CN110263971A - 基于支持向量机的超短期风电功率组合预测方法 - Google Patents

Abstract

本发明公开的基于支持向量机的超短期风电功率组合预测方法，首先，对待处理的风电功率历史数据根据相邻时间段的数据进行线性插值替换，将预处理后的数据进行归一化；其次，利用经验模态分解将处理过的风电功率数据分解成本征函数序列和残差序列；然后，对分解得到的本征函数序列和残差序列建立量子粒子群‑支持向量机模型进行训练优化，得到每个序列的预测值；最后，将每个序列的预测值叠加得到最终的风电功率预测值，并进行误差评价分析。本发明的预测结果与支持向量机直接预测或者不进行数据特征分解结果相比都有所提高，同时没有出现局部误差过大的情况。与现有的风电功率预测方案相比鲁棒性更强、计算速度更快、数据需求少、预测效果更好。

Description

基于支持向量机的超短期风电功率组合预测方法

技术领域

本发明属于风电功率预测技术领域，涉及一种基于支持向量机的超短期风电功率组合预测方法。

背景技术

随着能源逐渐枯竭和环境污染严重等问题的出现，风力发电接入电网的规模越来越大。但风能具有间歇性、随机性且易受风速、风向、地理位置和气象等诸多因素的影响。当并网规模达到一定程度时，将可能会给电力系统带来一系列的问题，如电压扰动、三相不平衡、优化调度、甚至造成安全事故等。再加上突发因素(台风、雷电天气等)的影响，使得风电功率预测精度一直未能满足大规模并网的需求，限制了可再生能源的充分利用与消纳。因此，对风电功率预测进行精确预测具有非常重要的理论意义与工程应用价值。

为此，各国学者纷纷提出了许多风电功率预测算法，主要包括基于统计模型的预测算法、基于物理模型的预测算法以及组合模型预测算法。基于统计模型的预测算法常见的有灰色预测法、卡尔曼滤波法、人工神经网络、支持向量机等。其中，灰色预测法只能拟合线性离散序列，而往往大多数原始序列都是连续非线性的；卡尔曼滤波法只适用于噪声服从高斯分布的信号，所以不适合噪声非高斯分布的风电功率信号；人工神经网络具有很强的自适应与自组织特性，泛化性较强，能高效的处理复杂性问题，但存在易陷入局部最优和收敛速度慢等问题；支持向量机是当前比较流行的方法，具有全局收敛且不依赖于经验信息等优点，不过对大规模、多维的信号运算时间较慢。基于物理模型的预测算法主要指数值天气预报(NWP)，它需要十分精准的地表粗糙度、空气密度及风速等信息，输入参数多且造价高，国内很少使用该方法。组合算法主要分为数据处理后与智能算法的组合算法和几种智能算法加权组合算法两种。比如小波分解与和支持向量机的组合算法，小波分解对时间跨度大且小样本数据处理效果不好，同时合理选择小波基也比较困难；几种智能算法加权组合虽然精度提高了但是没考虑数据本身特征且人为因素比较多，不能满足风电功率高精度预测的需求。

发明内容

本发明的目的是提供一种基于支持向量机的超短期风电功率组合预测方法，解决了现有技术条件下风电功率预测模型精度不高，难以满足大规模并网要求的问题。

本发明所采用的技术方案是，基于支持向量机的超短期风电功率组合预测方法，具体操作过程包括如下步骤：

步骤1，数据预处理

对待处理的风电功率历史数据根据相邻时间段的数据进行线性插值替换；

步骤2，将预处理后的数据进行归一化；

步骤3，利用经验模态分解将经步骤2处理过的风电功率数据分解成本征函数序列和残差序列；

步骤4，对分解得到的本征函数序列和残差序列分别建立量子粒子群-支持向量机模型进行训练优化，得到每个序列的预测值；

步骤5，将每个序列的预测值叠加得到最终的风电功率预测值。

本发明的其他特点还在于，

步骤1中数据预处理过程中，对于缺损的数据间隔时间比较长，则使用相同时间段、类似气象条件及相邻几天的数据来取代；对于错误数据根据前/后5min的数据加权平均进行补充。

优选的，步骤2中数据归一化的过程如下：

采用公式(1)进行归一化处理：

其中，x_max和x_min分别表示原始数据中的最大值与最小值，归一化范围为[0,1]。

优选的，步骤3的具体过程如下：

步骤3.1，找出原始风电功率序列X(t)中的所有极大值点，然后用三次样条函数对极大值点进行处理，最终连接成曲线形成原始风电功率序列X(t)的上下包络线；

步骤3.2，对原始风电功率序列X(t)的上下包络线求均值，如式(7)所示：

式中，e₊(t)表示上包络线，e-(t)表示下包络线，m₁(t)表示上下包络线均值；

将平均值与原始风电功率序列做差，得到风电功率数据h₁(t)，若h₁(t)满足本征模函数定义，即函数在整个时间范围内，局部极值点和过零点的数目必须相等或最多相差一个，则记为第一个本征模函数，否则将h₁(t)反复进行K次迭代筛选，直到满足本征模函数的定义要求为止，即h_1k(t)成为了第一个IMF，记C₁(t)＝h_1k(t)；

步骤3.3，在X(t)中将C₁(t)分离出来，得到一个差值信号r₁(t)，把差值信号r₁(t)作为新的原始信号，重复步骤3.1-步骤3.2，就会得到下一个本征模函数，记为C₂(t)，反复进行n次，就得到了n个本征模函数，如式(8)所示：

式中，{r₁(t)、r₂(t)…r_n(t)}表示差值信号，{C₁(t)、C₂(t)...C_n(t)}表示本征模函数。

当r_n(t)或者C_n(t)满足以下条件时分解过程结束：

其中S_d取值在0.2～0.3之间；

综上所述，非平稳时间序列被分解成n个IMF和一个残差，如式(10)所示：

优选的，步骤4的具体过程如下：

步骤4.1，随机初始化粒子群中粒子的位置与速度，粒子的位置表示参数(C,σ)的当前取值；

步骤4.2，计算所有粒子的适应度值，根据其适应度，更新每个粒子的个体最优位置及整个粒子群的全局最优位置；

步骤4.3，根据公式(11)计算mbest；

步骤4.4，在公式(12)中让f从iter/iter_max递增到iter_max/iter_max，计算每个粒子随机点ppi_j；

步骤4.5，根据公式(13)更新粒子的位置，得出最新参数组合，当X_ij最小即个体最优时算法结束；否则，返回步骤4.2；

步骤4.6，根据量子粒子群寻优得出的最优参数赋给SVM；

PP_ij＝f×P_ij+(1-f)×P_gj (12)

X_ij＝PP_ij±a×|mbest_j-X_ij|×ln(1/u) (13)

其中，f、u是区间[0,1]上的随机数；mbest是粒子群个体极值pbest的平均值；PP_ij为P_ij和P_gj之间的随机点；a为量子粒子群的粒子收缩扩张系数，第iter次迭代时，a＝b+c×(iter_max-iter)/iter_max，表示a随着迭代次数的增加从b+c递减到b，b和c取值视情况而定满足a从1到0.5线性减少即可，iter_max是迭代的最大次数；

在使用量子粒子群寻找最优参数时，每个粒子的位置代表支持向量机参数(C,σ)的当前取值，对每个粒子进行支持向量机训练，直至按式(13)输出最优参数，然后使用量子粒子群-支持向量机模型预测步骤3分解得到各个子序列。

优选的，将步骤5得到的最终的风电功率预测值通过采用均方根误差RMSE、平均绝对误差MAE、相关性系数r、最大预测误差δ_max、相对误差RE做误差评价指标，进行误差评价分析，如公式(14)-公式(18)所示：

δ_max＝max(|P_Mi-P_Pi|) (17)

式中，P_Mi为i时刻的实际功率，为所有样本实际功率的平均值，P_Pi为i时刻的预测功率；为所有预测功率的平均值；Cap为风电场的开机总容量；n为所有样本个数。

本发明的有益效果是，基于支持向量机的超短期风电功率组合预测方法，在支持向量机(SVM)预测方案的基础上，为改善其在非高斯分布时间序列预测时易出现过大的局部误差的情况，引用量子粒子群(QPSO)来对SVM参数(C,σ)进行优化，在使用QPSO搜索前期，粒子具有较大的解空间，通过一段时间搜索接近全局最优解，然后在搜索后期对搜索区域进行限制，在以全局最优解为中心的邻域内进行更精细的搜索加快收敛速度避免局部最优。同时风电功率时间序列是非平稳序列，为了使数据平稳化引入EMD将原始风功率数据平稳化处理，然后用QPSO-SVM模型来预测超短期风电功率。本发明的方法预测结果与支持向量机直接预测结果相比提高了5％左右，没有出现局部误差过大的情况。与现有的风电功率预测方案相比鲁棒性更强、计算速度更快、数据需求少、更与工程实践相契合，预测效果更好。

附图说明

图1是本发明的基于支持向量机的超短期风电功率组合预测方法的流程图；

图2是本发明的基于支持向量机的超短期风电功率组合预测方法的参数优化示意图；

图3是本发明的实施例中风速和功率的EMD分解图；

图4是本发明的实施例中子序列的功率预测值与实际值的对比图；

图5是本发明的实施例的预测结果与现有方法预测结果对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于支持向量机的超短期风电功率组合预测方法，如图1所示，具体操作过程包括如下步骤：

步骤1，数据预处理

对待处理的风电功率历史数据根据相邻时间段的数据进行线性插值替换；

步骤1中数据预处理过程中，对于缺损的数据间隔时间比较长，则使用相同时间段、类似气象条件及相邻几天的数据来取代；对于错误数据根据前/后5min的数据加权平均进行补充；

步骤2，将预处理后的数据进行归一化；

步骤2中数据归一化的过程如下：

采用公式(1)进行归一化处理：

其中，x_max和x_min分别表示原始数据中的最大值与最小值，归一化的范围为[0 1]；

步骤3，利用经验模态分解(EMD)将经步骤2处理过的风电功率数据分解成本征模函数(IMF)序列和残差(r)序列；

步骤3的具体过程如下：

步骤3.1，找出原始风电功率序列X(t)中的所有极大值点，然后用三次样条函数对极大值点进行处理，最终连接成曲线形成原始风电功率序列X(t)的上下包络线；

步骤3.2，对原始风电功率序列X(t)的上下包络线求均值，如式(7)所示：

式中，e₊(t)表示上包络线，e_-(t)表示下包络线，m₁(t)表示上下包络线均值；

将均值与原始风电功率序列做差，得到风电功率数据h₁(t)，若h₁(t)满足本征模函数(IMF)定义，即函数在整个时间范围内，局部极值点和过零点的数目必须相等或最多相差一个，则记为第一个本征模函数，否则将h₁(t)反复进行K次迭代筛选，直到满足本征模函数的定义要求为止，即h_1k(t)成为了第一个IMF，记C₁(t)＝h_1k(t)；

步骤3.3，在X(t)中将C₁(t)分离出来，得到一个差值信号r₁(t)，把差值信号r₁(t)作为新的原始信号，重复步骤3.1-步骤3.2，就会得到下一个本征模函数，记为C₂(t)，反复进行n次，就得到了n个本征模函数，如式(8)所示：

式中，{r₁(t)、r₂(t)…r_n(t)}表示差值信号，{C₁(t)、C₂(t)...C_n(t)}表示本征模函数；

当r_n(t)或者C_n(t)满足以下条件时分解过程结束：

其中S_d取值在0.2～0.3之间；

综上所述，非平稳时间序列被分解成n个IMF和一个残差，如式(10)所示：

步骤4，对分解得到的本征函数序列和残差序列分别建立量子粒子群-支持向量机模型进行训练优化，得到每个序列的预测值；

步骤4的具体过程如下，如图2所示：

步骤4.1，随机初始化粒子群中粒子的位置与速度，粒子的位置表示参数(C,σ)的当前取值；

步骤4.2，计算所有粒子的适应度值，根据其适应度，更新每个粒子的个体最优位置及整个粒子群的全局最优位置；

步骤4.3，根据公式(11)计算mbest；

步骤4.4，在公式(12)中让f从iter/iter_max递增到iter_max/iter_max，计算每个粒子随机点pp_ij；

步骤4.5，根据公式(13)更新粒子的位置，得出最新参数组合，当X_ij最小即个体最优时算法结束；否则，返回步骤4.2；

步骤4.6，根据量子粒子群寻优得出的最优参数(C,σ)赋给SVM；

PP_ij＝f×P_ij+(1-f)×P_gj (12)

X_ij＝PP_ij±a×|mbest_j-X_ij|×ln(1/u) (13)

其中，f、u是区间[0,1]上的随机数；mbest是粒子群个体极值pbest的平均值；PP_ij为P_ij和P_gj之间的随机点；a为量子粒子群的粒子收缩扩张系数，第iter次迭代时，a＝b+c×(iter_max-iter)/iter_max，表示a随着迭代次数的增加从b+c递减到b，b和c取值视情况而定，满足取值a从1到0.5线性减少即可，iter_max是迭代的最大次数；

在使用量子粒子群寻找最优参数时，每个粒子的位置代表支持向量机参数(C,σ)的当前取值，对每个粒子进行支持向量机训练，直至按式(13)输出最优参数，因此，将(C,σ)带入传统支持向量机就能得到量子粒子群-支持向量机模型，最后按照所建模型预测步骤3分解得到的各个子序列。

步骤5，将每个序列的预测值叠加得到最终的风电功率预测值；

将得到的最终的风电功率预测值通过采用均方根误差RMSE、平均绝对误差MAE、相关性系数r、最大预测误差δ_max、相对误差RE做误差评价指标，进行误差评价分析，如公式(14)-公式(18)所示：

δ_max＝max(|P_Mi-P_Pi|) (17)

式中，P_Mi为i时刻的实际功率，为所有样本实际功率的平均值，P_Pi为i时刻的预测功率；为所有预测功率的平均值；Cap为风电场的开机总容量；n为所有样本个数。

实施例

步骤1，选取某风电场1#风机某年9月每5min的实测数据作为测试对象，对历史数据可能出现的缺损数据，根据相邻时间段的数据进行线性插值替换，若缺损的数据间隔时间比较长，可用相同时间段、类似气象条件、相邻几天的数据来取代；对于错误数据可根据前/后5min数据加权平均进行补充；

步骤2，对输入的风电功率数据进行归一化处理；

步骤,3，对风速和功率分别进行EMD分解，如图3所示，通过对归一化数据训练后可以将风速和功率分解得到6个IMF序列和1个残差序列；

步骤4，对分解得到的子序列分别建立QPSO-SVM模型并得到各个序列的预测值；

经过多次仿真分析，参数设置如下：惩罚系数和核函数参数搜索范围为C＝[0,150]，σ＝[0.1,10]；最大迭代次数取100，粒子种群数m为20。惯性权重系数w＝[0.4,0.9]，C₁＝C₂＝2；各个子序列的预测值如图4所示，由图4可知IMF1～IMF5预测结果跟实际值十分接近，IMF6预测结果偏大，主要原因是与IMF5频率十分相近，是EMD算法自身缺陷造成的；

步骤5，将各个子序列的预测值叠加得到最终的风电功率预测值；

进行误差评价分析，结果见表1，从表1中和图5可知，用经过交叉验证和网格搜索方法优化后的支持向量机方法预测精度大概提高了4％左右，用本发明模型预测可提高精度5％左右。同时可以看出虽然经EMD分解后的均方根误差比未经EMD分解的均方根误差提高了0.78％，平均绝对误差提高了0.11％，但前者的最大误差比后者小了177kW，说明EMD降低了数据的非平稳性对预测模型的影响，预测精度确实有所提高。

表1误差评价分析表

本发明的方法，首先用经验模态分解将原始风电功率数据平稳化处理，然后用量子粒子群寻找出SVM最佳参数并建立了QPSO-SVM模型去预测各个子序列，最后叠加得出最终预测值。通过实施例结果表明，本发明在SVM单独预测的基础上精度提高了5％左右，达到了有效提高风电功率预测精度的目的。有效避免了预测结果中局部预测误差过大情况的出现。符合国家电网公司标准。若能应用于电力系统风电功率预测，能有效减少风电并网对系统冲击的现象，具有非常重要的理论意义与工程应用价值。

Claims (6)

1.基于支持向量机的超短期风电功率组合预测方法，其特征在于，具体操作过程包括如下步骤：

步骤1，数据预处理

对待处理的风电功率历史数据根据相邻时间段的数据进行线性插值替换；

步骤2，将预处理后的数据进行归一化；

步骤3，利用经验模态分解将经步骤2处理过的风电功率数据分解成本征函数序列和残差序列；

步骤4，对分解得到的本征函数序列和残差序列分别建立量子粒子群-支持向量机模型进行训练优化，得到每个序列的预测值；

步骤5，将每个序列的预测值叠加得到最终的风电功率预测值。

2.如权利要求1所述的基于支持向量机的超短期风电功率组合预测方法，其特征在于，所述步骤1中数据预处理过程中，对于缺损的数据间隔时间比较长，则使用相同时间段、类似气象条件及相邻几天的数据来取代；对于错误数据根据前/后5min的数据加权平均进行补充。

3.如权利要求1所述的基于支持向量机的超短期风电功率组合预测方法，其特征在于，所述步骤2中数据归一化的过程如下：

采用公式(1)进行归一化处理：

其中，x表示原始数据，x_max和x_min分别表示原始数据中的最大值与最小值，归一化的范围为[0 1]。

4.如权利要求1所述的基于支持向量机的超短期风电功率组合预测方法，其特征在于，所述步骤3的具体过程如下：

步骤3.1，找出原始风电功率序列X(t)中的所有极大值点，然后用三次样条函数对极大值点进行处理，最终连接成曲线形成原始风电功率序列X(t)的上下包络线；

步骤3.2，对原始风电功率序列X(t)的上下包络线求均值，如式(7)所示：

式中，e₊(t)表示上包络线，e-(t)表示下包络线，m₁(t)表示上下包络线均值；

将平均值与原始风电功率序列做差，得到风电功率数据h₁(t)，若h₁(t)满足本征模函数定义，即函数在整个时间范围内，局部极值点和过零点的数目必须相等或最多相差一个，则记为第一个本征模函数，否则将h₁(t)反复进行K次迭代筛选，直到满足本征模函数的定义要求为止，即h_1k(t)成为了第一个IMF，记C₁(t)＝h_1k(t)；

步骤3.3，在X(t)中将C₁(t)分离出来，得到一个差值信号r₁(t)，把差值信号r₁(t)作为新的原始信号，重复步骤3.1-步骤3.2，就会得到下一个本征模函数，记为C₂(t)，反复进行n次，就得到了n个本征模函数，如式(8)所示：

式中，{r₁(t)、r₂(t)…r_n(t)}表示差值信号，{C₁(t)、C₂(t)...C_n(t)}表示本征模函数；

当r_n(t)或者C_n(t)满足以下条件时分解过程结束：

其中S_d取值在0.2～0.3之间；

综上所述，非平稳时间序列被分解成n个IMF和一个残差，如式(10)所示：

5.如权利要求4所述的基于支持向量机的超短期风电功率组合预测方法，其特征在于，所述步骤4的具体过程如下：

步骤4.1，随机初始化粒子群中粒子的位置与速度，粒子的位置表示参数(C,σ)的当前取值；

步骤4.2，计算所有粒子的适应度值，根据其适应度，更新每个粒子的个体最优位置及整个粒子群的全局最优位置；

步骤4.3，根据公式(11)计算mbest；

步骤4.4，在公式(12)中让f从iter/iter_max递增到iter_max/iter_max，计算每个粒子随机点pp_ij；

步骤4.5，根据公式(13)更新粒子的位置，得出最新参数组合，当X_ij最小即个体最优时算法结束；否则，返回步骤4.2；

步骤4.6，根据量子粒子群寻优得出的最优参数赋给SVM；

PP_ij＝f×P_ij+(1-f)×P_gj (12)

X_ij＝PP_ij±a×|mbest_j-X_ij|×ln(1/u) (13)

其中，f、u是区间[0,1]上的随机数；mbest是粒子群个体极值pbest的平均值；PP_ij为P_ij和P_gj之间的随机点；a为量子粒子群的粒子收缩扩张系数，第iter次迭代时，a＝b+c×(iter_max-iter)/iter_max，表示a随着迭代次数的增加从b+c递减到b，b和c取值视情况而定，满足a从1到0.5线性减少即可，itermax是迭代的最大次数；

在使用量子粒子群寻找最优参数时，每个粒子的位置代表支持向量机参数(C,σ)的当前取值，对每个粒子进行支持向量机训练，直至按式(13)输出最优参数，然后使用量子粒子群-支持向量机模型预测步骤3分解得到各个子序列。

6.如权利要求1所述的基于支持向量机的超短期风电功率组合预测方法，其特征在于，将步骤5得到的最终的风电功率预测值通过采用均方根误差RMSE、平均绝对误差MAE、相关性系数r、最大预测误差δ_max、相对误差RE做误差评价指标，进行误差评价分析，如公式(14)-公式(18)所示：

δ_max＝max(|P_Mi-P_Pi|) (17)

式中，P_Mi为i时刻的实际功率，为所有样本实际功率的平均值，P_Pi为i时刻的预测功率；为所有预测功率的平均值；Cap为风电场的开机总容量；n为所有样本个数。