一种基于核极限学习机模型的功率区间预测方法技术

本发明专利技术属于风电发电功率预测领域，尤其涉及一种基于粒子群优化核极限学习机模型的风电功率区间预测方法，包括：数据预处理，依据风速与功率相关性预处理SCADA中历史数据；初始化KELM模型参数，计算得到初始输出权重βint；初始化粒子群参数；根据评价指标构建优化准则F，进行粒子群寻优，得到模型最优输出权重βbest；带入测试数据到βbest构成的KELM模型，得到风电功率预测区间，评价预测区间各项指标。本发明专利技术易于工程实现，能够得到较好的预测结果，不仅能描述未来风电功率可能波动范围，同时有效评估预测区间的可靠性，给出风电功率在不同置信水平下可能的波动区间，更好地为电力系统决策人提供参考。

【技术实现步骤摘要】

本专利技术属于风电发电功率预测领域，尤其涉及一种基于粒子群优化核极限学习机 模型的风电功率区间预测方法。
技术介绍
风能作为一种清洁的可再生能源已经得到世界各国的广泛应用，它具有安全、清 洁、充裕而且资源巨大等特点。风力发电是人类利用风能的主要形式，然而风自身具有很强 的随机性和不稳定性，就会导致风电功率的剧烈波动。尤其近几年风电产业发展迅速，装机 容量持续增加，大规模风电接入电网的背景下，风电功率的随机不稳定性给电力系统的安 全稳定运行带来严峻挑战。对风电功率进行预测，使电力调度部门提前根据风电功率变化 及时调整调度计划，以减轻风电系统对电网造成不利影响，减少系统的备用容量，降低电力 系统运行成本，保证供电质量。所以风电功率预测已成为风电产业研究热点和技术必需。 目前风电功率预测从预测方法上可分为物理方法和统计方法。物理方法要求较多 风机相关物理信息，采用物理方程进行预测，应用较为复杂；统计方法对风电历史数据进行 统计分析，根据其内在规律进行预测。常用的统计预测方法有时间序列、人工神经网络、支 持向量机等。但是，目前风电功率预测通常为确定性的点预测，这就对预测结果的准确性的 要求较高，但实际预测过程中存在各种不确定因素，得到的预测结果一般都有不同程度的 误差。因此，需要进行风电功率概率性区间预测，给出预测功率值可能出现的概率。区间预 测方法可以对由不确定性因素引起的预测结果变动范围进行量化，得出未来在某一置信水 平下由上、下界确定的预测区间（prediction intervals，PIs)，向电力系统规划的决策者 提供更多ig息。 传统区间预测方法，如：分位数回归，非参数核密度估计，单层前向神经网络，需要 大量样本进行复杂数学计算以及对参数分布进行先验假设，计算预测误差相关系数矩阵、 联合概率分布函数等。为了摆脱模型对于大量训练样本的需求，提高非线性拟合能力能力， 学者将极限学习机（ELM, Extreme Learning Machine)技术应用于风电功率预测领域中，运 用较少的训练样本实现了较快更较精确的预测，且有效避免陷入局部最小的危险。但在实 际工程运用中ELM也体现了一些不足之处：在计算数据低维时可能出现的线性不可分，影 响预测效果，导致ELM模型的输出易出现随机波动，稳定性和泛化能力不理想。
技术实现思路
针对传统风电功率点预测及极限学习机方法的不足，本专利技术提出了一种基于粒子 群优化核极限学习机（KELM, Kernel Extreme Learning Machine)模型的风电功率区间预 测方法，包括： 步骤 1 :获取风电场SCADA(Supervisory Control And Data Acquisition，数据米 集与监视控制系统）中的实际风速、功率数据，根据风速与功率相关性进行处理，将数据分 为训练样本和测试样本，将数据归一化； 步骤2 :在训练数据中，将风速数据序列作为KELM模型的输入值，对功率数据进行 小幅上下浮动来作为KELM模型的初始预测区间上下限；初始化KELM预测模型的参数，包括 选取核函数、惩罚系数，代入步骤1处理的训练样本数据，得到初始输出权重β int; 步骤3 :初始化粒子群参数，包括设定种群数、粒子初始位置和随机设定初始速 度、个体极值、全体极值；把初始输出权重Pint设为粒子初始位置，惯性权重按线性递减策 略动态调整； 步骤4 :根据预测区间覆盖概率（PI coverage probability，PICP)、预测区间平 均带宽（PI normalized average width，PINAW)和累积带宽偏差（Accumulated width deviation，AWD)这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应 度值，进行粒子群寻优，根据比较每个粒子的F在每次迭代中的大小，更新粒子速度、位置、 个体极值和全体极值，得到最优输出权重β bf3St; 步骤5 :根据步骤4寻优得到的最优输出权重β test代入KELM模型，代入测试样本， 输出即为风电功率预测区间，使用步骤4中的各项评价指标来评价预测区间。 所述步骤1具体包括： 步骤101 :数据预处理，按一定时间间隔采集SCADA中--对应的风速与功率数 据，按时间顺序排序，删除其中的零点、缺值点、停机点及限功率点，排除人为因素干扰； 步骤102 :数据再处理，根据初步处理的风速及功率数据，绘制风功率曲线，根据 功率曲线，分别按照风速、功率进行分段，运用莱茵达法则去除每个风速段内误差较大值； 如果分段内数据过少则不进行莱茵达法则删除，最终得到一组具有较强相关性的数据； 步骤103 :归一化步骤102中处理的数据到区间，将数据分为训练样本和测 试样本，其中风速数据序列构成Xi= T;与之对应的功率数据序列t i= [ti，b，… ，tJT，他们共同构成N个训练样本i代表序列中第i个数据，m代表训练数据个 数。 所述步骤2具体包括： 步骤201 :将风速数据序列X1作为KELM模型的输入值，对功率数据序列t i进行小 幅上下浮动，作为KELM模型的初始预测区间上下限g^ ; 步骤202 :初始化KELM预测模型参数，选取RBF径向基核函数：Κ(μ，v)= θχρ(-(μ_ν)2/σ)，其中μ、V为映射数据，σ为宽度参数，控制函数的径向作用范围；β# = HT(I/C+HHT) 1T,其中β*为输出权重，C为惩罚系数，T是模型输出即预测区间上下限，I 为单位矩阵，H为极限学习机的隐含层输出矩阵； 步骤203 :将步骤1中的训练样本代入KELM模型计算得到初始输出权重β int。 所述步骤3具体包括： 步骤301 :初始化粒子群参数，设KELM模型计算得到的初始输出权重β int为粒子 初始位置，粒子初始速度为的随机数，粒子维数为输出权重维数； 步骤302 :采用动态调整惯性权重策略，兼顾粒子群的全局搜索能力和局部搜索 能力，惯性权重按线性递减策略动态调整：《(t) = COmax-(COmax-COmin)(Vtmax) 其中t为当前迭代次数，t_为最大迭代次数，ω (t)为第t次迭代时权重，权重最 大ωΜΧ= 0. 9,权重最小值ω ηιη= 0. 1。 所述步骤4具体包括： 步骤401 :根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价 指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值： 其中，γ、爹、λ分别为针对预测目标覆盖率偏差、预测区间平均带宽和累积带宽 偏差的权重系数，t为当前迭代次数，α为置信水平； 预测区间覆盖概率表示实际观测值即预测目标值h落在 预测区间上下限内的概率；其中队为预测样本数，κ 布尔量，如果预测目标值t i包含于 区间预测上下限，则K1= 1，否则κ 区间平均带宽，其中R为预测目标值t 的变化范围，用于对平均带宽进行归一化处理； 累积带宽偏差表示预测目标值h偏离预测区间上限或下限的程度： 步骤402 :粒子群每次迭代得到一组新的输出权重，进而得到KELM模型输出，由此 计算此次优化目标函数F即适应度，与粒子本身最优解即个体极值和种群当前最优解即全 体极值进行比较，留下适应度更小的粒子，并更新个本文档来自技高网...

【技术保护点】
一种基于粒子群优化核极限学习机模型的风电功率区间预测方法，其特征在于，包括：步骤1：获取风电场SCADA中的实际风速、功率数据，根据风速与功率相关性进行处理，将数据分为训练样本和测试样本，将数据归一化；步骤2：在训练数据中，将风速数据序列作为KELM模型的输入值，对功率数据进行小幅上下浮动来作为KELM模型的初始预测区间上下限；初始化KELM预测模型的参数，包括选取核函数、惩罚系数，代入步骤1处理的训练样本数据，得到初始输出权重βint；步骤3：初始化粒子群参数，包括设定种群数、粒子初始位置和随机设定初始速度、个体极值、全体极值；把初始输出权重βint设为粒子初始位置，惯性权重按线性递减策略动态调整；步骤4：根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值，进行粒子群寻优，根据比较每个粒子的F在每次迭代中的大小，更新粒子速度、位置、个体极值和全体极值，得到最优输出权重βbest；步骤5：根据步骤4寻优得到的最优输出权重βbest代入KELM模型，代入测试样本，输出即为风电功率预测区间，使用步骤4中的各项评价指标来评价预测区间。...

【技术特征摘要】

【专利技术属性】
技术研发人员：杨锡运，关文渊，任杰，刘玉奇，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11