收稿日期：2022-09-15

基金項(xiàng)目：南方電網(wǎng)數(shù)字電網(wǎng)集團(tuán)有限公司揭榜掛帥項(xiàng)目（670000KK52210042）

通信作者：陳元峰（1992—），男，碩士、工程師，主要從事新能源預(yù)測、新能源并網(wǎng)消納方面的研究。chenyf5@csg.cn

DOI：10.19912/j.0254-0096.tynxb.2022-1401 文章編號：0254-0096（2023）12-0568-09

摘 要：提出基于海量氣象特征量選取與支持向量機(jī)（SVM）模型參數(shù)優(yōu)化的新能源發(fā)電超短期功率預(yù)測方法，以提高新能源發(fā)電預(yù)測精度。首先研究基于皮爾遜相關(guān)系數(shù)的氣象特征量提取方法，并利用粒子群算法（PSO）對支持向量機(jī)（SVM）新能源發(fā)電預(yù)測模型參數(shù)進(jìn)行優(yōu)化，進(jìn)一步提出聯(lián)合氣象特征選取與模型參數(shù)優(yōu)化的新能源發(fā)電功率超短期預(yù)測模型以得到全局最優(yōu)解。然后結(jié)合歷史發(fā)電功率數(shù)據(jù)，研究新能源發(fā)電功率超短期滾動(dòng)預(yù)測模型。最后利用國內(nèi)某風(fēng)電場數(shù)據(jù)進(jìn)行對比驗(yàn)證，證明所提預(yù)測模型可有效提高新能源發(fā)電預(yù)測精度。

關(guān)鍵詞：新能源；預(yù)測；支持向量機(jī)；粒子群算法；特征量提??；參數(shù)優(yōu)化

中圖分類號：TK01+9""" """""""" """""""""""""""文獻(xiàn)標(biāo)志碼：A

0 引 言

調(diào)整能源結(jié)構(gòu)，開發(fā)利用風(fēng)電、光伏等新能源已成為世界各國經(jīng)濟(jì)和社會(huì)可持續(xù)發(fā)展的重要戰(zhàn)略。新能源發(fā)電的隨機(jī)性、間歇性和波動(dòng)性問題將嚴(yán)重影響電網(wǎng)安全穩(wěn)定經(jīng)濟(jì)運(yùn)行［1-3］，精準(zhǔn)的新能源發(fā)電功率預(yù)測不僅能為電網(wǎng)的發(fā)電計(jì)劃制定、調(diào)峰調(diào)頻、潮流優(yōu)化、設(shè)備檢修等調(diào)度決策行為提供可靠的數(shù)據(jù)支撐，并且可為風(fēng)光水火儲的多能互補(bǔ)協(xié)調(diào)控制提供技術(shù)支撐，將成為提高新能源消納水平的關(guān)鍵手段［4-6］。氣象特征量、預(yù)測模型、模型參數(shù)等因素都將對新能源功率預(yù)測精度產(chǎn)生顯著影響［7-9］。文獻(xiàn)［10］提出一種基于時(shí)間強(qiáng)化學(xué)習(xí)卷積網(wǎng)絡(luò)的多數(shù)據(jù)驅(qū)動(dòng)模型，使用堆棧降噪自動(dòng)編碼器（stacked denoising auto encoder， SDAE）和強(qiáng)化學(xué)習(xí)方法來選擇氣象特征；文獻(xiàn)［11］利用基于最大似然函數(shù)的自動(dòng)相關(guān)判定（automatic relevance determination， ARD）算法求得各氣象因素在風(fēng)電功率預(yù)測模型中的影響程度，包含風(fēng)速、風(fēng)向、溫度、氣壓、濕度等；文獻(xiàn)［12］利用Spearman相關(guān)系數(shù)選取影響光伏發(fā)電功率的氣象特征量，并采用分時(shí)分段建立預(yù)測模型；文獻(xiàn)［13］根據(jù)混沌分析結(jié)果對風(fēng)場數(shù)據(jù)進(jìn)行重構(gòu)，并結(jié)合分類預(yù)測樹選取氣象特征，選取合適的氣象特征量可有效提高新能源發(fā)電預(yù)測精度。在模型參數(shù)優(yōu)化方面，文獻(xiàn)［14］調(diào)用時(shí)序模式注意力機(jī)制（temporal pattern attention mechanism， TPA）算法對最小二乘支持向量機(jī)（least square support vector machine， LSSVM）模型的懲罰因子和徑向基寬度進(jìn)行尋優(yōu)賦值；文獻(xiàn)［15］利用蜻蜓算法（dragonfly algorithm， DA）分別構(gòu)建DA-SVM（denoising autoencoder support vector machine）和DA-LSSVM （dragonfly algorithm least square support vector machine）兩種參數(shù)優(yōu)化預(yù)測模型，進(jìn)一步構(gòu)建風(fēng)電組合預(yù)測模型；文獻(xiàn)［16］對極端梯度提升（extreme gradient boosting，XGBoost）預(yù)測模型關(guān)鍵參數(shù)進(jìn)行了優(yōu)化，可有效提高風(fēng)電功率預(yù)測精度。以上研究將氣象特征量選取和模型參數(shù)優(yōu)化分開考慮，忽略了氣象特征量與模型參數(shù)最優(yōu)適配問題，易丟失全局最優(yōu)解。

本文提出一種基于氣象特征量選取與支持向量機(jī)（support vector machines， SVM）模型參數(shù)優(yōu)化的新能源超短期滾動(dòng)功率預(yù)測方法。首先提出基于皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient）的氣象特征量提取方法，以高關(guān)聯(lián)度的氣象特征量作為訓(xùn)練數(shù)據(jù)輸入；提出一種基于粒子群算法（particle swarm optimization，PSO）的PSO-SVM預(yù)測模型參數(shù)尋優(yōu)算法，利用K折交叉驗(yàn)證法（K-fold cross validation， KCV）快速計(jì)算粒子適應(yīng)度，在提高預(yù)測模型精度的同時(shí)不失模型可靠性和穩(wěn)定性；提出聯(lián)合氣象特征量提取與預(yù)測模型參數(shù)尋優(yōu)的新能源發(fā)電預(yù)測算法，確定適配新能源場站的氣象特征量及預(yù)測模型最優(yōu)參數(shù)；最后，提出一種基于歷史功率數(shù)據(jù)的新能源發(fā)電超短期滾動(dòng)預(yù)測方法，進(jìn)一步提高新能源發(fā)電預(yù)測精度。

1 基于皮爾遜相關(guān)系數(shù)的氣象特征量提取方法

皮爾遜相關(guān)系數(shù)是描述兩事物之間相關(guān)程度的關(guān)鍵指標(biāo)，其表達(dá)式為：

[R=cov（X，Y）σXσY=E[（X-μX）（Y-μY）]σXσY]" （1）

式中：[R]——[X、Y]兩個(gè)變量的相關(guān)性系數(shù)；[cov（X，Y）]——[X、Y]兩個(gè)變量的協(xié)方差；[μX]、[μY]、[σX]、[σY]——[X、Y]兩個(gè)變量樣本的平均值和標(biāo)準(zhǔn)差；[E]——期望值。

為降低非必要?dú)庀筇卣髁繉︻A(yù)測精度的影響，采用皮爾遜相關(guān)系數(shù)的絕對值來計(jì)算不同時(shí)刻的氣象特征量（包括總輻照度、散射輻照度、環(huán)境溫度、風(fēng)量等）與發(fā)電功率相關(guān)性，相關(guān)性系數(shù)越大，則氣象特征值對發(fā)電功率影響程度越大，正相關(guān)或負(fù)相關(guān)程度一致的氣象特征值對發(fā)電功率影響的貢獻(xiàn)相等，其計(jì)算如式（2）所示。數(shù)據(jù)量越大，則各氣象特征量與發(fā)電功率的相關(guān)性越趨于穩(wěn)定，綜合考慮計(jì)算效率，本文選取一年的數(shù)據(jù)量計(jì)算相關(guān)性。

[Rj=k=1n[（Tj，m-Tj）?（Pm-P）]k=1n[（Tj，m-Tj）2?k=1n[（Pm-P）2]]" （2）

式中：[Rj]——統(tǒng)計(jì)時(shí)段內(nèi)，氣象特征量[j]與發(fā)電功率之間的相關(guān)性系數(shù)絕對值；[Tj，m]——?dú)庀筇卣髁縖j]在[m]時(shí)刻的氣象數(shù)值；[Tj]——?dú)庀筇卣髁縖j]的平均值；[Pm]——在[m]時(shí)刻的新能源發(fā)電功率值，kW；[P]——在統(tǒng)計(jì)時(shí)段內(nèi)發(fā)電功率平均值，kW；[n]——發(fā)電期間時(shí)刻數(shù)。

在計(jì)算得到氣象特征和發(fā)電功率之間的相關(guān)性系數(shù)的絕對值后，設(shè)置邊界值，相關(guān)性系數(shù)的絕對值大于邊界值的氣象特征作為預(yù)測發(fā)電功率所需的氣象特征，選擇的氣象特征量與設(shè)定的邊界值強(qiáng)相關(guān)。

2 基于粒子群算法的PSO-SVM預(yù)測模型參數(shù)尋優(yōu)

2.1 SVM預(yù)測模型

支持向量機(jī)由Vapnik首先提出，其可用于模式分類和非線性回歸［17-19］。支持向量機(jī)的主要思想是建立一個(gè)分類超平面作為決策曲面，使正例和反例之間的隔離邊緣被最大化。支持向量機(jī)的理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論，即在已知訓(xùn)練點(diǎn)類別的情況下，求訓(xùn)練點(diǎn)和類別之間的對應(yīng)關(guān)系，以便將訓(xùn)練集按照類別分開，或是預(yù)測新的訓(xùn)練點(diǎn)所對應(yīng)的類別。

假設(shè)給定一包含個(gè)[N]個(gè)訓(xùn)練樣本的集合[S，][S={（xi，yi），][i=1]，2，…，[N]}，其分類超平面表達(dá)式為：

[f（x）=ω?β（x）+b]"""" （3）

式中：[ω]——權(quán)重向量，決定超平面的方向；[β（x）]——非線性函數(shù)；[b]——超平面的平移距離，決定了超平面與點(diǎn)之間的距離。

通過引入拉格朗日乘子和滿足摩西條件的核函數(shù)得到最終的決策函數(shù)為：

[f（x）=ω?β（x）+b=i=1NαiyiβT（xi）β（xj）+b""""""" =i=1NαiyiK（x，xi）+b]"""" （4）

式中：[N]——訓(xùn)練集數(shù)量；[αi]——拉格朗日乘子；[yi]——訓(xùn)練集或測試集的輸出；[K（x，xi）]——核函數(shù)。

常用核函數(shù)的種類主要有：

1）線性核函數(shù)（LINEAR）

[K（xi，xj）=xTixj]"""" （5）

2）多項(xiàng)式核函數(shù)（POLY）

[K（xi，xj）=（xTixj）d，"""" d≥1]"""""" （6）

3）高斯徑向基核函數(shù)（RBF）

[K（xi，xj）=exp-xi-xj22σ2，"""" σgt;0]""" （7）

4）神經(jīng)元的非線性作用核函數(shù)（Sigmoid）

[K（xi，xj）=tanh（γ?xTixi+r）， """ γgt;0，" """rlt;0]"""""" （8）

高斯徑向基函數(shù)是一種局部性強(qiáng)的核函數(shù)，可將一個(gè)樣本映射到一個(gè)更高維的空間內(nèi)，該核函數(shù)應(yīng)用最廣，對大樣本或小樣本都有較好的性能，對數(shù)據(jù)中存在的噪聲有較好的抗干擾能力。

2.2 聯(lián)合氣象特征量與PSO-SVM預(yù)測模型參數(shù)尋優(yōu)算法

2.2.1 粒子群算法優(yōu)化SVM模型參數(shù)

SVM預(yù)測模型精度受函數(shù)參數(shù)影響較大，依賴人工經(jīng)驗(yàn)的參數(shù)選擇方式往往達(dá)不到最優(yōu)解，最終效果不理想。粒子群優(yōu)化算法是一種群體智能的優(yōu)化算法，在處理多目標(biāo)優(yōu)化中能以較大概率找到全局的最優(yōu)解，相比于傳統(tǒng)的隨機(jī)方法計(jì)算效率高、魯棒性好［20-21］。

粒子群算法尋優(yōu)原理為：假設(shè)在一個(gè)[D]維的搜索空間中，由[n]個(gè)粒子組成的種群[X=（X1，X2，…，Xn）]，其中第[i]個(gè)粒子表示為一個(gè)[D]維的向量[Xi=（xi1，" xi2，…，" xiD）T]，代表第[i]個(gè)粒子在[D]維搜索空間中的位置，即一個(gè)潛在的解。根據(jù)目標(biāo)函數(shù)即可計(jì)算每個(gè)粒子位置[Xi]對應(yīng)的適應(yīng)度，第[i]個(gè)粒子的速度為[Vi=（Vi1，Vi2，…，ViD）T]，其個(gè)體極值為[Pi=（Pi1，Pi2，…，PiD）T]，種群群體極值為[Pg=（Pg1，Pg2，…，PgD）T]。在每次迭代過程中粒子通過個(gè)體極值和群體極值更新自身的速度和位置，使粒子具有自適應(yīng)的時(shí)變特性，即：

[Vk+1id=μVkid+c1r1（Pkid-Xkid）+c2r2（Pkgd-Xkid）]"""""" （9）

[Xk+1id=Xkid+Vk+1id]"""""" （10）

式中：[d=1，2，3，…，D]；[k]——當(dāng)前迭代次數(shù)；[μ]——慣性權(quán)重；[c1]和[c2]——非負(fù)的常數(shù)，稱為加速度因子；[r1]和[r2]——分布于［0，1］區(qū)間的隨機(jī)數(shù)。

粒子[Xi]的第[t]代目標(biāo)函數(shù)值為[Pti]，目標(biāo)函數(shù)值越大，適應(yīng)度也越大，表示粒子越優(yōu)秀。第i個(gè)粒子在（[t+1]）代選擇更新的公式為：

[Xk+1i=Xki"，""" Pki≥Pk+1i"Xk+1i=Xk+1i"，"" Pkilt;Pk+1i]"""" （11）

利用粒子群算法PSO優(yōu)化SVM預(yù)測模型的主要步驟是：獲取新能源場站的歷史數(shù)字天氣預(yù)報(bào)（numerical weather prediction， NWP）數(shù)據(jù)和對應(yīng)時(shí)刻的發(fā)電功率數(shù)據(jù)，利用改進(jìn)皮爾遜相關(guān)系數(shù)法篩選出氣象特征量，根據(jù)核函數(shù)的參數(shù)數(shù)量確定粒子群的維度，并計(jì)算SVM的核函數(shù)參數(shù)，將其作為粒子的初始位置，在計(jì)算當(dāng)前粒子適應(yīng)度后，優(yōu)化更新粒子位置和速度，重新計(jì)算粒子適應(yīng)度，直到達(dá)到適應(yīng)值或者迭代次數(shù)。粒子群算法優(yōu)化SVM模型參數(shù)的具體實(shí)施流程如圖1所示。

2.2.2 K折交叉驗(yàn)證法計(jì)算粒子適應(yīng)度

為得到可靠、穩(wěn)定的模型，本文在對PSO-SVM預(yù)測模型每個(gè)粒子計(jì)算適應(yīng)度的過程中采用[K]折交叉驗(yàn)證方法。[K]值選取需綜合考慮交叉驗(yàn)證效果、數(shù)據(jù)量大小、計(jì)算速度和運(yùn)行時(shí)間等因素?；舅悸窞椋?/p>

1）不重復(fù)地將原訓(xùn)練集隨機(jī)分為[K]份；

2）挑選其中1份作為驗(yàn)證集，剩余[K-1]份作為訓(xùn)練集用于模型訓(xùn)練，在訓(xùn)練后得到一個(gè)模型，用這個(gè)模型在驗(yàn)證集上測試，保存當(dāng)前模型性能指標(biāo)；

3）重復(fù)第2步[K]次（確保每個(gè)子集都有一次機(jī)會(huì)作為驗(yàn)證集）；

4）計(jì)算[K]組測試指標(biāo)的平均值作為模型精度的估計(jì)，并作為當(dāng)前[K]折交叉驗(yàn)證下模型的性能指標(biāo)；

5）選擇模型預(yù)測精度作為性能評估指標(biāo)，本文中每個(gè)粒子代表一組解，重復(fù)步驟1）～步驟5），直到完成所有粒子的適應(yīng)度計(jì)算。[K]折交叉驗(yàn)證計(jì)算預(yù)測模型粒子適應(yīng)度過程如圖2所示。

通常情況下，[K]一般取10；當(dāng)原訓(xùn)練集較小時(shí)，[K]可適當(dāng)取大，增加訓(xùn)練集占整體比例，但訓(xùn)練的模型數(shù)量也隨之增多；原訓(xùn)練集較大時(shí)，[K]可適當(dāng)取小，以保證訓(xùn)練集數(shù)量且提高計(jì)算速度。

2.2.3 聯(lián)合氣象特征量與PSO-SVM預(yù)測模型參數(shù)尋優(yōu)算法原理

對于SVM預(yù)測模型，不同氣象特征訓(xùn)練集對應(yīng)最優(yōu)模型參數(shù)不一致，基于對發(fā)電功率產(chǎn)生顯著影響的氣象特征量進(jìn)行預(yù)測模型參數(shù)優(yōu)化可能陷入局部最優(yōu)解，且不同新能源場站預(yù)測在不同時(shí)間段的最合適氣象特征量也不完全一致。在實(shí)際進(jìn)行新能源發(fā)電預(yù)測時(shí)，需考慮氣象特征、預(yù)測模型及模型參數(shù)優(yōu)化之間的關(guān)聯(lián)性，通過氣象特征量與模型參數(shù)聯(lián)合優(yōu)化，以得到全局最優(yōu)解。

本文提出的聯(lián)合氣象特征量與PSO-SVM預(yù)測模型參數(shù)尋優(yōu)算法，即通過遍歷所設(shè)定的氣象特征與功率相關(guān)性系數(shù)所有邊界值R篩選出不同的氣象特征量組合，將該氣象特征量作為訓(xùn)練數(shù)據(jù)輸入，利用2節(jié)的粒子群算法對預(yù)測模型參數(shù)尋優(yōu)。該算法可兼顧所有氣象特征量及其對應(yīng)的最優(yōu)模型參數(shù)，可找到全局最優(yōu)解，可有效解決在開展新能源預(yù)測過程中輸入氣象特征量數(shù)量確定、氣象特性量篩選、模型參數(shù)局部最優(yōu)等問題，具有很強(qiáng)的泛化能力。

3 基于SVM參數(shù)優(yōu)化的新能源功率超短期滾動(dòng)預(yù)測

3.1 數(shù)據(jù)預(yù)處理

將歷史新能源發(fā)電功率數(shù)據(jù)進(jìn)行歸一化，可消除由于開機(jī)容量不同導(dǎo)致的預(yù)測誤差，計(jì)算公式為：

[P?k=PkCk]"" （12）

式中：[P?k]——功率數(shù)據(jù)在[k]時(shí)刻的歸一化數(shù)據(jù)，kW；[Pk]——新能源場站在[k]時(shí)刻的實(shí)際發(fā)電功率值，kW；[Ck]——新能源場站在[k]時(shí)刻的開機(jī)容量，kW。

3.2 新能源功率超短期滾動(dòng)預(yù)測模型

結(jié)合氣象特征量提取和預(yù)測模型參數(shù)優(yōu)化，提出滾動(dòng)預(yù)測方法以進(jìn)一步提高新能源發(fā)電功率超短期預(yù)測精度。新能源場站應(yīng)每15 min自動(dòng)向電力調(diào)度機(jī)構(gòu)滾動(dòng)上報(bào)未來0～4 h每15 min共16個(gè)時(shí)間段的風(fēng)電場超短期有功功率預(yù)測結(jié)果［22］。在不考慮模型計(jì)算速度和通信延遲的情況下，每次上報(bào)調(diào)度機(jī)構(gòu)的第1個(gè)時(shí)刻的預(yù)測功率值可由前一時(shí)刻的已知實(shí)際功率值進(jìn)行預(yù)測得到，并由第1個(gè)時(shí)刻的預(yù)測功率值作為下一個(gè)時(shí)刻的訓(xùn)練輸入，得到第2個(gè)時(shí)刻的預(yù)測功率值，以此類推，直至計(jì)算出超短期滾動(dòng)預(yù)測16個(gè)值。預(yù)測示意圖如圖3所示。完成新能源預(yù)測后需要反歸一化，即用預(yù)測結(jié)果乘以開機(jī)容量，最終得到具有量綱的功率預(yù)測值。

3.3 預(yù)測精度計(jì)算

常用均方根誤差（root mean squared error， RMSE）衡量預(yù)測值與新能源功率實(shí)際出力之間的偏差，可較好地反映預(yù)測值偏離程度，如式（13）所示。預(yù)測精度為100%減去均方根誤差，該指標(biāo)是調(diào)度對新能源場站功率預(yù)測準(zhǔn)確性的主要考核項(xiàng)。

[ERMSE=1nk=1nPM，"k-PP，"kCk2]""""" （13）

式中：[PM，"k]——k時(shí)段的實(shí)際平均功率，kW；[PP，"k]——k時(shí)段的預(yù)測平均功率，kW；[n]——誤差統(tǒng)計(jì)時(shí)間內(nèi)的時(shí)段總數(shù)減去免考核時(shí)段數(shù)量。

在實(shí)際應(yīng)用層面，考慮數(shù)據(jù)上報(bào)時(shí)效性，可通過前期的氣象特征選取、模型參數(shù)優(yōu)化、模型穩(wěn)定性加強(qiáng)等步驟確定最優(yōu)預(yù)測模型后，輸入未來NWP數(shù)據(jù)直接開展預(yù)測，減少預(yù)測模型重復(fù)訓(xùn)練耗時(shí)。并在后臺持續(xù)對預(yù)測模型進(jìn)行計(jì)算尋優(yōu)，若產(chǎn)生預(yù)測精度更高的模型，則替換現(xiàn)有模型，如此迭代循環(huán)。

4 算例分析

本文所采用的NWP格點(diǎn)數(shù)據(jù)來自南網(wǎng)云數(shù)據(jù)中心，并通過經(jīng)緯度與新能源場站關(guān)聯(lián)。NWP格點(diǎn)數(shù)據(jù)包含不同高程風(fēng)速、風(fēng)向、溫度、濕度、總輻射、散射輻射等氣象特征量，共計(jì)43個(gè)，數(shù)據(jù)時(shí)間尺度為15 min一個(gè)點(diǎn)。以典型新能源場站為例，驗(yàn)證本文所提算法的有效性。

4.1 聯(lián)合氣象特征量選取與PSO-SVM預(yù)測模型參數(shù)優(yōu)化對預(yù)測精度的影響分析

4.1.1 風(fēng)電超短期預(yù)測算例分析

以云南PDLZ風(fēng)電場為例，其全并網(wǎng)容量為70 MW，選取2020年7月1日—2021年12月15日的NWP數(shù)據(jù)進(jìn)行算例驗(yàn)證。其中前400天的數(shù)據(jù)作為訓(xùn)練集，后130天的數(shù)據(jù)作為測試集，龐大驗(yàn)證數(shù)據(jù)集可較好檢驗(yàn)預(yù)測模型精度［23］。擬設(shè)計(jì)3種預(yù)測方案：

方案1：選取典型氣象特征和模型參數(shù)作為預(yù)測條件。參考文獻(xiàn)［11，24］，優(yōu)選風(fēng)速、風(fēng)向、溫度、濕度、氣壓這5個(gè)氣象特征量作為輸入量，SVM預(yù)測模型選用高斯徑向基核函數(shù)，其典型參數(shù)設(shè)為[σ=0.004，C=12.453]。

方案2：選取與方案1相同典型氣象特征，并使用本文所提的PSO-SVM模型對參數(shù)進(jìn)行優(yōu)化。

方案3：聯(lián)合氣象特征量選取與PSO-SVM預(yù)測模型對參數(shù)優(yōu)化。設(shè)定邊界值[R]的取值范圍為0.2～0.3，步長為0.02，對不同[R]值下的模型參數(shù)進(jìn)行尋優(yōu)后，計(jì)算預(yù)測精度。每一次相關(guān)性系數(shù)的選取后與上一次的特征量進(jìn)行比較，若兩次特征量一樣，則跳過本次相關(guān)性系數(shù)計(jì)算，遍歷所有設(shè)定的[R]值后，模型精度最高的為最優(yōu)模型。PSO種群大小設(shè)為10，最大迭代次數(shù)為30，粒子維度數(shù)為2，慣性權(quán)重初始為1。

在方案1的情況下，計(jì)算模型最終預(yù)測精度為82.71%。方案2得到最優(yōu)模型參數(shù)為[σ=0.0018，C=16.651]，模型預(yù)測精度為84.86%。方案3聯(lián)合氣象特征量選取與PSO-SVM預(yù)測模型參數(shù)優(yōu)化，當(dāng)[R=0.28]時(shí)，模型參數(shù)為[σ=0.0058]，[C=12.823，]模型預(yù)測精度最高為87.44%。3種方案的預(yù)測結(jié)果如表1所示。

新能源發(fā)電功率超短期每15 min預(yù)測一次，每次預(yù)測未來4 h，共計(jì)16個(gè)點(diǎn)。本文選取每次預(yù)測第4個(gè)點(diǎn)，畫出超短期預(yù)測曲線。PDLZ風(fēng)電場在不同氣象特征與模型參數(shù)下的部分預(yù)測結(jié)果如圖4所示。根據(jù)圖4，對比PDLZ風(fēng)電場在方案1（選取典型氣象特征且模型參數(shù)未優(yōu)化）和方案2（選取典型氣象特征且模型參數(shù)優(yōu)化）的預(yù)測結(jié)果，可看出方案2通過粒子群算法優(yōu)化模型參數(shù)可提高預(yù)測精度2.15%。本文所提的聯(lián)合氣象特征量選取與PSO-SVM預(yù)測模型參數(shù)優(yōu)化方法可在[R=0.28，]且只選取100 m風(fēng)速作為氣象特征量時(shí)的預(yù)測效果最好，預(yù)測結(jié)果可很好地跟蹤實(shí)際功率曲線，與方案2直接選取典型氣象特征量相比，預(yù)測精度可進(jìn)一步提高2.58%。

圖5為PDLZ風(fēng)電場在不同氣象特征與模型參數(shù)下的預(yù)測誤差，可看出本文所提方法預(yù)測誤差整體偏小，有效提高了PDLZ風(fēng)電場預(yù)測精度。由于風(fēng)力發(fā)電具有隨機(jī)性或數(shù)值天氣預(yù)報(bào)數(shù)據(jù)處理偏差等問題，存在0.06%的時(shí)刻其預(yù)測誤差大于0.7，在可接受范圍內(nèi)。

4.1.2 光伏超短期預(yù)測算例分析

以云南LYY光伏電站為例，其全并網(wǎng)容量為100 MW，選取2020年7月1日—2021年12月15日的NWP數(shù)據(jù)進(jìn)行算例驗(yàn)證，驗(yàn)證數(shù)據(jù)量及方法同云南PDLZ風(fēng)電場。光伏超短期預(yù)測選取的典型氣象特征量為溫度、濕度、云量、風(fēng)速、輻照度［25-26］，設(shè)定邊界值[R]的取值范圍為0.3～0.7，步長為0.02，遍歷所有設(shè)定的相關(guān)系數(shù)邊界值[R]確定最優(yōu)模型參數(shù)，選取過程中典型值列出預(yù)測結(jié)果。3種方案的預(yù)測結(jié)果如表2所示。

LYY光伏電站在不同氣象特征與模型參數(shù)下的預(yù)測曲線

如圖6所示。與方案1（選取典型氣象特征且模型參數(shù)未優(yōu)化）相比，方案2（選取典型氣象特征且模型參數(shù)優(yōu)化）通過粒子群算法對預(yù)測模型參數(shù)進(jìn)行優(yōu)化，可適當(dāng)提高LYY光伏電站發(fā)電功率預(yù)測精度，為0.24%。本文所提的聯(lián)合氣象特征量選取與PSO-SVM預(yù)測模型參數(shù)優(yōu)化方法可在R=0.6，選取100 m相對濕度、總輻射、直接輻射作為氣象特征量時(shí)的預(yù)測效果最好，預(yù)測精度提高0.18%。由圖7可看出，由于光伏發(fā)電具有隨機(jī)性或數(shù)值天氣預(yù)報(bào)數(shù)據(jù)處理偏差等問題，存在0.07%的時(shí)刻其預(yù)測誤差大于0.7，在可接受范圍內(nèi)。

4.2 新能源超短期滾動(dòng)預(yù)測對預(yù)測精度的影響分析

4.2.1 風(fēng)電超短期滾動(dòng)預(yù)測算例分析

本節(jié)選擇與4.1.1節(jié)相同的NWP數(shù)據(jù)、功率數(shù)據(jù)量和模型誤差計(jì)算方法開展云南PDLZ風(fēng)電場超短期滾動(dòng)預(yù)測，通過聯(lián)合氣象特征量選取與PSO-SVM預(yù)測模型參數(shù)優(yōu)化方法，選擇4.1.1節(jié)的最優(yōu)計(jì)算結(jié)果，即在[R=0.28，]以100 m風(fēng)速作為輸入氣象特征量，模型參數(shù)[σ=0.0001，][C=8.251]時(shí)，預(yù)測模型精度最高為91.1%。PDLZ風(fēng)電場超短期滾動(dòng)預(yù)測結(jié)果如圖8所示，對比4.1.1節(jié)的方案2預(yù)測結(jié)果，滾動(dòng)預(yù)測可提高預(yù)測精度為6.24%。

4.2.2 光伏超短期滾動(dòng)預(yù)測算例分析

本節(jié)選擇與4.1.2節(jié)相同的NWP數(shù)據(jù)、功率數(shù)據(jù)量和模型誤差計(jì)算方法開展云南LYY光伏電站超短期滾動(dòng)預(yù)測，通過聯(lián)合氣象特征量選取與PSO-SVM預(yù)測模型參數(shù)優(yōu)化方法，選擇4.1.2節(jié)的最優(yōu)計(jì)算結(jié)果，即在[R=0.3]時(shí)，預(yù)測模型精度最高為91.24%，此時(shí)以100 m相對濕度、總輻射、散射輻射、直接輻射、100 m溫度作為輸入氣象特征量，優(yōu)化的模型參數(shù)[σ=0.0001，C=18.8037]。LYY光伏電站超短期滾動(dòng)預(yù)測結(jié)果如圖9所示，對比4.1.2節(jié)的預(yù)測結(jié)果，滾動(dòng)預(yù)測可進(jìn)一步提高預(yù)測精度，最終提高預(yù)測精度0.21%。

5 結(jié) 論

為提高新能源發(fā)電超短期預(yù)測精度，本文研究了聯(lián)合氣象特征量選取與SVM模型參數(shù)優(yōu)化的新能源超短期功率滾動(dòng)預(yù)測技術(shù)，得出如下主要結(jié)論：

1）新能源發(fā)電預(yù)測精度與氣象特征量選取緊密相關(guān)，氣象特征量選取過多或過少都會(huì)影響預(yù)測精度的最優(yōu)值。

2）在選取典型氣象特征量的情況下，利用粒子群算法對模型參數(shù)進(jìn)行優(yōu)化，可在一定程度上提高新能源發(fā)電超短期預(yù)測精度。

3）聯(lián)合氣象特征量選取與基于粒子群算法的模型參數(shù)優(yōu)化方法，相比于典型氣象特征量下的模型參數(shù)優(yōu)化預(yù)測工況，可獲取全局最優(yōu)預(yù)測模型，大幅提高新能源發(fā)電超短期預(yù)測精度。

4）根據(jù)新能源場站向調(diào)度側(cè)上報(bào)新能源發(fā)電功率預(yù)測的實(shí)際情況，采用滾動(dòng)預(yù)測模型可提高靠近上報(bào)時(shí)刻的單點(diǎn)預(yù)測精度，總體可進(jìn)一步提高新能源發(fā)電預(yù)測精度。

本文所提新能源功率超短期預(yù)測方法可提高新能源發(fā)電預(yù)測精度，預(yù)測模型穩(wěn)定，具有較強(qiáng)工程實(shí)用價(jià)值。

［參考文獻(xiàn)］

［1］"""" 薛禹勝， 雷興， 薛峰， 等. 關(guān)于風(fēng)電不確定性對電力系統(tǒng)影響的評述［J］. 中國電機(jī)工程學(xué)報(bào)， 2014， 34（29）： 5029-5040.

XUE Y S， LEI X， XUE F， et al. A review on impacts of wind""" power""" uncertainties""" on""" power""" systems［J］. Proceedings of the CSEE， 2014， 34（29）： 5029-5040.

［2］"""" 王俊杰， 畢利， 張凱， 等. 基于多特征融合和XGBoost-LightGBM-ConvLSTM的短期光伏發(fā)電量預(yù)測［J］. 太陽能學(xué)報(bào)， 2023， 44（7）： 168-174.

WANG" J" J，" BI" L，" ZHANG" K，" et" al." Short-term photovoltaic power generation prediction based on multi-feature"" fusion"" and"" XGBoost-LightGBM-ConvLSTM［J］." Acta energiae solaris sinica， 2023， 44（7）： 168-174.

［3］"""" KARAKU? O， KURUO?LU E E， ALT?NKAYA M A. One-day ahead wind speed/power prediction based on polynomial autoregressive model［J］. IET renewable power generation， 2017， 11（11）： 1430-1439.

［4］"""" 王飛， 甄釗， 劉興杰. 新能源發(fā)電功率預(yù)測［M］. 北京： 科學(xué)出版社， 2020： 8-9.

WANG F， ZHEN Z， LIU X J. Renewable energy generation power forecasting［M］. Beijing： Science Press， 2020： 8-9.

［5］"""" 朱瓊鋒， 李家騰， 喬驥， 等. 人工智能技術(shù)在新能源功率預(yù)測的應(yīng)用及展望［J］. 中國電機(jī)工程學(xué)報(bào)， 2023， 43（8）： 3027-3048.

ZHU Q F， LI J T， QIAO J， et al. Application and prospect of artificial intelligence technology in renewable energy forecasting［J］. Proceedings of the CSEE， 2023， 43（8）： 3027-3048.

［6］"""" YANG L， HE M， ZHANG J S， et al. Support-vector machine-enhanced Markov model for short term wind power forecast［J］. IEEE transactions on sustainable energy， 2015， 6（3）： 791-799.

［7］"""" 葉林， 路朋， 趙永寧， 等. 含風(fēng)電電力系統(tǒng)有功功率模型預(yù)測控制方法綜述［J］. 中國電機(jī)工程學(xué)報(bào)， 2021， 41（18）： 6181-6198.

YE L， LU P， ZHAO Y N， et al. Review of model predictive control for power system with large-scale wind power" grid-connected［J］." Proceedings" of" the" CSEE， 2021， 41（18）： 6181-6198.

［8］"""" 賴昌偉， 黎靜華， 陳博， 等. 光伏發(fā)電出力預(yù)測技術(shù)研究綜述［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（6）： 1201-1217.

LAI C W， LI J H， CHEN B， et al. Review of photovoltaic power" output" prediction" technology［J］." Transactions" of China Electrotechnical Society， 2019， 34（6）： 1201-1217.

［9］"""" 陳臣鵬， 趙鑫， 畢貴紅， 等. 基于多模式分解和麻雀優(yōu)化殘差網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型［J］. 電網(wǎng)技術(shù)， 2022， 46（8）： 2975-2985.

CHEN C P， ZHAO X， BI G H， et al. SSA-res-GRU short-term wind speed prediction model based on multi-model decomposition［J］. Power" system" technology，" 2022，" 46（8）： 2975-2985.

［10］""" LI Y F， WANG Z Q， YU C Q． A new multi-data driven wind power forecasting model based on temporal reinforcement learning convolutional network（English）［J/OL］. Journal of Central South University， https：//kns.cnki.net/kcms2/article/abstract？v=GARc9QQj0GXeEb-7jHGC9 OyXQr_Y8wmwTdXUl2t7IafmN72T_ncRocf2LYJB_8g1Z iqOMu8-Q7MVB_xTCeOOqSjdZKxoz-lBdNmekSOKnIlvT 4Pt7KvTgvtXoJ2d6TX_2Zn70WE0dtA=amp;uniplatform=NZKPTamp;language=CHS， 2021-05-27．

［11］""" 胡帥， 向月， 沈曉東， 等. 計(jì)及氣象因素和風(fēng)速空間相關(guān)性的風(fēng)電功率預(yù)測模型［J］. 電力系統(tǒng)自動(dòng)化， 2021， 45（7）： 28-36.

HU S， XIANG Y， SHEN X D， et al. Wind power prediction model considering meteorological factor and spatial correlation of wind speed［J］. Automation of electric power systems， 2021， 45（7）： 28-36.

［12］""" 田劍剛， 張沛， 彭春華， 等. 基于分時(shí)長短期記憶神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電超短期功率預(yù)測［J］. 現(xiàn)代電力， 2020， 37（6）： 629-638.

TIAN J G， ZHANG P， PENG C H， et al. Ultra short-term forecast of photovoltaic generation based on time-division long" short-term" memory" neural" networks［J］." Modern electric power， 2020， 37（6）： 629-638.

［13］""" 張群， 唐振浩， 王恭， 等. 基于長短時(shí)記憶網(wǎng)絡(luò)的超短期風(fēng)功率預(yù)測模型［J］. 太陽能學(xué)報(bào)， 2021， 42（10）： 275-281.

ZHANG Q， TANG Z H， WANG G， et al. Ultra-short-term wind power prediction model based on long and short term memory network［J］. Acta energiae solaris sinica， 2021， 42（10）： 275-281.

［14］nbsp;"" 劉云， 易松. 基于雙參數(shù)最小二乘支持向量機(jī)（TPA-LSSVM）的風(fēng)電時(shí)間序列預(yù)測模型的優(yōu)化研究［J］. 北京化工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 46（2）： 97-102.

LIU Y， YI S. Optimization of a wind power time series prediction model based on a two-parameter least squares support vector machine［J］. Journal of Beijing University of Chemical Technology （natural science edition）， 2019， 46（2）： 97-102.

［15］""" 張礽愷. 基于蜻蜓優(yōu)化算法的風(fēng)電超短期功率預(yù)測研究［D］. 石家莊： 河北科技大學(xué)， 2021.

ZHANG R K. Research on wind power ultra-short-term power prediction based on dragonfly optimization algorithm［D］. Shijiazhuang： Hebei University of Science and Technology， 2021.

［16］""" 李錦舒. 基于特征選擇與數(shù)據(jù)挖掘的風(fēng)電集群短期功率預(yù)測研究［D］. 武漢： 華中科技大學(xué)， 2020.

LI J S. Research on regional short term wind power prediction based on feature selection and data mining［D］. Wuhan： Huazhong University of Science and Technology， 2020.

［17］""" 丁志勇， 楊蘋， 楊曦， 等. 基于連續(xù)時(shí)間段聚類的支持向量機(jī)風(fēng)電功率預(yù)測方法［J］. 電力系統(tǒng)自動(dòng)化， 2012， 36（14）： 131-135， 149.

DING Z Y， YANG P， YANG X， et al. Wind power prediction method based on sequential time clustering support vector machine［J］. Automation of electric power systems， 2012， 36（14）： 131-135， 149.

［18］""" 肖白， 聶鵬， 穆鋼， 等. 基于多級聚類分析和支持向量機(jī)的空間負(fù)荷預(yù)測方法［J］. 電力系統(tǒng)自動(dòng)化， 2015， 39（12）： 56-61.

XIAO B， NIE P， MU G， et al. A spatial load forecasting method based on multilevel clustering analysis and support vector machine［J］. Automation of electric power systems， 2015， 39（12）： 56-61.

［19］""" ZHAO Y N， YE L， PINSON P， et al. Correlation-constrained" and" sparsity-controlled" vector autoregressive model for spatio-temporal wind power forecasting［J］. IEEE transactions on power systems， 2018， 33（5）： 5029-5040.

［20］""" 吳杰康， 熊焰. 風(fēng)水氣互補(bǔ)發(fā)電優(yōu)化的云模型自適應(yīng)粒子群優(yōu)化算法［J］. 中國電機(jī)工程學(xué)報(bào)， 2014， 34（S1）： 17-24.

WU J K， XIONG Y. An cloud model theory based adaptive particle swarm optimization algorithm for complementary power generation optimization of wind-energy， hydro-energy" and" natural" gas［J］. Proceedings" of" the" CSEE， 2014， 34（S1）： 17-24.

［21］""" 孫毅， 石墨， 單葆國， 等. 基于粒子群優(yōu)化支持向量機(jī)的電能替代潛力分析方法［J］. 電網(wǎng)技術(shù)， 2017， 41（6）： 1767-1771.

SUN Y， SHI M， SHAN B G， et al. Electric energy substitution potential analysis method based on particle swarm" optimization" support"" vector"" machine［J］." Power system technology， 2017， 41（6）： 1767-1771.

［22］""" NB/T 10205—2019， 風(fēng)電功率預(yù)測技術(shù)規(guī)定［S］.

NB/T 10205—2019， Technical regulations for wind power prediction［S］.

［23］""" CHEN N Y， QIAN Z， NABNEY I T， et al. Wind power forecasts using Gaussian processes and numerical weather prediction［J］. IEEE transactions on power systems， 2014， 29（2）： 656-665.

［24］""" 楊宇晴， 張怡. 基于mRMR和VMD-AM-LSTM的短期風(fēng)功率預(yù)測［J］. 控制工程， 2022， 29（1）： 10-17.

YANG Y Q， ZHANG Y. Short-term wind power prediction based"" on"" mRMR"" and"" VMD-AM-LSTM［J］."" Control engineering of China， 2022， 29（1）： 10-17.

［25］""" 葛樂， 陸文偉， 袁曉冬， 等. 基于改進(jìn)相似日和ABC-SVM的光伏電站功率預(yù)測［J］. 太陽能學(xué)報(bào)， 2018， 39（3）： 775-782.

GE L， LU W W， YUAN X D， et al. Power forecasting of photovoltaic plant based on improved similar day and ABC-SVM［J］. Acta energiae solaris sinica， 2018， 39（3）： 775-782.

［26］""" 倪超， 王聰， 朱婷婷， 等. 基于CNN-Bi-LSTM的太陽輻照度超短期預(yù)測［J］. 太陽能學(xué)報(bào)， 2022， 43（3）： 197-202.

NI" C，" WANG" C，" ZHU" T" T，" et" al." Super-short-term forecast of solar irradiance based on CNN-Bi-LSTM［J］. Acta energiae solaris sinica， 2022， 43（3）： 197-202.

ULTRA-SHORT-TERM POWER FORECAST OF NEW ENERGY BASED ON METEOROLOGICAL FEATURE SELECTION AND

SVM MODEL PARAMETER OPTIMIZATION

Chen Yuanfeng， Ma Xiyuan，Cheng Kai，Bao Tao，Chen Yansen，Zhou Changcheng

（China Southern Power Grid Digital Grid Group Co.， Ltd.， Guangzhou 510663， China）

Abstract：Under the major strategic deployment of building a new power system and realizing the \"dual carbon\" goal， new energy represented by Wind power generation and photovoltaic power generation will usher in a period of rapid development. New energy power generation is random， intermittent and volatile， and the integration of large-scale new energy power generation into the power grid will seriously affect the security， stability and economic operation of the power grid. Therefore， an ultra-short-term power prediction method for new energy power generation based on the selection of massive meteorological feature quantities and parameter optimization of support vector machine （SVM） model is proposed to improve the prediction accuracy of new energy power generation. Firstly， the meteorological feature extraction method based on the Pearson correlation coefficient is studied， and the parameters of the new energy power prediction support vector machine （SVM） model are optimized by using the particle swarm optimization （PSO）. The ultra short term prediction model of new energy power generation combined with meteorological feature extraction and model parameter optimization is further proposed to obtain the global optimal solution. The ultra short term rolling prediction model of new energy power generation is studied by using historical power generation data. Finally， the data of a domestic wind farm is used for comparison and verification， which proves that the proposed prediction model can effectively improve the prediction accuracy of new energy power generation.

Keywords：new energy； forecasting； support vector machines； particle swarm optimization； feature extraction； parameter optimization