[发明专利]基于混沌鸡群优化算法的短期风电功率预测方法

说明书

本发明公开了基于混沌鸡群优化算法的短期风电功率预测方法，属于风电预测技术领域，本发明将鸡群算法和混沌理论相结合，提出了一种混沌鸡群优化算法，改进了算法的种群多样性和局部搜索能力，提升了算法的优化性能。针对风速序列随机性问题，采用聚类经验模态分解的方法将风速序列分解为更具有规律性的多个子序列，分别进行预测。针对点预测不能提供更多定量信息的问题，采用概率性区间预测以及一种基于神经网络上下限估计(lower upper boundestimation,LUBE)的区间预测模型，采用双输出神经网络结构直接输出预测区间，模型简单高效，有效的提高了预测的精度，具有重要的实际应用价值。

技术领域

本发明属于风电预测技术领域，具体涉及基于混沌鸡群优化算法的短期风电功率预测方法。

背景技术

风能作为清洁的可再生能源，同时具有间歇性和随机性，对电网造成不容忽视的影响，而准确的风电功率预测是解决该问题的必要手段。国内外风电功率研究现状，主要分为基于NWP数据的物理方法和基于历史数据的统计方法。物理方法需要针对风机的内在结构和周围环境进行详细分析和建模，模型构造较为复杂。统计方法需要大量的历史数据，利用人工神经网络、支持向量机等方法，解析风电功率与其影响因素之间的非线性关系。但是，目前针对这些智能算法模型的优化问题研究并没有很好的解决模型优化算法中存在的诸多问题，比如种群多样性不足、局部搜索能力弱导致的易陷入局部最优解等问题。此外，这些预测方法主要集中在确定性的点预测方面，由于风力时间序列具有非平稳性、随机性的特点，点预测误差始终存在且无法消除，从决策角度看，点预测的使用将对电力系统的稳定可靠运行产生一定影响。

与常用的点预测方法相比，概率性区间预测可以为风电不确定性提供更多的定量信息。通过置信水平和平均带宽可以分别对预测区间的可靠性和清晰度进行评价，更有利于电力系统的决策。不足之处在于，传统的区间构造方法通常是在具有特定先验假设的确定性预测模型之后进行的，一般使用分位点回归、Bootstrap、贝叶斯方法计算区间，这些方法的计算量大，模型复杂。

发明内容

发明目的：本发明提供了基于混沌鸡群优化算法的短期风电功率预测方法以解决现有技术中计算量大，模型复杂导致的预测不精确的缺陷。

技术方案：为了实现上述目的，本发明是通过如下的技术方案来实现：

基于混沌鸡群优化算法的短期风电功率预测方法，包括如下步骤：

1)将获取的风机数据作为样本数据；

2)对样本数据进行聚类经验模态分解；

3)根据聚类分析得到的数据建立ELM预测模型，并采用CCSO算法优化输出层权值，称之为CCSO-ELM预测模型；

4)采用PSO，CSO，CPSO和CCSO算法对ELM训练过程进行寻优来验证预测模型的有效性；

5)采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)对预测误差进行详细的对比分析；

6)分析风电功率的不确定性，以提出的CCSO-ELM作为风电功率的区间预测模型，提出了考虑相对偏差的新评价指标作为适应度函数来降低区间外点的偏离程度。

进一步地，所述的步骤1)具体为：所述风机数据的获取方法有如下依据：风电场历史数据包括NWP数据和数据采集与监视控制系统提供的数据，选取风速、风向和温度作为模型的输入变量；

对样本数据进行聚类分析的方法包括如下步骤：

对于信号x(t)，EMD的分解步骤为：

1.1)找到并记录信号中所有的极大值点，并采用三次样条插值进行拟合，得到信号的上包络线e_up(t)；