龔雪嬌，唐 波，朱瑞金

(西藏農(nóng)牧學(xué)院電氣工程學(xué)院，西藏 林芝 860000)

0 引 言

大力發(fā)展新能源技術(shù)是我國實(shí)現(xiàn)“碳達(dá)峰、碳中和”的必由之路，以風(fēng)能為代表的綠色新能源將持續(xù)被大量開發(fā)利用。截至2020年底，我國累計(jì)風(fēng)電裝機(jī)容量達(dá)2.82億kW。預(yù)計(jì)到2030年，全球風(fēng)電裝機(jī)容量將達(dá)20億kW。風(fēng)電功率具有很強(qiáng)的隨機(jī)性和波動(dòng)性，大規(guī)模風(fēng)電并網(wǎng)后將對電力系統(tǒng)運(yùn)行帶來較大影響，故準(zhǔn)確預(yù)測風(fēng)電功率對于保障電網(wǎng)穩(wěn)定運(yùn)行具有重要的現(xiàn)實(shí)意義[1]。

近年來，研究人員先后提出多種風(fēng)電功率預(yù)測方法，總體上分為物理學(xué)方法、統(tǒng)計(jì)分析法和機(jī)器學(xué)習(xí)法3大類[2-3]。其中，機(jī)器學(xué)習(xí)法采用人工智能技術(shù)，通過大量樣本數(shù)據(jù)訓(xùn)練，建立風(fēng)電功率與關(guān)聯(lián)因素間的非線性映射關(guān)系從而實(shí)現(xiàn)功率預(yù)測。支持向量機(jī)(SVM)[4]是一種經(jīng)典的機(jī)器學(xué)習(xí)法，SVM預(yù)測模型基于風(fēng)險(xiǎn)最小化原理構(gòu)造決策函數(shù)，能有效解決小樣本、高維數(shù)的非線性問題。然而SVM模型預(yù)測性能受學(xué)習(xí)參數(shù)影響較大，通常采用人工比選法確定SVM模型的學(xué)習(xí)參數(shù)，這種方法盲目性大。為解決此問題，研究人員分別采用遺傳算法[5]、螢火蟲算法[6]、鯨魚優(yōu)化算法[7]和微分進(jìn)化算法(DE)[8]等智能優(yōu)化方法來選取SVM預(yù)測模型參數(shù)，均取得較好的效果。

為獲得更精確的風(fēng)電功率預(yù)測結(jié)果，本文提出一種基于改進(jìn)骨架微分進(jìn)化算法(IBBDE)優(yōu)化SVM的風(fēng)電功率預(yù)測方法，并以西藏格爾木地區(qū)五子湖風(fēng)電場功率預(yù)測為算例來驗(yàn)證所提預(yù)測模型的有效性。

1 SVM模型

假設(shè)s={(x1，y1)，(x2，y2)，…(xi，yi)…(xm，ym)}∈Rn×R為訓(xùn)練樣本集，m為訓(xùn)練樣本個(gè)數(shù)，xi為輸入變量，yi為輸出變量，在高維特征空間構(gòu)造最優(yōu)線性回歸函數(shù)

f(x)=ωφ(x)+b

(1)

式中，ω為函數(shù)向量；b為偏差量；φ(·)為從輸入空間到高維特征空間的非線性變換。

(2)

式中，C為正則化參數(shù)；ε為估計(jì)精度。

引入拉格朗日函數(shù)，將式(2)轉(zhuǎn)化為對偶問題，最終求得回歸函數(shù)為

(3)

(4)

式中，σ為核參數(shù)。

由此可見，SVM的預(yù)測效果主要取決于正則化參數(shù)C和核參數(shù)σ的取值。

2 IBBDE算法

為降低控制參數(shù)和微分策略對微分進(jìn)化算法(DE)性能的影響，Wang等[9]將DE算法與骨架粒子群算法相結(jié)合，提出一種骨架微分進(jìn)化算法(BBDE)。為進(jìn)一步提升BBDE算法的搜索性能，張濤等[10-11]引入廣義反向?qū)W習(xí)初始化種群和自適應(yīng)調(diào)整交叉概率等措施，提出一種改進(jìn)骨架微分進(jìn)化算法(IBBDE)，并成功應(yīng)用于求解電力系統(tǒng)無功優(yōu)化等問題。為此，本文采用IBBDE算法優(yōu)化SVM模型參數(shù)，并應(yīng)用于短期風(fēng)電功率預(yù)測。IBBDE算法的詳細(xì)步驟見文獻(xiàn)[10-11]，此處不再贅述。

3 基于IBBDE-SVM的風(fēng)電功率預(yù)測流程

鑒于風(fēng)速和溫度是影響風(fēng)電功率的主要因素，本文將風(fēng)速和溫度作為SVM預(yù)測模型的輸入，風(fēng)電功率作為SVM預(yù)測模型的輸出。

采用IBBDE-SVM進(jìn)行風(fēng)電功率預(yù)測的流程如圖1所示，具體步驟如下：

圖1 風(fēng)電功率預(yù)測流程

(1)對輸入數(shù)據(jù)進(jìn)行歸一化處理。

(5)

(2)劃分訓(xùn)練樣本集和測試樣本集。

(3)設(shè)置IBBDE算法相關(guān)參數(shù)。

(4)基于廣義反向?qū)W習(xí)策略初始化SVM模型參數(shù)。

(5)對SVM模型學(xué)習(xí)參數(shù)進(jìn)行優(yōu)化，其中適應(yīng)度評價(jià)函數(shù)fe為

(6)

(6)利用優(yōu)化后的SVM模型進(jìn)行短期風(fēng)電功率預(yù)測。

4 算例分析

4.1 算例介紹

本文以西藏格爾木地區(qū)五子湖風(fēng)電場為研究對象，數(shù)據(jù)樣本為2019年12月1日至12月14日的實(shí)時(shí)運(yùn)行數(shù)據(jù)，包括風(fēng)速、溫度和風(fēng)電場發(fā)電功率。將前13天的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，12月14日的數(shù)據(jù)作為測試樣本，時(shí)間間隔為15 min。選擇平均絕對誤差百分比(MAPE)和均方根誤差(RMSE)來評價(jià)預(yù)測結(jié)果。

(7)

(8)

4.2 預(yù)測結(jié)果分析

分別采用IBBDE-SVM、BBDE-SVM和DE-SVM進(jìn)行風(fēng)電功率預(yù)測。IBBDE算法參數(shù)設(shè)置為：種群規(guī)模NP=20、交叉因子上限Cr，max=0.9、交叉因子下限Cr，min=0.1、迭代次數(shù)T=100；BBDE算法參數(shù)設(shè)置為：種群規(guī)模NP=20、交叉因子Cr=0.5、迭代次數(shù)T=100；DE算法參數(shù)設(shè)置為：種群規(guī)模NP=20、縮放因子F=0.9、交叉因子Cr=0.5、迭代次數(shù)T=100。IBBDE算法搜索出的SVM預(yù)測模型參數(shù)為：C=9.85、σ=0.09；BBDE算法搜索出的SVM預(yù)測模型參數(shù)為：C=11.61、σ=0.12；DE算法搜索出的SVM預(yù)測模型參數(shù)為：C=13.22、σ=0.16。

3種預(yù)測模型的風(fēng)電功率預(yù)測曲線如圖2所示，預(yù)測誤差如表1所示。從預(yù)測結(jié)果可以看出，IBBDE-SVM模型預(yù)測的功率曲線更符合實(shí)際風(fēng)電功率曲線的變化趨勢。從預(yù)測誤差指標(biāo)上看，IBBDE-SVM模型預(yù)測結(jié)果的MAPE和RMSE指標(biāo)分別為4.67%和2.98%，預(yù)測效果最好，BBDE-SVM模型預(yù)測效果次之，DE-SVM模型預(yù)測效果最差。由此說明，IBBDE算法可有效解決SVM學(xué)習(xí)參數(shù)選擇難的問題，從而大幅度提高模型預(yù)測精度。

圖2 風(fēng)電功率預(yù)測結(jié)果

表1 不同SVM預(yù)測模型的預(yù)測誤差

5 結(jié) 語

采用IBBDE算法優(yōu)化SVM預(yù)測模型參數(shù)，建立IBBDE-SVM預(yù)測模型，并應(yīng)用到西藏格爾木地區(qū)實(shí)際風(fēng)電場短期風(fēng)電功率預(yù)測。仿真結(jié)果表明，所提風(fēng)電功率預(yù)測方法具有較高的預(yù)測精度，從而為短期風(fēng)電功率預(yù)測提供了一種新途徑。