一种多因素风电场发电量预测方法技术

本发明专利技术公开了一种多因素风电场发电量预测方法，形成新的天牛群算法，达到更好的参数寻优效果；通过近似熵法对分解序列进行序列重构；使用主成分分析方法对S1中的10组数据进行数据降维处理，选取合适维度的主成分数据作为后续的输入数据；构建初始KSVR模型；将降维处理后的数据输入KSVR模型并进行模型的训练；计算发电量的预测数据与结果的误差值；判断KSVR模型的参数是否为最优值或者满足误差要求，若不满足要求，则执行S7的BASO算法对KSVR算法的参数进行调优；若KSVR模型的参数为最优参数，保存该模型的参数，对输出数据进行叠加得到预测结果。测结果。测结果。

【技术实现步骤摘要】
一种多因素风电场发电量预测方法


[0001]本专利技术涉及风电场发电量预测领域，具体涉及一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR多因素风电场发电量预测方法。

技术介绍

[0002]随着风力发电技术的逐步成熟，风电场发电已经是新能源发电的主要组成部分，风电场发电量预测成为新能源领域的主要研究课题之一，其发电量的准确预测是制定发电、输配电系统的规划和运行策略的关键环节之一，风电厂的机组调度也在很大程度上依赖于对发电量的精确预测。但由于风电场发电量的影响因素众多，比如风速、温度、历史发电量等，导致其发电量的预测比较困难，常见的预测方法有如下不足之处：发电量的预测精准度较低，无法达到理想的预测效果；常见的发电量预测一般是基于历史发电量或者负荷数据，然后通过常见的人工智能预测方法进行预测计算，但这种方法没有考虑风电场发电量变化的内在原因，比如风速、温度等内、外部因素对风电场发电器材和发电效率的影响。针对上述问题，本专利提出一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR多因素风电场发电量预测方法，该方法一方面通过天牛群算法对KSVR预测算法进行优化，提升算法的预测精准度；另一方面，考虑可以对风电场发电量产生影响的各种因素，并对这些因素的历史数据进行VMD处理，接着，使用PCA方法对分解后的数据降维处理，作为历史数据集，输入到预测模型当中，从而对发电量数据进行预测。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR多因素风电场发电量预测方法，首先VMD算法对影响风电场发电量的关键参数的历史数据进行分解，形成初步数据集；其次，使用主成分分析法对处理后的数据进行数据降维处理，形成最终数据集；再次，针对天牛算法寻优效率低下与粒子群算法寻优参数早熟的问题，将两者优点相结合，形成新的天牛群算法，达到更好的参数寻优效果；然后，针对常规SVR算法预测精度较低，参数选取困难的问题，使用天牛群算法对KSVR的关键参数进行寻优，以提升预测精度；最后，将数据集输入到优化后的算法模型当中，得到预测数据。
[0004]本专利技术是通过以下技术方案解决以上技术问题的：一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR多因素风电场发电量预测方法，其特征在于以下步骤：S1：通过VMD将原始信号(待预测的风电场的历史发电量数据、同周期风电场风速数据、同周期风电场地区温度数据、风电场地区的历史负载数据等)进行数据处理，分别分解为PIF1、PIF2、PIF3、PIF4等；S2：通过近似熵法对分解序列进行序列重构；S3：使用主成分分析方法对S1中的10组数据进行数据降维处理，选取合适维度的主成分数据作为后续的输入数据；S4：构建初始KSVR模型；S5：将降维处理后的数据输入KSVR模型并进行模型的训练；S6：计算发电量的预测数据与结果的误差值；S7：判断KSVR模型的参数是否为最优值或者满足误差要求，若不满足要求，则执行S7的BASO算法对KSVR算法的参数进行调
优；S8：利用BASO优化算法对KSVR模型的参数进行寻优处理，并重新对模型进行训练；S9：若KSVR模型的参数为最优参数，保存该模型的参数，对输出数据进行叠加得到预测结果。
[0005]收集历史数据，包括待预测风电场的历史发电量数据、同周期风电场风速数据、同周期风电场地区温度数据、待预测风电场地区的历史负载数据等。
[0006]S21：通过希尔伯特变换计算收集到的相关数据，得到各阶的模态函数的分量u
k
；S22：调整模态的中心频率，将频谱进行偏移调节，公式如下：其中，f(t)表示给定的待处理信号，u
k
(t)表示模态分量，w
k
为中心频率，δ(t)为狄拉克来函数卷积算子，k表示模态频率；S23：为了将约束问题转化为无约束问题，引入拉格朗日算子τ和惩罚项因子α，以简化计算过程，如下所示：通过不断的优化上式，可以得到模态分量和对应的中心频率公式为：通过不断的优化上式，可以得到模态分量和对应的中心频率公式为：其中，和分别表示相应的函数的傅里叶变换结果，n表示迭代次数。
[0007]S31：将上述所有VMD分解后的数据和原始数据为基础，建立样本初始数据矩阵X；X＝(x
ij
)
m
×
n
＝(X1,X2,...,X
n
)
ꢀꢀꢀ
(5)X＝(x
1j
,x
2j
,...,x
mj
)
T j＝1,2,...,n
ꢀꢀꢀ
(6)式中，X为一个由m
×
n的VMD处理后的数据构成的样本数据矩阵；n为每个种类的数据的长度；n为不同数据种类的个数，也可以认为是数据的维度。S32：用归一化方程来标准化处理初始数据矩阵X，标准化后的矩阵Z的公式如式7：S33：求解相关系数矩阵为：
对相关系数矩阵进行特征值λ和特征向量的求解，每个指标以及累计指标的计算公式如式9：选取使累计方差达到85％的指标作为主成分。公式如式9：选取使累计方差达到85％的指标作为主成分。
[0008]构建初始KSVR模型，包括选择RBF核函数作为SVR的核函数，设置优化参数C、gamma与其取值范围，将均方根误差作为模型的精度指标。RBF的核函数公式为：K(x
i
,x
j
)＝exp(
‑
κ||x
i
‑
x
j
||2)
ꢀꢀꢀ
(11)式中：κ是核半径。为充分利用经过PCA降维处理后的数据，使用多核加权线性支持向量回归模型，表达式如下:式中:μ1K
t
，μ2K
T
，
…
，μ
n
K
H
分别表示原始数据经过主成分分析法降维之后的各个因素所对应的核函数，μ1，μ2，
…
，μ
n
是相应的权值系数。优化问题的求解目标为：其中η为松弛因子。约束为：式中：b代表偏置；ο是不敏感损失；ω代表决策平面的权值系数；代表高维特征空间。决策函数更新为：式中：y
′
为误差数值；α表示拉格朗日乘子。
[0009]将S33步骤中得到的降维处理后的数据作为新的数据集，输入KSVR模型并进行模型的训练。
[0010]计算根据预测模型得到的发电量的预测数据与真实结果的三种类型的误差指标：平均平均误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)。
式中：其中，N为数据点总量，FX
L
表示预测的数值，AX
L
表示真实数值。
[0011]判断KSVR模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR多因素风电场发电量预测方法，其特征在于以下步骤：S1：通过VMD将原始信号(待预测的风电场的历史发电量数据、同周期风电场风速数据、同周期风电场地区温度数据、风电场地区的历史负载数据等)进行数据处理，分别分解为PIF1、PIF2、PIF3、PIF4等；S2：通过近似熵法对分解序列进行序列重构；S3：使用主成分分析方法对S1中的10组数据进行数据降维处理，选取合适维度的主成分数据作为后续的输入数据；S4：构建初始KSVR模型；S5：将降维处理后的数据输入KSVR模型并进行模型的训练；S6：计算发电量的预测数据与结果的误差值；S7：判断KSVR模型的参数是否为最优值或者满足误差要求，若不满足要求，则执行S7的BASO算法对KSVR算法的参数进行调优；S8：利用BASO优化算法对KSVR模型的参数进行寻优处理，并重新对模型进行训练；S9：若KSVR模型的参数为最优参数，保存该模型的参数，对输出数据进行叠加得到预测结果。2.根据权利要求1所述的一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR风电场发电量多因素预测方法，其特征在于所述S1中，包括：收集历史数据，包括待预测风电场的历史发电量数据、同周期风电场风速数据、同周期风电场地区温度数据、待预测风电场地区的历史负载数据等。3.根据权利要求1所述的一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR风电场发电量多因素预测方法，其特征在于所述S2中，包括：S21：通过希尔伯特变换计算收集到的相关数据，得到各阶的模态函数的分量u
k
；S22：调整模态的中心频率，将频谱进行偏移调节，公式如下：其中，f(t)表示给定的待处理信号，u
k
(t)表示模态分量，w
k
为中心频率，δ(t)为狄拉克来函数卷积算子，k表示模态频率；S23：为了将约束问题转化为无约束问题，引入拉格朗日算子τ和惩罚项因子α，以简化计算过程，如下所示：通过不断的优化上式，可以得到模态分量和对应的中心频率公式为：
其中，和分别表示相应的函数的傅里叶变换结果，n表示迭代次数。4.根据权利要求1所述的一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR风电场发电量多因素预测方法，其特征在于所述S3中，包括：S31：将上述所有VMD分解后的数据和原始数据为基础，建立样本初始数据矩阵X；X＝(x
ij
)
m
×
n
＝(X1,X2,...,X
n
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)X＝(x
1j
,x
2j
,...,x
mj
)
T j＝1,2,...,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中，X为一个由m
×
n的VMD处理后的数据构成的样本数据矩阵；n为每个种类的数据的长度；n为不同数据种类的个数，也可以认为是数据的维度；S32：用归一化方程来标准化处理初始数据矩阵X，标准化后的矩阵Z的公式如式7：S33：求解相关系数矩阵为：对相关系数矩阵进行特征值λ和特征向量的求解，每个指标以及累计指标的计算公式如式9：选取使累计方差达到85％的指标作为主成分。如式9：选取使累计方差达到85％的指标作为主成分。5.根据权利要求1所述的一种基于VMD
‑
PCA数据预处理算法的BASO
‑
KSVR风电场发电量多因素预测方法，其特征在于所述S4中，包括：构建初始KSVR模型，包括选择RBF核函数作为SVR的核函数，设置优化参数C、gamma与其取值范围，将均方根误差作为模型的精度指标。RBF的核函数公式为：K(x
i
,x
j
)＝exp(
‑
κ||x
i
‑
x
j
||2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(...

【专利技术属性】
技术研发人员：郝俊博，赵志宏，姚勇，王立东，卢震，刘建武，
申请(专利权)人：国网山西省电力公司运城供电公司，
类型：发明
国别省市：