基于混沌鸡群优化算法的短期风电功率预测方法技术

本发明专利技术公开了基于混沌鸡群优化算法的短期风电功率预测方法，属于风电预测技术领域，本发明专利技术将鸡群算法和混沌理论相结合，提出了一种混沌鸡群优化算法，改进了算法的种群多样性和局部搜索能力，提升了算法的优化性能。针对风速序列随机性问题，采用聚类经验模态分解的方法将风速序列分解为更具有规律性的多个子序列，分别进行预测。针对点预测不能提供更多定量信息的问题，采用概率性区间预测以及一种基于神经网络上下限估计(lower upper boundestimation,LUBE)的区间预测模型，采用双输出神经网络结构直接输出预测区间，模型简单高效，有效的提高了预测的精度，具有重要的实际应用价值。实际应用价值。实际应用价值。

【技术实现步骤摘要】
基于混沌鸡群优化算法的短期风电功率预测方法


[0001]本专利技术属于风电预测
，具体涉及基于混沌鸡群优化算法的短期风电功率预测方法。

技术介绍

[0002]风能作为清洁的可再生能源，同时具有间歇性和随机性，对电网造成不容忽视的影响，而准确的风电功率预测是解决该问题的必要手段。国内外风电功率研究现状，主要分为基于NWP数据的物理方法和基于历史数据的统计方法。物理方法需要针对风机的内在结构和周围环境进行详细分析和建模，模型构造较为复杂。统计方法需要大量的历史数据，利用人工神经网络、支持向量机等方法，解析风电功率与其影响因素之间的非线性关系。但是，目前针对这些智能算法模型的优化问题研究并没有很好的解决模型优化算法中存在的诸多问题，比如种群多样性不足、局部搜索能力弱导致的易陷入局部最优解等问题。此外，这些预测方法主要集中在确定性的点预测方面，由于风力时间序列具有非平稳性、随机性的特点，点预测误差始终存在且无法消除，从决策角度看，点预测的使用将对电力系统的稳定可靠运行产生一定影响。
[0003]与常用的点预测方法相比，概率性区间预测可以为风电不确定性提供更多的定量信息。通过置信水平和平均带宽可以分别对预测区间的可靠性和清晰度进行评价，更有利于电力系统的决策。不足之处在于，传统的区间构造方法通常是在具有特定先验假设的确定性预测模型之后进行的，一般使用分位点回归、Bootstrap、贝叶斯方法计算区间，这些方法的计算量大，模型复杂。

技术实现思路

[0004]专利技术目的：本专利技术提供了基于混沌鸡群优化算法的短期风电功率预测方法以解决现有技术中计算量大，模型复杂导致的预测不精确的缺陷。
[0005]技术方案：为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0006]基于混沌鸡群优化算法的短期风电功率预测方法，包括如下步骤：
[0007]1)将获取的风机数据作为样本数据；
[0008]2)对样本数据进行聚类经验模态分解；
[0009]3)根据聚类分析得到的数据建立ELM预测模型，并采用CCSO算法优化输出层权值，称之为CCSO
‑
ELM预测模型；
[0010]4)采用PSO，CSO，CPSO和CCSO算法对ELM训练过程进行寻优来验证预测模型的有效性；
[0011]5)采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)对预测误差进行详细的对比分析；
[0012]6)分析风电功率的不确定性，以提出的CCSO
‑
ELM作为风电功率的区间预测模型，提出了考虑相对偏差的新评价指标作为适应度函数来降低区间外点的偏离程度。
[0013]进一步地，所述的步骤1)具体为：所述风机数据的获取方法有如下依据：风电场历史数据包括NWP数据和数据采集与监视控制系统提供的数据，选取风速、风向和温度作为模型的输入变量；
[0014]对样本数据进行聚类分析的方法包括如下步骤：
[0015]对于信号x(t)，EMD的分解步骤为：
[0016]1.1)找到并记录信号中所有的极大值点，并采用三次样条插值进行拟合，得到信号的上包络线e
up
(t)；
[0017]1.2)找到并记录信号中所有的极小值点，并采用三次样条插值进行拟合，得到信号的下包络线e
low
(t)，取两条包络线的平均值为
[0018][0019]1.3)h1(t)＝x(t)
‑
m1(t)，将h1(t)作为新的信号，重复步骤1.1)、步骤1.2)，经过k次计算，直到新信号h1(t)满足IMF条件，令c1(t)＝h1(t)，则c1(t)为第一个IMF分量；
[0020]1.4)用x(t)减去c1(t)，得到去掉高频的新信号r1(t)，再对r1(t)进行上述步骤，最终得到N个IMF分量和一个不可被分解的余量；
[0021][0022]原始信号x(t)被分解为
[0023][0024]3、根据权利要求1所述的基于混沌鸡群优化算法的短期风电功率预测方法，其特征在于，所述的步骤3)具体为：根据聚类分析得到的数据建立ELM预测模型并采用CCSO算法优化输出层权值包括如下步骤：
[0025]3.1)输入和输出变量的选择
[0026]构造训练样本集；确定输入向量X＝[x1,
…
x4,x5,x6,x7]，其中x1‑
x4为前4个时刻点的风功率数据，x5、x6和x7分别为预测点的风速、风向正弦与温度；输出数据为预测点的风电功率值；选择sigmid函数作为ELM的激活函数，隐含层神经元的个数l由经验公式和试探法确定，以此作为风电功率单步预测的网络结构；经验公式如下：
[0027][0028]其中α为1到10之间的常数，ELM的输入层神经元个数n为7，输出层神经元个数m为1，；根据经验公式上下浮动试探，选择预测误差较小的值作为l的取值；
[0029]3.2)数据预处理
[0030]为了避免不同量纲的数据计算造成的误差，在输入数据之前，需要进行归一化，本文选取的归一化范围是[
‑
1,1]；具体公式如下：
[0031][0032]式中，x为原始输入数据，x
′
为归一化后的值，x
max
为原始数据中的最大值，x
min
原始数据中的最小值；
[0033]3.3)参数初始化
[0034]以ELM的输出层权值作为CCSO的鸡群个体β，根据fitness公式，以预测误差作为个体适应度，fitness公式如下：
[0035][0036]式中，y
i
是神经网络第i个节点的实际输出，o
i
是第i个节点的预测输出。fitness表示适应度，n表示输出层的节点个数；按照混沌鸡群优化算法初始化CCSO的各项参数，并在上下限内随机生成初始种群；
[0037]3.4)迭代寻优及终止条件
[0038]根据3.1.3节(c)
‑
(f)内容对鸡群进行更新和寻优，当达到最大迭代次数或全局最优个体适应度不再下降时，输出最优鸡群个体β
’
及其对应的适应度fitness；以β作为ELM的输出层权值，直接计算预测风电功率值。
[0039]进一步地，所述的步骤4)具体为：所述PSO，CSO，CPSO和CCSO算法对ELM训练过程进行寻优来验证预测模型的有效性包括如下步骤：
[0040]算法迭代次数均设置为300次，种群规模均为100，其他各项参数同下表所示：
[0041][0042]步骤5)具体为：所述平均绝对百分比误差(MAPE)和均方根误差(RMSE)对预测误差进行详细的对比分析包括如下公式：
[0043][0044][0045]式中，N为样本数量，P
i
为第i时刻的风电功率实测值，为第i时刻的风电功率预测
值。
[0046]进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于混沌鸡群优化算法的短期风电功率预测方法，其特征在于，包括如下步骤：1)将获取的风机数据作为样本数据；2)对样本数据进行聚类经验模态分解；3)根据聚类分析得到的数据建立ELM预测模型，并采用CCSO算法优化输出层权值，称之为CCSO
‑
ELM预测模型；4)采用PSO，CSO，CPSO和CCSO算法对ELM训练过程进行寻优来验证预测模型的有效性；5)采用平均绝对百分比误差MAPE和均方根误差RMSE对预测误差进行对比分析；6)将CCSO
‑
ELM预测模型作为风电功率的区间预测模型，采用考虑相对偏差的评价指标作为适应度函数来降低区间外点的偏离程度。2.根据权利要求1所述的基于混沌鸡群优化算法的短期风电功率预测方法，其特征在于，所述的步骤1)具体为：所述风机数据的获取方法有如下依据：风电场历史数据包括NWP数据和数据采集与监视控制系统提供的数据，选取风速、风向和温度作为模型的输入变量；对样本数据进行聚类分析的方法包括如下步骤：对于信号x(t)，EMD的分解步骤为：1.1)找到并记录信号中所有的极大值点，并采用三次样条插值进行拟合，得到信号的上包络线e
up
(t)；1.2)找到并记录信号中所有的极小值点，并采用三次样条插值进行拟合，得到信号的下包络线e
low
(t)，取两条包络线的平均值为1.3)h1(t)＝x(t)
‑
m1(t)，将h1(t)作为新的信号，重复步骤1.1)、步骤1.2)，经过k次计算，直到新信号h1(t)满足IMF条件，令c1(t)＝h1(t)，则c1(t)为第一个IMF分量；1.4)用x(t)减去c1(t)，得到去掉高频的新信号r1(t)，再对r1(t)进行上述步骤，最终得到N个IMF分量和一个不可被分解的余量；原始信号x(t)被分解为3.根据权利要求1所述的基于混沌鸡群优化算法的短期风电功率预测方法，其特征在于，所述的步骤3)具体为：根据聚类分析得到的数据建立ELM预测模型并采用CCSO算法优化输出层权值包括如下步骤：3.1)输入和输出变量的选择构造训练样本集；确定输入向量；输出数据为预测点的风电功率值；选择sigmid函数作为ELM的激活函数，隐含层神经元的个数l公式如下：
其中α为1到10之间的常数，ELM的输入层神经元个数n，输出层神经元个数m；3.2)数据预处理进行归一化，公式如下：式中，x为原始输入数据...

【专利技术属性】
技术研发人员：王冰，杜文元，李伟，张劲峰，
申请(专利权)人：河海大学，
类型：发明
国别省市：