大型风电场超短期风电功率预测_廖志民

合集下载

风电场超短期风功率预测问题研究

风电场超短期风功率预测问题研究

风电场超短期风功率预测问题研究摘要:风电场的发电效果受风能的影响作用巨大,随着并网风电场装机容量不断增加,风力发电对电网调峰能力的不良作用日益突出。

风电场的超短期风功率预测研究是解决风电场发电稳定性的关键技术之一,以河北省某风电场为例,采用人工神经网络计算模型对超短期风功率进行预测,通过调整输入层数据对预测方法及预测的结果进行分析,结果表明,随着时间的增长,风电机组运行数据对超短期功率预测准确率影响降低,长时间的风电场超短期风预测功率准确率主要依赖数值天气预报准确率。

通过对风电场运行数据与超短期功率预测准确率的相关性分析,对提高风电场的运行效率,提高发电的效率有良好的应用意义,保证风电场运行的经济性。

关键词:风电场超短期风功率预测问题研究引言:根据国家风电信息管理中心发布的信息显示,我国风电累计并网容量达到世界第一,且长期处于首要位置,居高不下,随着我国风电行业的快速发展,风电场并网情况出现较大问题,由于风能的不稳定性与不可控性,使得风电场的运行过程中出现电压、频率不稳定等问题。

对风电场超短期风功率预测方法及预测结果进行分析,有助于提高电网运行的效率,增强电网运行的经济性。

自十九世纪来,欧洲就有系列国家开展风电场风功率预测技术研究,目前应用较为广泛的是丹麦与德国技术研究所联合开发的技术系统对风电场风功率的预测方法,下文就预测方法及预测结果进行具体分析。

一、预测方法目前应用较为广泛的预测方法为物理方法、统计方法和物理-统计结合方法。

物理方法主要是以中尺度数值天气预报为基础,通过降尺度的方法建立基于风电场的数值天气预报模型,从而将风速预测结果按风机功率曲线转换为功率预测结果,达到对风电场超短期风功率的预测。

统计方法为统计模型与数据计算的结合,利用非线性回归统计模型将历史运行数据演算出预测数据,通过对回归方程的迭代计算,使回归方程得到最优解,以此提高预测的准确程度。

物理-统计方法是基于数值天气预报的物理模型预测方法,具有良好的适用性,因此在风电场中得到广泛引用。

大型风电场超短期风电功率预测

大型风电场超短期风电功率预测

Mo n g o l i a A u t o n o m o u s R e g i o n , H o h h o t 0 1 0 0 3 1 , I n n e r Mo n g o l i a ,C h i n a )
ABS TRACT :F o r l a r g e —s c a l e wi n d f a r m wi n d p o w e r n o n l i n e a r
济运行带来了严重的挑战。提高风 电功率预测精度
是 改 善含 风 电场 电网运 行 的经 济性 、 安 全性 的有效
途径。
q u a n t u m p a t r i c l e s w a m r o p t i m i z a t i o n( Q u a n t u m - b e h a v e d P a t r i c l e S w a r m O p t i m i z a t i o n ,Q P S O)p a r a m e t e r s o f t h e w e i g h t e d l e a s t
t h e mo d e l ,b y g i v i n g d i f f e r e n t we i g h t s t o e a c h s a mp l e e r r o r
c o e f f i c i e n t o f t h i s p a p e r ,a g o o d g e n e r a l i z a t i o n p e r f o r ma n c e o f t h e WL S— S VM r e g r e s s i o n mo d e l i s e s t a b l i s h e d t o f u th r e r i mp r o v e t h e mo d e l p r e d i c t i o n a c c u r a c y .T h i s p a p e r p r e s e n t s a n u l t r a - s h o t r t e m r wi n d p o we r p r e d i c t i o n mo d e l wh i c h i s b a s e d o n t h e

考虑风电场功率爬坡的超短期组合预测

考虑风电场功率爬坡的超短期组合预测

考虑风电场功率爬坡的超短期组合预测考虑风电场功率爬坡的超短期组合预测随着全球对可再生能源需求的不断增长,风电成为了一种重要的清洁能源来源。

然而,风电场的功率波动性和不稳定性给电力系统带来了挑战。

为了更好地管理和规划电力系统,准确预测风电场产生的功率变化至关重要。

本文将探讨考虑风电场功率爬坡的超短期组合预测方法。

超短期组合预测是指对未来数分钟到数小时内的风电功率进行预测。

这种预测对电力系统的安全运行具有重要意义,尤其是在大规模风电场的情况下。

因此,研究人员和工程师们一直在努力提出准确的预测方法。

首先,我们需要了解风能特性和风电场的工作原理。

风能是由风速和风速梯度决定的,而风速受到地形、气候和气象条件的影响。

风电场通过将风能转化为电能来发电,但由于风速的变化以及风轮转动和发电机响应的惯性,风电场的功率产生波动。

因此,我们需要建立预测模型来考虑这些因素。

其次,我们可以利用历史数据来建立预测模型。

通过收集和分析过去的风电功率数据以及相关的气象数据(如风速、温度和湿度等),我们可以寻找它们之间的关系。

这一步骤通常使用统计学和机器学习的方法。

在建立模型时,我们需要考虑风电场的爬坡效应,即风电场从零功率到额定功率所需的时间。

爬坡效应是由风轮和发电机的响应速度决定的,因此需要将其纳入模型中。

然后,我们可以使用建立好的预测模型来进行功率预测。

预测方法可以分为基于物理的方法和基于统计学和机器学习的方法。

基于物理的方法通常需要详细的气象数据和复杂的风电机械模型,这些模型考虑了风电场的物理特性和动力学方程。

基于统计学和机器学习的方法则更注重历史数据的分析和模式识别。

这些方法可以通过建立时间序列模型、回归模型或者神经网络等来进行预测。

最后,我们需要对预测结果进行评估和优化。

评估预测模型的准确度是非常重要的,可以使用各种评估指标(如均方根误差、平均绝对误差等)来进行比较。

如果预测结果不符合要求,我们可以进行模型优化,例如调整模型参数、增加更多特征变量或者改变模型结构等。

论风电场短期风速和风电功率预测

论风电场短期风速和风电功率预测

论风电场短期风速和风电功率预测摘要:现阶段来看,由于我国日益严重的环境污染和能源污染,促进了新能源的应用,新能源发电所占比重日益增加风能是一种清洁、没有污染、可再生并且获取方便的能源,这一特点让其快速发展。

虽然风力资源取之不尽用之不竭,但是风能也是一种不稳定、间歇性的能源。

当风电大规模接入电网时,电力系统的电能稳定性与安全性将会受到影响。

对风电场进行短期风速与风电功率预测是解决风电并网稳定性与安全性的有效手段。

关键词:风电场;短期风速;风电功率;预测引言自步入21世纪以来,科学技术的进步带动经济风速发展,人们的生活水平也随之大幅提高。

因此,截至2014年,世界人口数量已超过74亿。

人口的快速增加的同时。

能源危机与环境污染现状致使我们去发展可再生能源。

而风能的清洁、无污染、取之不尽,用之不竭的特性符合可再生能源发展的要求。

2017年2月10日,全球风能理事会(Groble Wind Energy Council,GWEC)发布了上一年全球风力发电的统计数据:从2001到2016年,全球风力发电发展迅速。

仅2016年新增装机容量达到54.60GW[1]。

全球的风力发电在这16年内的累计装机容量翻了20倍。

GWEC预测,到2020年风电年新增市场将达到100GW,累计市场达到879GW;到2030年风电年新增市场达到145GW,累计市场达2,110GW;到2050年,年新增市场达到208GW,累计市场容量达5,806GW。

1国内外研究现状早在20世纪90年代初期,欧洲部分国家开始从事风电场风速和风电功率预测相关研究工作,随着科学技术的进步,积累的经验也越来越多,研究技术越来越成熟。

至今已有许多国家拥有自己成熟独立的预测系统,例如,第一套用于预测风电功率的预测系统早在1990年就被丹麦研发出来了。

后来,德国开发了两个系统,分别是Previento系统和风电功率管理系统(WPMS);美国的eWind风电功率预测系统为美国风电事业做出了重大的贡献。

《2024年风电场功率超短期预测算法优化研究》范文

《2024年风电场功率超短期预测算法优化研究》范文

《风电场功率超短期预测算法优化研究》篇一一、引言随着全球对可再生能源的日益关注,风电作为清洁能源的代表,其发展与应用越来越受到重视。

然而,由于风力资源的随机性和间歇性,风电场的功率预测成为了一个重要且具有挑战性的问题。

超短期功率预测作为提高风电并网稳定性和利用率的关键技术,其预测精度的提升成为研究热点。

本文将重点探讨风电场功率超短期预测算法的优化研究,分析现有算法的优劣,并探索新的优化方法。

二、背景与意义近年来,风电场功率预测技术得到了快速发展。

超短期功率预测能够在短时间内对风电机组的输出功率进行准确预测,对于电网调度和风电场运行具有重要意义。

然而,由于风速的随机性和复杂性,现有的预测算法仍存在一定误差。

因此,对风电场功率超短期预测算法进行优化研究,不仅可以提高风电场的运行效率,还能为电网的稳定运行提供有力支持。

三、文献综述目前,常用的风电场功率超短期预测算法包括物理方法、统计方法和组合方法等。

物理方法主要基于风速、风向等气象信息,通过建立物理模型进行预测;统计方法则利用历史数据和统计规律进行预测;组合方法则结合了物理方法和统计方法的优点。

然而,这些方法在应对复杂多变的风速变化时仍存在一定局限性。

例如,物理方法在缺乏精确气象信息时预测精度较低,统计方法则可能因历史数据不足或数据异常导致预测误差。

因此,寻找更为有效的优化方法是提高风电场功率超短期预测精度的关键。

四、算法优化研究针对现有算法的不足,本文提出了一种基于机器学习的优化算法。

该算法结合了深度学习和时间序列分析技术,能够更好地应对风速的随机性和复杂性。

具体而言,我们采用长短期记忆网络(LSTM)模型来捕捉风速的时间序列特性,并结合历史数据和实时气象信息进行训练和预测。

此外,我们还引入了正则化方法和特征选择技术来提高模型的泛化能力和鲁棒性。

五、实验与分析为了验证本文提出的优化算法的有效性,我们进行了大量的实验和分析。

首先,我们收集了某风电场的历史数据和实时气象信息作为训练和测试数据集。

考虑风电场功率爬坡的超短期组合预测研究

考虑风电场功率爬坡的超短期组合预测研究

考虑风电场功率爬坡的超短期组合预测研究近年来,风电场的规模越来越大,为了更好地利用风资源,风电场必须研究如何预测风电功率。

在过去的研究中,许多学者都提出了很多方法和技术来预测风电功率,其中最为常见的方法就是利用气象和/或风力测量数据来进行功率预测。

然而,由于复杂的天气变化和气象因素的不确定性等原因,风电功率预测的准确性仍然是一个挑战。

考虑风电场功率爬坡的超短期组合预测研究是针对此问题而提出的一种新的方法。

这种方法的核心思想是将多种不同的预测方法结合起来,以期提高预测的准确性和稳定性。

这种方法具有以下优点:1. 考虑了风电场功率的爬坡效应通常,在风速较低的情况下,即使风向和风速符合预测结果,风电机组的输出功率也不会达到最大值。

这是因为在起步和爬坡阶段,风速和功率之间的关系往往是非线性的。

考虑了这种爬坡效应后,可以更准确地预测风电机组的实际输出功率。

2. 结合多种预测方法采用单一的预测方法可能会因为模型的局限性而导致预测准确率较低,而将多种预测方法结合起来可以充分利用各种模型的优点,并避免单一模型的缺点。

3. 采用超短期预测方法具有超短期预测的能力可以实时将预测结果反馈给风电场管理人员,以便进行调整和优化。

这对于保障电网稳定运行和优化风电场的运行效率非常重要。

在实施这种方法时,研究人员首先收集了不同的数据,包括风速、温度、湿度、压力等气象数据,以及风电机组输出功率数据。

然后,采用能量分析法对多种预测方法进行了评估,并选择了适合于超短期组合预测的三种最佳方法。

然后,采用递归神经网络(RNN)来预测风速和气压,利用支持向量机(SVM)预测温度和湿度,然后将结果结合在一起,并利用XGBoost算法进行输出功率的预测。

随着时间的推移,RNN和SVM的输出数据将作为另一层输入,以便更新预测结果。

最后,通过对比实际和预测结果进行误差分析,研究人员证明了这种方法的准确性和可行性,并得出结论,即超短期组合预测是一种有效的预测方法,可以在电力市场中为风电场管理人员提供可靠的决策支持。

《2024年风电场功率超短期预测算法优化研究》范文

《2024年风电场功率超短期预测算法优化研究》范文

《风电场功率超短期预测算法优化研究》篇一一、引言随着能源结构转型的深入推进,风力发电作为清洁能源的重要组成部分,在全球范围内得到了广泛的应用。

然而,由于风力资源的随机性和波动性,风电场的功率预测成为了一个重要的研究课题。

超短期功率预测更是对于电网的稳定运行和调度具有至关重要的意义。

本文旨在研究风电场功率超短期预测算法的优化,以提高预测精度和响应速度。

二、研究背景及意义随着风电场规模的扩大和并网容量的增加,风电功率的准确预测对于电力系统的稳定运行和调度具有越来越重要的意义。

超短期功率预测能够在短时间内对风电场功率进行精确预测,为电网调度提供实时、准确的决策依据。

因此,对风电场功率超短期预测算法进行优化研究,对于提高风电并网比例、保障电网稳定运行、降低调度成本具有重要意义。

三、国内外研究现状及发展趋势目前,国内外学者在风电场功率预测方面进行了大量的研究,提出了多种预测算法。

其中,基于机器学习、深度学习等人工智能技术的预测算法在超短期功率预测中表现出较好的性能。

然而,现有算法仍存在预测精度不高、响应速度慢等问题。

未来,随着人工智能技术的不断发展,以及大数据、云计算等技术的融合应用,风电场功率超短期预测算法将朝着高精度、高效率、智能化方向发展。

四、算法优化研究针对现有风电场功率超短期预测算法的不足,本文提出了一种基于深度学习的优化算法。

该算法通过引入卷积神经网络(CNN)和长短期记忆网络(LSTM)的组合模型,实现对风电场功率的精确预测。

其中,CNN能够提取风速、温度等环境因素的时空特征,LSTM则能够捕捉时间序列数据的依赖关系,从而实现对风电场功率的准确预测。

具体而言,本文的优化算法包括以下步骤:1. 数据预处理:对原始数据进行清洗、归一化等处理,以适应模型输入要求。

2. 特征提取:利用CNN从风速、温度等环境因素中提取时空特征。

3. 时间序列建模:将提取的特征和时间序列数据一起输入LSTM模型,建立时间序列模型。

《2024年风电场功率超短期预测算法优化研究》范文

《2024年风电场功率超短期预测算法优化研究》范文

《风电场功率超短期预测算法优化研究》篇一一、引言随着全球对可再生能源的依赖性日益增强,风电作为清洁能源的代表,其发展及应用逐渐得到广泛的关注。

然而,由于风能的间歇性和随机性特点,风电场功率的准确预测变得尤为重要。

超短期预测算法对于保障电力系统的稳定运行和电能质量的提高具有重要意义。

本文针对风电场功率超短期预测算法的优化进行研究,以提高预测精度和效率。

二、风电场功率预测背景及意义随着风电场的规模不断扩大,风力发电的功率预测变得愈发重要。

准确的超短期预测不仅有助于电力系统的调度和优化运行,还能减少因风力波动带来的经济损失。

传统的预测方法往往依赖于历史数据和气象信息,但受限于数据质量和算法的复杂性,其预测精度仍有待提高。

因此,对风电场功率超短期预测算法进行优化研究具有重要的现实意义。

三、当前风电场功率预测算法概述目前,常用的风电场功率预测算法包括物理模型法、统计学习法以及混合模型法等。

物理模型法基于风力发电的物理过程进行建模,能够反映风力发电的动态特性;统计学习法则通过分析历史数据和气象信息,建立输入与输出之间的统计关系;混合模型法则结合了物理模型和统计学习的优点,综合利用多种信息进行预测。

这些方法各有优劣,但在实际应用中仍存在预测精度和实时性等方面的问题。

四、风电场功率超短期预测算法优化方法为了进一步提高风电场功率超短期预测的精度和效率,本文提出以下优化方法:1. 引入机器学习算法:结合机器学习的强大计算能力和模式识别能力,对历史数据和实时气象信息进行深度学习和分析,建立更加精确的预测模型。

2. 优化算法参数:针对不同地区的风电场特点,对预测算法的参数进行优化,以提高算法的适应性和预测精度。

3. 融合多源信息:将风速、风向、温度、气压等多种气象信息以及电网运行状态等信息进行融合,提高预测模型的全面性和准确性。

4. 引入实时校正机制:通过引入实时校正机制,对预测结果进行实时校正,以减小因风力波动等因素带来的预测误差。

《2024年风电场功率短期预测方法优化的研究》范文

《2024年风电场功率短期预测方法优化的研究》范文

《风电场功率短期预测方法优化的研究》篇一一、引言随着可再生能源的快速发展,风电已成为全球能源转型的重要组成部分。

然而,风电场功率的短期预测是一个复杂的任务,涉及多变量和不确定性因素。

准确的短期预测对于电力系统的稳定运行、电价调度以及电网调度具有重要的现实意义。

本文针对风电场功率短期预测方法的优化进行深入研究,以寻求提高预测精度的有效途径。

二、风电场功率短期预测的背景与重要性风电场功率的短期预测是指对未来几小时至几十小时内风电场输出功率的预测。

由于风速、风向、温度等自然因素的波动性,以及风电场设备的运行状态、电网调度等多种因素的影响,使得短期预测成为一个复杂的任务。

准确的短期预测对于电力系统的稳定运行、降低电价波动、提高电网调度效率具有重要意义。

三、当前风电场功率短期预测方法及其局限性目前,常用的风电场功率短期预测方法包括物理模型法、统计模型法以及混合模型法等。

这些方法在一定的条件下可以取得较好的预测效果,但也存在一些局限性。

例如,物理模型法虽然能反映风电场的物理特性,但对模型参数的准确性要求较高;统计模型法则容易受到历史数据质量的影响,难以应对突发性的天气变化等。

因此,优化现有的预测方法,提高预测精度是当前研究的重点。

四、风电场功率短期预测方法优化研究针对现有方法的局限性,本文提出以下优化措施:1. 引入机器学习算法。

利用机器学习算法对历史数据进行深度学习和分析,提取出影响风电场功率的关键因素,建立更加准确的预测模型。

2. 融合多源数据。

将气象数据、风电场设备运行数据、电网调度数据等多源数据进行融合,提高模型的泛化能力和预测精度。

3. 动态调整模型参数。

根据实时数据和预测结果,动态调整模型参数,使模型能够适应不同的天气条件和设备状态。

4. 考虑不确定性因素。

在预测过程中考虑风速、风向、温度等自然因素的不确定性,以及设备故障、电网调度等因素的影响,给出合理的预测区间。

五、实验与结果分析本文采用某风电场的实际数据进行了实验,对所提出的优化方法进行了验证。

《2024年风电场功率超短期预测算法优化研究》范文

《2024年风电场功率超短期预测算法优化研究》范文

《风电场功率超短期预测算法优化研究》篇一一、引言随着可再生能源的日益重要,风电已成为全球范围内广泛应用的一种清洁能源。

然而,风电的间歇性和随机性使得其功率预测变得具有挑战性。

对于风电场来说,准确的超短期功率预测对于电网的稳定运行和能源的高效利用至关重要。

因此,对风电场功率超短期预测算法的优化研究具有重要的现实意义。

二、风电场功率预测的重要性风电场功率预测是电力系统调度和运行的重要环节。

准确的预测结果可以帮助调度员合理安排发电计划,减少电网的波动,提高电力系统的稳定性和运行效率。

此外,准确的预测还有助于减少风电机组的维护成本,提高风能的利用率。

三、现有超短期预测算法的不足目前,风电场功率超短期预测主要依赖于传统的数值天气预报模型和机器学习算法。

然而,这些算法在处理复杂多变的天气条件和风场特性时,往往存在预测精度不高、实时性差等问题。

此外,现有算法在处理非线性、非平稳的风电场数据时,也面临着模型复杂度高、计算量大等挑战。

四、算法优化策略针对上述问题,本文提出以下算法优化策略:1. 数据预处理:对原始风电场数据进行清洗和预处理,去除异常值和噪声,提高数据的准确性和可靠性。

同时,采用特征提取技术,从原始数据中提取出对功率预测有重要影响的关键特征。

2. 融合多种模型:将传统的数值天气预报模型与机器学习算法进行融合,充分发挥各自的优势。

例如,可以利用数值天气预报模型对天气条件进行预测,然后利用机器学习算法对风电机组的运行状态进行建模和预测。

3. 引入深度学习技术:利用深度学习技术对风电场数据进行深度学习和特征学习,提高模型的非线性处理能力和泛化能力。

同时,采用优化算法对深度学习模型进行优化,提高模型的训练速度和预测精度。

4. 实时动态调整:根据实时风电机组数据和天气条件信息,实时调整模型的参数和结构,以适应不同的风场特性和天气条件。

同时,采用在线学习技术对模型进行实时更新和优化。

五、实验与结果分析为了验证本文提出的算法优化策略的有效性,我们进行了大量的实验和仿真分析。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

部分为“认知 ”部分,表示粒 子自身的思 考 ;第 三
部分为“社会”部分,表示粒子间的信息共享与相互
合作。
1.2 QPSO算法
在量子粒子群算法中,粒子具有量子行为。粒
子的动态行为不同于传统的PSO系统,传统的PSO无
法同时取得粒子速度和位置的准确值。QPSO算法的
搜索能力远优于传统的PSO算法。在QPSO算法中为
设在一个D维空间中,由m个粒子组成的种群
X=(x1,…,xi,…,xD),其中第i个粒子位置为xi=(xi1, xi2,…,xiD)T,其速度为Vi=(vi1,vi2,…,vid,…,viD)T。它 的 个 体 极 值 为 pi=(pi1,pi2,… ,piD)T,种 群 的 全 局 极 值 为Pg=(pg1,pg2,…,pgD)T,按照追随当前最优例子的原 理,粒子xi将按式(4)、(5)改变自己的速度和位置。
了保证算法的收敛性,每一个粒子必须收敛于各自
的p点,p=(p1,p2,…,pd),pd是该粒子在第d维的值。
pd=φ·pid+(1-φ)·pgd
(3)
其中:φ=c1r1(/ c1r1+c2r2).
通过下面的等式寻找粒子的位置:
xid=p±
L 2
ln(1/u)
(4)
式中,u为分布在0和1之间的一个随机数。
第 29 卷 第 2 期 2013 年 2 月
文章编号:1674- 3814(2013)02- 0075- 05
电网与清洁能源 Power System and Clean Energy
中图分类号:TM615
清洁能源 Clean Energy
Vol.29 No.2 Feb. 2013
文献标志码:A
大型风电场超短期风电功率预测
N
Σ min
w*,b*,e*
J(w*,e*)=
1 2
w*Tw*+
1 2
γ
k=1
e*2 k
(12)
s.t. yk=w*Tφ(xk)+b*+ek*, k=1,2,…,N
此时的Lagrange函数变为:
L(w*,b*,e*;α*)=
N
Σ J(w*,e*- α*k{w*Tφ(xk)+b*+e*k-yk}) (13) k=1
ABSTRACT:For large-scale wind farm wind power nonlinear characteristics,we use least squares support vector machine prediction models. As the LS-SVM parameter selection directly affects the precision of the model,this paper uses a method based on quantum particle swarm optimization to choose the model of super parameters. To compensate loss of robustness of the model,by giving different weights to each sample error coefficient of this paper,a good generalization performance of the WLS -SVM regression model is established to further improve the model prediction accuracy. This paper presents an ultrashort term wind power prediction model which is based on the quantum particle swarm optimization(Quantum-behaved Particle Swarm Optimization,QPSO) parameters of the weighted least squares support vector machine(Weighted Least Squares Support Vector Machine,WLS-SVM). The method as described in the paper has been applied in the wind power prediction in largescaled wind farms in Inner Mongolia,and the actual results prove effectiveness of the method. KEY WORDS:QPSO;LS-SVM;ultra-short-term wind power prediction;robustness 摘要:针对大规模风电场风电功率的非线性特性,采用最小 二乘支持向量机(LS-SVM)的预测模型。由于LS-SVM的参 数选择直接影响着模型的预测精度,于是采用一种基于量子 粒子群优化方法来选择模型的超参数。为了弥补模型损失的 鲁棒性,通过给每个样本误差不同的权系数,建立了具有良 好泛化性能的WLS-SVM回归模型,从而进一步提高了模型 预测的精度。本文提出一种基于量子粒子群优化(Quantumbehaved Particle Swarm Optimization,QPSO) 参数选择的加权 最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS- SVM)的超短期风电功率预测模型。应用上 述方法对内蒙古地区大型风电场进行了预测,结果证明了
廖志民1,孙晔1,张欢2
(1. 呼和浩特供电局,内蒙古 呼和浩特 010050;2. 内蒙古自治区特种设备检验院,内蒙古 呼和浩特 010031)
Ultra-Short-Term Wind Power Prediction for Large-Scaled Wind Farms
LIAO Zhi-min1,SUN Ye1,ZHANG Huan2
引入一个全局点mbes(t mean best)来计算粒子
的下一迭代步的变量,它定义了所有粒子的局部最
好位置的平均值,如下
M
Σ mbestd=
1 M
pid
i=1
d=1,2,…,D
(5)
mbest=(mbest1,mbest2,…,mbestD) Lki+d1=2β mbest-xikd
(6) (7)




{xk,yk}
N k=1
,k
=1,2,…
,N。


xk∈Rn为n维输入数据,yk∈R为输出数据。于是在特
征空间中考虑如下的回归模型:
y(x)=wTφ(x)+b
(9)
其中,w∈Rnh为原始权空间的权值向量;φ (·):Rn→Rnh
是将输入空间数据映射到高维特征空间的非线性
映射函数;b∈R为偏置值。LS-SVM的优化目标函数
算法。PSO是模拟鸟群随机搜寻食物的捕食行为。假
设在搜索食物区域里只有一块食物,所有的小鸟都
不知道食物在什么地方,所以Kenndy等认为鸟之间
存在着互相交换信息,通过估计自身的适应度值,
它们知道当前的位置离食物还有多远,所以搜索目
前离食物最近的鸟的周围区域是找到食物的最简
单有效的办法,通过鸟之间的集体协作使群体达到
v(ij t+1)=v(ij t)+c1r(1 t)(p(ij t)-x(ij t))+
c2r(2 t)(p(gj t)-x(ij t))
(1)
x(ij t+1)=x(ij t)+v(ij t+1)
(2)
式(2)中 ,j =1,2,… ,D;i =1,2,… m,m 为 种 群 规 模 ;t
为当前进化代数;r1,r2为分布于 [0,1] 之间的随机 数;c1,c2为加速常数。从式(1)中可知,每个粒子的速 度由3部分组成:第一部分为粒子先前的速度;第二
式中,β是收缩扩张因子,调节它可以控制收敛速度
β=0.5+0.5(tmax-t)/tmax,tmax是迭代的最大次数;M是粒 子群体大小。最后粒子的位置就可以写成如下:
xki+d1=p±β· mbest-xikd ·ln(1/u)
(8)
2 加权最小二乘支持向量机预测模型
2.1 LS-SVM模型
给值pbest,另一个极值是整
个种群目前找到的最优解,这个极值是全局极值
gbest。这两个最优变量使得鸟在某种程度上朝着这
些方向靠近,此外也可以不用整个种群而只用其中
一部分作为粒子的邻居,那么所有邻居的极值就是
局部极值,粒子始终跟随这两个极值变更自己的位
置和速度直到找到最优解。
PSO算法的数学描述和执行步骤如下:
(1. Hohhot Power Supply Bureau,Hohhot 010050,Inner Mongolia,China;2. Special Equipment Inspection Institute of Inner Mongolia Autonomous Region,Hohhot 010031,Inner Mongolia,China)
最优。PSO就是从这种模型中得到启示并用于解决
优化问题。在PSO中每个优化问题的潜在解都可以
想象成搜索空间中的一只鸟,称之为“粒子”。粒子
主要追随当前的最优粒子在解空间中搜索,PSO初
始化为一群随机粒子(随机解),然后通过迭代找到
最优解。在每一次迭代中,粒子通过跟踪两个“极
值”来更新自己,第一个就是粒子本身所找到的最
如下:
相关文档
最新文档