[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

说明书

本发明公开了一种基于分段蚁群算法优化SVM的短期风电功率预测方法，包括以下步骤：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；根据处理后的数据，确定支持向量机的结构；结合支持向量机的结构，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；根据获得的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。本发明能有效减小人为主观意识选择对模型参数组合造成的影响，且该方法不局限应用于风力发电功率预测，可应用于其他已知历史数据的模型预测。

技术领域

本发明属于风力发电与并网技术领域，特别涉及一种基于分段蚁群算法优化SVM的短期风电功率预测方法。

背景技术

风电的大规模发展虽然有效地缓解了能源危机和环境污染问题，但是由于影响风能的因素众多，导致风机出力存在随机性、波动性和不稳定性，带来了不完全可控的特点，而大规模风电接入给电力系统的稳定运行和调度带来影响，因此精确的短期风电功率预测对于提升电力系统经济稳定运行十分重要。

支持向量机因为其优良的高维映射能力而得到广泛应用。其中支持向量机的核函数将非线性可分样本转换到线性可分的特征空间，核函数参数γ决定了映射函数关系，从而也决定了样本映射到特征空间的复杂程度；同时，惩罚系数C能够使模型在复杂程度和误差大小之间做出一个平衡，对SVM的泛化推广能力也有较大的影响。因此支持向量机的参数即核函数参数γ和惩罚系数C的选取决定了模型的性能优劣。

针对核函数参数γ和惩罚系数C的选取，黄俊生等(2012)运用交叉验证法优化支持向量机的核函数参数γ和惩罚系数C，有效提高了预测精度[黄俊生.基于小波分析和支持向量机的风电功率预测[D]；山东大学,2012.]，王春梅等(2017)结合BP神经网络和支持向量机，对历史数据训练，可以较准确的预测未来数据[王春梅.基于神经网络的数据挖掘算法研究[J].现代电子技术,2017,40(11):111-114.]。但这些方法存在几点不足：交叉验证法是首先固定一个参数，调整另一个参数的方法，这种方法在确定参数上存在一定的主观性，较难得到最优网络结构，并且这种方法运行效率低，不利于计算；而神经网络方法是在一个高维空间中做梯度下降，很容易陷入局部最优，导致搜索学习停滞，限制了模型的学习能力。

发明内容

本发明的目的在于提供了一种解决在短期风电功率预测中交叉验证和神经网络在参数选取中容易受主观因素影响以及陷入局部最优的不足的分段蚁群优化支持向量机预测方法。

实现本发明目的的技术方案为：一种基于分段蚁群算法优化SVM的短期风电功率预测方法，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1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；

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。

本发明与现有技术相比，其显著优点为：1)由已知历史数据进行学习对短期的风电输出功率进行较为精确的预测，为风力发电的大规模并网提供技术支持；2)采用分段蚁群算法优化支持向量机的参数，过程中同时搜索γ、C的参数值，能获得准确率达到最优的参数组合，避免了人为主观性带来的影响；3)在寻优过程中各组参数相互解耦，便于并行计算，提高了参数选择速度，运行效率高；4)分段蚁群算法采用两部分循环，不同的搜寻解的机制，加强了对解空间的探索，增强了全局搜索能力，避免陷入局部最优，极大的减小了预测误差。