[发明专利]基于分段蚁群算法优化SVM的短期风电功率预测方法

权利要求书

1.一种基于分段蚁群算法优化SVM的短期风电功率预测方法，其特征在于，包括以下步骤:

步骤1、选取样本原始数据并对其进行预处理以消除量纲对原始数据的影响，其中原始数据'包括M组影响风电输出功率的环境影响因素和其对应的风电输出功率；

步骤2、根据步骤l获得的数据，确定支持向量机的结构；

步骤3、结合步骤2支持向量机的结构，对支持向量机的核函数参数γ以及惩罚系数C进行分段蚁群优化，获得满足期望误差的SVM的最优参数组合；具体为:

步骤3-1、根据步骤2建立的支持向量机结构，形成n个样本矩阵，每个矩阵为一组影响风电输出功率的环境影响因以及风电输出功率构成的多维向量；

步骤3-2、将n个样本矩阵中的p个样本矩阵作为训练样本，其余样本矩阵作为测试样本；

步骤3-3、根据待优化参数C和γ的取值范围、有效位数确定搜索空间大小；

步骤3-4、确定蚁群规模大小为m、信息素蒸发因子ρ、信息素强度Q、信息素初始值τ、信息素启发因子α、蚂蚁初始爬行速度λ、能见度启发因子β、第一阶段法代次数N_l及最大法代次数N₂；

步骤3-5、结合步骤3-2、步骤3-3以及步骤3-4，对支持向量机的核函数参数γ以及惩罚系数C进行分段蚁群优化，在优化过程中判断当前迭代次数N与N_l、N₂的大小关系，若当前迭代次数N≤N_l，处于分段蚁群优化的第一阶段，执行步骤3-6、步骤3-7；若当前迭代次数N_l≤N≤N₂，处于分段蚁群优化的第二阶段，执行步骤3-8、步骤3-9；

步骤3-6、将每只蚂蚁置于某一初始节点，每只蚂蚁随机选取下一节点，构成信息素矩阵，计算当前支持向量机的实际输出，并计算训练误差；

步骤3-7、根据步骤3-6获得的支持向量机的实际输出和训练误差获取当次迭代参数最优解，并更新信息素矩阵，之后将迭代次数N累加1，返回执行步骤3-5直到达到第一阶段迭代次数N_l；

步骤3-8、将每只蚂蚁重新随机置于某一初始节点，根据步骤3-7得到的信息素浓度确定蚂蚁的状态转移概率P，结合概率P和轮盘赌的方法确定蚂蚁到达的下一节点，计算当前支持向量机的实际输出，并计算训练误差；

步骤3-9、判断步骤3-8计算的训练误差与期望误差的大小关系，若训练误差大于期望误差，更新信息素矩阵，并在当前迭代次数N小于最大迭代次数N₂的情况下，将迭代次数N累加1并重复步骤3-8、步骤3-9；若训练误差小于期望误差或者迭代次数N≥N₂，输出最优参数组合；

步骤4、根据步骤3获得的SVM的最优参数组合，构建SVM模型即风电功率预测模型，利用该模型即可实现短期风电功率预测。

2.根据权利要求1所述的基于分段蚁群算法优化SVM的短期风电功率预测方法，其特征在于，步骤1所述的影响风电输出功率的环境影响因素包括风速、风向正弦值、风向余弦值、气温、温度和气压。

3.根据权利要求1或2所述的基于分段蚁群算法优化SVM的短期风电功率预测方法，其特征在于，步骤1所述对原始数据进行预处理具体为归一化处理，将样本原始数据伸缩至区间[0，l]。

4.根据权利要求3所述的基于分段蚁群算法优化SVM的短期风电功率预测方法，其特征在于，所述归一化处理具体采用mjn-max归一化方法。

5.根据权利要求4所述的基于分段蚁群算法优化SVM的短期风电功率预测方法，其特征在于，步骤2所述支持向量机的结构具体为径向基核函数，该函数形式为:

k(x,y)＝exp(-γ||x-y||²)

式中，γ为核函数参数，x为输入环境影响因素变量，y为风电输出功率变量；其中x为影响风电输出功率的环境影响因素构成的多维向量。