一種多因素風電場發(fā)電量預測方法技術(shù)

本發(fā)明專利技術(shù)公開了一種多因素風電場發(fā)電量預測方法，形成新的天牛群算法，達到更好的參數(shù)尋優(yōu)效果；通過近似熵法對分解序列進行序列重構(gòu)；使用主成分分析方法對S1中的10組數(shù)據(jù)進行數(shù)據(jù)降維處理，選取合適維度的主成分數(shù)據(jù)作為后續(xù)的輸入數(shù)據(jù)；構(gòu)建初始KSVR模型；將降維處理后的數(shù)據(jù)輸入KSVR模型并進行模型的訓練；計算發(fā)電量的預測數(shù)據(jù)與結(jié)果的誤差值；判斷KSVR模型的參數(shù)是否為最優(yōu)值或者滿足誤差要求，若不滿足要求，則執(zhí)行S7的BASO算法對KSVR算法的參數(shù)進行調(diào)優(yōu)；若KSVR模型的參數(shù)為最優(yōu)參數(shù)，保存該模型的參數(shù)，對輸出數(shù)據(jù)進行疊加得到預測結(jié)果。測結(jié)果。測結(jié)果。

【技術(shù)實現(xiàn)步驟摘要】
一種多因素風電場發(fā)電量預測方法


[0001]本專利技術(shù)涉及風電場發(fā)電量預測領(lǐng)域，具體涉及一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR多因素風電場發(fā)電量預測方法。

技術(shù)介紹

[0002]隨著風力發(fā)電技術(shù)的逐步成熟，風電場發(fā)電已經(jīng)是新能源發(fā)電的主要組成部分，風電場發(fā)電量預測成為新能源領(lǐng)域的主要研究課題之一，其發(fā)電量的準確預測是制定發(fā)電、輸配電系統(tǒng)的規(guī)劃和運行策略的關(guān)鍵環(huán)節(jié)之一，風電廠的機組調(diào)度也在很大程度上依賴于對發(fā)電量的精確預測。但由于風電場發(fā)電量的影響因素眾多，比如風速、溫度、歷史發(fā)電量等，導致其發(fā)電量的預測比較困難，常見的預測方法有如下不足之處：發(fā)電量的預測精準度較低，無法達到理想的預測效果；常見的發(fā)電量預測一般是基于歷史發(fā)電量或者負荷數(shù)據(jù)，然后通過常見的人工智能預測方法進行預測計算，但這種方法沒有考慮風電場發(fā)電量變化的內(nèi)在原因，比如風速、溫度等內(nèi)、外部因素對風電場發(fā)電器材和發(fā)電效率的影響。針對上述問題，本專利提出一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR多因素風電場發(fā)電量預測方法，該方法一方面通過天牛群算法對KSVR預測算法進行優(yōu)化，提升算法的預測精準度；另一方面，考慮可以對風電場發(fā)電量產(chǎn)生影響的各種因素，并對這些因素的歷史數(shù)據(jù)進行VMD處理，接著，使用PCA方法對分解后的數(shù)據(jù)降維處理，作為歷史數(shù)據(jù)集，輸入到預測模型當中，從而對發(fā)電量數(shù)據(jù)進行預測。

技術(shù)實現(xiàn)思路

[0003]針對現(xiàn)有技術(shù)的不足，本專利技術(shù)提供一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR多因素風電場發(fā)電量預測方法，首先VMD算法對影響風電場發(fā)電量的關(guān)鍵參數(shù)的歷史數(shù)據(jù)進行分解，形成初步數(shù)據(jù)集；其次，使用主成分分析法對處理后的數(shù)據(jù)進行數(shù)據(jù)降維處理，形成最終數(shù)據(jù)集；再次，針對天牛算法尋優(yōu)效率低下與粒子群算法尋優(yōu)參數(shù)早熟的問題，將兩者優(yōu)點相結(jié)合，形成新的天牛群算法，達到更好的參數(shù)尋優(yōu)效果；然后，針對常規(guī)SVR算法預測精度較低，參數(shù)選取困難的問題，使用天牛群算法對KSVR的關(guān)鍵參數(shù)進行尋優(yōu)，以提升預測精度；最后，將數(shù)據(jù)集輸入到優(yōu)化后的算法模型當中，得到預測數(shù)據(jù)。
[0004]本專利技術(shù)是通過以下技術(shù)方案解決以上技術(shù)問題的：一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR多因素風電場發(fā)電量預測方法，其特征在于以下步驟：S1：通過VMD將原始信號(待預測的風電場的歷史發(fā)電量數(shù)據(jù)、同周期風電場風速數(shù)據(jù)、同周期風電場地區(qū)溫度數(shù)據(jù)、風電場地區(qū)的歷史負載數(shù)據(jù)等)進行數(shù)據(jù)處理，分別分解為PIF1、PIF2、PIF3、PIF4等；S2：通過近似熵法對分解序列進行序列重構(gòu)；S3：使用主成分分析方法對S1中的10組數(shù)據(jù)進行數(shù)據(jù)降維處理，選取合適維度的主成分數(shù)據(jù)作為后續(xù)的輸入數(shù)據(jù)；S4：構(gòu)建初始KSVR模型；S5：將降維處理后的數(shù)據(jù)輸入KSVR模型并進行模型的訓練；S6：計算發(fā)電量的預測數(shù)據(jù)與結(jié)果的誤差值；S7：判斷KSVR模型的參數(shù)是否為最優(yōu)值或者滿足誤差要求，若不滿足要求，則執(zhí)行S7的BASO算法對KSVR算法的參數(shù)進行調(diào)
優(yōu)；S8：利用BASO優(yōu)化算法對KSVR模型的參數(shù)進行尋優(yōu)處理，并重新對模型進行訓練；S9：若KSVR模型的參數(shù)為最優(yōu)參數(shù)，保存該模型的參數(shù)，對輸出數(shù)據(jù)進行疊加得到預測結(jié)果。
[0005]收集歷史數(shù)據(jù)，包括待預測風電場的歷史發(fā)電量數(shù)據(jù)、同周期風電場風速數(shù)據(jù)、同周期風電場地區(qū)溫度數(shù)據(jù)、待預測風電場地區(qū)的歷史負載數(shù)據(jù)等。
[0006]S21：通過希爾伯特變換計算收集到的相關(guān)數(shù)據(jù)，得到各階的模態(tài)函數(shù)的分量u
k
；S22：調(diào)整模態(tài)的中心頻率，將頻譜進行偏移調(diào)節(jié)，公式如下：其中，f(t)表示給定的待處理信號，u
k
(t)表示模態(tài)分量，w
k
為中心頻率，δ(t)為狄拉克來函數(shù)卷積算子，k表示模態(tài)頻率；S23：為了將約束問題轉(zhuǎn)化為無約束問題，引入拉格朗日算子τ和懲罰項因子α，以簡化計算過程，如下所示：通過不斷的優(yōu)化上式，可以得到模態(tài)分量和對應的中心頻率公式為：通過不斷的優(yōu)化上式，可以得到模態(tài)分量和對應的中心頻率公式為：其中，和分別表示相應的函數(shù)的傅里葉變換結(jié)果，n表示迭代次數(shù)。
[0007]S31：將上述所有VMD分解后的數(shù)據(jù)和原始數(shù)據(jù)為基礎(chǔ)，建立樣本初始數(shù)據(jù)矩陣X；X＝(x
ij
)
m
×
n
＝(X1,X2,...,X
n
)
???
(5)X＝(x
1j
,x
2j
,...,x
mj
)
T j＝1,2,...,n
???
(6)式中，X為一個由m
×
n的VMD處理后的數(shù)據(jù)構(gòu)成的樣本數(shù)據(jù)矩陣；n為每個種類的數(shù)據(jù)的長度；n為不同數(shù)據(jù)種類的個數(shù)，也可以認為是數(shù)據(jù)的維度。S32：用歸一化方程來標準化處理初始數(shù)據(jù)矩陣X，標準化后的矩陣Z的公式如式7：S33：求解相關(guān)系數(shù)矩陣為：
對相關(guān)系數(shù)矩陣進行特征值λ和特征向量的求解，每個指標以及累計指標的計算公式如式9：選取使累計方差達到85％的指標作為主成分。公式如式9：選取使累計方差達到85％的指標作為主成分。
[0008]構(gòu)建初始KSVR模型，包括選擇RBF核函數(shù)作為SVR的核函數(shù)，設置優(yōu)化參數(shù)C、gamma與其取值范圍，將均方根誤差作為模型的精度指標。RBF的核函數(shù)公式為：K(x
i
,x
j
)＝exp(
?
κ||x
i
?
x
j
||2)
???
(11)式中：κ是核半徑。為充分利用經(jīng)過PCA降維處理后的數(shù)據(jù)，使用多核加權(quán)線性支持向量回歸模型，表達式如下:式中:μ1K
t
，μ2K
T
，
…
，μ
n
K
H
分別表示原始數(shù)據(jù)經(jīng)過主成分分析法降維之后的各個因素所對應的核函數(shù)，μ1，μ2，
…
，μ
n
是相應的權(quán)值系數(shù)。優(yōu)化問題的求解目標為：其中η為松弛因子。約束為：式中：b代表偏置；ο是不敏感損失；ω代表決策平面的權(quán)值系數(shù)；代表高維特征空間。決策函數(shù)更新為：式中：y
′
為誤差數(shù)值；α表示拉格朗日乘子。
[0009]將S33步驟中得到的降維處理后的數(shù)據(jù)作為新的數(shù)據(jù)集，輸入KSVR模型并進行模型的訓練。
[0010]計算根據(jù)預測模型得到的發(fā)電量的預測數(shù)據(jù)與真實結(jié)果的三種類型的誤差指標：平均平均誤差(MAE)、平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)。
式中：其中，N為數(shù)據(jù)點總量，F(xiàn)X
L
表示預測的數(shù)值，AX
L
表示真實數(shù)值。
[0011]判斷KSVR模型本文檔來自技高網(wǎng)...

【技術(shù)保護點】

【技術(shù)特征摘要】
1.一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR多因素風電場發(fā)電量預測方法，其特征在于以下步驟：S1：通過VMD將原始信號(待預測的風電場的歷史發(fā)電量數(shù)據(jù)、同周期風電場風速數(shù)據(jù)、同周期風電場地區(qū)溫度數(shù)據(jù)、風電場地區(qū)的歷史負載數(shù)據(jù)等)進行數(shù)據(jù)處理，分別分解為PIF1、PIF2、PIF3、PIF4等；S2：通過近似熵法對分解序列進行序列重構(gòu)；S3：使用主成分分析方法對S1中的10組數(shù)據(jù)進行數(shù)據(jù)降維處理，選取合適維度的主成分數(shù)據(jù)作為后續(xù)的輸入數(shù)據(jù)；S4：構(gòu)建初始KSVR模型；S5：將降維處理后的數(shù)據(jù)輸入KSVR模型并進行模型的訓練；S6：計算發(fā)電量的預測數(shù)據(jù)與結(jié)果的誤差值；S7：判斷KSVR模型的參數(shù)是否為最優(yōu)值或者滿足誤差要求，若不滿足要求，則執(zhí)行S7的BASO算法對KSVR算法的參數(shù)進行調(diào)優(yōu)；S8：利用BASO優(yōu)化算法對KSVR模型的參數(shù)進行尋優(yōu)處理，并重新對模型進行訓練；S9：若KSVR模型的參數(shù)為最優(yōu)參數(shù)，保存該模型的參數(shù)，對輸出數(shù)據(jù)進行疊加得到預測結(jié)果。2.根據(jù)權(quán)利要求1所述的一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR風電場發(fā)電量多因素預測方法，其特征在于所述S1中，包括：收集歷史數(shù)據(jù)，包括待預測風電場的歷史發(fā)電量數(shù)據(jù)、同周期風電場風速數(shù)據(jù)、同周期風電場地區(qū)溫度數(shù)據(jù)、待預測風電場地區(qū)的歷史負載數(shù)據(jù)等。3.根據(jù)權(quán)利要求1所述的一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR風電場發(fā)電量多因素預測方法，其特征在于所述S2中，包括：S21：通過希爾伯特變換計算收集到的相關(guān)數(shù)據(jù)，得到各階的模態(tài)函數(shù)的分量u
k
；S22：調(diào)整模態(tài)的中心頻率，將頻譜進行偏移調(diào)節(jié)，公式如下：其中，f(t)表示給定的待處理信號，u
k
(t)表示模態(tài)分量，w
k
為中心頻率，δ(t)為狄拉克來函數(shù)卷積算子，k表示模態(tài)頻率；S23：為了將約束問題轉(zhuǎn)化為無約束問題，引入拉格朗日算子τ和懲罰項因子α，以簡化計算過程，如下所示：通過不斷的優(yōu)化上式，可以得到模態(tài)分量和對應的中心頻率公式為：
其中，和分別表示相應的函數(shù)的傅里葉變換結(jié)果，n表示迭代次數(shù)。4.根據(jù)權(quán)利要求1所述的一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR風電場發(fā)電量多因素預測方法，其特征在于所述S3中，包括：S31：將上述所有VMD分解后的數(shù)據(jù)和原始數(shù)據(jù)為基礎(chǔ)，建立樣本初始數(shù)據(jù)矩陣X；X＝(x
ij
)
m
×
n
＝(X1,X2,...,X
n
)
?????????????????
(5)X＝(x
1j
,x
2j
,...,x
mj
)
T j＝1,2,...,n
??????????????
(6)式中，X為一個由m
×
n的VMD處理后的數(shù)據(jù)構(gòu)成的樣本數(shù)據(jù)矩陣；n為每個種類的數(shù)據(jù)的長度；n為不同數(shù)據(jù)種類的個數(shù)，也可以認為是數(shù)據(jù)的維度；S32：用歸一化方程來標準化處理初始數(shù)據(jù)矩陣X，標準化后的矩陣Z的公式如式7：S33：求解相關(guān)系數(shù)矩陣為：對相關(guān)系數(shù)矩陣進行特征值λ和特征向量的求解，每個指標以及累計指標的計算公式如式9：選取使累計方差達到85％的指標作為主成分。如式9：選取使累計方差達到85％的指標作為主成分。5.根據(jù)權(quán)利要求1所述的一種基于VMD
?
PCA數(shù)據(jù)預處理算法的BASO
?
KSVR風電場發(fā)電量多因素預測方法，其特征在于所述S4中，包括：構(gòu)建初始KSVR模型，包括選擇RBF核函數(shù)作為SVR的核函數(shù)，設置優(yōu)化參數(shù)C、gamma與其取值范圍，將均方根誤差作為模型的精度指標。RBF的核函數(shù)公式為：K(x
i
,x
j
)＝exp(
?
κ||x
i
?
x
j
||2)
??????????
(...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：郝俊博，趙志宏，姚勇，王立東，盧震，劉建武，
申請(專利權(quán))人：國網(wǎng)山西省電力公司運城供電公司，
類型：發(fā)明
國別省市：