一种短期风力发电输出功率的预测方法

本发明属于风力发电技术领域，尤其是一种短期风力发电输出功率的预测方法。

背景技术：

经济发展对能源的需求与日俱增，导致资源枯竭、环境污染和气候变化与现实要求的矛盾日益突出，所以风能的开发利用得到各国的大力关注。风力资源因其具有零污染和成本低的突出优势，风能的大规模开发利用将极大缓解环境污染和对用电负荷安全供电的问题，但是，由于风能特性导致风电输出功率具有间歇性、随机性，风电并网会影响电网的电压和频率，还会对电网安全运行和电力部门做出合理的调度计划造成巨大影响，因此，准确地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。

从预测的时间尺度上来说，风电功率预测主要可分为长期预测、短期预测和超短期预测。长期风电功率预测是指对未来10天以上的风能进行预测，可划分为月、季和年度预测等，一般用于为风电企业的长期生产计划制定提供参考依据；而超短期预测并无具体标准，一般可认为30min内的风电功率预测为超短期预测，主要是用于发电机控制和对已做出的短期风电功率预测进行补充和修正。通过研究并积累风电场输出功率的日变化及小时变化规律，给电力部门制定日运行方式以及在风电并网运行时，提供未来1h-2h的功率预测。

短期预测是指对未来3天(72小时)以内的风电功率进行预测，可为电力部门制定合理的调度计划并为风电场安全生产提供科学的指导和技术支持。而在短期预测中支持向量机凭借其在解决非线性、小样本和高维度模式学习方面独特优势取得了不错效果，支持向量机的基本思想是通过引入内积核函数，将低维的输入空间非线性变换到一个高维空间，再从该高维空间中来寻找输入变量和输出变量之间的非线性关系，可解决小样本、非线性、高维数的回归问题。如何将支持向量机对短期风力发电输出功率进行准确预测是目前迫切需要解决的问题。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种短期风力发电输出功率的预测方法，其通过构建基于改进蝴蝶优化算法-支持向量机模型对短期风力发电输出功率进行预测，解决了当具有波动性和随机性的风力发电接入电网时，对电网安全稳定运行造成冲击的问题。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种短期风力发电输出功率的预测方法，包括以下步骤：

步骤1、将风力发电数据划分为训练数据和预测数据，并对数据进行归一化处理；

步骤2、设置和初始化改进蝴蝶优化算法和支持向量机模型的参数；

步骤3、使用训练数据训练支持向量机模型；

步骤4、使用改进蝴蝶优化算法计算具有最优适应度值的蝴蝶位置；

步骤5、将具有最优适应度值的蝴蝶位置带入支持向量机模型，并使用支持向量机模型对风力发电输出功率进行预测；

步骤6、输出预测结果。

进一步，所述训练数据和预测数据均包含输入数据和输出数据，输入数据包括风速和风向，输出数据是风力发电的输出功率；对数据进行归一化处理方法如下：

式中，pscale,i表示风力发电输出功率归一化后的数据值，pi表示风力发电输出功率的真实值，pmin表示风力发电输出功率的最小值，pmax表示风力发电输出功率的最大值。

进一步，所述步骤2的具体实现方法为：设置改进蝴蝶优化算法的迭代次数、种群中的蝴蝶数量和种群的维度，初始化蝴蝶位置；支持向量机模型设置其惩罚因子c和高斯核函数关键参数η的范围；改进蝴蝶优化算法中蝴蝶位置的范围为支持向量机模型惩罚因子c和高斯核函数关键参数η的范围，高斯核函数表示如下；

式中，k(xi,xj)表示高斯核函数，η表示高斯核函数关键参数；

其中，初始化蝴蝶位置的方法为：

式中，表示每一个蝴蝶的初始位置，rand表示属于0到1之间的随机数，表示由支持向量机模型中惩罚因子c和高斯核函数关键参数η的上界构成的向量，表示由支持向量机模型中惩罚因子c和高斯核函数关键参数η的下界构成的向量。

进一步，所述步骤4的具体实现方法为：

步骤4.1计算蝴蝶优化算法中每一只蝴蝶的适应度值和其产生的香味强度，记录其中的最优适应度值和对应的蝴蝶位置；

步骤4.2、更新蝴蝶的位置；

步骤4.3、再次计算每一只蝴蝶的适应度值并将此次计算所得的最优适应度值bf与步骤4.1计算所得最优适应度值比较，并将最小值赋值给全局最优适应度值bf，记录该蝴蝶的位置信息；

步骤4.4、执行levy飞行策略；

步骤4.5、根据适应度值更新种群个体，直至达到设定的最大迭代次数,得到有最优适应度值的蝴蝶位置。

进一步，所述步骤4.1使用适应度函数计算公式计算每一只蝴蝶的适应度值，该适应度函数选取标准均方误差nrmse，表示如下：

式中，pn为发电机组的额定功率，n为待预测数据中风力发电输出功率个数，pi为输出数据中风力发电输出功率的真实值，yi为步骤3中支持向量机模型输出的一组风力发电输出功率的预测值；

nrmse计算结果为适应度值，将当前适应度值s(i)按从大到小顺序排列，记最优适应度值为bf，并保存该蝴蝶个体的位置；

所述蝴蝶的位置更新与其产生的香味强度有关，香味强度的计算公式如下：

f＝bi^α

式中，f为香味的感知强度，b是蝴蝶的感觉模态，i是刺激强度，α是依赖于模态的幂指数。

进一步，所述步骤4.2的具体实现方法如下：

首先，依据下式的动态切换概率公式产生切换概率：

θ＝θmax-(θmax-θmin)×(tmax-t)/tmax

式中，θ为切换概率，θmax为切换概率最大值，θmin为切换概率最小值，tmax为算法的最大迭代次数，t为算法的当前迭代次数；

然后，将切换概率θ与生成的取值范围在0至1之间随机数r进行比较，如果随机数r的值大于切换概率θ的值，则按下式进行全局位置更新：

式中，是第t次迭代中第i只蝴蝶的位置，g^*表示在当前迭代的所有解中的最优解，fi表示第i只蝴蝶发出的香味量，w为权重因子；该权重因子w的计算公式为：

式中，tmax为算法的最大迭代次数，t为算法的当前迭代次数；

如果随机数r的值小于切换概率θ的值，则按下式进行局部位置更新：

式中，和表示在第t次迭代解空间中的第j和第k只蝴蝶的位置。

进一步，所述步骤4.4的具体实现方法为：

设置levy飞行策略的飞行步长如下：

式中，s为levy飞行的步长，levy(β)，u、v均服从正态分布，其中：

将levy飞行的步长与步骤4.3得到的最优蝴蝶位置相结合，更新后的新搜索位置为：

式中，为最优蝴蝶的位置，dim为种群的维度，为经过levy飞行后的最优蝴蝶的位置；

将的位置信息输入支持向量机模型，执行步骤3后再次计算适应度值，记录最优的适应度值，并保留该蝴蝶的位置信息；比较该最优适应度值与步骤4.3中所得的bf值的大小，若该值小于bf则将bf更新为当前最优适应度值，并保存当前最优适应度值蝴蝶的位置信息，反之，则保持原来的bf值和蝴蝶位置信息不变。

进一步，所述步骤5的具体实现方法为：将具有最优适应度值的蝴蝶的位置与支持向量机模型的惩罚因子c和高斯核函数关键参数η相对应，将此时的支持向量机模型的惩罚因子c和高斯核函数关键参数η的最优值带入支持向量机模型；将预测数据中的风速和风向作为支持向量机模型的输入，预测数据中的风力发电的输出功率作为支持向量机模型的输出，并输出一组风力发电输出功率预测结果。

进一步，在步骤6在输出预测结果时，还需对预测结果进行反归一化处理，该反归一化采用如下公式处理：

pi＝pscale,i×(pmax-pmin)+pmin

式中，pi表示风力发电输出功率的真实值，pmin表示风力发电输出功率的最小值，pmax表示风力发电输出功率的最大值，pscale,i表示风力发电输出功率归一化后的数据值。

本发明的优点和积极效果是：

1、本发明采用改进蝴蝶优化算法-支持向量机模型(iboa-svm)对短期风力发电输出功率进行预测，能够提高对于具有随机性和波动性的短期风力发电输出功率的预测准确性，进而提高新能源发电的使用率，有助于提高电网稳定性，解决了当具有波动性和随机性的风力发电接入电网时，对电网安全稳定运行造成冲击的问题，对风力发电系统安全接入电网和电力系统经济运行具有重要意义。

2、本发明使用的改进蝴蝶优化算法，对蝴蝶个体的位置更新公式以及进行全局搜索还是局部搜索的判断方式进行了改进，从而提高了算法的搜索能力。

附图说明

图1是本发明的短期风力发电输出功率预测流程图；

图2是采用不同预测模型得到的预测结果对比图。

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。

一种短期风力发电输出功率的预测方法，如图1所示，包括以下步骤：

步骤1、将风力发电数据划分为训练数据和预测数据，并对数据进行归一化处理。

在本步骤中，风力发电输出功率预测的训练数据和预测数据都包含输入和输出数据，输入数据包括风速和风向，输出数据是风力发电的输出功率。并且使用式(1)对数据进行归一化：

式(1)中pscale,i表示风力发电输出功率归一化后的数据值，pi表示风力发电输出功率的真实值，pmin表示风力发电输出功率的最小值，pmax表示风力发电输出功率的最大值。

步骤2、设置和初始化改进蝴蝶优化算法-支持向量机模型的参数。

在本步骤中，需要设置改进蝴蝶优化算法的迭代次数、种群中的蝴蝶数量、种群的维度，初始化蝴蝶位置；支持向量机模型设置其惩罚因子c和高斯核函数关键参数η的范围，即两个待优化参数的上界和下界；其中改进蝴蝶优化算法中蝴蝶位置的范围即为支持向量机模型惩罚因子c和高斯核函数关键参数η的范围；

式(2)中k(xi,xj)表示高斯核函数，η表示核函数的宽度，也是高斯核函数关键参数；

其中，蝴蝶位置的初始化位置公式如式(3)所示：

式(3)中，表示每一个蝴蝶的初始位置，rand表示属于0到1之间的随机数，表示由支持向量机模型中惩罚因子c和高斯核函数关键参数η的上界构成的向量，表示由支持向量机模型中惩罚因子c和高斯核函数关键参数η的下界构成的向量。

步骤3、使用训练数据训练支持向量机模型。

在本步骤中，将训练数据中的风力和风向作为支持向量机模型的输入，训练数据中的风力发电的输出功率作为支持向量机模型的输出，用于训练支持向量机模型，并输出一组风力发电功率预测结果；其中，蝴蝶优化算法中初始化或更新后的蝴蝶的位置就是支持向量机模型的惩罚因子c和高斯核函数关键参数η构成的向量。

步骤4、使用改进蝴蝶优化算法计算具有最优适应度值的蝴蝶位置，包括以下步骤：

步骤4.1计算蝴蝶优化算法中每一只蝴蝶的适应度值和其产生的香味强度，记录其中的最优适应度值和对应的蝴蝶位置；

在本步骤中，使用适应度函数计算公式计算每一只蝴蝶的适应度值，适应度函数选取标准均方误差nrmse，其表达式如下所示：

式(4)中，pn为发电机组的额定功率，n为待预测数据中风力发电输出功率个数，pi为输出数据中风力发电输出功率的真实值，yi为步骤3中输出的一组风力发电输出功率的预测值；nrmse计算结果即为适应度值，适应度值越小越好，将当前适应度值s(i)按从大到小顺序排列，其中记最优适应度值为bf，并保存该蝴蝶个体的位置。

由于在改进的蝴蝶优化算法中，每只蝴蝶的位置更新与其产生的香味强度有关，因此需要计算每只蝴蝶的香味强度，香味强度的计算公式如式(5)所示：

f＝bi^α(5)

式(5)中，f为香味的感知强度，即香味能够被其他蝴蝶感知的强度，b是蝴蝶的感觉模态，i是刺激强度，其值与蝴蝶的适应度值相关，在本发明中另其与适应度值相等，α是依赖于模态的幂指数，它解释了不同程度香味的吸收。

步骤4.2、更新蝴蝶的位置；

蝴蝶位置的更新是根据改进蝴蝶优化算法的原理进行的，按公式(5)计算每只蝴蝶所发出的香味，记录所发出香味最多的蝴蝶并保存其位置后，按如下过程进行蝴蝶位置更新；

首先，依据式(6)的动态切换概率公式产生切换概率，其表达式如下：

θ＝θmax-(θmax-θmin)×(tmax-t)/tmax(6)

式(6)中，θ为切换概率，θmax为切换概率最大值，θmin为切换概率最小值，tmax为算法的最大迭代次数，t为算法的当前迭代次数；将根据式(6)所计算得到的切换概率θ与生成的取值范围在0至1之间随机数r进行比较，比较结果将决定是蝴蝶是按照全局搜索进行位置更新还是按照局部搜索进行位置更新，此处对原有的全局搜索位置更新公式进行了改进，改进前和改进后的位置更新公式分别如式(7)和式(10)所示：

改进前：

式(7)为改进前的全局搜索位置更新公式，式中，是第t次迭代中第i只蝴蝶的位置，g^*表示在当前迭代的所有解中的最优解，即按照公式(4)计算得到的适应度值最小的蝴蝶的位置，fi表示第i只蝴蝶发出的香味量，r是[0,1]之间的随机数；

式(8)为局部搜索位置更新公式，和表示在第t次迭代解空间中的第j和第k只蝴蝶的位置，其余变量和式(7)的定义一致；

改进后：

为进一步提高算法的寻优能力，在当权重因子较大时，算法的全局寻优能力较强，有利于搜索代理进行全局搜索；当权重因子较小时，算法的局部寻优能力较强，能快速收敛，并保证结果精度，因此，引入权重因子w，其计算公式如下所示：

式中，w为权重因子，tmax为算法的最大迭代次数，t为算法的当前迭代次数；

式中，是第t次迭代中第i只蝴蝶的位置，g^*表示在当前迭代的所有解中的最优解，即按照公式(4)计算得到的适应度值最小的蝴蝶的位置，fi表示第i只蝴蝶发出的香味量，r是[0,1]之间的随机数；w为引入的权重因子；

比较由式(6)计算得到的切换概率θ与生成的取值范围在0至1之间随机数r的大小，若随机数r的值大于切换概率θ的值则按式(10)进行全局位置更新；若随机数r的值小于切换概率θ的值则按式(8)进行局部位置更新；

步骤4.3、再次计算每一只蝴蝶的适应度值并将此次计算所得的最优适应度值bf与步骤4.1计算所得最优适应度值比较，并将最小值赋值给全局最优适应度值bf，记录该蝴蝶的位置信息；

步骤4.4、执行levy飞行策略；

由于原始的蝴蝶优化算法缺乏随机因素，算法在搜索过程中很容易陷入局部最优，为增强算法寻优位置的随机性，本发明给原始蝴蝶优化算法加入了levy飞行策略，其表达式如下：

式中，s为levy飞行的步长，即levy(β)，u、v均服从正态分布，其中：

将levy飞行与步骤4.3中寻找到的最优蝴蝶位置相结合，更新后的新搜索位置为：

式中，为步骤4.3中记录的最优蝴蝶的位置，dim为种群的维度，为经过levy飞行后的步骤4.3中最优蝴蝶的位置；将的位置信息输入支持向量机模型，执行步骤3后再次按式(4)计算适应度值，记录最优的适应度值，并保留该蝴蝶的位置信息；比较该最优适应度值与步骤4.3中所得的bf值的大小，若该值小于bf则将bf更新为当前最优适应度值，并保存当前最优适应度值蝴蝶的位置信息，反之，则保持原来的bf值和蝴蝶位置信息不变；

步骤4.5、根据适应度值更新种群个体，直至达到设定的最大迭代次数,得到有最优适应度值的蝴蝶位置。

在本步骤中，根据步骤2中设定的改进蝴蝶优化算法的最大迭代次数判定是否结束改进蝴蝶优化算法的优化过程，如此时的迭代次数小于设定的迭代次数，则再次进行步骤4.2、步骤4.3和步骤4.4进行迭代；如果此时的迭代次数大于设定的迭代次数，则得到具有最优适应度值的蝴蝶位置，进行步骤4.2。

步骤5、将具有最优适应度值的蝴蝶位置带入支持向量机模型，并使用支持向量机模型对风力发电输出功率进行预测。

在本步骤中，具有最优适应度值的蝴蝶的位置对应着支持向量机模型的惩罚因子c和高斯核函数关键参数η构成的向量，将此时的支持向量机模型的惩罚因子c和高斯核函数关键参数η的最优值带入支持向量机模型。

在本步骤中，将预测数据中的风速和风向作为支持向量机模型的输入，预测数据中的风力发电的输出功率作为支持向量机模型的输出，并输出一组风力发电输出功率预测结果。

步骤6、输出预测结果，预测结果反归一化。

在本步骤中，将步骤9中得到的预测结果进行反归一化，反归一化公式如式(14)所示：

pi＝pscale,i×(pmax-pmin)+pmin(14)

反归一化是按照归一化的计算规则进行，经过反归一化后获得与归一化之前的数据相同的上下界范围，便于预测结果的比较；

图1是按照上述方法通过计算机程序实现的处理过程。

下面给出一个具体实施例，对本发明进行说明。在本实施例中，采用pc机作为平台进行模型搭建，其中cpu为i5-8300h2.3ghz，安装内存为8g，操作系统为windows10-64位，使用matlabr2016b版本。具体预测过程如下：

在步骤1中，风力发电输出功率预测的训练数据和预测数据都包含输入和输出数据，输入数据包括风力和风向，输出数据是风力发电的输出功率；使用式(1)对数据进行归一化；式(1)中pscale,i表示风力发电输出功率归一化后的数据值，pi表示风力发电输出功率的真实值，pmin表示风力发电输出功率的最小值，pmax表示风力发电输出功率的最大值。

试验时，数据来源于著名法国东北部大东区的lahauteborne风电场；本发明中对该风电场中第一台发电机组在2017年的数据进行预测，该发电机的额定发电功率为2050kw，全年共8778组数据，包括同一时期的风机输出功率和风速、风向、温度、湿度等环境因素，选取了春季的风电功率数据进行预测在预测实验中，选择连续5天共120组数据用于模型训练，连续2天共48组数据作为预测数据，训练样本和预测样本比例设置为5：2，并以风速和风向作为预测模型的输入，以风力发电输出功率作为预测模型的输出。

在步骤2中，设置和初始化改进蝴蝶优化算法和支持向量机模型的参数。其中，改进蝴蝶优化算法的蝴蝶数量为30，改进蝴蝶优化算法的最大迭代次数为100次，惩罚因子c的搜索范围为[0.1,1200]，核函数参数η为[0.01,100]，算法只对两个参数寻优所以种群维数为2，改进蝴蝶优化算法和支持向量机模型的其他参数为默认值；其中，支持向量机模型的惩罚因子c和高斯核函数关键参数η构成的向量是蝴蝶优化算法初始化或更新后的蝴蝶的位置；高斯核函数如式(2)所示；k(xi,xj)表示高斯核函数，η表示核函数的宽度，也是高斯核函数关键参数；按照蝴蝶位置的初始化公式式(3)初始化蝴蝶位置；式(3)中，表示每一个蝴蝶的初始位置，rand表示属于0到1之间的随机数，表示由支持向量机模型中惩罚因子c和高斯核函数关键参数η的上界构成的向量，表示由支持向量机模型中惩罚因子c和高斯核函数关键参数η的下界构成的向量,

在步骤3中，使用训练数据训练支持向量机模型。其将训练数据中的风力和风向作为支持向量机模型的输入，训练数据中的风力发电的输出功率作为支持向量机模型的输出，用于训练支持向量机模型，并输出一组风力发电功率预测结果；其中，支持向量机模型的惩罚因子c和高斯核函数关键参数η构成的向量是蝴蝶优化算法初始化或更新后的蝴蝶的位置。

在步骤4中，使用适应度函数计算公式计算每一只蝴蝶的适应度值，选取标准均方误差nrmse如式(4)作为适应度函数，式(4)中，pn为发电机组的额定功率2050kw，n为待预测数据中风力发电输出功率个数48，pi为输出数据中风力发电输出功率的真实值，yi为每次迭代输出的一组风力发电输出功率的预测值；nrmse计算结果即为适应度值，适应度值越小越好，记录每一只蝴蝶的适应度值，并将适应度值最优的蝴蝶的位置保存。

因为在改进的蝴蝶优化算法中，每只蝴蝶的位置更新与其产生的香味强度有关，需要计算每只蝴蝶的香味强度，香味强度的计算公式如式(5)所示，其中f为香味的感知强度，b是蝴蝶的感觉模态其值为0.01；i是刺激强度，其值与蝴蝶的适应度值相关，在本发明中另其与适应度值相等；α是依赖于模态的幂指数其值为0.1；

在步骤4中，更新蝴蝶的位置。蝴蝶位置的更新是根据改进蝴蝶优化算法的原理进行的，按公式(5)计算每只蝴蝶所发出的香味，记录所发出香味最多的蝴蝶并保存其位置后，蝴蝶按如下过程进行位置更新；首先，按式(6)计算切换概率θ的值，其中θmax的值为0.9，θmin的值为0.1，tmax为算法的最大迭代次数100次，t为算法的当前迭代次数；然后，将根据式(6)所计算得到的切换概率θ与生成的取值范围在0至1之间随机数r进行比较，若随机数r的值大于切换概率θ的值则按式(10)进行全局位置更新；若随机数r的值小于切换概率θ的值则按式(8)进行局部位置更新。

在步骤4中，再次计算每一只蝴蝶的适应度值并将此次计算所得的最优适应度值bf与步骤4中所得的最优适应度值比较，将最小值赋值给全局最优适应度值bf，并记录该蝴蝶的位置信息。

在步骤4中，将levy飞行与步骤4.3中寻找到的最优蝴蝶位置相结合，按式(13)更新搜索位置；其中，为步骤4.3中记录的最优蝴蝶的位置，dim为种群的维度2，为经过levy飞行后的步骤4.3中最优蝴蝶的位置；将的位置信息输入支持向量机模型，执行步骤3后再次按式(4)计算适应度值，记录最优的适应度值，并保留该蝴蝶的位置信息，比较该最优适应度值与步骤4.3中所得的全局最优适应度值bf的大小，若该值小于bf则将bf更新为当前最优适应度值，并保存当前最优适应度值蝴蝶的位置信息，反之，则保持原来的bf值和蝴蝶位置信息不变。

在步骤4中，根据步骤2中设定的改进蝴蝶优化算法的最大迭代次数判定是否结束改进蝴蝶优化算法的优化过程，如此时的迭代次数小于设定的迭代次数100时，则再次进行进行迭代；如果此时的迭代次数大于设定的迭代次数100时，则进行步骤5。

在步骤4中，输出具有最优适应度值的蝴蝶位置，并将蝴蝶位置带入支持向量机模型。其中，具有最优适应度值的蝴蝶的位置对应着支持向量机模型的惩罚因子c和高斯核函数关键参数η构成的向量，将此时的支持向量机模型的惩罚因子c和高斯核函数关键参数η的最优值带入支持向量机模型。

在步骤5中，将预测数据中的风速和风向作为支持向量机模型的输入，预测数据中的风力发电的输出功率作为支持向量机模型的输出，并输出一组风力发电输出功率预测结果。

在步骤6中，将步骤5中得到的预测结果进行反归一化，按照式(14)对预测结果进行反归一化。

通过以上步骤，即可完成本发明的短期风力发电输出功率的预测功能。

为了更好地展示改进蝴蝶优化算法优化的支持向量机模型的性能，借助matlab软件在计算机的显示屏上显示，将真实值、改进蝴蝶优化算法-支持向量机模型(iboa-svm)、蝴蝶优化算法优化支持向量机模型(boa-svm)、粒子群优化算法优化支持向量机模型(pso-svm)、遗传算法优化支持向量机模型(ga-svm)、bp神经网络(bp)的预测效果进行比较；在计算机的显示屏上显示输出前馈神经网络、极限学习机、支持向量机与改进黏菌优化算法优化相关向量机模型的预测结果对比图，如图2所示，其中横坐标为预测时间，纵坐标为风力发电输出功率。

为了进一步验证改进蝴蝶优化算法-支持向量机模型的预测效果，选取平均绝对误差(meanabsoluteerror，mae)、均方根误差(root-mean-squareerror，rmse)和决定系数(coefficientofdetermination，r²)作为预测效果的评价指标。

在相同的条件和参数下，选取指标mae、rmse和r²对改进蝴蝶优化算法-支持向量机模型(iboa-svm)、蝴蝶优化算法优化支持向量机模型(boa-svm)、粒子群优化算法优化支持向量机模型(pso-svm)、遗传算法优化支持向量机模型(ga-svm)、bp神经网络(bp)的预测结果进行评价，评价结果如表1；

表1光伏发电输出功率预测结果评估

从表1中可以看出，改进蝴蝶优化算法优化的支持向量机模型无论是平均绝对误差、均方根误差和决定系数都优于其他几种对比模型。

在上述实施例中，所述蝴蝶优化算法以及支持向量机模型是已有技术，是为本技术领域技术人员所熟知的；所述预测所用的风力发电输出功率、风速和风向是为本技术领域技术人员所熟知的；将所获取的风力发电输出功率的训练数据和预测数据输入计算机中的方法是公知的方法；所述计算机、显示器和matlab计算机软件均是通过商购获得的。

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。