基于云进化粒子群算法的短期风电功率预测方法

摘要

本发明提供一种基于云进化粒子群算法的短期风电功率预测方法，包括步骤：S1：建立前向神经网络预测模型；S2：测量预测位置的风速和风向；S3：获得风机输出功率的初始预测解集；S4：形成一初始化粒子群；S5：建立一云进化模型；S6：通过云进化模型生成一第一更新粒子群；S7：更新第一更新粒子群，获得第二更新粒子群；S8：判断第二更新粒子群是否满足期望值；如满足，将第二更新粒子群作为输出结果；如不满足继续后续步骤；S9：判断当前迭代次数是否达到预设迭代最大值；如是将第二更新粒子群作为输出结果；如否，返回步骤S6。本发明的一种基于云进化粒子群算法的短期风电功率预测方法，具有精确度高、稳定性好和高效的优点。

说明书

技术领域

本发明涉及电网调度和预测系统领域，尤其涉及一种基于云进化粒子群算法的短期风电功率预测方法。

背景技术

随着我国风电装机容量的快速增长，风电在电网中占的比重越来越大，由于风电输出功率具有随机波动性，大规模风电并网对电力系统安全运行带来严重冲击。大型风电场传统功率预测存在预测精度不高和不稳定性问题，因此，提高风电场风电功率预测精度在电网调度和稳定运行方面变得尤为重要。

传统的风电功率预测主要采用的方法有神经网络、支持向量机、ARMA-ARCH模型(自回归滑动平均模型-自回归条件异方差模型)、局域波分析、小波分析和组合预测法。粒子群算法因为搜索速度快，搜索范围大，因此近年来得到广泛应用。但由于风电接入时风速的随机性和不稳定性，使得粒子适应度值变化很大，其中劣性粒子占大部分，因而造成粒子难以快速收敛到最优值。而且常规PSO算法(粒子群优化算法)难以跳出自身局限性，难以提高风电功率预测的精度，所以对于如何提高风电功率预测的精度亟待提出一种有效的优化方法。

发明内容

针对上述现有技术中的不足，本发明提供一种基于云进化粒子群算法的短期风电功率预测方法，能够有效提高风电功率预测精度，具有精确度高、稳定性好和高效的优点。

为了实现上述目的，本发明提供一种基于云进化粒子群算法的短期风电功率预测方法，包括步骤：

S1：建立一前向神经网络预测模型；

S2：测量一预测位置的风速和风向；

S3：利用所述前向神经网络预测模型、所述风速和所述风向，获得一风机输出功率的一初始预测解集；

S4：根据所述初始预测解集和PSO算法形成一初始化粒子群；

S5：建立一云进化模型C；

S6：通过所述云进化模型C和所述初始化粒子群生成一第一更新粒子群；

S7：更新所述第一更新粒子群，获得一第二更新粒子群；

S8：判断所述第二更新粒子群是否满足期望值；如满足，将所述第二更新粒子群作为输出结果；如不满足继续后续步骤；

S9：判断当前迭代次数是否达到预设的一第一最大迭代次数值M；如是将所述第二更新粒子群作为输出结果；如否，返回步骤S6。

优选地，所述前向神经网络模型包括一输入层、一隐层和一输出层。

优选地，所述S3步骤进一步包括步骤：

S31：建立一空间坐标系；

S32：将所述风速在所述空间坐标系中的一X轴分量和一Y轴分量作为所述前向神经网络预测模型的输入向量；

S33：所述前向神经网络输出所述初始预测解集。

优选地，所述S4步骤进一步包括步骤：

S41：设置基本参数，所述基本参数包括：惯性权重、第一加速度常数、第二加速度常数、所述第一最大迭代次数值M和一第二最大迭代次数值N；

S42：将所述初始预测解集代入一更新公式进行N次迭代，获得一中间预测解集；所述更新公式(1)为：

其中，v_t+1为更新后的风速，v_t为当前风速，ω为所述惯性权重，c₁为所述第一加速度常数，c₂为所述第二加速度常数，r₁为第一随机数，r₂为第二随机数，x_t为当前风机输出功率，x_t+1为更新后的风机输出功率，X_jt为当前局部最优位置，X_gt为当前全局最优位置；

S43：自所述中间预测解集中选出适用度最大的m个粒子，构成所述初始化粒子群。

优选地，所述云进化模型C＝[P₁；P₂；…；P_m]；其中一公式(2)：

其中E_x为期望，E_n为熵，f_maxi为所述初始化粒子群中第i个粒子，f_avg为所述初始化粒子群中各粒子适应度的平均值；c为一预设值；j_r表示所述粒子生成的新粒子数，k表示粒子的维数，r为种群数；P_r为子粒子种群。

优选地，所述S6步骤中，根据公式(2)和所述初始化粒子群生成所述第一更新粒子群。

优选地，所述步骤S7中利用公式(3)更新所述第一更新粒子群，获得所述第二更新粒子群：

本发明由于采用了以上技术方案，使其具有以下有益效果：

本发明的一种基于云进化粒子群算法的短期风电功率预测方法，能够有效提高风电功率预测精度，是一种有效的风电短期功率预测方法，其能够使得电网更加稳定、高效地运行。

附图说明

图1为本发明实施例的基于云进化粒子群算法的短期风电功率预测方法的流程图；

图2为本发明实施例的前向神经网络预测模型结构示意图。

具体实施方式

下面根据附图1和图2，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。

请参阅图1和图2，本发明提供一种基于云进化粒子群算法的短期风电功率预测方法，包括步骤：

S1：建立一前向神经网络预测模型1。

前向神经网络模型包括一输入层11、一隐层12和一输出层13。前向神经网络预测模型1的训练问题本质上是一种复杂的连续参数优化问题，即寻找最优的连续权值。前向神经网络预测模型1中，过大的学习率可能导致算法不收敛；过小的学习率将使算法收敛很慢，训练时间过长。所以，故将PSO算法超强的全局搜索特征和BP算法快速的局部搜索能力结合起来，前向神经网络预测模型1的权值。

S2：测量一预测位置的风速和风向。

S3：利用前向神经网络预测模型1、风速和风向，获得一风机输出功率的一初始预测解集。

其中，风机输出功率表达式为：其中，P为风机输出功率；C_p为功率系数；ρ为空气密度；A为风轮扫掠面积；v为风速。

S3步骤进一步包括步骤：

S31：建立一空间坐标系；

S32：将风速在空间坐标系中的一X轴分量和一Y轴分量作为前向神经网络预测模型1的输入向量；

S33：前向神经网络输出初始预测解集。

S4：根据初始预测解集和PSO算法形成一初始化粒子群。

本实施例中，S4步骤进一步包括步骤：

S41：设置基本参数，基本参数包括：惯性权重ω、第一加速度常数c₁、第二加速度常数c₂、第一最大迭代次数值M、一第二最大迭代次数值N和云进化模型规模n；

S42：将初始预测解集代入一更新公式进行N次迭代，获得一中间预测解集；更新公式(1)为：

其中，v_t+1为更新后的风速，v_t为当前风速，ω为惯性权重，c₁为第一加速度常数，c₂为第二加速度常数，r₁为第一随机数，r₂为第二随机数，x_t为当前风机输出功率，x_t+1为更新后的风机输出功率，X_jt为当前局部最优位置，X_gt为当前全局最优位置；

S43：自中间预测解集中选出适用度最大的m个粒子f_max，构成初始化粒子群。

S5：建立一云进化模型C。

云进化模型C表达的整体特性可以用云的数字特征来反映，即期望E_x、熵E_n、超熵H_e；这3个数字特征来整体表征一个云，记作C(E_x，E_n，H_e)，同时，云进化模型C＝[P₁；P₂；…；P_m]；并有公式(2)：

其中E_x为期望，E_n为熵，H_e为超熵，f_maxi为初始化粒子群中第i个粒子，f_avg为初始化粒子群中各粒子适应度的平均值；c为一预设值；j_r表示粒子生成的新粒子数，k表示粒子的维数，r为种群数；P_r为子粒子种群。

S6：通过根据公式(2)和初始化粒子群生成一第一更新粒子群。第一更新粒子群中的新粒子分布在优秀粒子的周围，更容易寻找到最优解。

S7：更新第一更新粒子群，利用公式(3)将第一更新粒子群融合剩余粒子得到新粒子，根据新粒子群在整个范围内再次进行搜索，获得一第二更新粒子群。

S8：判断第二更新粒子群是否满足期望值；如满足，将第二更新粒子群作为输出结果；如不满足继续后续步骤。

S9：判断当前迭代次数是否达到预设的第一最大迭代次数值M；如是将第二更新粒子群作为输出结果；如否，返回步骤S6。

本实施例中，本实施例中在粒子群优化算法中引入云进化思想，通过云模型进化来更新新的优秀粒子群，加大了寻到最优解的几率。同时，几个正态分布的粒子子群结合普通粒子群同时进行迭代搜寻，实现整个粒子群的重组更新，使得优秀粒子的比例得以不断提高，避免了普通粒子群容易陷入“早熟”的缺陷。

以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。