一种基于改进粒子群的风力发电功率预测方法技术

本发明专利技术提出了一种基于改进粒子群的风力发电功率预测方法。本发明专利技术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；通过输出功率输入空间构造基于SVM模型核函数；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；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。与现有技术相比，本发明专利技术提高了预测精度。

Prediction method of wind power generation based on Improved Particle Swarm Optimization

The invention proposes a wind power generation prediction method based on improved particle swarm optimization. The invention obtains the time series of output power of wind power station by sampling the historical generation data of wind power station at equal intervals per unit time, preprocesses the time series of output power of wind power station, and constructs the input space of output power of wind power station according to the time series of output power of wind power station after preprocessing. The output power input space is constructed based on SVM model kernels; the optimization model based on SVM model kernels is constructed by introducing Lagrange multiplier and preprocessing the time series of wind power station output power, and the optimization solution of SVM model kernels is obtained by improving the weighted particle swarm optimization algorithm; and the optimized Gauss kernels are used. The proportionality coefficient of number, the kernel coefficient of Gauss kernel function, the polynomial order of polynomial kernel function, penalty coefficient and the SVM model kernel function are used to construct the prediction model. Compared with the existing technology, the invention improves the prediction accuracy.

【技术实现步骤摘要】
一种基于改进粒子群的风力发电功率预测方法
本专利技术属于风力发电
，具体涉及一种基于改进粒子群的风力发电功率预测方法。
技术介绍
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。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于改进粒子群的风力发电功率预测方法。本专利技术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，pct为搜索空间中心，公式如下：其中，ptmin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；ptmax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；ptc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，本专利技术的有益效果为：本专利技术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；本专利技术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；本专利技术采用时间序列的方法，直接通过历史数据进行预测，降低了对本文档来自技高网...

【技术保护点】
1.一种基于改进粒子群的风力发电功率预测方法，其特征在于，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。

【技术特征摘要】
1.一种基于改进粒子群的风力发电功率预测方法，其特征在于，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。2.根据权利要求1所述的基于改进粒子群的风力发电功率预测方法，其特征在于，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。3.根据权利要求1所述的基于改进粒子群的风力发电功率预测方法，其特征在于，步骤2中所述基于SVM模型核函数为：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。4.根据权利要求1所述的基于改进粒子群的风力发电功率预测方法，其特征在于，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，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...

【专利技术属性】
技术研发人员：王粟，江鑫，朱飞，李庚，邱春辉，詹逸鹏，曾亮，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42