基于CEEMDAN-ISSA-LSSVM模型的短期风电功率预测 (1).pdf

第 卷第期 年月安徽工程大学学报J o u r n a l o fA n h u iP o l y t e c h n i cU n i v e r s i t yV o l N o A p r 文章编号:()收稿日期:基金项目:安徽省教育厅重大基金资助项目(K J Z D );安徽省检测技术与节能装置重点实验室开放基金资助项目(D T E S D A )作者简介:苏忠德(),男,安徽明光人,硕士研究生.通信作者:陆华才(),男,安徽天长人,教授,博士.基于C E EMD AN I S S A L S S VM模型的短期风电功率预测苏忠德,陆华才,魏利胜(安徽工程大学 电气传动与控制安徽省重点实验室,安徽 芜湖 )摘要:为提高风电功率预测的准确性,采用基于自适应噪声完备集成经验模态分解、改进樽海鞘群算法及最小二乘支持向量机的短期风电功率组合预测方法.首先采用自适应噪声完备集成经验模态分解将功率数据分解为若干个本征模态分量和一个残差,通过偏自相关函数确定输入维数;然后建立改进樽海鞘群算法优化最小二乘支持向量机预测模型对各个分量进行预测;最后将各分量预测结果叠加得到风电功率预测结果.仿真结果表明,所提出的模型在短期风电多步预测中精度更高.关键词:自适应噪声完备集成经验模态分解;樽海鞘群算法;最小二乘支持向量机;偏自相关函数;多步预测中图分类号:TM 文献标志码:A风能作为一种重要的可再生能源,具有分布广、储量高、无污染等特点受到很多国家的重视.然而风力发电具有很强的随机性和波动性,随着风电装机占比的逐年上升,大规模风电并网对电力系统的运行安全带来严峻的挑战.因此,准确的风电功率预测有利于及时调整调度规划和提高电网的运行安全.风电功率预测的方法通常分为物理法和统计学方法.物理法不需要历史数据的支持,其原理是利用数值天气预报的风速、风向作为输入数据,再结合风机周围的地表信息建立数学模型进行求解;统计方法是根据 历 史 数 据 建 立 预 测 模 型,常 用 的 统 计 学 方 法 有 支 持 向 量 机(S u p p o r tV e c t o r M a c h i n e s,S VM)、极限学习机(E x t r e m eL e a r n i n gM a c h i n e,E LM)、随机森林(R a n d o mF o r e s t,R F)和人工神经网络(A r t i f i c i a lN e u r a lN e t w o r k s,ANN)等.最小二乘支持向量机相比支持向量机具有更高的运算速度和收敛精度,因而在风电功率预测中广泛应用.文献 提出最小二乘支持向量机的风电功率超短期预测方法,并采用量子行为特征粒子群算法对最小二乘支持向量机相关参数进行优化,具有较高的预测精度;文献 中采用布谷鸟搜索算法对E EMD L S S VM中关键参数进行优化,有效提高了风电功率预测准确性.针对风电功率数据随机性和不平稳性等特征,许多学者尝试将数据分解与统计学模型相结合的方法.文献 将风电功率序列用经验模态分解(Em p i r i c a lM o d eD e c o m p o s i t i o n,EMD)算法分解为若干个分量,再对各序列建模预测,EMD算法可以有效地对风电功率数据进行平稳化处理,但存在模态混叠现象,模态混叠是指一个I MF中包含差异极大或相近的特征时间尺度分布在不同中I MF中,导致两个相邻的I MF波形混叠,相互影响,难以辨认,此时I MF分量丧失物理意义.为了解决EMD分解时产生模态混叠的影响,文献 采用集合经验模式分解(E n s e m b l eEm p i r i c a lM o d eD e c o m p o s i t i o n,E EMD)算法分解风电功率序列,E EMD的做法是在原始信号中加入高斯白噪声,虽然有效地抑制模态混叠,但在分解后的各分量中残留的白噪声不能完全消除.对此,文中提出C E EMD AN算法、改进樽海鞘群算法优化L S S VM超参数的短期风电功率多步预测方法.C E EMD AN算法可以有效地解决EMD和E EMD存在的问题,利用C E EMD AN算法将风电功率数据分解为若干个子序列,建立各子序列分量的L S S VM预测模型,采用改进的樽海鞘群算法优化L S S VM的核参数和正则化参数,最后将各子序列的预测结果叠加重构获得预测值.C E EMD AN原理EMD是一种对非稳态信号处理的方法,将信号通过筛选过程分解为不同频率的I MF、EMD方法存在模态混合的缺点,不能准确提取信号的有效特征信息.为了解决EMD分解的模态混合问题,E EMD方法是在EMD分解过程中,在样本数据中加入一个高斯白噪声,通过求平均值来消除这些噪声信号.然而经过有限迭代,重建的信号仍然包含噪声信号.为了消除残余噪声,T o r r e s等 提出在EMD分解的过程中加入自适应辅助噪声信号,与EMD和E EMD相比,该方法有效地消除模态混合的问题.C E EM D AN的分解步骤如下:S t e p:假设x(t)为原始风电数据,在原始信号中添加高斯白噪声z(t)y(t)x(t)z(t),()式中,为噪声系数.S t e p:信号y(t)经过L次重复分解,然后计算均值,得到C E EMD AN的第一个I MFI MF(t)LLiI MFi(t).()S t e p:计算残差r(t)r(t)x(t)I MFi(t).()S t e p:对信号r(t)E(z(t)进行EMD分解,计算第二个I MFI MFi(t)LLiEr(t)Ez(t),()式中,E()代表EMD分解;为噪声系数.S t e p:计算第k个残余分量rk(t)rk(t)I MFik(t),k,L.()S t e p:重复计算步骤的计算过程,得到第k个I MFI MFkLLiErk(t)kEkz(t).()S t e p:最后,分解结果如下所示p(t)rk(t)LLiI MFi(t).()L S S VM模型最小二乘支持向量机是在支持向量机的基础上改进的算法.其原理是通过非线性函数将数据映射到高维空间后并进行线性回归,建立的回归函数为:f(x)wT(x)b,()式中,w为权值向量;b为偏置量.根据结构风险最小化原则,目标函数可以表示为:m i n J(w,e)wTwNieistyiwT(xi)bei,i,N,()式中,为正则化参数;ei为松弛变量.由于上式维度较高,采用拉格朗日乘数法将问题转为对参数求解.L(w,b,e,)m i n J(w,e)NiiwT(xi)beiyi,()式中,i为拉格朗日乘数.根据KK T最优条件得:安徽工程大学学报第 卷LwwNiiyi(xi)LbNiiyiLeii eiLiwT(xi)beiyi,()消除w和e后得到线性方程组如下:ITI Z ZTIby,()式中,Z(xi)Ty,(xN)TyN,I,T为N维度列向量,yy,yNT,NT.根据M e r c e r条件,应用核函数K(xi,xj)等效上式中内积计算,将非线性问题线性化,即:K(xi,xj)(xi)T(xj),()则L S S VM模型表达式为:y(x)NiiK(x,xi)b.()L S S VM的性能受到正则化参数、核函数类型和参数的影响,常见的核函数有R B F核函数、线性核函数、P O L Y核函数、S i g m o i d核函数.R B F核函数具有泛化能力好,表现形式比较简单且具有较宽的收敛域等优点,文中选择R B F核函数作为L S S VM模型的核函数.樽海鞘群算法标准樽海鞘群算法樽海鞘群算法(S a l pS w a r mA l g o r i t h m,S S A)是由M i r j a l i l i等 提出的群智能优化算法,主要灵感来自于樽海鞘在海中群聚和捕食的行为.为了用数学的方式对樽海鞘进行建模,将种群分为两部分:领导者和追随者.位于樽海鞘链前端的称为领导者,其余的个体为追随者.具体过程如下:假设每个樽海鞘个体在ND维空间搜索,N为种群大小,D为维数,空间上限为u b,空间下限为l b.搜索空间中的食物源F为群体的目标,即全局最优解.樽海鞘位置初始化:Xijr a n d(N,D)(u bjl bj)l bj,()式中,r a n d()为生成,之间的随机矩阵;u b为第j维的上限;l b维第j维的下限.更新领导者位置:XjFjc(u bjl bj)cl bj)cFjc(u bjl bj)cl bj)c,()式中,Xj为第一个樽海鞘在j维的位置;Fj为食物在j维的位置;c和c为随机数.c的定义为:cetT(),()式中,t为当前迭代次数;T为最大迭代次数.为了更新追随者位置,根据牛顿运动定律:Xija tvt,()式中,i;Xij为i只追随者在第j维空间的位置;t为时间;v为初速度;avf i n a lv,vxxt.因为在算法中优化时间为迭代,迭代之间的差值为,考虑v,则等式可表示为:第期苏忠德,等:基于C E EMD AN I S S A L S S VM模型的短期风电功率预测xij(xijxi j).()改进樽海鞘群算法()T e n t映射种群初始化.樽海鞘群算法的初始种群采用随机策略生成,全局搜索能力有限,容易陷入局部最优.为提高樽海鞘群算法的寻优精度,引入了混沌思想.混沌映射的目的是通过映射关系在,区间产生混沌序列,利用混沌的随机性、遍历性等特点初始化种群可有效提升种群的多样性,使算法跳出局部最优,提高全局搜索能力.T e n t映射的数学表达式如下:yj yjyj(yj)yj,()式中,(,;是反映系统混沌程度的控制参数,越大,系统混沌性越好,文中取;j,D表示混沌变量序号.将混沌序列进行逆映射,得到个体的搜索空间变量xij,xij(u bjl bj)yijl bj.()()差分变异策略.受文献 的启发,在领导者更新中引入差分变异策略,随机从种群中选取两个不同个体xrj和xrj变异生成新的个体,增强种群多样性,提高全局搜索能力.改进后的领导者位置更新如下:XijFjc(xrjxrj),cFjc(xrjxrj),c,()式中,r,rN,c的表达式如式()所示;c为随机数.()莱维飞行策略.莱维飞行利用短距离搜索增强算法局部搜索能力,利用长距离跳跃搜索可避免陷入局部最优解,提高算法全局搜索能力.M a n t e g n a在 年提出的一种用正态分布求解随机数的方法,生成服从莱维分布的随机步长,M a n t e g n a方法描述如下:L e v y()Suv,()u(,u),v(,v),()u()s i n ,()式中,u,v服从高斯分布;,v.改进后的追随者位置更新表达式如下:xijxijxi jxijL e v y().()改进樽海鞘群算法步骤S t e p:初始化参数,使用式()初始化种群.S t e p:计算个体适应度值,选择最优值作为食物源的位置.S t e p:根据式()对樽海鞘领导者的位置进行更新.S t e p:根据式()对樽海鞘追随者的位置进行更新.S t e p:计算个体适应度值,与当前适应度值对比,若新的适应度值优于当前值,则更新食物源位置.S t e p:判断是否满足终止条件,若满足则输出结果,若不满足则转到S t e p进行迭代.C E EMD AN I S S A L S S VM模型建立风电功率数据具有较强的波动性和非平稳性,直接作为I S S A L S S VM模型的输入对预测精度有较大的影响.文中利用C E EMD AN对风电功率进行分解,采用I S S A优化L S S VM的正则化参数和R B F核参数,建立C E EMD AN I S S A L S S VM短期风电功率预测模型,流程图如图所示.安徽工程大学学报第 卷图C E EMD AN I S S A L S S VM预测模型算例分析样本选择与处理文中研究的风电功率数据来自比利时E l i a公司网站,风电功率采样时间间隔为 m i n,从数据集中随机