基于APSO-GSA和相关向量机的短期风电功率预测
发布时间：2021-06-22 05:32
精确的短期风电功率预测建模对于提升新能源电力系统经济稳定运行十分重要。针对传统预测方法在小样本学习、精细化建模、概率性预测等方面的不足和易陷入局部最优的影响,首先以相关向量机（RVM）理论为核心,建立了基于RVM的风电功率预测模型。然后,针对万有引力搜索算法（GSA）缺少跳出局部最优机制和群体记忆功能,提出了一种结合自适应粒子群算法（APSO）的APSO-GSA混合优化算法,利用该算法对RVM模型参数进行优化。最后,以中国西北某风电场运行数据为例进行验证。结果表明,所提方法具有更高的建模精度和更快的收敛速度,实现了利用少量样本和简单模型对未来时刻风电功率的精确预测。
【文章来源】：电力系统保护与控制. 2020,48(02)北大核心CSCD
【文章页数】：8 页
【部分图文】：
图1粒子更新策略Fig.1Particleupdatestrategy
APSO-GSA优化
ep3更新变量，计算粒子所受万有引力合力、速度与加速度。Step4根据式(19)的惯性权重修正更新粒子惯性质量；根据式(21)的群体记忆能力更新粒子的速度。Step5更新粒子，采用粒子更新策略避免非安全粒子的重复出现。Step6更新安全粒子集中的个体及群体的最优位置及最佳适应度值。Step7判断计算结果是否满足终止条件，若满足则终止计算，输出算法最优解。若不满足则重复Step3至Step6步，直到达到最大迭代次数或满足终止条件为止。APSO-GSA优化算法流程图如图2所示。图2APSO-GSA算法流程图Fig.2APSO-GSAalgorithmflowchart3基于APSO-GSA和相关向量机的短期风电功率预测模型3.1用APSO-GSA优化RVM参数用APSO-GSA算法优化得到的粒子赋值给RVM待优化参数，将Matlab/Simulink模型与APSO-GSA算法相结合，通过粒子对应的性能指标相联系，再将性能指标作为粒子适应度值，最后通过判断是否满足结束条件来判断是否结束寻优。寻优的过程如图3所示。图3APSO-GSA优化RVM参数过程示意图Fig.3SchematicdiagramofAPSO-GSAforoptimizingRVMparameters3.2预测误差评价指标准确度评价是预测过程的重要组成部分，本文采用三种主要的误差指标来评估短期风电功率单点预测精度，分别为均方根误差[21](RMSE)、平均绝对误差(MAE)及相关系数。RMSE可评估一段时期内的整体误差，而MAE偏重代表系统实时偏差。相关系数用于进行相关分析，如果的值接近1，则两者之间的相关性更强。以上指标定义如下。1)均方根误差RMSEEactpred2RMSEcap111()NtttEPPPN(24)2)平均绝对误差M
【参考文献】：
期刊论文
[1]短期风电功率动态云模型不确定性预测方法[J]. 阎洁,李宁,刘永前,李莉,孔德明,龙泉. 电力系统自动化. 2019(03)
[2]基于多重离群点平滑转换自回归模型的短期风电功率预测[J]. 陈昊,张建忠,许超,谭风雷. 电力系统保护与控制. 2019(01)
[3]考虑大范围多种类能源互补的中国西部清洁能源开发外送研究[J]. 潘尔生,李晖,肖晋宇,史锐,王帅,易海琼,王智冬. 中国电力. 2018(09)
[4]基于多目标离散粒子群算法的电容隔直装置优化配置[J]. 宋雨妍,王渝红,刘天宇,李瑾,张文韬. 电网技术. 2019(01)
[5]基于CEEMD和GWO的超短期风速预测[J]. 王静,李维德. 电力系统保护与控制. 2018(09)
[6]基于随机预测控制理论和功率波动相关性的风电集群优化调度[J]. 叶林,李智,孙舶皓,汤涌,蓝海波,吴林林,仲悟之,刘辉,张慈杭. 中国电机工程学报. 2018(11)
[7]基于神经网络平均影响值的超短期风电功率预测[J]. 徐龙博,王伟,张滔,杨莉,汪少勇,李煜东. 电力系统自动化. 2017(21)
[8]基于改进EEMD-SE-ARMA的超短期风功率组合预测模型[J]. 田波,朴在林,郭丹,王慧. 电力系统保护与控制. 2017(04)
[9]基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测[J]. 范磊,卫志农,李慧杰,Kwok W Cheung,孙国强,孙永辉. 电力自动化设备. 2017(01)
博士论文
[1]风电功率预测不确定性及电力系统经济调度[D]. 阎洁.华北电力大学(北京) 2016
硕士论文
[1]基于混沌理论的短期风电功率预测方法研究[D]. 郑婷婷.大连理工大学 2013
本文编号：3242224
【文章来源】：电力系统保护与控制. 2020,48(02)北大核心CSCD
【文章页数】：8 页
【部分图文】：
图1粒子更新策略Fig.1Particleupdatestrategy
APSO-GSA优化
ep3更新变量，计算粒子所受万有引力合力、速度与加速度。Step4根据式(19)的惯性权重修正更新粒子惯性质量；根据式(21)的群体记忆能力更新粒子的速度。Step5更新粒子，采用粒子更新策略避免非安全粒子的重复出现。Step6更新安全粒子集中的个体及群体的最优位置及最佳适应度值。Step7判断计算结果是否满足终止条件，若满足则终止计算，输出算法最优解。若不满足则重复Step3至Step6步，直到达到最大迭代次数或满足终止条件为止。APSO-GSA优化算法流程图如图2所示。图2APSO-GSA算法流程图Fig.2APSO-GSAalgorithmflowchart3基于APSO-GSA和相关向量机的短期风电功率预测模型3.1用APSO-GSA优化RVM参数用APSO-GSA算法优化得到的粒子赋值给RVM待优化参数，将Matlab/Simulink模型与APSO-GSA算法相结合，通过粒子对应的性能指标相联系，再将性能指标作为粒子适应度值，最后通过判断是否满足结束条件来判断是否结束寻优。寻优的过程如图3所示。图3APSO-GSA优化RVM参数过程示意图Fig.3SchematicdiagramofAPSO-GSAforoptimizingRVMparameters3.2预测误差评价指标准确度评价是预测过程的重要组成部分，本文采用三种主要的误差指标来评估短期风电功率单点预测精度，分别为均方根误差[21](RMSE)、平均绝对误差(MAE)及相关系数。RMSE可评估一段时期内的整体误差，而MAE偏重代表系统实时偏差。相关系数用于进行相关分析，如果的值接近1，则两者之间的相关性更强。以上指标定义如下。1)均方根误差RMSEEactpred2RMSEcap111()NtttEPPPN(24)2)平均绝对误差M
【参考文献】：
期刊论文
[1]短期风电功率动态云模型不确定性预测方法[J]. 阎洁,李宁,刘永前,李莉,孔德明,龙泉. 电力系统自动化. 2019(03)
[2]基于多重离群点平滑转换自回归模型的短期风电功率预测[J]. 陈昊,张建忠,许超,谭风雷. 电力系统保护与控制. 2019(01)
[3]考虑大范围多种类能源互补的中国西部清洁能源开发外送研究[J]. 潘尔生,李晖,肖晋宇,史锐,王帅,易海琼,王智冬. 中国电力. 2018(09)
[4]基于多目标离散粒子群算法的电容隔直装置优化配置[J]. 宋雨妍,王渝红,刘天宇,李瑾,张文韬. 电网技术. 2019(01)
[5]基于CEEMD和GWO的超短期风速预测[J]. 王静,李维德. 电力系统保护与控制. 2018(09)
[6]基于随机预测控制理论和功率波动相关性的风电集群优化调度[J]. 叶林,李智,孙舶皓,汤涌,蓝海波,吴林林,仲悟之,刘辉,张慈杭. 中国电机工程学报. 2018(11)
[7]基于神经网络平均影响值的超短期风电功率预测[J]. 徐龙博,王伟,张滔,杨莉,汪少勇,李煜东. 电力系统自动化. 2017(21)
[8]基于改进EEMD-SE-ARMA的超短期风功率组合预测模型[J]. 田波,朴在林,郭丹,王慧. 电力系统保护与控制. 2017(04)
[9]基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测[J]. 范磊,卫志农,李慧杰,Kwok W Cheung,孙国强,孙永辉. 电力自动化设备. 2017(01)
博士论文
[1]风电功率预测不确定性及电力系统经济调度[D]. 阎洁.华北电力大学(北京) 2016
硕士论文
[1]基于混沌理论的短期风电功率预测方法研究[D]. 郑婷婷.大连理工大学 2013
本文编号：3242224
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3242224.html
