一种基于改进粒子群的风力发电功率预测方法与流程

本发明属于风力发电技术领域，具体涉及一种基于改进粒子群的风力发电功率预测方法。

背景技术

风力发电是一种利用自然界的风能，将其转换为电能的一种新型发电系统。由于世界上主要石油、天然气出口国的政治经济局势的持续动荡，各主要能源消耗国都在积极寻求替代方案，以降低对外能源依存度，保障国计民生的安全。正是在这样的背景下，风能作为一种清洁、廉价、充足和安全的能源形态，得到越来越广泛的利用。国际能源署《世界能源展望2017中国特别报告》认为，中国能源结构将逐步转换到清洁发电，而水力、风能和太阳能光伏引领的低碳装机容量将迅速增长，到2040年将占总装机容量的60％。风能作为一种可再生的清洁能源,逐渐成为人类社会可持续发展的首选能源,风速的不确定性和随机性,使得风力发电具有不可调度性,因此准确的预测风电输出功率对电力系统的发展至关重要。

然而现有的预测风力发电输出功率预测的方法存在一些问题，当预测注重全局的特性时容易忽略局部的特性，当预测注重局部的特性时容易忽略全局的特性，因此新提出的方法在全局性和局部性上同时能满足需求。

技术实现要素：

为了解决上述技术问题，本发明提供了一种基于改进粒子群的风力发电功率预测方法。

本发明的技术方案为一种基于改进粒子群的风力发电功率预测方法，具体包括以下步骤：

步骤1：通过单位时间对风力电站历史发电数据进行等时间间隔采样得到风力电站输出功率时间序列，并对风力电站输出功率时间序列进行预处理，根据预处理后风力电站输出功率时间序列构建风力电站输出功率输入空间；

步骤2：通过输出功率输入空间构造基于svm模型核函数；

步骤3：通过引入拉格朗日乘子以及预处理后风力电站输出功率时间序列构建基于svm模型核函数的优化模型，通过改进权重的粒子群算法对基于svm模型核函数的优化求解；

步骤4：通过优化的高斯核函数的比重系数、高斯核函数的核系数、多项式核函数的多项式阶数、惩罚系数以及基于svm模型核函数构建预测模型；

作为优选，步骤1中所述单位时间为h，所述风力电站输出功率时间序列为:

p＝{p1,p2,p3......pn}

其中，n为风力电站输出功率时间序列的长度，pkk∈[1,n]为第k个单位时间h的采样风力电站输出功率，若步骤1中所述风力电站历史发电数据在第k个单位时间h内数据缺失则pk＝0；

步骤1中所述预处理为将风力电站输出功率时间序列p中，若采样风力电站输出功率为pm＝0的元素则进行前后给定步长内数据的平均值处理：

其中，m为平均值序列长度；

步骤1中所述预处理后风力电站输出功率时间序列为：

其中，n为预处理后风力电站输出功率时间序列的长度；

步骤1中所述输出功率输入空间为：

其中，xi为第i个单位时间h的输出功率输入空间，l为输出功率输入空间长度，n为预处理后风力电站输出功率时间序列的长度；

作为优选，步骤2中所述基于svm模型核函数为：

(i∈[l+1,n],j∈[l+1,n])

其中，l为输出功率输入空间长度，n为步骤1中所述预处理后风力电站输出功率时间序列的长度，a为高斯核函数的比重系数，σ为高斯核函数的核系数，d为多项式核函数的多项式阶数，xi为第i个单位时间h的输出功率输入空间，xj为第j个单位时间h的输出功率输入空间；

作为优选，步骤3中所述基于svm模型核函数的优化模型为：

其中，l为步骤2中所述输出功率输入空间长度，n为步骤1中所述预处理后风力电站输出功率时间序列的长度，i∈[l+1,n]为步骤1中所述预处理后风力电站输出功率时间序列的第k个单位时间h的采样风力电站输出功率，xi为步骤2中所述第i个单位时间h的输出功率输入空间，xj为步骤2中所述第j个单位时间h的输出功率输入空间，ui为引入第i个拉格朗日乘子，c为惩罚系数，kmix(xi,xj)为步骤2中所述基于svm模型核函数：

其中，高斯核函数的比重系数a、高斯核函数的核系数σ、多项式核函数的多项式阶数d以及惩罚系数c均为需通过改进权重的粒子群算法优化求解的参数；

步骤2中所述改进权重的粒子群算法为对传统的粒子群算法的每代粒子进行权重更新：

t∈[1,maxgen]

q∈[1,popsize]

其中，w为惯性权重因子，maxgen为最大进化代数即迭代次数，popsize为种群规模即粒子数量，为第t+1次跌代中粒子个体q在多维搜索空间中的速度，为第t+1次跌代中粒子个体q在多维搜索空间中的位置，为第t次跌代中粒子个体q在多维搜索空间中的速度，为第t次跌代中粒子个体q在在多维搜索空间中的位置，为第t次跌代中粒子个体q的局部最优位置，为第t次跌代中粒子群全体的全局最优位置，为第t次跌代中粒子个体q的高斯核函数的比重系数，为第t次跌代中粒子个体q的高斯核函数的核系数，为第t次跌代中粒子个体q的多项式核函数的多项式阶数，为第t次跌代中粒子个体q的惩罚系数，c1为第一因子系数，c2为第二因子系数，c3为第三因子系数，不确定知识的边界cd、第一权重系数l1、第二权重系数l2、第三权重系数l3计算如下：

l1＝r1/(r1+r2+r3)

l2＝r2/(r1+r2+r3)

l3＝r3/(r1+r2+r3)

其中，r1，r2，r3，r4分别为每次迭代过程中选取的均匀分布在(0,1)区间的随机数，sign为符号函数，当(r4-0.5)＜0，sign(r4-0.5)输出为-1，当(r4-0.5)＞0，sign(r4-0.5)输出为1，当(r4-0.5)＝0，sign(r4-0.5)输出为0，limit为搜索空间边界到中心的距离，pc^t为搜索空间中心，公式如下：

其中，p^tmin为分别找出第t次迭代中所有粒子个体中最小的用最小的组成的向量；

p^tmax为分别找出第t次迭代中所有粒子个体中最大的组成的向量，用最大的组成的向量；

p^tc为分别求出第t次迭代中所有粒子个体中的平均值组成的向量，用平均的组成的向量；

通过改进权重的粒子群算法进行maxgen迭代优化求解得到：

xg＝[ag,σg,dg,cg]

其中，ag为优化的高斯核函数的比重系数，σg为优化的高斯核函数的核系数，dg为优化的多项式核函数的多项式阶数，cg为优化的惩罚系数；

作为优选，步骤4中所述预测模型为：

其中，l为步骤2中所述输出功率输入空间长度，n为步骤1中所述预处理后风力电站输出功率时间序列的长度，us为步骤3中所述引入第s个拉格朗日乘子，ag为步骤3中所述优化的高斯核函数的比重系数，σg为步骤3中所述优化的高斯核函数的核系数，dg为步骤3中所述优化的多项式核函数的多项式阶数，xs为步骤2中所述第s个单位时间h的输出功率输入空间；

通过预测模型预测得到预测的风力电站输出功率。

与现有技术相比，本发明的有益效果为：

本发明针对风电功率的不稳定性和随机性强的特点，充分利用了svm核函数的特点，结合局部核函数和全局核函数，构造出能兼顾局部和全局特性的混合核函数，使预测精度变得更高；

本发明采用不确定知识粒子群对svm的关键参数进行寻优，将不确定知识引粒子群算法中，在缺少认知的情况下，搜索空间中的任意一点都有可能是粒子飞行的目标，以空间中任意一点为目标的粒子飞行行为可以理解为不确定知识，使得粒子群的全局搜索能力和局部搜索能力都得到改进，提高了参数的准确性；

本发明采用时间序列的方法，直接通过历史数据进行预测，降低了对数据采集的难度。

附图说明

图1：本发明基于改进粒子群的风力发电功率预测方法流程图；

图2：本发明基于粒子群优化算法的流程图；

图3：本发明中实施例中进行参数寻优时适应度收敛曲线；

图4：本发明实施例中风电场功率实际值与应用三种预测方法得到的预测值分布图；

图5：为本发明实施例中三种预测值的误差分布图；

图6：为本发明实施例中三种误差值的相对误差分布图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例从永胜庄风电场2014年的风电输出功率数据中选择50个时间点进行预测，时间步长为一小时，从2014年1月8日9时到2014年1月10日9时。本发明实施例的技术方案为一种基于改进粒子群的风力发电功率预测方法，具体包括以下步骤：

步骤1：通过单位时间对风力电站历史发电数据进行等时间间隔采样得到风力电站输出功率时间序列，并对风力电站输出功率时间序列进行预处理，根据预处理后风力电站输出功率时间序列构建风力电站输出功率输入空间；

步骤1中所述单位时间为h＝1小时，所述风力电站输出功率时间序列为:

p＝{p1,p2,p3......pn}

其中，n＝50为风力电站输出功率时间序列的长度，pkk∈[1,n]为第k个单位时间h＝1小时的采样风力电站输出功率，若步骤1中所述风力电站历史发电数据在第k个单位时间h内数据缺失则pk＝0；

步骤1中所述预处理为将风力电站输出功率时间序列p中，若采样风力电站输出功率为pm＝0的元素则进行前后给定步长内数据的平均值处理：

其中，m＝6为平均值序列长度；

步骤1中所述预处理后风力电站输出功率时间序列为：

其中，n＝50为预处理后风力电站输出功率时间序列的长度；

步骤1中所述输出功率输入空间为：

其中，xi为第i个单位时间h＝1小时的输出功率输入空间，l＝6为输出功率输入空间长度，n＝50为预处理后风力电站输出功率时间序列的长度；

步骤2：通过输出功率输入空间构造基于svm模型核函数；

步骤2中所述基于svm模型核函数为：

(i∈[l+1,n],j∈[l+1,n])

其中，l＝6为输出功率输入空间长度，n＝50为步骤1中所述预处理后风力电站输出功率时间序列的长度，a为高斯核函数的比重系数，σ为高斯核函数的核系数，d为多项式核函数的多项式阶数，xi为第i个单位时间h的输出功率输入空间，xj为第j个单位时间h的输出功率输入空间；

步骤3：通过引入拉格朗日乘子以及预处理后风力电站输出功率时间序列构建基于svm模型核函数的优化模型，通过改进权重的粒子群算法对基于svm模型核函数的优化求解；

步骤3中所述基于svm模型核函数的优化模型为：

其中，l＝6为步骤2中所述输出功率输入空间长度，n＝50为步骤1中所述预处理后风力电站输出功率时间序列的长度，为步骤1中所述预处理后风力电站输出功率时间序列的第k个单位时间h的采样风力电站输出功率，xi为步骤2中所述第i个单位时间h＝1小时的输出功率输入空间，xj为步骤2中所述第j个单位时间h＝1小时的输出功率输入空间，ui为引入第i个拉格朗日乘子，c为惩罚系数，kmix(xi,xj)为步骤2中所述基于svm模型核函数：

其中，高斯核函数的比重系数a、高斯核函数的核系数σ、多项式核函数的多项式阶数d以及惩罚系数c均为需通过改进权重的粒子群算法优化求解的参数；

步骤2中所述改进权重的粒子群算法为对传统的粒子群算法的每代粒子进行权重更新：

t∈[1,maxgen]

q∈[1,popsize]

其中，w＝0.8为惯性权重因子，maxgen＝100为最大进化代数即迭代次数，popsize＝20为种群规模即粒子数量，为第t+1次跌代中粒子个体q在多维搜索空间中的速度，为第t+1次跌代中粒子个体q在多维搜索空间中的位置，为第t次跌代中粒子个体q在多维搜索空间中的速度，为第t次跌代中粒子个体q在在多维搜索空间中的位置，为第t次跌代中粒子个体q的局部最优位置，为第t次跌代中粒子群全体的全局最优位置，为第t次跌代中粒子个体q的高斯核函数的比重系数，为第t次跌代中粒子个体q的高斯核函数的核系数，为第t次跌代中粒子个体q的多项式核函数的多项式阶数，为第t次跌代中粒子个体q的惩罚系数，c1＝1.1为第一因子系数，c2＝1.1为第二因子系数，c3＝1.1为第三因子系数，不确定知识的边界cd、第一权重系数l1、第二权重系数l2、第三权重系数l3计算如下：

l1＝r1/(r1+r2+r3)

l2＝r2/(r1+r2+r3)

l3＝r3/(r1+r2+r3)

其中，r1，r2，r3，r4分别为每次迭代过程中选取的均匀分布在(0,1)区间的随机数，sign为符号函数，当(r4-0.5)＜0，sign(r4-0.5)输出为-1，当(r4-0.5)＞0，sign(r4-0.5)输出为1，当(r4-0.5)＝0，sign(r4-0.5)输出为0，limit为搜索空间边界到中心的距离，为搜索空间中心，公式如下：

其中，p^tmin为分别找出第t次迭代中所有粒子个体中最小的用最小的组成的向量；

p^tmax为分别找出第t次迭代中所有粒子个体中最大的组成的向量，用最大的组成的向量；

p^tc为分别求出第t次迭代中所有粒子个体中的平均值组成的向量，用平均的组成的向量；

通过改进权重的粒子群算法进行maxgen迭代优化求解得到：

xg＝[ag,σg,dg,cg]

其中，ag为优化的高斯核函数的比重系数，σg为优化的高斯核函数的核系数，dg为优化的多项式核函数的多项式阶数，cg为优化的惩罚系数；

步骤4：通过优化的高斯核函数的比重系数、高斯核函数的核系数、多项式核函数的多项式阶数、惩罚系数以及基于svm模型核函数构建预测模型；

步骤4中所述预测模型为：

其中，l＝6为步骤2中所述输出功率输入空间长度，n＝50为步骤1中所述预处理后风力电站输出功率时间序列的长度，us为步骤3中所述引入第s个拉格朗日乘子，ag为步骤3中所述优化的高斯核函数的比重系数，σg为步骤3中所述优化的高斯核函数的核系数，dg为步骤3中所述优化的多项式核函数的多项式阶数，xs为步骤2中所述第s个单位时间h＝1小时的输出功率输入空间。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。