基于GSA-LSSVM模型的短期风电功率预测方法与流程

本发明涉及短期风电功率预测技术领域，具体涉及一种基于GSA‐LSSVM模型的短期风电功率预测方法。

背景技术：

随着世界经济和社会的快速发展，传统的化石能源面临枯竭的威胁，可再生能源的受到高度重视，随着国内外风电装机总量的增加，风的波动性和随机性等特点决定了风力发电的不稳定性，风电产业面临的风电利用率低等问题日益明显，所以，风电实时功率的准确预测是电网稳定安全运行的重要前提之一。

目前，短期风电功率预测方法可分为物理方法、统计方法、人工智能方法以及以上方法的组合。物理方法是以数值天气预报(Numerical weather prediction,NWP)的预测结果为基础，考虑风场的地形等物理因素，根据风电机组功率曲线进行功率预测。统计方法、人工智能方法是以风电场实测时序序列或NWP提供的风速预测时序序列为基础，通过该时间序列数据建立预测模型，进而预测风速或发电功率。早期采用的统计或智能方法有滑动平均自回归法、人工神经网络、支持向量机(SVM)等单一方法。理论上，风到功率的转化有确定的物理规律，而实际情况下，由于受到多种客观因素影响，单一方法难以刻画风到功率的转化关系，且单一方法本身存在局限性，故小波分解、遗传算法(GA)、粒子群算法(PSO)等被引入。但相比较此类优化算法，引力搜索算法(GSA)基于牛顿的万有引力定律思想，粒子间的作用力不需要传播介质，所以其具有很强的全局性和收敛性，这使得其优于GA、PSO等优化算法。

诸如前文所述的方法在预测精度上都有提高，但其都是从预测方法本身考虑，而在风速升降特征对风电功率预测的影响方面研究较少。

根据风速的升降特征提出上升风和下降风的概念，通过设定一定阈值给每一时刻的风速标记特征值，增加了训练数据维度，并用LSSVM、ELM、GA‐BP三种方法，验证了风速升降特征在风电功率预测中的合理性，与不考虑风速升降特征相比较，能够明显提高模型的预测精度，如何实现上述的描述，是当前需要解决的问题。

技术实现要素：

本发明的目的是克服现有技术中根据风速升降特征对风电功率预测的影响方面研究较少，无法提高预测精度的问题。本发明的基于GSA‐LSSVM模型的短期风电功率预测方法，弥补了目前预测方法不能取得较优的泛化能力、单一模型无法解释风速到功率的复杂转化关系、未将风速骤然变化考虑到预测模型等缺点，提高了风电场对实际发电功率实时预测的准确性，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种基于GSA‐LSSVM模型的短期风电功率预测方法，其特征在于：包括以下步骤，

步骤(A)，采集风电场的实测数据(v(t),p(t))，其中，t为采样时间，且t为大于0的自然数，v(t)为实测风速，p(t)为实测功率；

步骤(B)，对风电场的实测数据(v(t),p(t))进行数据预处理，包括异常数据剔除和缺失数据填补，得到去噪后的数据其中，为去噪后的风速，为去噪后的功率；

步骤(C)，根据公式(1)对去噪后的数据按时间序列进行分类，得到新的三组数据，分别为上升风数据、下降风数据和平稳数据；

其中，RP为风速上升或下降的坡度，ΔT为时间区间，参数RP和ΔT的取值通过多次实验结果对比确定；

步骤(D)，将多台风机全年的实测风速功率数据汇成风速功率等级表，设风速的范围为[0,vco]，vco为切出风速，单位为m/s，并将风速划分成n个等级，并根据公式(2)，得到第L等级内所有功率均值PL，其中，L属于n，从而得到风速功率曲线，所述风速功率曲线为平均同一等级中风速的功率，

其中，pi为第L等级上第i个风速对应的功率，L表示风速功率的等级，m表示第L个等级范围内包含的样本个数；

步骤(E)，将分类后的上升风数据、下降风数据和平稳数据绘制风速功率散点图，与风速功率曲线对比观察，确定上升风散点、下降风散点与风速功率曲线的规律，明确风速的升降对风电功率预测精度存在影响，能够得到上升风略低于平均水平，下降风略高于平均水平；

步骤(F)，应用LSSVM模型选取RBF作为核函数，确定惩罚参数γ和RBF核超参数，并采用改进的引力搜索算法GSA对LSSVM模型进行优化，确定最优参数，提高模型的预测精度和收敛速度，形成优化后的GSA‐LSSVM模型；

步骤(G)，将分类后的上升风数据、下降风数据和平稳数据，作为GSA‐LSSVM模型的输入，自适应上升风、下降风、和平稳三类的参数，进行训练，训练好的三类模型，将需预测的数据输入训练好的三类模型，得出的三类功率预测结果按元时间序列重新组合，完成短期风电功率的预测。

前述的基于GSA‐LSSVM模型的短期风电功率预测方法，其特征在于：步骤(D)，等级数量n＝vco/d，d为步长取0.05m/s，风速的范围为[0,25]，各等级的风速范围分为[0,d),[d,2d),...,[(n-1)d,nd)，则n＝500，其中，nd＝vco。

本发明的有益效果是：本发明的基于GSA‐LSSVM模型的短期风电功率预测方法，通过将复杂的原始风速功率数据通过风速爬坡坡度合理的分为三类，弥补了模型计算量过大的缺点，同时分类后的数据特征性更强，更能体现风速到功率的转化关系，改善导致同一风速对应不同功率的现象，同时改进的GSA一定程度上改善了传统GSA方法易陷入局部最小值的缺点，从而提高风电场短期功率预测的准确性，具有良好的应用前景。

附图说明

图1是本发明的基于GSA‐LSSVM模型的短期风电功率预测方法的流程图。

图2是本发明实施例去噪前后的数据对比示意图。

图3是本发明实施例风速功率标准曲线的示意图。

图4是本发明实施例制成散点图与风速功率标准曲线的对比示意图。

图5是本发明实施例与传统LSSVM、未分类上升、下降风的GSA‐LSSVM平均绝对误差和均方根误差的对比示意图。

图6是本发明的预测曲线逐渐逼近实测功率曲线的示意图。

具体实施方式

下面将结合说明书附图，对本发明作进一步的说明。

本发明的基于GSA‐LSSVM模型的短期风电功率预测方法，通过将复杂的原始风速功率数据通过风速爬坡坡度合理的分为三类，弥补了模型计算量过大的缺点，同时分类后的数据特征性更强，更能体现风速到功率的转化关系，改善导致同一风速对应不同功率的现象，同时改进的GSA一定程度上改善了传统GSA方法易陷入局部最小值的缺点，从而提高风电场短期功率预测的准确性，如图1所示，包括对风场数据进行采集，然后对采集的数据做数据去噪操作，再根据风速爬坡坡度进行数据分解，进一步减缓数据的复杂度和提高数据的特征性，以改进的GSA算法优化LSSVM模型的惩罚参数和核函数超参数做为预测模型，分别将分解后的三类数据作为模型的输入，最后将模型预测结果重组，预测过程完成，具体包括以下步骤，

步骤(A)，采集风电场的实测数据(v(t),p(t))，其中，t为采样时间，且t为大于0的自然数，v(t)为实测风速，p(t)为实测功率；

步骤(B)，对风电场的实测数据(v(t),p(t))进行数据预处理，包括异常数据剔除和缺失数据填补，得到去噪后的数据其中，为去噪后的风速，为去噪后的功率；

步骤(C)，根据公式(1)对去噪后的数据按时间序列进行分类，得到新的三组数据，分别为上升风数据、下降风数据和平稳数据；

其中，RP为风速上升或下降的坡度，ΔT为时间区间，参数RP和ΔT的取值通过多次实验结果对比确定；

步骤(D)，将多台风机全年的实测风速功率数据汇成风速功率等级表，设风速的范围为[0,vco]，vco为切出风速，单位为m/s，并将风速划分成n个等级，并根据公式(2)，得到第L等级内所有功率均值PL，其中，L属于n，从而得到风速功率曲线，所述风速功率曲线为平均同一等级中风速的功率，

其中，pi为第L等级上第i个风速对应的功率，L表示风速功率的等级，m表示第L个等级范围内包含的样本个数；

步骤(E)，将分类后的上升风数据、下降风数据和平稳数据绘制风速功率散点图，与风速功率曲线对比观察，确定上升风散点、下降风散点与风速功率曲线的规律，明确风速的升降对风电功率预测精度存在影响，能够得到上升风略低于平均水平，下降风略高于平均水平；

步骤(F)，应用LSSVM模型选取RBF作为核函数，确定惩罚参数γ和RBF核超参数，并采用改进的引力搜索算法GSA对LSSVM模型进行优化，确定最优参数，提高模型的预测精度和收敛速度，形成优化后的GSA‐LSSVM模型，此步骤具体介绍如下，以LSSVM模型预测结果的RMSE作为适应度函数fit，公式如下其中，N表示样本数、yture表示实际功率、ypredict表示预测功率；

粒子质量为mi(t)为粒子i的质量、mj(t)为粒子j的质量，fiti(t)表示粒子适应度值、best(t)最优适应度值、worst(t)最差适应度值；

GSA粒子键作用力表示为其中是粒子i和j之间的引力大小，G(t)是引力常数，Mi(t)、Mj(t)分别为粒子i、j的惯性质量，Rij(t)是粒子i和j间欧氏距离，Rij(t)＝||xi(t),xj(t)||2，ε表示一个很小的常量，防止分母为零、表示t时刻d维度上第i个粒子、表示t时刻d维度上第j个粒子、xi(t)t表示t时刻第i个粒子、xj(t)t时刻第j个粒子；

GSA粒子加速度的更新公式为其中，rand表示随机函数、表示t时刻d维度上粒子i和j之间的作用力；

“引力常数”是随着时间推移而减小，将原始指数函数G的变化过程G(t)＝G0·e^-α/T以线性函数替换，公式如下G(t)＝G0(1-t/T)，G0表示初始重力系数、α表示重力衰减系数、T表示迭代次数。传统GSA算法G(t)采用了指数函数的形式，重力系数衰减速度较快，GSA的全局搜索能力因此而减弱，既有可能出现早熟收敛问题。为使GSA后期能更准确的搜索最优解区域，所以采用线性函数改进引力系数函数。同时，初始重力系数G0的取值尤为重要，因此采用动态选取的方式决定G0的取值，表示为k为系数，和分别表示此维度空间中粒子最大位置的取值和最小位置值，从而粒子i的速度和位置更新公式为：计算适应度函数值，以此改进的GSA输出的最优粒子作为LSSVM模型的惩罚参数γ和核函数超参数σ，从而实现确定最优参数，形成GSA‐LSSVM模型，提高LSSVM模型的预测精度和收敛速度；

步骤(G)，将分类后的上升风数据、下降风数据和平稳数据，作为GSA‐LSSVM模型的输入，自适应上升风、下降风、和平稳三类的参数，进行训练，训练好的三类模型，将需预测的数据输入训练好的三类模型，得出的三类功率预测结果按元时间序列重新组合，完成短期风电功率的预测。

根据本发明的基于GSA‐LSSVM模型的短期风电功率预测方法，以下将对上海崇明岛某风电场2015年全年每隔5分钟采集一次的风速功率数据进行案例分析，做进一步说明，

(1)采集风电场的实测数据(v(t),p(t))，其中t为采样时间，且t为大于0的自然数，v(t)为实测风速，p(t)为实测功率；

(2)对(v(t),p(t))进数据预处理，包括异常数据剔除和缺失数据填补(去噪)，得到去噪后的风速功率

(3)根据公式对去噪后的风速功率按时间序列进行分类，RP为风速上升或下降的坡度，ΔT为时间区间，通过大量的实验结果对比，确定参数Vramp和ΔT，得到新的三组数据，即上升风数据、下降风数据和平稳数据；

(4)应用LSSVM模型选取RBF作为核函数，需要确定惩罚参数γ和RBF核超参数，而采用交叉验证的传统方法耗时较长，参数选取效果难以保证，采用上面介绍的改进的引力搜索算法(GSA)对LSSVM模型进行优化，确定最优参数，提高模型的预测精度和收敛速度；

(5)分别将分类好的三组新数据作为GSA‐LSSVM模型的输入，自适应上升风、下降风、和平稳三类的参数，然后进行训练，将需预测的数据输入训练好的三类模型，得出的三类功率预测结果，并按元时间序列重新组合。

本实施例将风电场实测数据(v(t),p(t))首先通过去噪方法对数据进行预处理，如图2所示，横坐标为风速，纵坐标为输出功率，通过去噪，异常数据有效的被处理，本实施例选择30台风机一年的风速功率采集数据，通过公式将全年实测数据制成风速功率登记表，如表2所示，

表2

如表2所示，部分风速功率等级表

表2部分风速功率等级表

根据对比，得到风速功率标准曲线，如图3所示，风速功率曲线为平均同一等级中风速的功率，相对比较平稳，具有较高的风速功率走向代表意义。

去噪后的数据根据风速爬坡坡度计算公式分解为3个类型，并将其制成散点图与风速功率标准曲线对比，如图4所示，明显的体现了不同风速特征下的功率变化情况，能够得到上升风略低于平均水平，下降风略高于平均水平；

以LSSVM预测结果的RMSE作为GSA的目标函数以公式表示GSA中粒子间作用力，以公式来更新粒子的加速度，G(t)＝G0·e^-α/T更新重力常量，以公式更新粒子的速度和位置，最后计算适应度函数值，输出最优值作为LSSVM模型的惩罚参数γ和核函数超参数σ，形成GSA‐LSSVM模型；

将分离后的三类数据作为模型的训练输入数据，训练GSA‐LSSVM模型，将待预测功率对应的风速序列按坡度分离为三类，分别输入相应的模型，最后将三类模型预测结果按风速序列重组，以公式计算预测结果的均方根误差，与其他模型对比，体现本模型的优越性。

为分析本发明的有益效果，本发明方法的预测数据分别与传统LSSVM、未分类上升、下降风的GSA‐LSSVM平均绝对误差和均方根误差进行对比，对比结果，如图5所示，本发明的MAE和RMSE明显小于LSSVM和GSA‐LSSVM，且GSA‐LSSVM明显优于LSSVM，说明GSA对LSSVM性能确有改进，而分类预测方法则进一步提高模型预测精度；RGSA‐LSSVM模型(改进后的GSA对LSSVM模型优化)预测结果如图6所示，预测曲线逐渐逼近实测功率曲线，明显误差有逐渐减小的趋势，通过图6对比分析，本发明方法预测果明显。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。