一种基于IJS-SVR模型的短期风电功率预测方法技术

本发明专利技术提出一种基于IJS

A short-term wind power prediction method based on ijs-svr model

【技术实现步骤摘要】
一种基于IJS
‑
SVR模型的短期风电功率预测方法


[0001]本专利技术的技术方案属于风力发电
，具体地说是一种短期风电功率预测方法。

技术介绍

[0002]近年来，国家新能源政策的出台使风力发电技术得到了广泛的应用。但随着风力发电装机容量的不断增加，一些在利用过程中的缺点和局限性也随之暴露出来。作为一种清洁能源，风能具有一定的波动性和不确定性。风力发电的输出功率也受季节、天气和其他因素的影响，当具有波动性的大规模风力发电系统接入电网时，势必会给电力系统的安全稳定运行带来挑战。
[0003]对风电功率进行预测是实现大规模风力发电系统接入电网的重要基础。短期风电功率预测是指对未来3天(72小时)以内的风力发电输出功率进行预测，其预测结果不仅可以为电网调度人员提供决策依据，减轻风力发电输出功率波动对电网的冲击，而且可以为电力生产部门带来经济效益。现有技术中，单纯的机器学习模型很难实现风电功率高精度的预测，因此常采用智能进化算法对机器学习模型进行优化，通过智能进化算法寻找模型关键性能参数的最优组合，能够在节省工作时间的同时提高模型的预测精度。但这些算法存在寻优能力差、早熟收敛等问题，导致最终风电功率预测结果的精度与准确度等方面仍可待提高。
[0004]因此，寻求一种预测精度高、预测误差小的短期风电功率预测方法不仅能有效地减轻风力发电输出功率波动对电网的冲击，保证电网安全可靠、绿色高效运行，而且有助于电力部门制定日常发电安排、提高风力发电经济效益。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术提出一种短期风电功率预测方法；该方法基于改进人工水母算法优化的支持向量回归模型(IJS
‑
SVR)对风力发电输出功率进行预测，利用混沌Tent映射方法改进水母种群的初始化，在水母位置更新公式中引入正弦动态自适应因子提高算法整体的寻优能力，通过种群变异对水母种群中部分水母的位置进行更新，提高种群整体的随机性，增强算法的全局搜索能力，避免在算法搜索过程中陷入局部最优解。
[0006]本专利技术解决其技术问题是采取以下技术方案实现的：
[0007]一种基于IJS
‑
SVR模型的短期风电功率预测方法，其步骤如下：
[0008]步骤1，获取风力发电相关数据集S，将风力发电相关数据分类成训练数据和测试数据，确定预测模型的输入和输出，并对数据进行归一化处理；
[0009]步骤2，设置改进人工水母(IJS)算法和支持向量回归(SVR)模型的参数；
[0010]步骤3，运行改进人工水母(IJS)算法，获得支持向量回归(SVR)模型中的最优惩罚因子C和核函数最优参数g；
[0011]步骤4，将优化得到的最优惩罚因子C和核函数最优参数g带入到支持向量回归
(SVR)模型中并训练改进人工水母算法优化的支持向量回归(IJS
‑
SVR)模型；
[0012]步骤5，将测试数据输入到IJS
‑
SVR模型中得到预测结果，并对预测结果进行反归一化；
[0013]步骤6，显示输出风电功率预测结果。
[0014]进一步，所述步骤1的具体实现方法包括以下步骤：
[0015]步骤1.1，获取风力发电相关数据集S，具体包括风速、风向和风力发电输出功率数据；
[0016]步骤1.2，对获取的数据集S按比例分别划分为训练数据和测试数据，将风速和风向作为模型的输入部分；风力发电输出功率作为模型的输出部分；
[0017]步骤1.3，根据式(1)对上述数据进行归一化处理：
[0018][0019]式中，A为待归一化的变量的值，如风速、风向和风力发电输出功率，A
min
为变量的最小值，A
max
为变量的最大值，A
N
为该变量归一化后的数值；
[0020]进一步，所述步骤2设置的参数包括：改进人工水母算法中的种群数量N、种群维度D和最大迭代次数T，以及支持向量回归模型中惩罚因子C的搜索范围、核函数参数g的搜素范围；
[0021]进一步，所述步骤3的具体实现方法包括以下步骤：
[0022]步骤3.1，使用改进的初始化策略对水母种群的位置进行初始化；
[0023]步骤3.2，计算水母种群中所有个体的适应度值，并记录适应度值最优的水母个体位置；
[0024]步骤3.3，开始迭代寻优，通过时间控制机制选择水母运动方式，使用所选运动方式对应的位置更新公式更新种群位置；
[0025]步骤3.4，计算每一代中个体的适应度值，记录并更新全局最优水母个体；
[0026]步骤3.5，对水母种群进行变异操作，更新种群中水母的位置，并计算适应度函数值，记录并更新全局最优水母个体位置；
[0027]步骤3.6，判断当前迭代次数是否满足最大迭代次数，若满足，则迭代结束，输出此时的全局最优水母个体位置X(x1，x2)(分别对应支持向量回归(SVR)模型的最优惩罚因子C和核函数最优参数g)，若不满足，则返回并继续执行步骤3.3；
[0028]进一步，所述步骤3中适应度值的计算方式为：选取均方误差(Mean Squared Error，MSE)作为适应度函数，采用训练数据优化支持向量回归(SVR)模型的内部参数；
[0029][0030]式中，F
obj
表示适应度函数，MSE表示均方误差函数，其值作为适应度函数值，m表示需要预测的输出功率数据的个数，y
i
和分别表示风力发电输出功率的真实值和预测值；
[0031]所述步骤3.1的具体实现方法为：
[0032]在进行种群位置初始化时，若出现种群分布不够均匀，甚至集中在很小范围内的情况，则会导致算法无法在规定的搜索空间内全面搜索；为此，本专利技术使用混沌Tent映射初始化方法生成初始种群；
[0033]混沌Tent映射方法通过使用混沌机制，使得初始化的水母在解空间内均匀分布；其函数形式描述如下：
[0034][0035]式中，x
t
表示所生成混沌序列中水母，其中t∈[1，2，...，n]，n表示所需初始化的水母种群的个数，α为调节参数，其取值决定着所生成的混沌序列的分布特性；
[0036]由于初始化种群以均匀分布为宜，因此选择对应均匀分布的调节参数值α＝0.5。此时可得公式(4)；
[0037][0038]采用混沌Tent映射方法生成的混合水母种群能够在丰富种群多样性的同时，使种群在解空间中的分布更加均匀，能够有效避免由于种群初始化位置分布的不均匀而导致的算法陷入局部最优解的情况。
[0039]所述步骤3.3的具体实现方法为：
[0040]所述水母运动方式包括跟随洋流运动，群内运动两种方式，其中，水母的群内运动分为被动运动和主动运动两种，表示为A类运动和B类运动；水母运动方式的切换和由时间控制机制决定；
[0041](a)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于IJS
‑
SVR模型的短期风电功率预测方法，其特征在于，该方法通过构建基于改进人工水母算法优化的支持向量回归模型(IJS
‑
SVR)对风力发电输出功率进行预测，具体步骤是：步骤1，获取风力发电相关数据集S，将风力发电相关数据分类成训练数据和测试数据，确定预测模型的输入和输出，并对数据进行归一化处理；步骤2，设置改进人工水母(IJS)算法和支持向量回归(SVR)模型的参数；步骤3，运行改进人工水母(IJS)算法，获得支持向量回归(SVR)模型中的最优惩罚因子C和核函数最优参数g；步骤4，将优化得到的最优惩罚因子C和核函数最优参数g带入到支持向量回归(SVR)模型中并训练改进人工水母算法优化的支持向量回归(IJS
‑
SVR)模型；步骤5，将测试数据输入到IJS
‑
SVR模型中得到预测结果，并对预测结果进行反归一化；步骤6，显示输出风电功率预测结果；进一步，所述步骤1的具体实现方法包括以下步骤：步骤1.1，获取风力发电相关数据集S，具体包括风速、风向和风力发电输出功率数据；步骤1.2，对获取的数据集S按比例分别划分为训练数据和测试数据，将风速和风向作为模型的输入部分；风力发电输出功率作为模型的输出部分；步骤1.3，根据式(1)对上述数据进行归一化处理：式中，A为待归一化的变量的值，如风速、风向和风力发电输出功率，A
min
为变量的最小值，A
max
为变量的最大值，A
N
为该变量归一化后的数值；进一步，所述步骤2设置的参数包括：改进人工水母算法中的种群数量N、种群维度D和最大迭代次数T，以及支持向量回归模型中惩罚因子C的搜索范围、核函数参数g的搜素范围；进一步，所述步骤3的具体实现方法包括以下步骤：步骤3.1，使用改进的初始化策略对水母种群的位置进行初始化；步骤3.2，计算水母种群中所有个体的适应度值，并记录适应度值最优的水母个体位置；步骤3.3，开始迭代寻优，通过时间控制机制选择水母运动方式，使用所选运动方式对应的位置更新公式更新种群位置；步骤3.4，计算每一代中个体的适应度值，记录并更新全局最优水母个体；步骤3.5，对水母种群进行变异操作，更新种群中水母的位置，并计算适应度函数值，记录并更新全局最优水母个体位置；步骤3.6，判断当前迭代次数是否满足最大迭代次数，若满足，则迭代结束，输出此时的全局最优水母个体位置X(x1，x2)(分别对应支持向量回归(SVR)模型的最优惩罚因子C和核函数最优参数g)，若不满足，则返回并继续执行步骤3.3；进一步，所述步骤3中适应度值的计算方式为：选取均方误差(Mean Squared Error，MSE)作为适应度函数，采用训练数据优化支持向量回归(SVR)模型的内部参数；
式中，F
obj
表示适应度函数，MSE表示均方误差函数，其值作为适应度函数值，m表示需要预测的输出功率数据的个数，y
i
和分别表示风力发电输出功率的真实值和预测值；所述步骤3.1的具体实现方法为：在进行种群位置初始化时，若出现种群分布不够均匀，甚至集中在很小范围内的情况，则会导致算法无法在规定的搜索空间内全面搜索；为此，本发明使用混沌Tent映射初始化方法生成初始种群；混沌Tent映射方法通过使用混沌机制，使得初始化的水母在解空间内均匀分布；其函数形式描述如下：式中，x
t
表示所生成混沌序列中水母，其中t∈[1，2，...，n]，n表示所需初始化的水母种群的个数，α为调节参数，其取值决定着所生成的混沌序列的分布特性；由于初始化种群以均匀分布为宜，因此选择对应均匀分布的调节参数值α＝0.5；此时可得公式(4)；采用混沌Tent映射方法生成的混合水母种群能够在丰富种群多样性的同时，使种群在解空间中的分布更加均匀，能够有效避免由于种群初始化位置分布的不均匀而导致的算法陷入局部最优解的情况；所述步骤3.3的具体实现方法为：所述水母运动方式包括跟随洋流运动，群内运动两种方式，其中，水母的群内运动分为被动运动和主动运动两种，表示为A类运动和B类运动；水母运动方式的切换和由时间控制机制决定；(a)跟随洋流运动将洋流的运动方向定义为表示洋流中每个水母个体的位置到当前最优位置的所有矢量和的平均值；其数学模型如公式(5)所示：式中，n
pop
表示水母种群的数量，i为种群中每个水母的序号，表示第i个水母所处位置到当前最优位置的矢量，X
*
表示当前最优位置，X
i
表示第i个水母的位置，e
c
表示决定食物对水母吸引力的因子，μ表示当前水母种群中所有水母的平均位置；定义一个DF如公式(6)，用于表示当前位于最优位置的水母与所有水母平均位置的差异，则可由公式(7)表示：DF＝e
c
μ
ꢀꢀ
(6)假设水母在所有维度上的都符合正态空间分布，则水母在海洋中的分布如图2所示，其
中，σ为正态分布的标准偏差，β表示分布系数，在算法中设置为3，平均位置μ周围
±
βσ的范围内包含所有水母位置的可能性；由图2可知，DF位于βσ的范围内，可由公式(8)表示：DF＝βσrand
a
(0，1)
ꢀꢀ
(8)式中，rand
a
(0，1)表示0至1之间的随机数；设σ＝rand
b
(0，1)
×
μ，将其代入到公式(8)中，可得公式(9)：DF＝β
×
rand
a
(0，1)
×
rand
b
(0，1)
×
μ＝β
×
rand(0，1)
×
μ
ꢀꢀ
(9)式中，rand
b
(0，1)和rand(0，1)均表示0至1之间的随机数；将公式(9)和公式(6)对比可得e
c
可表示为：e
c
＝β
×
rand(0，1)
ꢀꢀ
(10)将公式(9)代入到公式(7)中，由此可得洋流的运动方向如公式(11)所示：因此，可得水母跟随洋流运动的位置更新公式，如公式(12)所示：(b)群内运动水母进行A类运...

【专利技术属性】
技术研发人员：李玲玲，武定山，李恒屹，任琦瑛，曲立楠，李家荣，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：