基于DBO-ELM的短期风电功率预测方法与流程

本发明涉及电力系统功率预测，具体地说，涉及基于dbo-elm的短期风电功率预测方法。

背景技术：

1、如今经济飞速发展，世界对于能源的消耗量日益剧增，因而可持续能源的开发利用呈现出迅猛发展的势态，其在能源结构上的占比逐渐增高。风能在技术与成本上相较于其他可持续能源都表现出了极大的优势，是最有前景的能源之一。因此对于许多常年多风的地带，风能是最理想的可持续能源。然而风能资源本身具有很多不确定性，风能收益普遍不高，风电预测技术不够成熟，为更好地满足对电能的现实需求，需要提升预测的精确度，减小风电随机性和波动性给电网带来的危害。

2、风电出力的随机性和波动性较强，给电网运行调度带来较大的挑战。如何准确预测风电功率，对电网的供电可靠性具有重要意义。基于启发式的算法能够灵活地改变预测模型选择权重和偏差，因此通常可利用各种优化算法来优化预测模型，提升预测结果精度值。

3、鉴于此，为了提升短期风电功率预测精确度，我们提出了基于dbo-elm的短期风电功率预测方法。

技术实现思路

1、本发明的目的在于提供基于dbo-elm的短期风电功率预测方法，以解决上述背景技术中提出的问题。

2、为实现上述技术问题的解决，本发明的目的之一在于，提供了基于dbo-elm的短期风电功率预测方法，其基于蜣螂优化器dbo来优化极限学习机elm实现短期风电功率预测，以提高elm进行短期风电功率优化预测的适应性和准确性；具体预测方法包括如下步骤：

3、s1、将历史风速和风向作为输入数据，短期风电功率作为输出数据，构建关于风电预测的elm模型框架；

4、s2、将elm模型进行随机初始化；

5、s3、通过蜣螂算法生成一组随机权重矩阵和阈值向量作为elm模型的隐含层，求其适应度值；

6、s4、使用隐含层的输出和训练数据集的输出，计算elm模型的输出权重值；

7、s5、重复上述步骤s3-s4，直到满足要求为止；输出最优解，即连接权值；

8、s6、求出elm模型输出值，得到短期风电功率预测结果。

9、作为本技术方案的进一步改进，所述步骤s1中，构建关于风电预测的elm模型框架的具体方法包括：

10、选取某地方风电场的历史检测数据作为样本，随机选取某时间段中影响风电场的各种因素，例如风速、风向、温度与气压等记为d个变量作为elm模型的输入变量，则第i个输入变量为xi＝[xi1，xi2，...，xn]，xi∈rd，令输出变量为当前时间段所对应的输出风电功率，即y＝[y11，y12，...，y1n]，其中，r表示风电场的额定阻值，n表示输入变量、输出变量的变量个数；

11、然后设具有q个样本的训练集输入矩阵x和输出矩阵y，其分别表示为：

12、

13、

14、式(1)、式(2)中，n、m分别表示输入矩阵x和输出矩阵y的输入样本组数、输出样本组数，每组输入样本组数、输出样本组数均包含q个样本；

15、记隐含层的输出函数为h(x)，设ω为输入层与隐含层中各神经元之间的连接权值，l表示输入层与隐含层中各神经元之间的连接权值的组数，表示为如下：

16、

17、b为隐含层神经元的阈值，其表示为：

18、

19、隐含层的输出函数h(x)＝[h1(x)，h2(x)，...，hl(x)]，通常在实际应用中，hi(x)用如下公式表示：

20、hi(x)＝g(ωi，bj，x)＝g(ωi·xj+bi)   (5)

21、式(5)中，g(ωi，bj，x)是激活函数，ωi和bj均是隐藏层节点参数；bi为第i个隐含层神经元的阈值，bi＝[bi1，bi2，...，bin]t，t表示转置；

22、经过隐藏层进入输出层后，elm模型输出值yi的值为：

23、

24、式(6)中，ωi＝[ωi1，ωi2，...，ωin]t为输入层与隐含层第i个节点的连接权值矩阵，xj为第j个隐含层节点的阈值，βi＝[βi1，βi2，...，βim]t为隐含层与输出层之间的第i个连接权值，β＝[β1，...，βl]t是隐藏层(l个节点)与输出层(m个节点)之间的输出权重；

25、其中，i是隐藏层的输出函数h(x)的第i个输出值，j则为隐含层的第j个隐含层节点阈值，i与j的取值范围都为1到n；l表示隐藏层的输出函数的个数(隐藏层节点的输出函数不是唯一的，不同的输出函数可以用于不同的隐藏层神经元，因此i和j并不一定为一一对应，l也不一定等于n)；

26、将上述输出函数写为矩阵形式，可表示为：

27、yi＝hβ   (7)

28、式(7)中，yi为elm的输出层矩阵，h为elm的隐含层输出矩阵，具体形式可表示为：

29、

30、其中，隐含层与输出层间的连接权值β可以通过最小二乘法解获得。

31、最后将选定好的样本集按照定义好的容量分别放置在训练集和样本集中并进行预处理。

32、作为本技术方案的进一步改进，所述步骤s3中，通过蜣螂算法生成一组随机权重矩阵和阈值向量作为elm模型的隐含层的具体方法包括如下步骤：

33、s3.1、初始化elm模型中的权重值、阈值，初始化蜣螂群体，即随机生成elm模型的一组隐含层权重值和阈值量作为初始群体，并将迭代次数初始化为t＝0；

34、s3.2、设计适应度函数并初始化适应度函数值，选择合适的适应度函数，并计算每个个体的适应度；

35、s3.3、初始化优化目标的位置和速度，选择全局最优解，更新所有蜣螂的位置，即每个个体的位置与速度，并判断每个个体是否超出边界；

36、s3.4、选择最优个体，即在每次迭代中，选择适应度最优的个体，并记录其隐含层权重和阈值量；

37、s3.5、判断终止条件，即判断是否达到最大迭代次数，在达到最大迭代次数或达到设定的精度要求后，停止计算；

38、s3.6、输出适应度最优的个体的隐含层权重和阈值量作为elm模型的隐含层参数，并求解。

39、作为本技术方案的进一步改进，所述步骤s3.3中，更新所有蜣螂的位置的具体方法包括：

40、在模仿蜣螂滚动的过程中滚球蜣螂的位置更新，可以表示为：

41、xi(t+1)＝xi(t)+α×k×xi(t-1)+b×δx   (9)

42、δx＝|xi(t)-xω|   (10)

43、式(9)、式(10)中，t表示当前迭代次数，xi(t)表示第i只蜣螂在第t次迭代时的位置信息，k∈(0，0.2)，α表示自然系数，赋值为-1或1，b表示∈(0，1)的定值，xω表示全局最差位置，δx用于模拟上次迭代与这次迭代时蜣螂的位置变化。

44、作为本技术方案的进一步改进，所述步骤s3.3中，更新所有蜣螂的位置的过程中，还需要根据蜣螂的不同行为和身份分别进行分析；当蜣螂遇到障碍物无法前进时，就需要通过跳舞来重新定位，目的是获得新的路线；

45、为了模拟舞蹈行为，用切线函数得到新的滚动方向；一旦蜣螂成功确定了一个新的方向，它继续把球向后滚；因此，将蜣螂的位置更新，并定义如下：

46、xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)| (11)

47、式(11)中，xi(t)-xi(t-1)表示第i只蜣螂在第t次迭代时的位置与其在第t-1次迭代时的位置之差；θ∈[0，π]，如果θ＝0、θ＝π/2、θ＝π，蜣螂的位置不更新。

48、作为本技术方案的进一步改进，所述步骤s3.3中，更新所有蜣螂的位置的过程中，在自然界中，粪球是被蜣螂滚到安全的地方藏起来的，为了给它们的后代提供安全的环境，选择合适的产卵地点对蜣螂来说至关重要，因此模拟雌蜣螂产卵的区域边界选择策略，其定义为：

49、

50、式(12)中，x*为当前局部最佳位置，lb*和ub*分别为产卵区下界和上界，lb和ub分别代表优化问题的下界和上界，r＝1-t/tmax，tmax表示最大迭代次数：

51、一旦确定了产卵区域，雌性蜣螂就会选择这个区域产卵，卵球的位置在迭代过程中也是动态的，其表示为：

52、bi(t+1)＝x*+b1×(bi(t)-lb*)+b2×(bi(t)-ub*)   (13)

53、式(13)中，bi(t)为第t次迭代时第i个卵球的位置信息，b1和b2表示大小为1×d的两个独立随机向量，d表示优化问题的维数。卵球的位置被严格限制在一定范围内。

54、作为本技术方案的进一步改进，所述步骤s3.3中，更新所有蜣螂的位置的过程中，一些已经长成成虫的蜣螂会从地下钻出来受食，称为小蜣螂，针对小蜣螂还需要建立最优受食的区域来引导蜣螂受食，最佳受食区的边界定义与小蜣螂位置更新如下：

55、

56、xi(t+1)＝xi(t)+c1×(xi(t)-lbb+c2×(xi(t)-ubb)   (15)

57、式(14)、式(15)中，c1为服从正态分布的随机数，即c1～n(0，1)，c2为1×d的属于(0，1)之间的随机向量。

58、作为本技术方案的进一步改进，所述步骤s3.3中，更新所有蜣螂的位置的过程中，还有一些蜣螂被称为偷窃蜣螂，会从其他蜣螂那里偷粪球，假设xb为最优的食物来源位置，在迭代过程中，偷窃蜣螂的位置更新信息如下：

59、xi(t+1)＝xb+s×g×(|xi(t)-x*|+|xi(t)-xb|)   (16)

60、式(16)中，s表示一个常数值；g表示大小为1×d的随机向量，服从正态分布。

61、作为本技术方案的进一步改进，所述步骤s3.5中，输出适应度最优的个体的隐含层权重和阈值量作为elm模型的隐含层参数时，对于elm模型，隐含层的节点数和激活函数的选择也会影响模型的性能，因此在使用蜣螂算法生成隐含层参数时，需要根据具体问题的特点进行适当的调整。

62、本发明的目的之二在于，提供了一种短期风电功率预测平台装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述的基于dbo-elm的短期风电功率预测方法的步骤。

63、本发明的目的之三在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于dbo-elm的短期风电功率预测方法的步骤。

64、与现有技术相比，本发明的有益效果：

65、1.该基于dbo-elm的短期风电功率预测方法中，elm以其调节参数少、计算速度快被广泛运用在风电功率预测上，但elm隐含层权重和阈值的调整对输出结果具有较大的影响，为优化对elm权重和阈值的选择而采用蜣螂优化器，该算法主要模拟蜣螂在生态系统中的滚球、跳舞、觅食和偷窃行为去优化elm模型在样本训练中由于输入层-隐藏层权重和阈值导致输出结果相差较大的问题，通过不断地更新优化，获得全局最优解；

66、2.该基于dbo-elm的短期风电功率预测方法中，相比传统bp神经网络、支持向量机等，选用elm大大的简化了算法结构，提升计算速度，可同时用非线性函数、不可微函数、不连续函数作为激活函数，面对风能的波动性处理能力更强；

67、3.该基于dbo-elm的短期风电功率预测方法中，dbo算法通过研究蜣螂的滚球、跳舞、觅食、偷窃和繁殖行为，来进行全局搜索和局部利用，操作简单可靠，具有寻优能力强，收敛速度快的特点；

68、4.该基于dbo-elm的短期风电功率预测方法中，dbo算法优化elm模型中的连接权重与偏值置，可大大增强elm模型预测结果的精确度与平稳性；dbo结构简单，易于实现，可扩展性强，能够发现各种类型的离群点，可以有效优化elm模型的参数，提升风电功率预测的精确度。