[发明专利]基于核极限学习机模型的风电功率预测方法及装置

说明书

本发明提供一种基于核极限学习机模型的风电功率预测方法及装置，涉及风电技术领域。所述方法包括：初始化量子粒子群算法的算法参数；对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；根据优化量子粒子群算法优化核极限学习机参数，基于优化核极限学习机模型进行风电功率预测。所述装置执行上述方法。本发明实施例提供的方法及装置，能够提高核极限学习机模型的风电功率预测精度。

技术领域

本发明涉及风电技术领域，具体涉及一种基于核极限学习机模型的风电功率预测方法及装置。

背景技术

近年来，随着全球石化能源的不断减少和人们对环境污染问题日益重视，电力生产由原来的煤炭资源逐渐向可再生清洁能源转变。其中，风能作为一种常见的可再生能源，具有巨大的开发利用价值。然而，风电的间接性会对电网的稳定性带来安全隐患，这已经成为限制风电发展的重要因素。风电功率预测可以为电网调度部门提供有效指导，进而提升风电的利用效率。因此，风电功率预测是智慧电网的重要组成部分。

现有风电研究大致可划分3种方法，即风电功率预测统计模型，物理预测模型和人工智能预测模型。其中，人工智能预测模型以其较为精准的预测性能得到了较多的关注和应用。然而，采用人工智能方法通常存在模型参数不准确而影响预测效果的问题，具体包括粒子群优化算法存在搜索后期搜索精度低，搜索粒子容易陷入局部最优解的问题，进而导致核极限学习机参数选择不当，影响模型预测精度。

发明内容

针对现有技术中的问题，本发明实施例提供一种基于核极限学习机模型的风电功率预测方法及装置，能够至少部分地解决现有技术中存在的问题。

一方面，本发明提出一种基于核极限学习机模型的风电功率预测方法，包括：

初始化量子粒子群算法的算法参数；所述算法参数包括个体最优位置和粒子位置；

对随机选取的每一个粒子进行变异操作处理，对变异操作处理后的粒子进行交叉操作处理，并更新粒子位置；所述变异操作处理包括粒子位置差分处理；

若确定个体最优位置的适应值小于等于最近一次的全局最优位置的适应值，则将所述个体最优位置的适应值作为当前全局最优位置的适应值，并对所述粒子位置进行局部搜索处理；

若确定局部搜索处理的粒子位置的适应值满足预设算法终止条件，则利用风电功率建模数据，并根据优化量子粒子群算法优化核极限学习机参数，得到优化核极限学习机模型，基于所述优化核极限学习机模型进行风电功率预测。

其中，所述对随机选取的每一个粒子进行变异操作处理，包括：

根据如下公式对随机选取的每一个粒子进行变异操作处理：

V_i(t)＝X_r1(t)+F×(X_r2(t)-X_r3(t))

其中，V_i(t)为变异操作的第i个粒子、r1、r2和r3的取值区间为不大于种群数的随机整数、F为预设缩放参数、X_r1(t)、X_r2(t)和X_r3(t)分别为与r1、r2和r3分别对应的粒子位置、t为迭代次数。

其中，所述对所述粒子位置进行局部搜索处理，包括：

根据如下公式对对所述粒子位置进行局部搜索处理：

X'(t)＝X(t)+aδ

其中，X'(t)为局部搜索处理的粒子位置、X(t)为粒子位置、a为扰动参数、δ为与X(t)维数相同的随机向量、t为迭代次数。