精確的短期風(fēng)電功率預(yù)測建模對于提升新能源電力系統(tǒng)經(jīng)濟(jì)穩(wěn)定運行十分重要。針對傳統(tǒng)預(yù)測方法在小樣本學(xué)習(xí)、精細(xì)化建模、概率性預(yù)測等方面的不足和易陷入局部最優(yōu)的影響,首先以相關(guān)向量機(jī)（RVM）理論為核心,建立了基于RVM的風(fēng)電功率預(yù)測模型。然后,針對萬有引力搜索算法（GSA）缺少跳出局部最優(yōu)機(jī)制和群體記憶功能,提出了一種結(jié)合自適應(yīng)粒子群算法（APSO）的APSO-GSA混合優(yōu)化算法,利用該算法對RVM模型參數(shù)進(jìn)行優(yōu)化。最后,以中國西北某風(fēng)電場運行數(shù)據(jù)為例進(jìn)行驗證。結(jié)果表明,所提方法具有更高的建模精度和更快的收斂速度,實現(xiàn)了利用少量樣本和簡單模型對未來時刻風(fēng)電功率的精確預(yù)測。 

【文章來源】：電力系統(tǒng)保護(hù)與控制. 2020,48(02)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1粒子更新策略Fig.1Particleupdatestrategy

APSO-GSA優(yōu)化

ep3更新變量，計算粒子所受萬有引力合力、速度與加速度。Step4根據(jù)式(19)的慣性權(quán)重修正更新粒子慣性質(zhì)量；根據(jù)式(21)的群體記憶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復(fù)出現(xiàn)。Step6更新安全粒子集中的個體及群體的最優(yōu)位置及最佳適應(yīng)度值。Step7判斷計算結(jié)果是否滿足終止條件，若滿足則終止計算，輸出算法最優(yōu)解。若不滿足則重復(fù)Step3至Step6步，直到達(dá)到最大迭代次數(shù)或滿足終止條件為止。APSO-GSA優(yōu)化算法流程圖如圖2所示。圖2APSO-GSA算法流程圖Fig.2APSO-GSAalgorithmflowchart3基于APSO-GSA和相關(guān)向量機(jī)的短期風(fēng)電功率預(yù)測模型3.1用APSO-GSA優(yōu)化RVM參數(shù)用APSO-GSA算法優(yōu)化得到的粒子賦值給RVM待優(yōu)化參數(shù)，將Matlab/Simulink模型與APSO-GSA算法相結(jié)合，通過粒子對應(yīng)的性能指標(biāo)相聯(lián)系，再將性能指標(biāo)作為粒子適應(yīng)度值，最后通過判斷是否滿足結(jié)束條件來判斷是否結(jié)束尋優(yōu)。尋優(yōu)的過程如圖3所示。圖3APSO-GSA優(yōu)化RVM參數(shù)過程示意圖Fig.3SchematicdiagramofAPSO-GSAforoptimizingRVMparameters3.2預(yù)測誤差評價指標(biāo)準(zhǔn)確度評價是預(yù)測過程的重要組成部分，本文采用三種主要的誤差指標(biāo)來評估短期風(fēng)電功率單點預(yù)測精度，分別為均方根誤差[21](RMSE)、平均絕對誤差(MAE)及相關(guān)系數(shù)。RMSE可評估一段時期內(nèi)的整體誤差，而MAE偏重代表系統(tǒng)實時偏差。相關(guān)系數(shù)用于進(jìn)行相關(guān)分析，如果的值接近1，則兩者之間的相關(guān)性更強。以上指標(biāo)定義如下。1)均方根誤差RMSEEactpred2RMSEcap111()NtttEPPPN(24)2)平均絕對誤差M

【參考文獻(xiàn)】：
期刊論文
[1]短期風(fēng)電功率動態(tài)云模型不確定性預(yù)測方法[J]. 閻潔,李寧,劉永前,李莉,孔德明,龍泉.  電力系統(tǒng)自動化. 2019(03)
[2]基于多重離群點平滑轉(zhuǎn)換自回歸模型的短期風(fēng)電功率預(yù)測[J]. 陳昊,張建忠,許超,譚風(fēng)雷.  電力系統(tǒng)保護(hù)與控制. 2019(01)
[3]考慮大范圍多種類能源互補的中國西部清潔能源開發(fā)外送研究[J]. 潘爾生,李暉,肖晉宇,史銳,王帥,易海瓊,王智冬.  中國電力. 2018(09)
[4]基于多目標(biāo)離散粒子群算法的電容隔直裝置優(yōu)化配置[J]. 宋雨妍,王渝紅,劉天宇,李瑾,張文韜.  電網(wǎng)技術(shù). 2019(01)
[5]基于CEEMD和GWO的超短期風(fēng)速預(yù)測[J]. 王靜,李維德.  電力系統(tǒng)保護(hù)與控制. 2018(09)
[6]基于隨機(jī)預(yù)測控制理論和功率波動相關(guān)性的風(fēng)電集群優(yōu)化調(diào)度[J]. 葉林,李智,孫舶皓,湯涌,藍(lán)海波,吳林林,仲悟之,劉輝,張慈杭.  中國電機(jī)工程學(xué)報. 2018(11)
[7]基于神經(jīng)網(wǎng)絡(luò)平均影響值的超短期風(fēng)電功率預(yù)測[J]. 徐龍博,王偉,張?zhí)?楊莉,汪少勇,李煜東.  電力系統(tǒng)自動化. 2017(21)
[8]基于改進(jìn)EEMD-SE-ARMA的超短期風(fēng)功率組合預(yù)測模型[J]. 田波,樸在林,郭丹,王慧.  電力系統(tǒng)保護(hù)與控制. 2017(04)
[9]基于變分模態(tài)分解和蝙蝠算法-相關(guān)向量機(jī)的短期風(fēng)速區(qū)間預(yù)測[J]. 范磊,衛(wèi)志農(nóng),李慧杰,Kwok W Cheung,孫國強,孫永輝.  電力自動化設(shè)備. 2017(01)

博士論文
[1]風(fēng)電功率預(yù)測不確定性及電力系統(tǒng)經(jīng)濟(jì)調(diào)度[D]. 閻潔.華北電力大學(xué)(北京) 2016

碩士論文
[1]基于混沌理論的短期風(fēng)電功率預(yù)測方法研究[D]. 鄭婷婷.大連理工大學(xué) 2013



本文編號：3242224