置，选取最优惩罚因子c和核函数参数g；

步骤3.2、对输入待预测数据建立SVM回归预测模型得到预测结果，并进行反归一化。

步骤3.3、将预测结果与实际风电功率数据对比，选取评价指标衡量预测结果。

5.根据权利要求4所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤3.1的具体实现方法包括以下步骤：

⑴初始化种群觅食位置，并计算每个个体的目标函数值；

⑵对目标函数值进行排序，记录当前最优觅食位置和最优目标函数值；

⑶计算新的觅食位置并计算新的目标函数值；

⑷判断新的觅食位置，选出当前最优觅食位置为最优解；

⑸对当前最优觅食位置进行柯西变异，计算目标函数值；

⑹比较变异前后的目标函数值，若变异后的觅食位置优于之前位置，保留变异后的位置用于下次搜索，否则忽略新位置；

⑺对每个个体进行差分进化操作；

⑻判断是否达到最大搜索次数，达到结束搜索并输出最优觅食位置，得到最优惩罚因子c和核函数参数g，否则继续执行步骤⑶。

6.根据权利要求5所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤⑶采用如下公式计算新的觅食位置：

所述步骤⑷采用下式判断新的觅食位置：

所述⑸采用下式计算目标函数值：

上式中，

为[0,1]的随机数，F为目标函数值，

为从1到0线性递减的向量，γ为均匀分布于[0,1]之间的随机值。

7.根据权利要求5所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤⑺采用如下方法对每个个体进行差分进化操作：

首先，采用差分变异策略中的DE/rand/1策略对种群向量进行变异，在每一次轮迭代后期加入差分变异策略，公式如下：

式中，p₁≠p₂≠p₃，

为差分向量，F∈[0.1,0.9]为缩放因子，h^i,t为第i个位置在第t次迭代的变异向量；

然后，进行如下交叉操作：

式中，v^i,t为第i个搜索位置的交叉变量；j0为维数中的一个随机值，每次交叉操作仅涉及个体的一个维度，pCR∈[0,1]为交叉概率；

最后，按照贪婪准则保留目标函数值较优向量作为下一代个体，选择操作表示为：

8.根据权利要求4所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤3.2建立的SVM回归预测模型为：

通过一个非线性映射φ(x)函数，将低维样本x映射到更高维的向量空间Rⁿ中，其函数关系如下：

式中：ω是权值系数，b是偏置项，f(x)为样本x对应的预测值；

建立如下目标函数以及约束条件：

式中，C为惩罚参数，其值的大小代表对跳出允许拟合误差ε不敏感点的惩罚力度；

通过拉格朗日函数求解上式，将寻找带有条件的最优值问题转化为无限制条件的函数，对各个参数求解偏导，利用对偶定理并加入核函数的支持向量机的回归函数式为：

采用如下径向基函数将来自输入空间的样本映射到高维特征空间，

其中，δ是核函数的带宽。

Images