CN115310669A - 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 - Google Patents
一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 Download PDFInfo
- Publication number
- CN115310669A CN115310669A CN202210796173.3A CN202210796173A CN115310669A CN 115310669 A CN115310669 A CN 115310669A CN 202210796173 A CN202210796173 A CN 202210796173A CN 115310669 A CN115310669 A CN 115310669A
- Authority
- CN
- China
- Prior art keywords
- decomposition
- wind power
- lssvm
- iwoa
- prediction
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 241000283153 Cetacea Species 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 11
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风电功率预测技术领域,具体涉及一种基于二次分解和IWOA‑LSSVM的超短期风电功率预测方法,该方法包括:采用CEEMD对原始风电功率序列进行一次分解,并计算一次分解后所有分量的样本熵;对样本熵大的部分子序列利用VMD进行二次分解;采用改进的鲸鱼优化算法优化LSSVM模型参数,建立IWOA‑LSSVM预测模型对二次分解获得的所有分量进行预测;将所有分量预测结果叠加,得到最终的风电功率预测结果,并对预测结果进行误差验证。运用该方法,有效解决了原始风电功率序列复杂度较高难以分析、优化算法收敛速度慢以及模型预测精度低等问题,具有准确性高、应用前景好的优点。
Description
技术领域
本发明涉及风电功率预测技术领域,具体涉及一种基于二次分解和IWOA-LSSVM的超短期风电功率预测方法。
背景技术
近年来,随着新能源的发展,以风力发电、光伏发电为代表的可再生能源发电装机容量在电力系统中的占比持续提高。风电具有随机性强、间歇性明显、波动幅度大、波动频率无规律性、反调峰等特性。这些不确定性因素增加了电网稳定运行的潜在风险及电网调峰的难度。准确的风电功率预测不仅有助于电网调度人员制定合理的发电计划,而且能给风电场的调度和储能提供策略,降低风电场发电成本。
通常情况下,风电功率预测方法可以分为两大类:物理方法和统计方法。物理预测方法通过物理定律和边界条件来研究风速的变化,通常在长时风速预测中具有良好的性能。此方法需考虑地形和位置等地理信息,风向、气压、温度和湿度等气象信息,并与物理数值天气预报有机结合来进行风功率预测,但其计算复杂度大、计算时间较长且物理数值天气预报更新速度慢,从而较难得到准确的风电功率预测值。统计方法是现在研究比较多的功率预测方法,相比物理方法,统计方法的预测效果更加优秀,统计方法主要通过风电场的历史数据,结合智能算法建立预测模型,在短时功率预测中具有很好的效果。
由于风电功率序列具有很强的波动性、非线性以及复杂性,现有技术很多采用EMD(经验模态分解)、EEMD(集合经验模态分解)分解以降低其复杂度,但EMD算法分解易产生模态混叠现象,EEMD分解又有噪声信号的干扰;同时众多预测模型也各有缺陷,例如BP神经网络(一种按误差逆传播算法训练的多层前馈网络)的结构单一,预测精度不稳定;利用优化算法优化模型参数能够提高模型预测精度,但众多优化算法也各有不足,例如遗传优化算法的收敛速度有待提升。
因此,亟需一种基于二次分解和IWOA-LSSVM的超短期风电功率预测方法。
发明内容
本发明为解决原始风电功率序列复杂度较高难以分析、优化算法收敛速度慢以及模型预测精度低的问题,提供了一种基于二次分解和IWOA-LSSVM的超短期风电功率预测方法。
本发明为了实现上述目的,本发明提供了一种基于二次分解和IWOA-LSSVM的超短期风电功率预测方法,该方法包括:
S1、采用CEEMD对原始风电功率序列进行一次分解,并计算一次分解后所有分量的样本熵;
S2、对样本熵大的部分子序列利用VMD进行二次分解;
S3、采用改进的鲸鱼优化算法优化LSSVM模型参数,建立IWOA-LSSVM预测模型对二次分解获得的所有分量进行预测;
S4、将所有分量预测结果叠加,得到最终的风电功率预测结果,并对预测结果进行误差验证。
优选地,在步骤S1中,采用CEEMD对原始风电功率序列进行一次分解,并计算一次分解后所有分量的样本熵具体包括:
S1.2、对产生的一组新的信号进行EMD分解;
S1.3、对分解得到的若干IMF分量取均值;
S1.4、计算得到的所有分量的样本熵。
优选地,在步骤S1.2中,对产生的一组新的信号进行EMD分解具体包括:
S1.2.1、采用三次样条插值法获得序列上下包络线Ui(t)和Li(t);
其中,Ui(t)≥Xi(t)≥Li(t);
S1.2.2、求出上下包络线的均值mi(t):
S1.2.3、提取出信号的局部细节信息hi(t):
hi(t)=Xi(t)-mi(t)
S1.2.4、判断hi(t)是否同时满足条件a和b,若同时满足条件a和b,则进行S1.2.5,否则返回执行步骤S1.2.1;其中,条件a为点的个数与序列过零点的个数相等或相差为一,条件b为在任意时刻点,上下包络线的平均值为零;
S1.2.5、计算剩余数据ri(t):
ri(t)=Xi(t)-hi(t)
S1.2.6、重复执行步骤S1.2.1-S1.2.5获取N个IMF分量,直到满足式(1)时停止分解;
其中,M为筛选次数,n为样本数;
S1.2.7、最终得到的EMD分解结果为:
其中,N是被分解出来的IMF总个数。
优选地,在步骤S2中,对样本熵大的部分子序列利用VMD进行二次分解具体包括:
S2.1、构造变分优化函数:
S2.2、用拉格朗日法求解变分优化函数:
其中,α为惩罚因子,α>0,λ为算子,<·,·>表示内积;
S2.3、结合交替方向乘子算法以及傅里叶变换,得到最终迭代表达式:
其中,步长τ>0。
优选地,在步骤S3中,采用改进的鲸鱼优化算法优化LSSVM模型参数,建立IWOA-LSSVM预测模型对二次分解获得的所有分量进行预测具体包括:
S3.1、对鲸鱼优化算法进行改进;
S3.2、采用改进的鲸鱼优化算法对LSSVM中的惩罚因子γ和核函数参数σ进行优化;
S3.3、建立IWOA-LSSVM模型,对二次分解后的风电功率子序列进行分别预测。
优选地,在步骤S3.1中,对鲸鱼优化算法进行改进具体包括:
a、引入柯西变异策略,具体数学描述公式为:
其中,x(t)为鲸鱼个体变异前的位置,x(t+1)为变异后的位置,r为值域在[0,1]的随机值;
b、引入自适应权重策略,具体数学描述公式为:
x(t+1)=wx*(t)-AD
x(t+1)=D'ebl cos(2πl)+wx*(t)
其中,w为自适应权重,Max_iter为寻优代数。
优选地,在步骤S3.1中,对鲸鱼优化算法进行改进具体还包括:
c、引入随机差分变异策略,具体数学描述公式为:
x(t+1)=r1(x*(t)-x(t))+r2(x'(t)-x(t))
其中,x'(t)是种群中随机选取个体,r1和r2是值域在[0,1]的随机值。
优选地,步骤S3.2中LSSVM的求解步骤为:
1)、设置风电功率训练样本集,将集合中的样本做空间映射,建立最优决策函数:
y(x)=ωφ(x)+b
2)、根据结构风险化的最小值理论,得到优化后的最优决策函数:
yi=φ(xi)ω+b+ξi,i=1,…,l
其中,ξi为松弛变量,c为惩罚因子,l为训练样本长度;
3)、采用拉格朗日乘数法求解步骤S3.2.2中优化后的最优决策函数,得到最终线性回归式:
其中,K(xi,xj)为核函数。
优选地,在步骤S4中,将所有分量预测结果叠加,得到最终的风电功率预测结果,并对预测结果进行误差验证具体包括:
S4.1、将所有风电功率子序列预测结果叠加得到最终的风电功率预测结果;
S4.2、计算RMSE、MAE和MAPE的值,对预测结果进行误差验证。
优选地,RMSE、MAE和MAPE的表达式为:
根据上述技术方案,运用该方法,有效解决了原始风电功率序列复杂度较高难以分析、优化算法收敛速度慢以及模型预测精度低等问题,不仅有助于电网调度人员制定合理的发电计划,而且还能给风电场的调度和储能提供策略,降低风电场发电成本,具有良好的应用前景。
附图说明
图1是基于二次分解和IWOA-LSSVM的超短期风电功率预测方法的流程图;
图2是基于二次分解和IWOA-LSSVM的超短期风电功率预测方法的总体流程框图;
图3是本发明实施例中风电功率的原始序列示意图;
图4是本发明实施例中风电功率原始序列CEEMD一次分解后的示意图;
图5是本发明中针对一次分解后样本熵大的子序列进行VMD二次分解的示意图;
图6是本发明中的改进鲸鱼优化算法与其他优化算法收敛曲线的对比图;
图7是本发明实施例中采用本发明方法的预测结果与真实值的对比图;
图8是本发明实施例中采用本发明方法与其他方法的预测结果的对比图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明提供了一种基于二次分解和IWOA(改进的鲸鱼优化算法)-LSSVM(最小二乘支持向量机)的超短期风电功率预测方法,如图1-2所示,该方法包括以下步骤:
S1、采用CEEMD(互补集合经验模态法)对原始风电功率序列进行一次分解,并计算一次分解后所有分量的样本熵;
S2、对样本熵大的部分子序列利用VMD(变分模态分解法)进行二次分解;
S3、采用改进的鲸鱼优化算法优化LSSVM模型参数,建立IWOA-LSSVM预测模型对二次分解获得的所有分量进行预测;
S4、将所有分量预测结果叠加,得到最终的风电功率预测结果,并对预测结果进行误差验证。
根据上述技术方案,运用该方法,有效解决了原始风电功率序列复杂度较高难以分析、优化算法收敛速度慢以及模型预测精度低等问题,不仅有助于电网调度人员制定合理的发电计划,而且还能给风电场的调度和储能提供策略,降低风电场发电成本,具有良好的应用前景。
根据本发明的一种优选的实施方式,在步骤S1中,采用CEEMD对原始风电功率序列进行一次分解,并计算一次分解后所有分量的样本熵具体包括:
S1.2、对产生的一组新的信号进行EMD分解;
其中,该步骤中对产生的一组新的信号进行EMD分解具体包括:
S1.2.1、采用三次样条插值法获得序列上下包络线Ui(t)和Li(t);
其中,Ui(t)≥Xi(t)≥Li(t);
S1.2.2、求出上下包络线的均值mi(t):
S1.2.3、提取出信号的局部细节信息hi(t):
hi(t)=Xi(t)-mi(t)
S1.2.4、判断hi(t)是否同时满足条件a和b,若同时满足条件a和b,则进行S1.2.5,否则返回执行步骤S1.2.1;其中,条件a为点的个数与序列过零点的个数相等或相差为一,条件b为在任意时刻点,上下包络线的平均值为零;
S1.2.5、计算剩余数据ri(t):
ri(t)=Xi(t)-hi(t)
S1.2.6、重复执行步骤S1.2.1-S1.2.5获取N个IMF分量,直到满足式(1)时停止分解;
其中,M为筛选次数,n为样本数;
S1.2.7、最终得到的EMD分解结果为:
其中,N是被分解出来的IMF总个数。
S1.3、对分解得到的若干IMF分量取均值;
S1.4、计算得到的所有分量的样本熵。
在本发明实施例中,CEEMD分解过程中包括EMD分解,其中步骤S1.3表示的是对EMD分解得到的若干IMF分量取均值,即可得到CEEMD分解的第某个分量,而步骤S1.4则表示的是当得到所有的CEEMD分解分量后计算CEEMD分解得到的所有分量的样本熵。具体地,本实施例中选取了河北某风电场某1.5MW风机2017年12月1日至2017年12月8日共8天(采样周期为5min)的风电功率数据,总共采集到2304个点作为研究对象,最后48个点作为测试数据。其中,采集的风电功率数据曲线如图3所示。对风电功率原始序列经CEEMD一次分解后的图如图4所示。
根据本发明的一种优选的实施方式,在步骤S2中,对样本熵大的部分子序列利用VMD进行二次分解具体包括:
S2.1、构造变分优化函数:
S2.2、用拉格朗日法求解变分优化函数:
其中,α为惩罚因子,α>0,λ为算子,<·,·>表示内积;
S2.3、结合交替方向乘子算法(ADMM)以及傅里叶变换,得到最终迭代表达式:
其中,步长τ>0。
在本发明实施例中,基于上述步骤S1选取的风电功率原始数据,经CEEMD一次分解后,由于前四个分量样本熵值明显大于其他分量,因此选用样本熵值较大的前四个分量进行VMD二次分解,经二次分解后可以将原始风电功率序列转换为若干相对平稳的分量,同时,将二次分解后的所有分量进行归一化处理。其中,一个分量的VMD分解示意图如图5所示。
根据本发明的一种优选的实施方式,在步骤S3中,采用改进的鲸鱼优化算法优化LSSVM模型参数,建立IWOA-LSSVM预测模型对二次分解获得的所有分量进行预测具体包括:
S3.1、对鲸鱼优化算法进行改进;
其中,该步骤中对鲸鱼优化算法进行改进具体包括:
a、引入柯西变异策略,具体数学描述公式为:
其中,x(t)为鲸鱼个体变异前的位置,x(t+1)为变异后的位置,r为值域在[0,1]的随机值;
b、引入自适应权重策略,具体数学描述公式为:
x(t+1)=wx*(t)-AD
x(t+1)=D'ebl cos(2πl)+wx*(t)
其中,w为自适应权重,Max_iter为寻优代数。
c、引入随机差分变异策略,具体数学描述公式为:
x(t+1)=r1(x*(t)-x(t))+r2(x'(t)-x(t))
其中,x'(t)是种群中随机选取个体,r1和r2是值域在[0,1]的随机值。
S3.2、采用改进的鲸鱼优化算法对LSSVM中的惩罚因子γ和核函数参数σ进行优化;
其中,步骤S3.2中LSSVM的求解步骤为:
1)、设置风电功率训练样本集,将集合中的样本做空间映射,建立最优决策函数:
y(x)=ωφ(x)+b
2)、根据结构风险化的最小值理论,得到优化后的最优决策函数:
yi=φ(xi)ω+b+ξi,i=1,…,l
其中,ξi为松弛变量,c为惩罚因子,l为训练样本长度;
3)、采用拉格朗日乘数法求解步骤S3.2.2中优化后的最优决策函数,得到最终线性回归式:
其中,K(xi,xj)为核函数。
S3.3、建立IWOA-LSSVM模型,对二次分解后的风电功率子序列进行分别预测。
在本发明实施例中,采用改进的鲸鱼优化算法优化LSSVM模型参数,建立IWOA-LSSVM预测模型对二次分解获得的所有分量进行预测的构思为:将二次分解得到的所有分量的训练集依次输入到LSSVM模型中进行训练。每个分量进行训练时都利用改进的鲸鱼优化算法优化LSSVM模型中的惩罚因子和核函数参数,得到最优的预测模型。再将各分量的测试集输入到训练好的IWOA-LSSVM模型中进行预测,得到所有分量的预测结果。其中,利用改进的鲸鱼优化算法(IWOA)优化LSSVM模型中的惩罚因子γ和核函数参数σ与其他优化算法的收敛曲线对比图如图6所示。鲸鱼优化算法(WOA)主要包括三个阶段:包围猎物、气泡网捕食、搜索猎物。具体步骤如下:
(1)包围猎物。鲸鱼优化算法将最近的个体视为猎物,也就是最优解,然后群体中的其它鲸鱼会逐步靠近当前最优解来包围猎物,与此同时进行位置更新。更新公式如下:
D=|Cx*(t)-x(t)|
x(t+1)=x*(t)-AD
其中,t为当前迭代次数;x*(t)为当前最优解的位置;D为当前搜索个体与最优解之间的距离;x(t)为当前搜索个体的位置;A和C为系数向量。
A=2ar-a
C=2r
其中,a为收敛因子,由2线性递减至0;r为值域在[0,1]之间的随机值。
(2)气泡网捕食。鲸鱼的捕食方式有两种机制:缩小环绕捕猎机制和螺旋气泡网捕猎机制。采用缩小环绕机制捕食时位置更新如下式所示:
x(t+1)=x*(t)-AD
采用螺旋气泡网机制捕食时位置更新如下式所示:
D'=|x*(t)-x(t)|
x(t+1)=D'eblcos(2πl)+x*(t)
其中,D'为当前搜索个体与当前最优解之间的距离;b为螺旋线参数;l为值域为[-1,1]的随机数。
由于座头鲸靠近猎物捕食有两种方式,因此WOA根据概率p来决定是缩小环绕机制或者螺旋气泡网机制进行捕食。位置更新公式如下式所示:
式中:p为捕食机制概率,值域是[0,1]之间的随机数。
随着迭代次数t的增加,参数A和收敛因子a逐渐减小,若|A|<1,则各鲸鱼逐渐包围当前最优解,在WOA中属于局部寻优阶段。
(3)搜索猎物。当A的绝对值小于1时,猎物位置为最优个体位置,此时鲸群中的其他鲸鱼个体就会就会向该位置不断靠近。当A的绝对值大于1时,就会重新选择当前最优个体,直到获得最优解。过程如下式:
D”=|Cxrand(t)-x(t)|
x(t+1)=xrand(t)-AD”
其中,D”为当前搜索个体与随机个体之间的距离;xrand(t)为当前随机个体的位置。
根据本发明的一种优选的实施方式,在步骤S4中,将所有分量预测结果叠加,得到最终的风电功率预测结果,并对预测结果进行误差验证具体包括:
S4.1、将所有风电功率子序列预测结果叠加得到最终的风电功率预测结果;
S4.2、计算RMSE、MAE和MAPE的值,对预测结果进行误差验证。
其中,RMSE、MAE和MAPE的表达式为:
在本发明实施例中,参阅图7-8,为了更好地体现本发明所提出的模型的优越性,下面分别对这4个预测模型的预测结果进行误差验证,求取各预测模型预测值的RMSE、MAE以及MAPE,其中,RMSE为根均方差,MAE为平均绝对误差,MAPE为平均相对百分误差,最后结果如下表1所示。
表1:模型预测误差评价指标
由上表可知本发明的风电功率预测模型的预测误差最低。其中,直接采用原始风电功率序列进行LSSVM建模预测效果最差,预测误差为15.24%;对模型参数进行优化的IWOA-LSSVM模型预测误差为14.37%;采用CEEMD进行一次分解,构建的CEEMD-IWOA-LSSVM模型预测预测误差为8.96%;采用CEEMD一次分解,利用样本熵分析,对依旧较复杂的子序列进行VMD二次分解,建立基于CEEMD-VMD-IWOA-LSSVM的风电功率预测模型的预测误差为4.41%。
本发明提供的基于二次分解和IWOA-LSSVM的超短期风电功率预测方法,运用该方法,有效解决了原始风电功率序列复杂度较高难以分析、优化算法收敛速度慢以及模型预测精度低等问题,不仅有助于电网调度人员制定合理的发电计划,而且还能给风电场的调度和储能提供策略,降低风电场发电成本,具有良好的应用前景。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于此。在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容,均属于本发明的保护范围。
Claims (10)
1.一种基于二次分解和IWOA-LSSVM的超短期风电功率预测方法,其特征在于,所述基于二次分解和IWOA-LSSVM的超短期风电功率预测方法包括:
S1、采用CEEMD对原始风电功率序列进行一次分解,并计算一次分解后所有分量的样本熵;
S2、对样本熵大的部分子序列利用VMD进行二次分解;
S3、采用改进的鲸鱼优化算法优化LSSVM模型参数,建立IWOA-LSSVM预测模型对二次分解获得的所有分量进行预测;
S4、将所有分量预测结果叠加,得到最终的风电功率预测结果,并对预测结果进行误差验证。
3.根据权利要求2所述的基于二次分解和IWOA-LSSVM的超短期风电功率预测方法,其特征在于,在步骤S1.2中,对产生的一组新的信号进行EMD分解具体包括:
S1.2.1、采用三次样条插值法获得序列上下包络线Ui(t)和Li(t);
其中,Ui(t)≥Xi(t)≥Li(t);
S1.2.2、求出上下包络线的均值mi(t):
S1.2.3、提取出信号的局部细节信息hi(t):
hi(t)=Xi(t)-mi(t)
S1.2.4、判断hi(t)是否同时满足条件a和b,若同时满足条件a和b,则进行S1.2.5,否则返回执行步骤S1.2.1;其中,条件a为点的个数与序列过零点的个数相等或相差为一,条件b为在任意时刻点,上下包络线的平均值为零;
S1.2.5、计算剩余数据ri(t):
ri(t)=Xi(t)-hi(t)
S1.2.6、重复执行步骤S1.2.1-S1.2.5获取N个IMF分量,直到满足式(1)时停止分解;
其中,M为筛选次数,n为样本数;
S1.2.7、最终得到的EMD分解结果为:
其中,N是被分解出来的IMF总个数。
5.根据权利要求1所述的基于二次分解和IWOA-LSSVM的超短期风电功率预测方法,其特征在于,在步骤S3中,采用改进的鲸鱼优化算法优化LSSVM模型参数,建立IWOA-LSSVM预测模型对二次分解获得的所有分量进行预测具体包括:
S3.1、对鲸鱼优化算法进行改进;
S3.2、采用改进的鲸鱼优化算法对LSSVM中的惩罚因子γ和核函数参数σ进行优化;
S3.3、建立IWOA-LSSVM模型,对二次分解后的风电功率子序列进行分别预测。
7.根据权利要求6所述的基于二次分解和IWOA-LSSVM的超短期风电功率预测方法,其特征在于,在步骤S3.1中,对鲸鱼优化算法进行改进具体还包括:
c、引入随机差分变异策略,具体数学描述公式为:
x(t+1)=r1(x*(t)-x(t))+r2(x'(t)-x(t))
其中,x'(t)是种群中随机选取个体,r1和r2是值域在[0,1]的随机值。
9.根据权利要求1所述的基于二次分解和IWOA-LSSVM的超短期风电功率预测方法,其特征在于,在步骤S4中,将所有分量预测结果叠加,得到最终的风电功率预测结果,并对预测结果进行误差验证具体包括:
S4.1、将所有风电功率子序列预测结果叠加得到最终的风电功率预测结果;
S4.2、计算RMSE、MAE和MAPE的值,对预测结果进行误差验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210796173.3A CN115310669A (zh) | 2022-07-06 | 2022-07-06 | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210796173.3A CN115310669A (zh) | 2022-07-06 | 2022-07-06 | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310669A true CN115310669A (zh) | 2022-11-08 |
Family
ID=83856576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210796173.3A Pending CN115310669A (zh) | 2022-07-06 | 2022-07-06 | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310669A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562650A (zh) * | 2023-05-17 | 2023-08-08 | 湖南城市学院 | 一种短期风电功率预测方法、装置及计算机可读存储介质 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
CN117408164A (zh) * | 2023-12-13 | 2024-01-16 | 西安热工研究院有限公司 | 储能辅助黑启动的风速智能预测方法及系统 |
-
2022
- 2022-07-06 CN CN202210796173.3A patent/CN115310669A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562650A (zh) * | 2023-05-17 | 2023-08-08 | 湖南城市学院 | 一种短期风电功率预测方法、装置及计算机可读存储介质 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
CN117117859B (zh) * | 2023-10-20 | 2024-01-30 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
CN117408164A (zh) * | 2023-12-13 | 2024-01-16 | 西安热工研究院有限公司 | 储能辅助黑启动的风速智能预测方法及系统 |
CN117408164B (zh) * | 2023-12-13 | 2024-03-22 | 西安热工研究院有限公司 | 储能辅助黑启动的风速智能预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414045B (zh) | 基于vmd-gru的短期风速预测方法 | |
CN115310669A (zh) | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 | |
CN110969290B (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN109871977A (zh) | 基于离散小波变换和优化最小支持向量机的负荷预测方法 | |
CN109255728B (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
CN113326969A (zh) | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 | |
Chen et al. | Online prediction of ultra-short-term photovoltaic power using chaotic characteristic analysis, improved PSO and KELM | |
CN111859733B (zh) | 一种基于蚁群算法的汽车排气系统可靠性优化方法 | |
CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
CN113158572A (zh) | 一种短期负荷的预测方法及装置 | |
Han et al. | Multi-step short-term wind power prediction based on three-level decomposition and improved grey wolf optimization | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN112819238A (zh) | 基于混沌鸡群优化算法的短期风电功率预测方法 | |
CN110782013A (zh) | 一种基于广义互熵自编码器的火电厂NOx排放量预测方法 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN112507613B (zh) | 一种秒级超短期光伏功率预测方法 | |
CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN115965134A (zh) | 一种区域电网风力发电功率预测优化方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
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 |