一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法技术

本发明专利技术公开了一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法；1)将某地区风电功率监测数据做归一化等预处理；2)划分训练集和测试集并对模型进行训练，得到单一模型的预测值和误差向量；3)对单一模型预测效果进行评价，并选取预测结果最好的两个单一模型；4)以预测周期内风电功率预测误差平方和最小为目标函数，利用IAO对模型进行组合，得出组合模型的最优权重向量W，将所得权重系数与单一模型相乘获得线性组合模型；5)根据预测评价指标对组合模型效果进行评价，实例证明其预测准确度优于单一模型，操作较为简单，因此本发明专利技术具有较好的实用性，能够减小风电功率预测的不稳定性和误差，具有一定工程实用价值。值。值。

【技术实现步骤摘要】
一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法


[0001]本专利技术属于风力发电领域，具体涉及一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法。

技术介绍

[0002]我国风光总装机容量到2030年将达到12万亿千瓦以上，非化石能源消费到2060年将占比80％以上。然而风光出力具有波动性、不确定性等特征，如果不能日前对其功率进行准确地预测，将给电力系统运行稳定性带来严峻挑战，同时造成一定的弃风现象，因此基于历史数据和数值天气预报对风电功率进行精准预测具有十分重要的现实意义。

技术实现思路

[0003]为解决上述问题，本专利技术提出一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法，基本思想是通过加权将不同的预测方法和模型组合起来，充分融合不同模型的优点。本专利技术提出的方法可以基于风电功率历史数据和日前数值天气预报对风机输出的有功功率进行精确预测，其准确性优于任一单一模型，改进的天鹰优化算法与传统粒子群算法、鲸鱼优化算法、原始天鹰优化算法等优化结果相比，其收敛速度更快、更逼近最优解，解决粒子群算法易陷入局部最优，收敛速度慢的缺点。
[0004]本专利技术采用以下技术方案：
[0005]一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法，包括以下步骤：
[0006]步骤一，对某地区实际监测的风电功率数据进行归一化预处理；
[0007]步骤二，将预处理后的风电功率数据划分为训练集和测试集；并分别用训练集的风电功率数据作为输入变量，训练BP神经网络(BP)模型、改进后的BP神经网络(IAO
‑
BP)模型、支持向量机(SVM)模型、改进后的支持向量机(IAO
‑
SVM)模型、长短期记忆网络(LSTM)模型和改进后的长短期记忆网络(IAO
‑
LSTM)模型，然后将测试集输入训练好的模型，获得测试集的以上单一模型的预测值和误差向量；
[0008]步骤三，选取均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)对原始模型和改进天鹰优化算法(IAO)改进后的单一模型预测效果进行评价；
[0009]步骤四，从以上六种预测模型中选取预测结果最好的两个单一模型，将这两个单一预测模型的风电功率预测值作为输入变量，以预测周期内风电功率预测误差平方和最小为目标函数F，利用IAO对目标函数进行求解，得出组合模型的最优权重向量W，将所得权重系数与单一模型相乘获得线性组合模型，最终得到组合模型的预测结果f
hybrid
。
[0010]进一步的，在所述步骤一中，将实际监测的风电功率数据进行归一化预处理，其归一化公式如下：
[0011][0012]式中，y
′
为归一化后的数值，取值为[0,1]，如风速、风向和降水等具有不同的量纲和单位，归一化可以将其限制在一定的范围内，消除奇异数据对预测结果带来的影响，y为输入的原始数值，max(y)和min(y)分别为同一单位数据集的最大值和最小值。
[0013]进一步的，在所述步骤三中，选取的预测模型评价指标计算公式如下：
[0014][0015][0016][0017][0018]式中，为第i时刻的风电功率预测值，y
i
为第i时刻的风电功率真实值，n为测试集样本数目。
[0019]进一步的，在所述步骤四中，以预测周期内风电功率预测误差平方和最小为目标函数F，表达式如下：
[0020][0021][0022]式中，为第k个预测模型在第i时刻的风电功率预测值，ω
k
为第k个预测模型对应的权重；
[0023]进一步的，所述改进天鹰优化算法IAO包括以下步骤：
[0024]步骤1，算法初始化：初始化种群过程中引入新的随机OBL机制，使得种群在搜索空间中分布更均匀、搜素范围更广；设置种群数量为N，解空间维度为Dim，最大迭代次数为Miter，设置两个计数器Record1＝0，Record2＝0；初始化N组位置向量X＝rand
×
(ub
‑
lb)+lb，新型随机OBL机制计算的相反位置向量为：其中rand表示[0,1]之间的随机数，ub、lb分别待优化问题的上、下界；初始化迭代次数t＝0；
[0025]步骤2，计算种群的适应度值fitness，并对这些位置向量进行排序，初步确定全局最优解X
best
；
[0026]步骤3，在每次迭代的过程中，天鹰的位置更新描述如下：
[0027]步骤3.1，扩大搜索此时天鹰识别猎物区域，并通过垂直弯腰的高飞选择最佳的狩猎区域；为了增加种群的多样性，解决“早熟”问题，可在位
置更新中加入余弦变化因子，改进后的数学模型如下：
[0028][0029]其中，X1(t+1)为第一种搜索方法生成的t+1次迭代的解；X
best
(t)代表第t次迭代之前获得的最佳解，这反映了猎物的近似位置；rand是介于0和1之间的随机值；X
M
(t)表示在第t次迭代时当前解的平均值，计算方式如下：
[0030][0031]步骤3.2，缩小搜索在第二种方法中，当天鹰从高空发现猎物区域时，天鹰在目标猎物上方盘旋，准备着陆陆地，然后攻击，这种方法称为短滑翔攻击的等高线飞行；在这里，AO狭窄地探索目标猎物的选定区域，为攻击做准备；该行为的数学模式如下式所示：
[0032]X2(t+1)＝X
best
(t)
×
Levy(Dim)+X
R
(t)+(y
‑
x)
×
rand
[0033]式中，X2(t+1)是由第二个搜索方法生成的第t+1次迭代的解；Levy(Dim)是Levy飞行分布函数，X
R
(t)是在第t次迭代时在[1,N]范围内获得的随机解；
[0034][0035]式中，s＝0.01；u和v为介于0和1之间的随机数；β＝1.5；x、y是控制螺旋搜索形状的参数；r1取1到20之间的值，用于固定搜索周期数；U＝0.00565；D1是从1到搜索空间维数Dim的整数，ω＝0.005；σ计算式如下：
[0036][0037]式中，Γ(x)表示伽马函数。
[0038]步骤3.3，扩展开发此步骤引入鲸鱼优化算法(WOA)的泡泡网攻击机制，利用螺旋更新位置和收缩包围方式的优良性能更好的锁定猎物并进行攻击，该行为的数学模式如下式所示：
[0039]X3(t+1)＝Dis
′
·
e
bl
·
cos(2πl)+X
best
(t)
[0040]式中，Dis
′
＝|X
best
(t)
‑
X(t)|表示当前位置与当前最优解的距本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法，其特征在于，包括以下步骤：步骤一，对某地区实际监测的风电功率数据进行归一化预处理；步骤二，将预处理后的风电功率数据划分为训练集和测试集；并分别用训练集的风电功率数据作为输入变量，训练BP神经网络(BP)模型、改进后的BP神经网络(IAO
‑
BP)模型、支持向量机(SVM)模型、改进后的支持向量机(IAO
‑
SVM)模型、长短期记忆网络(LSTM)模型和改进后的长短期记忆网络(IAO
‑
LSTM)模型，然后将测试集输入训练好的模型，获得测试集的以上单一模型的预测值和误差向量；步骤三，选取均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)对原始模型和改进天鹰优化算法(IAO)改进后的单一模型预测效果进行评价；步骤四，从以上六种预测模型中选取预测结果最好的两个单一模型，将这两个单一预测模型的风电功率预测值作为输入变量，以预测周期内风电功率预测误差平方和最小为目标函数F，利用IAO对目标函数进行求解，得出组合模型的最优权重向量W，将所得权重系数与单一模型相乘获得线性组合模型，最终得到组合模型的预测结果f
hybrid
。2.根据权利要求1所述的一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法，其特征在于，在所述步骤一中，将实际监测的风电功率数据进行归一化预处理，其归一化公式如下：式中，y
′
为归一化后的数值，取值为[0,1]，y为输入的原始数值，max(y)和min(y)分别为同一单位数据集的最大值和最小值。3.根据权利要求1所述的一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法，其特征在于，在所述步骤三中，选取的预测模型评价指标计算公式如下：权重确定方法，其特征在于，在所述步骤三中，选取的预测模型评价指标计算公式如下：权重确定方法，其特征在于，在所述步骤三中，选取的预测模型评价指标计算公式如下：权重确定方法，其特征在于，在所述步骤三中，选取的预测模型评价指标计算公式如下：式中，为第i时刻的风电功率预测值，y
i
为第i时刻的风电功率真实值，n为测试集样本数目。4.根据权利要求3所述的一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法，其特征在于，在所述步骤四中，以预测周期内风电功率预测误差平方和最小为目标函数F，表达式如下：
式中，为第k个预测模型在第i时刻的风电功率预测值，ω
k
为第k个预测模型对应的权重。5.根据权利要求1所述的一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法，其特征在于，所述改进天鹰优化算法IAO包括以下步骤：步骤1，算法初始化：初始化种群过程中引入新的随机OBL机制；设置种群数量为N，候选解空间维度为Dim，最大迭代次数为Miter，设置两个计数器Record1＝0，Record2＝0；初始化N组位置向量X＝rand
×
(ub
‑
lb)+lb，新型随机OBL机制计算的相反位置向量为：lb)+lb，新型随机OBL机制计算的相反位置向量为：其中rand表示[0,1]之间的随机数，ub、lb分别待优化问题的上、下界；初始化迭代次数t＝0；步骤2，计算种群的适应度值fitness，并对这些位置向量进行排序，初步确定全局最优解X
best
；步骤3，在每次迭代的过程中，天鹰的位置更新描述如下：步骤3.1，扩大搜索：此时天鹰识别猎物区域，并通过垂直弯腰的高飞选择最佳的狩猎区域；在位置更新中加入余弦变化因子，改进后的数学模型如下：其中，X1(t+1)为第一种搜索方法生成的t+1次迭代的解；X
best
(t)代表第t次迭代之前获得的最佳解；rand是介于0和1之间的随机值；X
M
(t)表示在第t次迭代时当前候选解的平均值，计算方式如下：步骤3.2，缩小搜索：在第二种方法中，当天鹰从高空发现猎物区域时，天鹰在目标猎物上方盘旋，准备着陆陆地...

【专利技术属性】
技术研发人员：聂晓华，朱宇涛，王文聪，占美娟，黄韬，
申请(专利权)人：南昌大学，
类型：发明
国别省市：