馬 斌，張麗艷，郭 成

?

一種變權(quán)重風(fēng)電功率最優(yōu)組合預(yù)測(cè)模型

馬 斌1，張麗艷1，郭 成2

(1.西南交通大學(xué)電氣工程學(xué)院，四川 成都 610031；2.云南電力研究院，云南 昆明 650217)

針對(duì)單項(xiàng)預(yù)測(cè)方法的局限性，利用改進(jìn)的基于灰色關(guān)聯(lián)度的IOWGA算子組合預(yù)測(cè)模型，建立了一種風(fēng)電功率最優(yōu)組合預(yù)測(cè)模型，并通過(guò)改進(jìn)多種群遺傳算法(MPGA)對(duì)該模型進(jìn)行優(yōu)化。采用RBF神經(jīng)網(wǎng)絡(luò)法、相似日法和支持向量機(jī)(SVM)法對(duì)預(yù)測(cè)日和預(yù)測(cè)日前一日的風(fēng)電功率分別進(jìn)行預(yù)測(cè)，通過(guò)提出的最優(yōu)組合預(yù)測(cè)模型及優(yōu)化算法對(duì)預(yù)測(cè)日的24 h風(fēng)電功率進(jìn)行組合預(yù)測(cè)。根據(jù)云南某風(fēng)電場(chǎng)的實(shí)測(cè)數(shù)據(jù)，進(jìn)行了實(shí)例分析。結(jié)果表明，風(fēng)電功率最優(yōu)組合預(yù)測(cè)模型能夠有效提高風(fēng)電功率預(yù)測(cè)精度，具有較強(qiáng)的實(shí)用性。

風(fēng)電功率；最優(yōu)組合預(yù)測(cè)；對(duì)數(shù)灰關(guān)聯(lián)度；IOWGA算子；多種群遺傳算法

0 引言

當(dāng)前，無(wú)污染可再生的風(fēng)力發(fā)電在世界各國(guó)得到迅速發(fā)展，尤其在中國(guó)。風(fēng)速的隨機(jī)性和間歇性導(dǎo)致風(fēng)電功率具有波動(dòng)性的特點(diǎn)，對(duì)風(fēng)電功率進(jìn)行準(zhǔn)確預(yù)測(cè)是提高電網(wǎng)運(yùn)行穩(wěn)定性，保障電力系統(tǒng)調(diào)度部門制定合理調(diào)度計(jì)劃的有效途徑[1]。

目前，國(guó)內(nèi)外已經(jīng)提出的風(fēng)電功率及風(fēng)速的預(yù)測(cè)方法主要有：小波變換法[2]、神經(jīng)網(wǎng)絡(luò)法[3]、最小二乘支持向量機(jī)法[4]、組合預(yù)測(cè)法[5-7]等。Bates和Granger于1969年首次提出組合預(yù)測(cè)方法[8]，由于該方法能夠有效提高預(yù)測(cè)精度而成為目前研究的熱點(diǎn)[9-10]。文獻(xiàn)[9]證明了基于灰色關(guān)聯(lián)度的組合預(yù)測(cè)模型是一種有效地組合預(yù)測(cè)方法。文獻(xiàn)[10]將IOWGA算子與對(duì)數(shù)關(guān)聯(lián)度相結(jié)合，提出了一種最優(yōu)組合預(yù)測(cè)方法，并通過(guò)實(shí)例分析證明了所提組合預(yù)測(cè)方法的有效性。文獻(xiàn)[11]分析了以誤差平方和為準(zhǔn)則的基于IOWGA算子組合預(yù)測(cè)模型的兩大缺陷，并針對(duì)這兩大缺陷提出了相應(yīng)的解決方法，但其在解決對(duì)實(shí)際中，預(yù)測(cè)期數(shù)據(jù)未知這一缺陷時(shí)存在自相矛盾(將精度高的值作為實(shí)際值，而精度也是通過(guò)實(shí)際值獲取的)。

本文利用一種改進(jìn)的基于對(duì)數(shù)灰關(guān)聯(lián)度的IOWGA算子最優(yōu)組合預(yù)測(cè)模型，建立了風(fēng)電功率最優(yōu)組合預(yù)測(cè)模型。此改進(jìn)在文獻(xiàn)[11]的基礎(chǔ)上更進(jìn)一步，很好地克服了直接應(yīng)用原模型時(shí)需要已知預(yù)測(cè)期數(shù)據(jù)，而實(shí)際中，預(yù)測(cè)期的數(shù)據(jù)是未知的這一缺陷。另外，本文將量子計(jì)算引入多種群遺傳算法(MPGA)中，提出改進(jìn)的多種群遺傳算法，以對(duì)所提出的組合預(yù)測(cè)模型進(jìn)行優(yōu)化，獲取權(quán)值。

1 基于灰關(guān)聯(lián)度的IOWGA算子預(yù)測(cè)模型

1.1 IOWGA算子

文獻(xiàn)[12]，提出了誘導(dǎo)有序加權(quán)幾何平均(IOWGA)算子：

式(1)表明IOWGA算子是誘導(dǎo)值按降序排列后，對(duì)所對(duì)應(yīng)的中的數(shù)進(jìn)行有序加權(quán)幾何平均，僅與數(shù)的誘導(dǎo)值所在位置有關(guān)[12]。

1.2 最優(yōu)組合預(yù)測(cè)模型

令：

由式(4)，式(6)可改寫成如下形式：

(6)

綜上，基于對(duì)數(shù)灰關(guān)聯(lián)度的IOWGA算子組合預(yù)測(cè)模型可由式(3)及式(7)表示。

2 ?風(fēng)電場(chǎng)輸出功率的最優(yōu)組合預(yù)測(cè)模型

首先對(duì)1.2所述的組合預(yù)測(cè)模型進(jìn)行改進(jìn)，然后通過(guò)改進(jìn)多種群遺傳算法對(duì)該模型進(jìn)行優(yōu)化，進(jìn)而完成風(fēng)電場(chǎng)輸出功率的最優(yōu)組合預(yù)測(cè)。

2.1 改進(jìn)

由文獻(xiàn)[11]可知，1.2所述組合預(yù)測(cè)模型有兩大缺陷：(1)無(wú)法反映各個(gè)預(yù)測(cè)時(shí)刻對(duì)預(yù)測(cè)值的影響程度，即將各個(gè)預(yù)測(cè)時(shí)刻所引起的誤差同等對(duì)待；(2)直接應(yīng)用原模型時(shí)需要已知預(yù)測(cè)期數(shù)據(jù)，而實(shí)際中，預(yù)測(cè)期的數(shù)據(jù)是未知的。本文在文獻(xiàn)[11]的基礎(chǔ)上，根據(jù)風(fēng)電預(yù)測(cè)這一目的，對(duì)1.2所述模型做如下改進(jìn)。

為克服原模型將各個(gè)預(yù)測(cè)時(shí)刻所引起的誤差同等對(duì)待這一缺陷，本文引進(jìn)權(quán)系數(shù)對(duì)組合預(yù)測(cè)值的對(duì)數(shù)灰關(guān)聯(lián)度進(jìn)行改進(jìn)[11]，則式(7)可改為

直接應(yīng)用上述組合預(yù)測(cè)模型時(shí)需要已知預(yù)測(cè)期數(shù)據(jù)，而實(shí)際中，預(yù)測(cè)期的數(shù)據(jù)是未知的。為克服這一缺陷，本文首先對(duì)預(yù)測(cè)期前一日數(shù)據(jù)進(jìn)行預(yù)測(cè)，并通過(guò)預(yù)測(cè)日前一日各單項(xiàng)預(yù)測(cè)數(shù)據(jù)和實(shí)際值獲取預(yù)測(cè)日的預(yù)測(cè)精度及權(quán)值，從而完成預(yù)測(cè)日風(fēng)電功率的最優(yōu)組合預(yù)測(cè)。

2.2 改進(jìn)多種群遺傳算法

多種群遺傳算法雖能在一定程度上克服遺傳算法不成熟收斂的缺陷，但在優(yōu)化過(guò)程中不同種群之間個(gè)體的差異性不顯著，且結(jié)果具有波動(dòng)性[13]。為使多種群遺傳算法快速高效地收斂至全局，本文構(gòu)造了如圖1所示的改進(jìn)多種群遺傳算法。本文引入副精華群吸收種群1至種群的信息，并通過(guò)遷徙算子與種群1至種群進(jìn)行信息交換，并且其自身也執(zhí)行SGA的相關(guān)操作，以更加快速的收斂至最優(yōu)；精華種群用以保存種群1至種群及副精華種群的最優(yōu)個(gè)體。

為解決種群規(guī)模及多樣性問題，本文在上述改進(jìn)MPGA基礎(chǔ)上，對(duì)每個(gè)種群引入量子計(jì)算，其主要思想為[14]：采用量子計(jì)算中的量子比特表達(dá)種群基因；采用量子旋轉(zhuǎn)門更新各個(gè)種群，并將種群1至種群的最優(yōu)子個(gè)體按概率作為量子旋轉(zhuǎn)門的更新方向。

圖1改進(jìn)多種群遺傳算法結(jié)構(gòu)示意圖

2.3 風(fēng)電功率最優(yōu)組合預(yù)測(cè)

綜上，變權(quán)重風(fēng)電功率最優(yōu)組合預(yù)測(cè)步驟如下：

1)?利用單項(xiàng)預(yù)測(cè)方法分別對(duì)預(yù)測(cè)日前一日及預(yù)測(cè)日的風(fēng)電功率進(jìn)行預(yù)測(cè)。

2)?根據(jù)預(yù)測(cè)日前一日的預(yù)測(cè)值和實(shí)際值，通過(guò)式(2)獲得；再通過(guò)式(8)及2.2所述的改進(jìn)多種群遺傳算法得到權(quán)系數(shù)向量。

3)?根據(jù)預(yù)測(cè)日各單項(xiàng)方法的預(yù)測(cè)值，通過(guò)式(3)完成風(fēng)電功率組合預(yù)測(cè)。

3 ?實(shí)例分析

本文選用云南某風(fēng)電場(chǎng)的2014年8月1日至8月31日的A相實(shí)測(cè)有功功率(原采樣間隔為3 min，現(xiàn)每30 min取一次平均值，即每日的數(shù)據(jù)維度為48)作為樣本；選用RBF神經(jīng)網(wǎng)絡(luò)法[15]、支持向量機(jī)(SVM)法[15]和相似日法(根據(jù)文獻(xiàn)[16]構(gòu)造的模式向量，選取與預(yù)測(cè)日相似度最高的日期作為相似日)作為單項(xiàng)預(yù)測(cè)方法；并將8月31日作為預(yù)測(cè)日。

根據(jù)2.3所述步驟完成預(yù)測(cè)日風(fēng)電場(chǎng)輸出功率的單一方法預(yù)測(cè)和最優(yōu)組合預(yù)測(cè)。圖2顯示了改進(jìn)的MPGA和MPGA對(duì)目標(biāo)函數(shù)的優(yōu)化記錄。由圖2可以看出改進(jìn)MPGA在收斂速度和優(yōu)化效果上都優(yōu)于原MPGA。

圖2 兩種算法的優(yōu)化記錄

圖3 預(yù)測(cè)日的預(yù)測(cè)結(jié)果

圖4 預(yù)測(cè)日前一日的預(yù)測(cè)結(jié)果

表1 四種方法的對(duì)數(shù)灰關(guān)聯(lián)度值

由表1所示，組合預(yù)測(cè)方法的對(duì)數(shù)灰關(guān)聯(lián)度值為0.87，大于三種單項(xiàng)預(yù)測(cè)方法的對(duì)數(shù)灰關(guān)聯(lián)度值，所以本次預(yù)測(cè)為優(yōu)性組合預(yù)測(cè)，將組合預(yù)測(cè)值作為最終預(yù)測(cè)值。

為進(jìn)一步說(shuō)明組合預(yù)測(cè)方法的有效性，本文引進(jìn)平均絕對(duì)誤差()和均方根誤差()[17]。三種單項(xiàng)預(yù)測(cè)方法和組合預(yù)測(cè)方法的和如表2所示。

表2 四種方法的誤差

4 ?結(jié)論

本文基于對(duì)數(shù)灰色關(guān)聯(lián)度的IOWGA算子組合預(yù)測(cè)模型，提出了一種變權(quán)重的風(fēng)電功率最優(yōu)組合預(yù)測(cè)模型，并將量子計(jì)算引入MPGA中，對(duì)原MPGA進(jìn)行改進(jìn)，以完成對(duì)組合預(yù)測(cè)模型的最優(yōu)化。最后，經(jīng)實(shí)例分析，表明了：(1)改進(jìn)MPGA算法具有快速收斂性；(2)所提最優(yōu)組合預(yù)測(cè)模型能夠有效改善預(yù)測(cè)精度。

[1] 黃學(xué)良, 劉志仁, 祝瑞金, 等. 大容量變速恒頻風(fēng)電機(jī)組接入對(duì)電網(wǎng)運(yùn)行的影響分析[J]. 電工技術(shù)學(xué)報(bào), 2010, 25(4): 142-149.

HUANG Xueliang, LIU Zhiren, ZHU Ruijin, et al. Impact of power system integrated with large capacity of variable speed constant frequency wind turbines[J]. Transactions of China Electrotechnical Society, 2010, 25(4): 142-149.

[2] 田中大, 李樹江, 王艷紅, 等. 基于小波變換的風(fēng)電場(chǎng)短期風(fēng)速組合預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(9): 112-120.

TIAN Zhongda, LI Shujiang, WANG Yanhong, et al. Short-term wind speed combined predicition for wind farms based on wavelet transform[J]. Transactions of China Electrotechnical Society, 2015, 30(9): 112-120.

[3] 劉愛國(guó), 薛云濤, 胡江鷺, 等. 基于GA優(yōu)化SVM的風(fēng)電功率超短期預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(2): 90-95.

LIU Aiguo, XUE Yuntao, HU Jianglu, et al. Ultra-short- term wind power prediction based on SVM optimized by GA[J]. Power System Protection and Control, 2015, 43(2): 90-95.

[4] 李霄, 王昕, 鄭益慧, 等. 基于改進(jìn)最小二乘支持向量機(jī)和預(yù)測(cè)誤差校正的短期風(fēng)電負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(11): 63-69.

LI Xiao, WANG Xin, ZHENG Yihui, et al. Short-term wind load forecasting based on improved LSSVM and error forecasting correction[J]. Power System Protection and Control, 2015, 43(11): 63-69.

[5] 王麗婕, 冬雷, 高爽. 基于多位置NMP與主成成分分析的風(fēng)電功率短期預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(5): 79-84.

WANG Lijie, DONG Lei, GAO Shuang. Wind power short-term prediction based on principal component analysis of NWP of multiple locations[J]. Transactions of China Electrotechnical Society, 2015, 30(5): 79-84.

[6] 王愷, 關(guān)少卿, 汪令祥, 等. 基于模糊信息?；妥钚《酥С窒蛄繖C(jī)的風(fēng)電功率聯(lián)合預(yù)測(cè)建模[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(3): 26-32.

WANG Kai, GUAN Shaoqing, WANG Lingxiang, et al. A combined forecasting model for wind power prediction based on fuzzy information granulation and least squares support vector machine[J]. Power System Protection and Control, 2015, 43(3): 26-32.

[7] 李玲玲, 許亞惠, 田曉越, 等. 基于組合模型的風(fēng)電功率短期預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(增刊1): 475-480.

LI Lingling, XU Yahui, TIAN Xiaoyue, et al. Based on the combined model of short-term wind power prediction[J]. Transactions of China Electrotechnical Society, 2014, 29(S1): 475-480.

[8]????BATES J M, GRANGER C W J. Combination of forecasts[J]. Operations Research Quarterly, 1969, 20(4): 451-468.

[9] 陳華友, 趙佳寶, 劉春林. 基于灰色關(guān)聯(lián)度的組合預(yù)測(cè)模型的性質(zhì)[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2004, 34(1): 130-134.

CHEN Huayou, ZHAO Jiabao, LIU Chunlin. Properties of combination forecasting model based on degree of grey incidence[J]. Journal of Southeast University (Natural Science Edition), 2004, 34(1): 130-134.

[10] 周禮剛, 陳華友, 韓冰, 等. 基于對(duì)數(shù)灰關(guān)聯(lián)度的IOWGA算子最優(yōu)組合預(yù)測(cè)模型[J]. 運(yùn)籌與管理, 2010, 19(6): 33-38.

ZHOU Ligang, CHEN Huayou, HAN Bing, et al. The combination forecasting model based on degree of logarithm grey incidence and induced ordered weighted geometric averaging (IOWGA) operator[J]. Operations Research and Management Science, 2010, 19(6): 33-38.

[11] 敖培, 牟龍華. 一種改進(jìn)的基于IOWGA算子的組合預(yù)測(cè)方法及應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(1): 53-56.

AO Pei, MU Longhua. An improved combination forecasting method based on IOWGA operator and application[J]. Power System Protection and Control, 2011, 39(1): 53-56.

[12] 陳華友, 盛昭瀚. 一類基于IOWGA算子的組合預(yù)測(cè)新方法[J]. 管理工程學(xué)報(bào), 2005, 19(4): 39-42．

CHEN Huayou, SHENG Zhaohan. A kind of new combination forecasting method based on Induced ordered weighted geometric averaging (IOWGA) operator[J]. Journal of Industrial Engineering Management, 2005, 19(4): 39-42.

[13] 余健明, 吳海峰, 楊文宇. 基于改進(jìn)多種群遺傳算法的配電網(wǎng)規(guī)劃[J]. 電網(wǎng)技術(shù), 2005, 29(7): 36-41.

YU Jianming, WU Haifeng, YANG Wenyu. An improved poly-population genetic algorithm based power distribution network planning[J]. Power System Technology, 2005, 29(7): 36-41.

[14] 田遠(yuǎn), 穆平, 林琪. 基于量子多種群遺傳算法的蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2013, 29(30): 166-172.

TIAN Yuan, MU Ping, LIN Qi. Prediction of protein secondary structure based on quantum multiple population genetic algorithm[J]. Chinese Agricultural Science Bulletin, 2013, 29(30): 166-172.

[15] 劉純, 范高鋒, 王偉勝, 等. 風(fēng)電場(chǎng)輸出功率的組合預(yù)測(cè)模型[J]. 電網(wǎng)技術(shù), 2009, 33(13): 74-79.

LIU Chun, FAN Gaofeng, WANG Weisheng, et al. A combination forecasting model for wind farm output power[J]. Power System Technology, 2009, 33(13): 74-79.

[16] 蔣小亮, 蔣傳文, 彭明鴻, 等. 基于時(shí)間連續(xù)性及季節(jié)周期性的風(fēng)速短期組合預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化, 2010, 34(15): 75-79.

JIANG Xiaoliang, JIANG Chuanwen, PENG Minghong, et al. A short-term combination wind speed forecasting method considering seasonal periodicity and time- continuity[J]. Automation of Electric Power Systems, 2010, 34(15): 75-79.

[17] 喬梁, 張露, 許懿, 等. 基于最大-最小貼近度和誘導(dǎo)有序加權(quán)算子的風(fēng)電功率短期預(yù)測(cè)模型[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(19): 114-121.

QIAO Liang, ZHANG Lu, XU Yi, et al. Wind power short-term forecast model based on maximum-minimum approach degree and induced ordered weighted operator[J]. Power System Protection and Control, 2014, 42(19): 114-121.

(編輯 張愛琴)

An optimal combination forecasting model with variable weight for wind power

MA Bin1, ZHANG Liyan1, GUO Cheng2

(1. School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610031, China; 2. Yunnan Electrical Power Research Institute, Kunming 650217, China)

Aiming at the limitations of single forecasting method, the improved combination prediction model based on IOWGA operator for degree of logarithm grey incidence is used to build an optimal combined forecasting model for wind power, and the model is optimized by improved multiple population genetic algorithm (MPGA) RBF neural network method, similar day method and support vector machine (SVM) method are respectively used to predict wind power for predicting daily and the day before, the optimal combined forecasting model is used to predict 24 h wind power for predicting daily.The actual example is analyzed, according to the measured data of a wind farm in Yunnan province, the results show that the optimal combined forecasting model could effectively improve the forecasting accuracy for wind power, and has stronger practicality.

wind power; optimal combination forecasting; degree of logarithm grey incidence; IOWGA operator; multiple population genetic algorithm

10.7667/PSPC150831

云南電力試驗(yàn)研究院(集團(tuán))有限公司電力研究院資助項(xiàng)目(K-YN2014-028)

2015-05-18；

2015-10-15

馬 斌(1991-)，男，通信作者，碩士研究生，研究方向?yàn)殡娔苜|(zhì)量分析與控制及風(fēng)電并網(wǎng)技術(shù)；E-mail: 247150729@qq.com 張麗艷(1979-)，女，博士，講師，研究方向?yàn)殡娔苜|(zhì)量分析與控制。E-mail:xphfy@home.swjtu.edu.cn. 郭 成(1978-)，男，工學(xué)博士，高級(jí)工程師，研究方向?yàn)殡娔苜|(zhì)量分析與控制、電力系統(tǒng)分析。Email:?gc325@ 126.com