【技术实现步骤摘要】
基于特征提取与优化算法的新能源组合预测方法及系统
[0001]本专利技术属于新能源组合
,具体地而言为一种基于特征提取与优化算法的新能源组合预测方法及系统。
技术介绍
[0002]在智能电网中,准确的高比例新能源预测对于操作和规划管理等战略决策,维护调度,能量转换,安全和需求监测评估以及确保可靠供电是至关重要的。相比之下,高比例新能源预测过高或过低都会给智能电网战略决策引入各种挑战。
[0003]高比例新能源预测过高的带来的挑战是建立额外旋转备用,导致提高运营成本。相反,高比例新能源预测低估会造成可靠性、电能质量、安全和监控方面的问题。因此,准确和精确的高比例新能源预测对于新型电力系统可持续、安全、可靠运行是必要的。
[0004]为了评估高比例新能源预测的价值,目前研究根据预测时间范围将新能源预测问题分为三类:长期、中期和短期。然而,在这三类预测问题中,主要关注短期高比例新能源预测,包括日前或周前的新能源估计。这些方法可分为三类:(1)经典方法,(2)智能方法,和(3)混合方法。经典方法包括基于卡尔曼滤波的方法、基于回归的方法、状态空间模型、指数平滑法、自回归综合移动平均法(ARIMA)和box
‑
Jenkins模型。经典的统计方法识别并获得电力消耗模式,然后将时间序列方法应用于所获得的模式,以提供未来的测量。然而,这些方法在线性分析中表现良好,在非线性时间序列预测中表现最差。为了更好地处理非线性时间序列新能源预测,提出了基于人工智能的方法。这些方法不需要复杂的数学建模,可以有 ...
【技术保护点】
【技术特征摘要】
1.一种基于特征提取与优化算法的新能源组合预测方法,其特征在于,该方法包括:获取实际预测点的历史新能源数据,形成预测数据集;基于特征提取模型,在所述预测数据集选择最相关的特征;将所述最相关的特征分为训练数据样本和测试数据样本,构建训练和测试样本;基于训练和测试样本,采用mFFO算法选择并调整预测模型的支持向量机超参数,预测未来的高比例新能源。2.按照权利要求书1所述的基于特征提取与优化算法的新能源组合预测方法,其特征在于,所述特征提取模型包括混合特征选择模型和提取模型,用于去除冗余、不相关和不明确的新能源数据特征;所述混合特征选择模型包括基于RAF的α评估模型和基于REF的β评估模型,采用基于RAF的α评估模型的RAF方程,使用OOB数据计算特征重要性,特征重要性计算后,重要特征存储在ω
r
[τ
j
],其中,OOB数据为袋外数据样本,用于确定特征重要性,RAF方程为:α评估模型和β评估模型特征重要性更新如下:α评估模型和β评估模型特征重要性更新如下:D为数据训练集,C表示一种级别,d
*
是这级中的随机一项,函数diff(D,r1,r2)计算属性差异diff在r1和r2之间,ω
F
和ω
r
分别是基于RAF和基于REF的特征重要性,diff函数的数学模型为:将基于RAF的特征重要性ω
r
和基于REF的特征重要性ω
F
标准化为:标准化为:标准化后采用式(7)进行特征选择:κ为特征选择控制阈值;所述提取模型的提取过程包括:特征选择过程的输出作为径向基核主成分分析的输入:X=(x1,x2,x3,,,,x
N
)
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)x
i
是与高比例新能源特征有关的i
th
变量;
特征值和特征之间的相关性通过下式计算:λ
e
=V
F*
e,λ≥0&e∈F*
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)V是X的协方差矩阵,F*表示特征空间,λ表示特征值,其中,V
F*
为:为:为:表示输入数据到要素空间的映射,<s,y>计算x和y的内积,特征值和特征之间的相关性数学建模为:λ=0时,e数学建模为:β
i
表示x
i
的系数,的形式是未知的,内核函数如下:特征值和特征之间的相关性数学建模和e数学建模的组合形式的数学模型为:假设j∈[1,N],β=(β1,β2,β3,......,β
N
)
T
,将上式(15)联合内核函数重新建模为:λNKβ=K2β
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)通过选取特征向量并对特征向量进行归一化为:e数学建模放入归一化表达式(17),并联合公式(16)得到公式(18):将公式(18)带入公式(19)得到降维后的特征向量:
3.根据权利要求1所述的基于特征提取与优化算法的新能源组合预测方法,其特征在于:所述预测模型采用SVR回归函数将输入和输出之间的映射描述为:ω和b分别是要优化/调整的权重和偏差;采用经验风险函数的数学模型如下:R
e
(f)是经验风险函数,以及Φ
E
表示密集损失函数,其中密集损失函数为:利用密集损失函数得到一个最优超平面,该超平面将训练数据分割成具有最大分离距离的线性可分离子集,目标函数被视为最小化函数:其中c表示第一项和第二项之间的权衡参数,通过设置两个分离数据之间的最大距离来压缩较大权重,并使用密集损失函数来减小f(x)和y之间的误差,目标函数受以下约束。通过目标函数以及约束得到SVR回归函数的系数。4.根据权利要求3所述的基于特征提取与优化算法的新能源组合预测方法,其特征在于:采用mFFO算法选择并调整预测模型的支持向量机超参数的具体步骤包括:步骤1:mFFO算法的参数初始化;步骤2:创建萤火虫的初始种群,每只萤火虫都有一个向量,向量有三个元素,三个元素包括:c,ε和σ:X
i
=[σ
i
,ε
i
,c
i
]步骤3:确定适应度函数,并使用误差函数MAPE作为目标函数;步骤4:根据误差函数MAPE的最佳值选择最佳萤火虫;步骤5:更新萤火虫的种群,为新生成的群体确定误差函数MAPE,在种群中,使用较低的误差函数MAPE值更新萤火虫位置,否则,请保持萤火虫之前的位置;步骤6:用最好的萤火虫更新位置;步骤7:检查停止标准,如果满足终止条件,停止;否则,返回步骤5;其中,所述更新萤火虫的种群以及更新萤火虫的位置包括:设置萤火虫数目n,最大吸引度β0,光强吸收系数γ,步长因子α,最大迭代次数或搜索精度ε;随机初始化萤火虫的位置,计算萤火虫的目标函数值作为各自最大萤光亮度I0;计算群体中萤火虫的相对亮度I和吸引度β,根据相对亮度决定萤火虫的移动方向;更新萤火虫的空间位置,对处在最佳位置的萤火虫进行随机扰动;根据更新后萤火虫的位置,重新计算萤火虫的亮度;当满足搜索精度或达到最大搜索次数则转下一步;否则,搜索次数增加1,转第三步,进行下一次搜索;输出全局极值点和最优个体值。
5.根据权利要求4所述的基于特征提取与优化算法的新能源组合预测方法,其特征在于:假设在每次迭代中的萤火虫群体中是最好的个体,是最差的个体,在萤火虫种群中的i
th
萤火虫,再随机选择三只萤火虫X
q1
,X
q2
和X
q3
.q1≠q2≠q3≠i.这两个新的个体被创建为:X
muate1
=X
q1
+Δ
×
(q2
‑
q3)Δ是介于0和1之间的随机数,利用X
mutate1
和X
mutate2
,五只萤火虫的生成如下:,五只萤火虫的生成如下:,五只萤火虫的生成如下:,五只萤火虫的生成如下:,五只萤火虫的生成如下:,五只萤火虫的生成如下:k1:k5,ψ和ξ表示介于[0,1]之间的随机变量;所述步长因子α监视并控制在0到1之间随机拾取的每个萤火虫的移动。所述步长因子α进行多次迭代生成,每代的不同启发式函数为:itr表示从1到k
max
的迭代次数。6.根据权利要求5所述的基于特征提取与优化算法的新能源组合预测方法,其特征在于:所述误差函数MAPE为:7.一...
【专利技术属性】
技术研发人员:唐俊刺,王冠夫,冯占稳,姜枫,蔡壮,乔路丽,刘广利,刘盛琳,宋丽,崔嘉,李子涵,杜玉婷,李春晖,姜宇,高深,
申请(专利权)人:国网辽宁省电力有限公司国家电网有限公司沈阳工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。