CN106529724A - 一种灰色联合权重风电功率预测方法 - Google Patents

Abstract

本发明公开了一种灰色联合权重风电功率预测方法，分别对原始风电功率数据进行果蝇最小二乘支持向量机模型预测和灰色残差最小二乘支持向量机模型预测，得到训练数据，将训练数据与实际数据进行对比，进行灰色关联度分析，得到灰色关联度权重矩阵；分别利用果蝇最小二乘支持向量机和灰色最小二乘支持向量机对目标进行预测，得到的两个结果分别乘以步骤三得到的灰色关联度权重矩阵，结果相加，得到最终的预测结果。本发明提出了灰色关联度模型的权重组合算法，联合预测能够减小单个模型因不可知因素导致的重大误差，提高预测精度高的模型输出在结果中的比重。

Description

一种灰色联合权重风电功率预测方法

技术领域

本发明涉及一种预测风电超短期功率的方法，具体涉及一种灰色联合权重风电功率预测方法。

背景技术

风功率预测/风电场功率预测WPP(Wind Power Prediction)(也有一些国内专业杂志称为Wind Energy Prediction)风功率预测是指风电场风力发电机发电功率预测。

风电场是利用在某个通过预测的坐标范围内，经过科学测算，按照合理距离安装的风力发电机，利用可控范围内的风能所产生的电力来实现运行供电。

由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻都在变化。因而，风力发电具有波动性、间歇性和随机性的特点。这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。因此，当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力***的安全、稳定运行带来一定的隐患。同时，这些波动性、间歇性和随机性的特点，也会严重影响风机的发电效率和使用寿命。

发明内容

本发明所要解决的技术问题在于提供一种短时风电功率的组合预测方法，提高预测精确性和速度。

本发明是通过以下技术方案实现的：

一种灰色联合权重风电功率预测方法，包括以下步骤：

步骤一、对原始风电功率数据进行预处理，进行果蝇最小二乘支持向量机模型预测，得到八组训练数据；

步骤二、对原始风电功率数据进行预处理，进行灰色残差最小二乘支持向量机模型预测，得到八组训练数据；

步骤三、分别将上述步骤一和步骤二获得的训练数据与实际数据进行对比，进行灰色关联度分析，得到灰色关联度权重矩阵；

步骤四、分别利用果蝇最小二乘支持向量机和灰色最小二乘支持向量机对目标进行预测，得到的两个结果分别乘以步骤三得到的灰色关联度权重矩阵，结果相加，得到最终的预测结果；

步骤五、进行预测误差评价分析。

本发明与现有技术相比，有益效果在于：

本发明基于灰色关联度分析方法，建立了FOA-LSSVM和GM-LSSVM联合模型，在此基础上分析算例风电场风速分布特性，提出了GM关联度模型的权重组合算法。在几种已经证明了自身有效的预测模型的基础上通过对精确程度的加权计算，动态分配每一种模型的预测结果在输出中的比重，从而提升最终结果的精确性和模型的适应性。联合预测能够减小单个模型因不可知因素导致的重大误差，提高预测精度高的模型输出在结果中的比重，从而挺高联合预测模型的适应性，最终为风电调度决策提供科学依据。

本发明解决当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力***的安全、稳定运行带来一定的隐患。同时，这些波动性、间歇性和随机性的特点，也会严重影响风机的发电效率和使用寿命的问题，本方案通过灰色关联度分析的方法，提高了预测精确性和鲁棒性。

附图说明

图1为本发明的方法流程图

图2为果蝇最小二乘支持向量机模型预测流程图

图3为灰色残差最小二乘支持向量机模型预测流程图

图4为采用GM联合权重预测方法进行10.6日风电场风速预测结果对比示意图

图5为图4的GM联合权重预测的相对误差示意图

图6为采用GM联合权重预测方法进行10.12日风电场风速预测结果对比示意图

图7为图6的GM联合权重预测的相对误差示意图

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种灰色联合权重风电功率预测方法，基于灰色***与最小二乘支持向量机，包括以下步骤：

步骤1：对原始风电功率数据进行预处理，进行果蝇最小二乘支持向量机(FOA-LSSVM)模型预测，得到八组训练数据；

步骤2：对原始风电功率数据进行预处理，进行灰色残差最小二乘支持向量机(GM-LSSVM)模型预测，得到八组训练数据；

步骤3：分别将上述步骤1和步骤2获得的训练数据与实际数据进行对比，进行灰色关联度分析，得到灰色关联度权重矩阵；

步骤4：分别利用果蝇最小二乘支持向量机和灰色最小二乘支持向量机对目标进行预测，得到的两个结果分别乘以步骤3得到的灰色关联度权重矩阵，结果相加，得到最终的预测结果；

步骤5：进行预测误差评价分析。

所述步骤1对原始风电功率数据进行预处理，进行果蝇最小二乘支持向量机模型预测，包括以下步骤：

步骤1.1)对初始风电功率数据进行预处理将历史数据做归一化处理，

即构造由yt＝Y_t+m与X_t＝(Y_t,Y_t+1,…,Y_t+m-1)构成的样本点集合n＝N-m。

步骤1.2)选择核函数，确定最小二乘向量机(LSSVM)模型的参数：采用常用的高斯核函数，主要参数有两个，包括核函数中的宽度参数σ和误差惩罚参数γ。采用果蝇优化算法(FOA)进行参数寻优，从而得到最优化参数。

步骤1.3)输入数据集，生成预测函数：输入样本集求得拉格朗日乘数α_t(t＝1,2,…,n)和偏置b，从而确定下面的函数，即为预测函数其中K为高斯核函数。

步骤1.4)预测并进行误差分析：通过步骤1.3)生成的预测函数，对预测数据进行预测并分析预测误差，当预测效果不够理想获得较大误差时则返回步骤1.2)，对LSSVM的参数做更进一步的调整从而再进行预测。

进行最小二乘支持向量机模型预测后，得到八组训练数据，对训练数据进行数据归一化预处理，生成数据集并分组，即把样本数据转化为0～1之间的数据。

所述步骤2对原始风电功率数据进行预处理，进行灰色残差最小二乘支持向量机(GM-LSSVM)模型预测，包括以下步骤：

步骤2.1)设置i＝1，m＝0，n的值，优化参数γ和σ。

构造LSSVM模型，对其参数进行正确选择是非常必要的。由于本发明采用了高斯核函数，所以有两个决定参数，分别是误差惩罚参数γ以及宽度参数σ，而组合模型通过交叉验证的方法来寻找这两个参数。

步骤2.2)通过GM模型获得风速信息的预测值以及残差序列值。

首先，原始数据序列表示如下：

x_i ⁽⁰⁾(m)＝{x_i ⁽⁰⁾(m+1)，x_i ⁽⁰⁾(m+2)，L，x_i ⁽⁰⁾(m+n)}

由z⁽¹⁾(k)＝ax⁽¹⁾(k)+(1-a)x⁽¹⁾(k-1)@x⁽¹⁾(k)，采用下式来修正背景值：

提取新的背景值建立GM模型，进而获得如下式子：

通过原始风电功率数据以及预测数据进行差值运算得到残差序列ε_i ⁽⁰⁾(m)，即：

ε_i ⁽⁰⁾(m)＝{ε_i ⁽⁰⁾(m+1)，ε_i ⁽⁰⁾(m+2)，L，ε_i ⁽⁰⁾(m+n)}

其中,k＝m+1,m+2,L,m+n。

步骤2.3)采用LSSVM模型训练ε_i ⁽⁰⁾(k)，k＝m+1,m+2,L,m+n。因此可以得到k＝m+n+1,m+n+2,L。

然后可以得到最后的预测值，表示如下：

步骤2.4)当i≤len时，返回步骤2.2)继续执行，如果i＞len(i初始取值为1，len为数据长度，本文取值80)，执行结束。

通过GM-LSSVM和FOA-LSSVM预测算法在风电场风速预测获得了训练数据，但是对不同数据，不同地点测风塔的数据预测准确程度波动较大，在风速预测模型的普适性和鲁棒性上还有很多改进的空间。这是由于风力发电有其特殊的一面，不同的风电场，即使是同一风电场不同位置的风机，适用的风速预测模型也很可能不同。本发明提供灰色联合预测算法，结合各自算法的优点，弥补各自的缺点，来提高模型的精确性和鲁棒性呢。

灰色联合权重预测是指在几种预测模型的基础上通过对精确程度的加权计算，动态分配每一种模型的预测结果在输出中的比重，从而提升最终结果的精确性和模型的适应性。

灰色关联分析的基本思想是根据预测序列与目标序列的相似程度来判断其联系是否紧密。差距越小，说明联系越紧密，关联度就打，所附权重也就越大，反之所附权重也就越小。基于灰色关联度分析方法，本发明建立了FOA-LSSVM和GM-LSSVM联合模型，在此基础上分析算例风电场风速分布特性，提出了GM关联度模型的权重组合算法。

设X_i为***因素，其在k时点的观测数据为x_i(k)(k＝1,2,...n)，则称：

X_i＝(x₁(1),x₂(2),...x_i(n))

若D为序列算子，则：

X_i D_i＝(x₁(1)d_i,x₂(2)d₂,...x_i(n)d_n)

给定实数γ(X₀,X_i)，若实数满足：

规范性：

0＜γ(X₀,X_i)≤1,γ(X₀,X_i)＝1则X₀＝X_i

整体性：对于X_i,X_j∈X＝{X_s|s＝0,1,2,...m；m≥2}有：

γ(X₀,X_i)≠γ(X_i,X₀)i≠j

偶对对称性：对于X_i，X_sj∈X有

γ(X_i,X_j)≠γ(X_j,X_i)则X＝{X_i,X_j}

接近性：x₀(k)-x_i(k)越小，γ(x₀(k),x_i(k))越大

则称γ(X_i,X_j)为X_i与X_j的灰色关联度，γ(x₀(k),x_i(k))为X_i与X_j在k点的关联系数，并称上述条件1-4为灰色关联四公理。

通过上述四公理，我们可以看出灰色关联***，***内部具有关联性、偶对称性、接近性，说明GM(灰度模型)关联***在联合算法中的应用是有效的。

所以灰色关联度结合到本发明技术方案，GM-LSSVM模型和FOA-LSSVM模型的预测结果分别为两个关联序列，目标序列为测试样本，通过灰色关联度运算，得到前8天的灰色关联度权重矩阵：

然后，果蝇最小二乘支持向量机模型的预测结果与灰色残差支持向量机模型的预测结果再分别乘以γ_ij，结果再相加，就能得到动态GM权重的预测结果。

所述步骤5进行预测误差评价分析，如果误差较大，重新调整参数，再次进行预测，具体过程为：

采用如下三个评价标准进行误差评价分析，即：

1)平均绝对百分比误差MAPE，以％表示

2)均方根误差MSE

3)均等系数EC

均等系数表示预测值与实测值之间的拟合度，EC值的大小作为评价预测效果的重要标准之一，数值在(0，1)之间，EC>0.85被视为较好的预测，EC>0.9被视为满意的预测，EC值越高，则整体预测效果越与实际监测值接近，效果也越接近理想，其中V real(k)为实际风电功率，即与步骤(一)所述的x⁽⁰⁾(k)对应，V_predict(k)为预测风电功率，n为预测个数。

仿真实验：

本发明构建了基于GM联合预测方法预测模型，结合实际数据与其他预测风电功率预测方法GA-LSSVM和GM-LSSVM进行对比验证分析，采用实际风电场功率数据测试数据。

10.6日的预测数据,平均相对误差为2.2％,拟合度为98.3％。说明联合算法在精度上是有保证的。为了验证鲁棒性，再进行一组10.12日测试，来验证联合算法是不是符合要求。

从图7中可以看出，GM权重联合算法确实有比较好的鲁棒性，EC值仍然保证0.95以上。表给出了几种算法的具体对比值。

由表1可以明显看出，1号测风塔6日与12日相比，GA-LSSVM(遗传算法最小二乘支持向量机)模型的预测精度波动很大，GM联合权重算法的预测精度高于两种预测方法。12日时，GM联合权重预测算法的预测精度高于FOA-LSSVM模型和GM-LSSVM模型，并且波动很小。证明了GM联合权重预测算法对多样数据的适应性，本身的健壮性。下面通过表1列出GM联合权重预测算法在各个点的预测结果，表格中给出了6号各个点的GM权重预测具体值和误差率。

表1

不同测风塔数据仿真分析：

为了验证GM联合权重预测算法的适应性，我们再做一组测试。由表2可以看出，不同的预测方法对不同的地点测风塔预测数据的准确程度也是不一定的，GA-LSSVM对测风塔2的预测不如测风塔1的预测，GM-LSSVM测风塔1不如对测风塔2预测，但是GM联合权重预测算法的波动性明显好于测风塔1和测风塔2。再一次验证了GM联合权重分配预测方法的普遍适应性。

表2

综合考虑表1和表2的评价标准，可以看出GM联合权重算法的精度符合要求，同时在方法的鲁棒性上大大高于前两种方法。

本发明所提出的GM-LSSVM组合预测模型，以累加生成为基础，成功回避了处理数据时经常出现的扰动因素并且凸显了数据的规律性，同时也充分发挥了LSSVM模型求解快、擅长解决非线性问题的优势。从上表格中可以明显看出，GM-LSSVM模型得到的预测结果与实际结果基本吻合并且具有较小的误差，体现出很好的拟合能力，且GM-LSSVM模型各个评价标准与GA-LSSVM模型相差不是很大，符合预测精度要求，然而GM-LSSVM模型的明显优势在于保持预测精度的同时，所需要的仿真时间相比GA-LSSVM模型要短的多，这对于更加准确快速的预测风电场功率，对风电场电力上网，电网安全稳定运行有很大意义。进而风电场设备的调试维修也是有很大帮助的。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种灰色联合权重风电功率预测方法，其特征在于，包括以下步骤：

步骤一、对原始风电功率数据进行预处理，进行果蝇最小二乘支持向量机模型预测，得到八组训练数据；

步骤二、对原始风电功率数据进行预处理，进行灰色残差最小二乘支持向量机模型预测，得到八组训练数据；

步骤三、分别将上述步骤一和步骤二获得的训练数据与实际数据进行对比，进行灰色关联度分析，得到灰色关联度权重矩阵；

步骤四、分别利用果蝇最小二乘支持向量机和灰色最小二乘支持向量机对目标进行预测，得到的两个结果分别乘以步骤三得到的灰色关联度权重矩阵，结果相加，得到最终的预测结果；

步骤五、进行预测误差评价分析。

2.如权利要求1所述的一种灰色联合权重风电功率预测方法，其特征在于，所述步骤三中进行灰色关联度分析，得到灰色关联度权重矩阵的过程为：

设X_i为***因素，其在k时点的观测数据为x_i(k)(k＝1,2,...n)，则称：

X_i＝(x₁(1),x₂(2),...x_i(n))

若D为序列算子，则：

X_iD_i＝(x₁(1)d_i,x₂(2)d₂,...x_i(n)d_n)

给定实数γ(X₀,X_i)，若实数满足：

规范性：

0＜γ(X₀,X_i)≤1,γ(X₀,X_i)＝1则X₀＝X_i

整体性：对于X_i,X_j∈X＝{X_s|s＝0,1,2,...m；m≥2}有：

γ(X₀,X_i)≠γ(X_i,X₀)i≠j

偶对对称性：对于X_i，X_sj∈X有

γ(X_i,X_j)≠γ(X_j,X_i)则X＝{X_i,X_j}

接近性：x₀(k)-x_i(k)越小，γ(x₀(k),x_i(k))越大

则称γ(X_i,X_j)为X_i与X_j的灰色关联度，γ(x₀(k),x_i(k))为X_i与X_j在k点的关联系数，

$\mathrm{\γ}\left(x_0\right(k),x_i(k\left)\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ϵ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ϵ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|},\mathrm{\ϵ}\∈(0,1)$

果蝇最小二乘支持向量机模型和灰色残差最小二乘支持向量机模型的预测结果分别为两个关联序列，目标序列为测试样本，通过灰色关联度运算，得到前8天的灰色关联度权重矩阵：

${\mathrm{\γ}}_{ij}=\left(\begin{array}{cc}{\mathrm{\γ}}_{01}& {\mathrm{\γ}}_{01}\\ {\mathrm{\γ}}_{01}& {\mathrm{\γ}}_{01}\\ {\mathrm{\γ}}_{01}& {\mathrm{\γ}}_{01}\\ {\mathrm{\γ}}_1& {\mathrm{\γ}}_{01}\end{array}\right).$