基于HGWO-SVM的风电功率预测方法研究_乔路丽.pdf

东北电力技术 年第 卷第 期电网技术基于 的风电功率预测方法研究乔路丽（国网辽阳供电公司，辽宁 辽阳）摘要：风电并网进程越来越快，风电功率随机性、间歇性等特点也对整个电网电压以及频率等带来了一定的影响，电网对风力发电功率预测精度提出了更高的要求。基于清洗后的数据，以风力发电输出功率作为输出，在原始的灰狼优化算法（，）中引入交叉、变异和选择过程，为提升全局搜索性能，搭建了混合灰狼优化算法（，），并用其对支持向量机（，）中的核函数系数 和惩罚系数 进行全局寻优，训练得到基于 风电功率预测模型。预测结果对比传统的算法形式（包括优化、粒子群算法优化、遗传算法优化），所提的方法更具优越性，耗时相对较短，能实现对风电功率精准、快速预测。关键词：支持向量机；功率预测；风力发电；混合灰狼算法中图分类号 文献标志码 文章编号（）（，）：，（），（），（），（，），：；进入 世纪以来，经济飞速发展离不开能源的开发与利用，因此能源污染问题日益受到重视，世界各国就清洁能源开发利用投入大量的研发经费。随着碳达峰、碳中和等能源战略目标的提出，建设绿色电网、推动能源转型，我国对清洁能源及可再生能源的重视程度日益加强。风电技术积累较为全面，形式多样，同时对环境造成的影响也更低，优势突出，在多类能源层面使用广泛，是能源转型的关键。与水电、火电等常规能源不同，风能和气象要素联系密切，风速、风向的不确定性等均会对系统输出功率造成影响，呈现出随机性及间歇性等特性，当风电大规模并网时对整个系统的供电平衡造成极大干扰，电网安全运行不确定性显著增加，电力部门调度难度加大。综上，对风电输出功率的精准预测，在支持风电消纳的同时也对电网安全经济运行发挥重要作用。我国对短期风电功率预测的明确要求是预测未来 之内的风电输出功率。在预测方法分类上现有的风电功率预测方法包括 种，分别是物理方法和统计方法。近年来，智能算法的不断进步使统计方法在功率预测领域快速发展，例如遗传算法（，）、随 机 森 林 算 法（，）、支持向量机（，）等。年第 卷第 期乔路丽：基于 的风电功率预测方法研究 王克杰等利用猫眼算法（，）对 神经网络进行优化，得到 神经网络预测模型的最优解，可以有效降低 神经网络预测模型的误差。张爱枫等应用卷积神经网络（，）从数据中提取信息，同时在该模型之中有效引入了 这一前沿算法，由此切实提升了整个分析系统的精确度以及鲁棒性。而研究人员姜旭初及其团队则实现了 算法和卷积神经网络算法的有效结合，创新性搭建了混合系统，据此能够可靠分析短期电力负荷的表现，预测结果表明该模型也可以应用于其他负荷预测上。张靠社等将径向基函数神经网络（，）模型进行风电功率预测，和以往经典形式的 神经网络系统对比，在泛化表现以及最终预判结果精确性方面的表现都更为突出，但由于只考虑单一因素，不适用于大型风电场的预测。张仕霞等利用粒子群算法优化 预测方法，所提的方法虽然有较好的精度，但粒子群算法收敛时间过长。的优点是在处理小样本非线性等样本具有良好的适应能力和突出的学习能力。而单一的 在预测效果上差强人意，因而分别对核函数及惩罚函数中的参数 和惩罚系数 寻优，以提高其预测精度。灰狼优化（，）算法是一种全局优化算法，但是原始 易出现局部最优解，本文提出混合灰狼优化（，）算法优化，有效提高 的全局寻优能力，从而提高风力发电预测精度。数据来源与处理本文研究的数据来自龙源电力集团风力发电的公开数据集，该数据集包含 周的运行数据，采样间隔为 ，包含同一时刻的风速、风向、外部温度、机舱内温度、机舱偏航角、桨距角、无功功率和风电输出功率等数据。风电场测得的数据中会包含大量、多维与风力发电无关的数据。使用相关性不高的数据进行模型训练将对预测结果的准确度产生较大影响，因此需先对数据进行清洗。.数据相关性分析本研究通过引入互信息特征选择算法，在已知数据中对各因素与有功功率间进行互信息处理，互信息在特征选择中被用来度量特征与标签类相互间的依赖程度。互信息值越大，那么特征与标签类相互的依赖程度越大，两者相关性越强，反之亦然。通过计算可以去除无关或冗余的变量。互信息定义式为；()，()，()()()（）式中：()表示 出现的概率；()表示 出现的概率；，()表示，同时出现的概率，即联合概率。经过计算分析得变量与有功功率之间的互信息，见图。图 变量与有功功率之间的互信息由图 可知，在风力发电场测得的各个数据中，无功功率、风速、风机各叶片的桨距角与输出功率之间的相关性最高，而外部温度、机舱内温度、机舱偏航角的相关性最低。因此在下文的仿真中，选取预测模型的输入为无功功率、风速、风机各叶片桨距角（共 个叶片）、风向等变量，由此构建风电输出功率预测模型。.数据归一化处理风电输出功率与其他数据通常是具有不同的单位和数量级，直接对其进行数据分析会影响预测模型的性能，因此需要对其进行归一化处理，具体计算见式（）。在预测模型运行完毕之后即产生对应的预测结果，此时还可就最终的预测结果进行反归一化处理以完成对比。具体的反归一化处理见式（）。（）()（）式中：和分别为输入样本的最大值和最小值；为当前点的值；、项指标又分别表示归一化后的数值、预测结果、反归一化后的数值。东北电力技术 年第 卷第 期 研究方法.即围绕统计学习概念为核心的机器学习策略。在具体应用方面，核函数参数 以及惩罚系数 的选择通常会存在主观性，继而对整个算法的泛化能力及分类精度造成直接影响，故利用混合灰狼优化算法对这 个参数进行优化，使其达到最优的分类效果。做回归预测分析的基本思想是，通过特殊的映射函数 ()将输入样本映射到高维空间中，在中的样本均是线性的，因此预测分析可以通过在中采用线性回归的方法来完成，其函数关系如下：()()（）式中：、()分别表示权重系数、偏置项、样本 对应的预测值。对于线性回归问题，要使回归出的函数 ()尽量平滑，需要找到一个尽量小的权重，线性回归问题就可以转化为 个约束的优化问题。可以使用松弛技术使得该优化问题确定有解，即引入 个松弛变量与，这样就可以将线性回归问题转化为目标优化问题进行求解。()（），（）式中：为惩罚参数，控制样本误差 惩罚程度。进一步求解式（），将所有约束条件包含在一个多元函数，运用拉格朗日算法继而实现把有条件的目标优化问题转换成解析线性方程组。对该拉格朗日函数求极值，最终得到模型的预测值。()()，()（）径向基函数（，）是一种沿径向对称的标量函数，其特点是分辨率高、计算简便、应用性广，能够较好地实现对输入空间的样本映射至高维的特征空间，从而完成非线性映射。本文中 作为核函数被表示为，()（）式中：为带宽。.混合灰狼优化算法灰狼优化算法是一种全局随机优化方法，启发于灰狼群体狩猎行为，将狼群分为 种类型，按等级高低依次表示为、，其中狼群的首领 负责决定包括狩猎在内的几乎所有事情，而、则帮助决策，作为最低级的类型跟随群体行动。灰狼的位置即解空间中的一个可行解，灰狼个体向种群中最优位置进行移动，灰狼种群狩猎过程中的位置迭代更新公式为（）（）（）（）（）（）（）式中：为中间变量；为收缩因子；、则分别表示摆动因子、目标位置、灰狼位置、收敛因子；、均表示，随机向量。在狩 猎 过 程 中，、狼 通 过 式（）、（）获得潜在目标位置的最优解，从而指导其他狼群更新自己的位置，围捕猎物的过程可表示为()()()()()()()()()()()（）以上数学模型中，寻优过程先由、狼对狩猎位置初步定位，然后群内的 等低级群体以此作为随机更新的参考。灰狼位置更新机制如图 所示。图 灰狼位置更新机制 年第 卷第 期乔路丽：基于 的风电功率预测方法研究 在普通灰狼算法中，当灰狼攻击猎物时，很可能陷入停滞，是局部搜索过程常见缺点。为解决这一问题，在混合灰狼优化算法中，引入具有强大搜索能力的差分进化优化算法，借助交叉、变异和选择过程，可有效迫使 跳出停滞的局面。狼群的初始位置可通过式（）优化。，()，()（）式中：，、，依次是第 个个体的第 个分量的上下限；，()即，范围内的随机数。个体的变异操作可表示为()()()()()（）式中：()为变异后的第 个个体；()为未变异的第 个个体；为缩放因子；为迭代次数。个体的交叉过程可用式（）表示为()()，()或 ，()()，()或 ，()（）式中：()为最终第 个个体中第 维变量；()为变异后的第 个个体中第 维变量；()为原始的 个个体中第 维变量；为交叉概率因子；为样本维数。为确保种群的优势，还应当进行选择操作：()()，()()()()()，()()()()（）.模型构建由于风电场发电的间歇性及波动性等因素导致发电功率不稳定，因此可以将风电功率看成非线性系统回归问题，本文引入的 模型的算法流程如图 所示，具体步骤如下。.数据清理，输入输出数据的选取和归一化处理；.设置 内部参数；.初始化参数，生成灰狼种群；.运行改进灰狼算法，选择最优的惩罚参量 以及核函数参量；.将待预测数据输入功率预测模型中，输出预测结果并反归一化；.将预测结果与实际功率进行对比，并分析预测结果。图 模型算法流程 仿真分析首先对具体参数进行设置，如表 所示。表 参数设置参数数值种群规模最大迭代次数缩放因子下界.缩放因子上界.交叉概率.为验证所提方法的优越性，本文采用某风电站 台风机 天的数据进行仿真分析，基于清洗后的数据集包括无功功率、风速、风机各叶片桨距角（共 个叶片）、风向以及对应的输出功率数据。.评价指标为衡量预测结果精度，应采用多个指标进行全面评价，常见的评价指标：均方根误差（，）、平均绝对误差（，）、均 方 误 差（，）、拟合优度（），其计算公式如下：（）（）（）（）（）东北电力技术 年第 卷第 期 （）（）（）式中：、分别为预测模型输出样本数、预测模型输出值、真实观测值、真实观测值的平均值。.仿真结果图 为所提方法的预测结果图，为进一步论证此次给出的混合灰狼优化算法优化 功率预测模型的性能以及拟合程度，本文还将其与未优化的灰狼算法优化、优化 和 算法优化 对比分析。各算法均采用相同的数据集，分别使用、这 种方法进行功率预测，仿真软件为。算法中的相关参数设置见表 和表。图 为 种方法的预测结果。图 预测结果表 参数设置参数数值最大的进化次数种群最大数量交叉概率.变异概率.表 参数设置参数数值最大进化数量个体学习因子社会学习因子惯性因子.粒子最大速度.最大迭代次数由图 及表 可知，相较于、预测精度更好，但 预测结果更优，与真实功率值拟合程度最佳，相关图 种方法预测结果对比表 种方法误差对比预测方法.图 种模型预测结果对比柱状图误差指标最低。对以上预测方法的运行时长对比，最终的比较结论如下所示。就 惩罚参量 以及核函数参量 予以全局性的筛选处理可以极大提升整个模拟系统的运行周期性。相较于 与 算法，基于 以及 的算法就 惩罚参量 以及核函数参量 予以优化处理，则整个的训练过程所耗费时间也更为理想。综上，使用 算法优化 能有效提高风电功率预测精度，同时运行时长较短，对比以上算法有明显的优势。种方法运行时长对比见表。表 种方法运行时长对比预测方法运行时长.年第 卷第 期乔路丽：基于 的风电功率预测方法研究 结论为提高风力发电功率预测，本文提出了一种基于 功率预测方法，结果表明如下。.通过对收集的数据进行清洗，可将输入数据的维度由 降低为，从而提高预测精度及模型运行速度。.与、方法对比，预测效果明显优于以上方法，与真实值拟合程度达到.。.使用 模型预测运行耗时.，相对较短。参考文献：舒印彪，张智刚，郭剑波，等 新能源消纳关键因素分析及解决措施研究 中国电机工程学报，（）：国家电网有限公司 国家电网公司发布“碳达峰、碳中和”行动方案 国家电网报，（），谢波，高建宇，张惠娟，等 短期风电功率预测中的 算法实现 电子测量技术，（）：，：刘武周，刘友波 基于改进粒子群优化算法风力发电功率预测研究 可再生能源，（）：，：王克杰，张 瑞 基于改进 神经网络的短期电力负荷预测方法研究 电测与仪表，（）：张爱枫，段新宇，何枭峰 基于 和 的新型风电功率预测模型