[发明专利]一种基于改进粒子群的风力发电功率预测方法

权利要求书

1.一种基于改进粒子群的风力发电功率预测方法，其特征在于，包括以下步骤：

步骤1：通过单位时间对风力电站历史发电数据进行等时间间隔采样得到风力电站输出功率时间序列，并对风力电站输出功率时间序列进行预处理，根据预处理后风力电站输出功率时间序列构建风力电站输出功率输入空间；

步骤2：通过输出功率输入空间构造基于SVM模型核函数；

步骤3：通过引入拉格朗日乘子以及预处理后风力电站输出功率时间序列构建基于SVM模型核函数的优化模型，通过改进权重的粒子群算法对基于SVM模型核函数的优化求解；

步骤4：通过优化的高斯核函数的比重系数、高斯核函数的核系数、多项式核函数的多项式阶数、惩罚系数以及基于SVM模型核函数构建预测模型；

步骤1中所述单位时间为h，所述风力电站输出功率时间序列为:

P＝{p₁,p₂,p₃......p_N}

其中，N为风力电站输出功率时间序列的长度，p_k k∈[1,N]为第k个单位时间h的采样风力电站输出功率，若步骤1中所述风力电站历史发电数据在第k个单位时间h内数据缺失则p_k＝0；

步骤1中所述预处理为将风力电站输出功率时间序列P中，若采样风力电站输出功率为p_m＝0的元素则进行前后给定步长内数据的平均值处理：

其中，M为平均值序列长度；

步骤1中所述预处理后风力电站输出功率时间序列为：

其中，N为预处理后风力电站输出功率时间序列的长度；

步骤1中所述输出功率输入空间为：

其中，x_i为第i个单位时间h的输出功率输入空间，L为输出功率输入空间长度，N为预处理后风力电站输出功率时间序列的长度；

步骤2中所述基于SVM模型核函数为：

其中，L为输出功率输入空间长度，N为步骤1中所述预处理后风力电站输出功率时间序列的长度，a为高斯核函数的比重系数，σ为高斯核函数的核系数，d为多项式核函数的多项式阶数，x_i为第i个单位时间h的输出功率输入空间，x_j为第j个单位时间h的输出功率输入空间；

步骤3中所述基于SVM模型核函数的优化模型为：

其中，L为步骤2中所述输出功率输入空间长度，N为步骤1中所述预处理后风力电站输出功率时间序列的长度，为步骤1中所述预处理后风力电站输出功率时间序列的第k个单位时间h的采样风力电站输出功率，x_i为步骤2中所述第i个单位时间h的输出功率输入空间，x_j为步骤2中所述第j个单位时间h的输出功率输入空间，u_i为引入第i个拉格朗日乘子，C为惩罚系数，K_mix(x_i,x_j)为步骤2中所述基于SVM模型核函数：

其中，高斯核函数的比重系数a、高斯核函数的核系数σ、多项式核函数的多项式阶数d以及惩罚系数C均为需通过改进权重的粒子群算法优化求解的参数；

步骤2中所述改进权重的粒子群算法为对传统的粒子群算法的每代粒子进行权重更新：

t∈[1,maxgen]

q∈[1,popsize]

其中，w为惯性权重因子，maxgen为最大进化代数即迭代次数，popsize为种群规模即粒子数量，为第t+1次跌代中粒子个体q在多维搜索空间中的速度，为第t+1次跌代中粒子个体q在多维搜索空间中的位置，为第t次跌代中粒子个体q在多维搜索空间中的速度，为第t次跌代中粒子个体q在多维搜索空间中的位置，为第t次跌代中粒子个体q的局部最优位置，为第t次跌代中粒子群全体的全局最优位置，为第t次跌代中粒子个体q的高斯核函数的比重系数，为第t次跌代中粒子个体q的高斯核函数的核系数，为第t次跌代中粒子个体q的多项式核函数的多项式阶数，为第t次跌代中粒子个体q的惩罚系数，c₁为第一因子系数，c₂为第二因子系数，c₃为第三因子系数，不确定知识的边界C_D、第一权重系数l₁、第二权重系数l₂、第三权重系数l₃计算如下：

l₁＝r₁/(r₁+r₂+r₃)

l₂＝r₂/(r₁+r₂+r₃)

l₃＝r₃/(r₁+r₂+r₃)

其中，r₁，r₂，r₃，r₄分别为每次迭代过程中选取的均匀分布在(0,1)区间的随机数，sign为符号函数，当(r₄-0.5)＜0，sign(r₄-0.5)输出为-1，当(r₄-0.5)＞0，sign(r₄-0.5)输出为1，当(r₄-0.5)＝0，sign(r₄-0.5)输出为0，limit为搜索空间边界到中心的距离，为搜索空间中心，公式如下：

其中，p^t_min为分别找出第t次迭代中所有粒子个体中最小的用最小的组成的向量；

p^t_max为分别找出第t次迭代中所有粒子个体中最大的组成的向量，用最大的组成的向量；

p^t_c为分别求出第t次迭代中所有粒子个体中的平均值组成的向量，用平均的组成的向量；

通过改进权重的粒子群算法进行maxgen迭代优化求解得到：

x_g＝[a_g,σ_g,d_g,C_g]

其中，a_g为优化的高斯核函数的比重系数，σ_g为优化的高斯核函数的核系数，d_g为优化的多项式核函数的多项式阶数，C_g为优化的惩罚系数；

步骤4中所述预测模型为：

其中，L为步骤2中所述输出功率输入空间长度，N为步骤1中所述预处理后风力电站输出功率时间序列的长度，u_s为步骤3中所述引入第s个拉格朗日乘子，a_g为步骤3中所述优化的高斯核函数的比重系数，σ_g为步骤3中所述优化的高斯核函数的核系数，d_g为步骤3中所述优化的多项式核函数的多项式阶数，x_s为步骤2中所述第s个单位时间h的输出功率输入空间。