基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法技术

技术编号:14339448 阅读:150 留言:0更新日期:2017-01-04 12:03
本发明专利技术公开了一种基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法,其特征是如下步骤进行:1采集风电场输出功率的数据,并进行数据清洗;2样本数据归一化处理,选取训练集和测试集数据;3构建支持向量分位数回归模型;4运用遗传算法优化支持向量分位数回归参数;5建立风电功率概率密度预测模型,得到最终的风电功率预测结果。本发明专利技术能通过遗传算法全局搜索寻优,提高风电功率的预测精度,且能够量化风电功率的不确定性,为风电并入的安全稳定运行提供了依据。

【技术实现步骤摘要】

本专利技术属于风电功率
,主要涉及一种基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法
技术介绍
风能是一种清洁、永久的可再生性新能源,随着化石燃料的急速消耗和能源需求的不断增加,其开发和利用受到各个国家的广泛重视。近年来风力发电技术逐渐成熟,风能已经成为一种传统能源的补充能源,在可再生能源中增长速度最快。但由于风力发电是随机的,具有极大的不确定性,大规模的风电并网为电力系统的稳定运行带来了巨大的挑战。准确有效的电功率预测结果可以帮助电力部门合理的制定调度计划,降低风电并入电网的风险,同时减小系统备用容量等运行成本。风电功率易受天气突变、风电机维修、停机及数据抄录等因素的影响,收集到的风电功率数据集中可能存在缺失值和异常值,从而影响风电功率预测的精度。但目前的研究都是仅对数据集进行异常指识别和清洗,或直接用收集的数据进行预测,没有将清洗后正常的风电功率数据用于风电功率预测中,得到的风电功率预测精度相对较低。另一方面,目前关于风电功率预测方面的论文主要是研究风电场在未来某一时刻点的输出值或预测区间,而风电场输出功率易受到天气、风速、风向以及风电机等因素的影响,因此获得的点预测和预测区间结果可靠性较低,不利于电力系统经济稳定的运行。决策者在进行合理的风险评估和决策分析,需要获取更多有用的风电功率信息,量化风电功率的不确定性。通过风电功率概率密度预测可获得更多的有用信息,但是目前关于概率密度预测的研究大都是通过假设风电功率的预测误差分布来构建概率预测模型,但实际中很难有与假设相同的分布,参数选择和计算比较复杂。
技术实现思路
本专利技术为克服现有预测方法可靠性低,而且计算复杂等不足之处,提出了一种基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法,以期能通过遗传算法全局搜索寻优,提高风电功率的预测精度,且能够量化风电功率的不确定性,为风电并入的安全稳定运行提供了依据。本专利技术为解决技术问题采用如下技术方案:本专利技术一种基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法的特点是按照以下步骤进行:步骤1、采集风电功率的数据,并进行数据清洗:步骤1.1、采集风电功率的历史数据组成原始数据集L,记为L=(l1,l2,…,li,…,lN),li为所述原始数据集L中第i个时刻点的风电功率数据,1≤i≤N,N为所述原始数据集的时刻点总数;步骤1.2、检查所述原始数据集L中是否存在缺失值,若存在缺失值,则利用B-样条插值对所有缺失值进行插补,从而得到完整的数据集为所述完整的数据集L*中第i个时刻点的风电功率数据;步骤1.3、定义修正次数为a,并初始化a=0;步骤1.4、以所述完整的数据集作为第a次校验的数据集;步骤1.5、利用四分位数法检验所述第a次校验的数据集中是否存在异常值,若存在异常值,则利用所述B-样条插值法修正所述异常值,从而得到第a+1次更新后的数据集为第a+1次更新后的数据集中第i个时刻点的风电功率数据;以所述第a+1次更新后的数据集作为第a+1次校验的数据集;步骤1.6、将a+1赋值给a并返回步骤1.5执行,直到第A次更新后的数据集中不存在异常值为止,从而完成数据清洗;为第A次更新后的数据集中第i个时刻点的风电功率数据;步骤2.样本归一化处理,并确定训练集和测试集:步骤2.1、对所述第A次更新后的数据集LA作归一化处理,获得归一化后的数据集L′=(l′1,l′2,…,l′i,…,l′N),l′i为归一化后的数据集L′中第i个时刻点的数据;步骤2.2、将所述归一化后的数据集L′中的数据进行滚动排列,得到N1×(d+1)维矩阵;步骤2.3、将所述N1×(d+1)维矩阵划分为训练集和测试集,所述训练集记为表示所述训练集中第j行输入的d维行向量,表示所述训练集中第j行的一维实际输出值;所述测试集表示所述测试集中第k行输入的d维行向量,表示所述测试集中第k行的一维实际输出值,并有:Ntrain+Ntest=N1;步骤3.构建支持向量分位数回归模型:步骤3.1、将所述训练集第j行输入的d维行向量分别作为训练输入变量的第j个线性成分xj和第j个非线性成分pj,将所述训练集中第j行的一维实际输出值作为第j个训练实际输出值yj,建立如式(1)所示的支持向量分位数回归模型:式(1)中,T为转置;τr表示第r个分位点,且τr∈(0,1),r=1,2,…,Nτ;Nτ表示分位点的个数;表示第r个分位点τr下的参数向量,表示第r个分位点τr下的阈值;C为惩罚参数,为第r个分位点τr下的系数向量,表示非线性映射函数,表示检验函数;并有:ρτr(u)=τru,u≥0(τr-1)u,u<0---(2)]]>式(2)中,步骤3.2、对如式(1)所示的支持向量分位数回归模型引入松弛变量,构建Lagrange函数,从而求解式(1)得到式(3)所示的第r个分位点τr下的参数向量阈值和系数向量式(3)中,ε,ε*为最优Lagrange乘子向量,εj,为第j个最优Lagrange乘子;设计矩阵且j∈I;I为支持向量的下标集y={yj|j∈I本文档来自技高网...
基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法

【技术保护点】
一种基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法,其特征是按照以下步骤进行:步骤1、采集风电功率的数据,并进行数据清洗:步骤1.1、采集风电功率的历史数据组成原始数据集L,记为L=(l1,l2,…,li,…,lN),li为所述原始数据集L中第i个时刻点的风电功率数据,1≤i≤N,N为所述原始数据集的时刻点总数;步骤1.2、检查所述原始数据集L中是否存在缺失值,若存在缺失值,则利用B‑样条插值对所有缺失值进行插补,从而得到完整的数据集为所述完整的数据集L*中第i个时刻点的风电功率数据;步骤1.3、定义修正次数为a,并初始化a=0;步骤1.4、以所述完整的数据集作为第a次校验的数据集;步骤1.5、利用四分位数法检验所述第a次校验的数据集中是否存在异常值,若存在异常值,则利用所述B‑样条插值法修正所述异常值,从而得到第a+1次更新后的数据集为第a+1次更新后的数据集中第i个时刻点的风电功率数据;以所述第a+1次更新后的数据集作为第a+1次校验的数据集;步骤1.6、将a+1赋值给a并返回步骤1.5执行,直到第A次更新后的数据集中不存在异常值为止,从而完成数据清洗;为第A次更新后的数据集中第i个时刻点的风电功率数据;步骤2.样本归一化处理,并确定训练集和测试集:步骤2.1、对所述第A次更新后的数据集LA作归一化处理,获得归一化后的数据集L′=(l′1,l′2,…,l′i,…,l′N),l′i为归一化后的数据集L′中第i个时刻点的数据;步骤2.2、将所述归一化后的数据集L′中的数据进行滚动排列,得到N1×(d+1)维矩阵;步骤2.3、将所述N1×(d+1)维矩阵划分为训练集和测试集,所述训练集记为表示所述训练集中第j行输入的d维行向量,表示所述训练集中第j行的一维实际输出值;所述测试集表示所述测试集中第k行输入的d维行向量,表示所述测试集中第k行的一维实际输出值,并有:Ntrain+Ntest=N1;步骤3.构建支持向量分位数回归模型:步骤3.1、将所述训练集第j行输入的d维行向量分别作为训练输入变量的第j个线性成分xj和第j个非线性成分pj,将所述训练集中第j行的一维实际输出值作为第j个训练实际输出值yj,建立如式(1)所示的支持向量分位数回归模型:式(1)中,T为转置;τr表示第r个分位点,且τr∈(0,1),r=1,2,…,Nτ;Nτ表示分位点的个数;表示第r个分位点τr下的参数向量,表示第r个分位点τr下的阈值;C为惩罚参数,为第r个分位点τr下的系数向量,表示非线性映射函数,表示检验函数;并有:ρτr(u)=τru,u≥0(τr-1)u,u<0---(2)]]>式(2)中,步骤3.2、对如式(1)所示的支持向量分位数回归模型引入松弛变量,构建Lagrange函数,从而求解式(1)得到式(3)所示的第r个分位点τr下的参数向量阈值和系数向量式(3)中,ε,ε*为最优Lagrange乘子向量,为第j个最优Lagrange乘子;设计矩阵且j∈I;I为支持向量的下标集y={yj|j∈I},K为核矩阵,并有:v∈I;σ2表示自由参数;步骤4.通过遗传算法优化所述支持向量分位数回归模型中的惩罚参数C及自由参数σ2:步骤4.1、初始化种群:通过随机方法初始化支持向量分位数回归模型中惩罚参数C及自由参数σ2所组成的种群st为种群中的第t个个体,1≤t≤ns,并有Ct表示第t个个体的惩罚参数;表示第t个个体的自由参数,ns为种群的规模;步骤4.2、运用训练集Ltrain训练所述支持向量分位数回归模型,得到训练后模型输出的上界和下界表示第j行的输出上界,表示第j行的输出下界,从而建立如式(4)所示的适应度函数:minPINAW+μ(PICP)(β1Σj=1NL(yjL-yjtrain)+β2Σj=1NU(yjtrain-yjU))---(4)]]>式(4)中,NL表示第j行的一维实际输出值小于第j行的输出下界的个数;NU表示第j行的一维实际输出值大于第j行的输出上界的个数;β1表示第j行的一维实际输出值小于第j行的输出下界的惩罚系数;β2表示第j行的一维实际输出值大于第j行的输出上界的惩罚系数;PICP表示训练输出区间的覆盖概率,并有δj表示布尔值;若第j行的一维输出值则;令δj=1,否则,令δj=0;μ(·)表示置信度函数,当PICP<υ时,μ(PICP)=1,否则μ(PICP)=0,υ表示置信度;PINAW表示训练输出区间平均带宽,并有RC表示训练输出区间的上界最大值与下界最小值之间的差值,步骤4.3、计算种群中个体的适应度值,找出适应度值最优的个体及对应的惩罚参数和自由参数,作为当前局部最优值;步骤4.4、对种群中的...

【技术特征摘要】
1.一种基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法,其特征是按照以下步骤进行:步骤1、采集风电功率的数据,并进行数据清洗:步骤1.1、采集风电功率的历史数据组成原始数据集L,记为L=(l1,l2,…,li,…,lN),li为所述原始数据集L中第i个时刻点的风电功率数据,1≤i≤N,N为所述原始数据集的时刻点总数;步骤1.2、检查所述原始数据集L中是否存在缺失值,若存在缺失值,则利用B-样条插值对所有缺失值进行插补,从而得到完整的数据集为所述完整的数据集L*中第i个时刻点的风电功率数据;步骤1.3、定义修正次数为a,并初始化a=0;步骤1.4、以所述完整的数据集作为第a次校验的数据集;步骤1.5、利用四分位数法检验所述第a次校验的数据集中是否存在异常值,若存在异常值,则利用所述B-样条插值法修正所述异常值,从而得到第a+1次更新后的数据集为第a+1次更新后的数据集中第i个时刻点的风电功率数据;以所述第a+1次更新后的数据集作为第a+1次校验的数据集;步骤1.6、将a+1赋值给a并返回步骤1.5执行,直到第A次更新后的数据集中不存在异常值为止,从而完成数据清洗;为第A次更新后的数据集中第i个时刻点的风电功率数据;步骤2.样本归一化处理,并确定训练集和测试集:步骤2.1、对所述第A次更新后的数据集LA作归一化处理,获得归一化后的数据集L′=(l′1,l′2,…,l′i,…,l′N),l′i为归一化后的数据集L′中第i个时刻点的数据;步骤2.2、将所述归一化后的数据集L′...

【专利技术属性】
技术研发人员:何耀耀李海燕刘瑞王刚郑丫丫严煜东秦杨
申请(专利权)人:合肥工业大学
类型:发明
国别省市:安徽;34

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1