引用本文

刘畅, 郎劲. 基于混核LSSVM的批特征风功率预测方法. 自动化学报, 2020, 46(6): 1264-1273. doi: 10.16383/j.aas.c180103

LIU Chang, LANG Jin. Wind Power Prediction Method Using Hybrid Kernel LSSVM With Batch Feature. ACTA AUTOMATICA SINICA, 2020, 46(6): 1264-1273. doi: 10.16383/j.aas.c180103

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180103

关键词

风功率预测，批特征，混核最小二乘支持向量机，差分进化，稀疏选择 

摘要

针对风电场风功率预测问题, 利用历史风功率、气象数据和测风塔实时数据等相关信息, 提出了带有批特征的混核最小二乘支持向量机(Hybrid kernel least squares support vector machine, HKLSSVM)方法, 建立风电场风功率预测模型.为了增强模型的适应性, 设计改进的差分进化算法对模型参数进行优化, 并利用稀疏选择方法来选取合适的训练样本集, 缩短建模时间, 保证预测模型精度.根据风场风机的地理位置分布情况, 提出批划分的建模策略, 对相近地理位置的风机进行组批, 替代传统风场风功率预测方法.通过风场中实际数据进行测试, 实验结果表明与其他预测方法相比, 本文提出的方法能够提高预测精度和效率, 减少风电波动性对电网的影响, 从而提高电网的安全性和可靠性.

文章导读

随着世界经济的快速发展, 未来对能源的需求会大幅增加.考虑到传统化石能源不断的消耗对生态环境造成的严重影响, 绿色和可再生能源如风能、太阳能、地热能、潮汐能等已成为各国政府努力发展方向, 在我国的"十三五规划"中也提出了对能源安全、绿色生产方面的要求.风电作为一种清洁能源, 能够缓解能源危机, 并能够部分代替化石燃料的使用, 减少温室气体的排放[1-3].由于风场风速具有随机性与波动性, 使得发电调度运行的不确定性显著增加, 甚至威胁电力系统的安全运行.因此, 高精度的风电功率预测技术对于电力系统的调度、运行和风电场的生产和维护以及提高风电场利用效率都具有十分重要的意义.

对于风电场风功率的预测一般可分为间接和直接两种方式, 一种是先预测风速, 再预测风功率; 另一种是直接预测风功率.间接的方法是根据风速的变化拟合风场功率特性曲线.但随着科技的不断发展, 各种多源化的数据信息为风功率预测提供了更多的参考.基于数据的风功率预测主要是利用风电场的风功率、风速、地形地貌、数值天气预报等多种数据来建立风电场输出功率的预测模型, 在保证风电场机组的设备正常运行的状态下, 可以直接通过输入的特征数据预测出风电场未来的有功功率.

一般来说, 风功率的预测分为3个不同的阶段:短期预测、中期预测、长期预测[4-6].目前研究人员多数采用数据解析的方法对风场不同阶段的风功率进行预测, 例如:自回归滑动平均(Auto-regressive and moving average, ARMA)[7]、极限学习机(Extreme learning machine, ELM)[8]、深度神经网络(Deep neural network, DNN)[9]等.此外, 一些混合人工智能方法也广泛应用在风功率预测中. Pousinho等[10]提出了一种混合的PSO-ANFIS方法对短期风功率进行预测. Haque等[11]结合小波变换和模糊神经网络来预测风场风功率. Heinermann等[12]提出一种机器学习集成方法对风功率进行预测, 将决策树与支持向量回归机相结合, 不仅获得了较高的预测精度, 而且减少了运算时间.此外, 一些时空模型[13]在最近几年也得到了广泛关注.

由于风场风速与周围环境的变化情况有关, 因此, 现场积累的数据具有高维度特征.针对于这类高维数据的特点[14], 一些基于核函数的预测方法得到了有效的验证[15-16], 并由此发展为多核函数之间的相互学习[17-18].例如, Ouyang等[19-20]分别提出了多核函数学习以及多模型混合学习的风功率预测方法. Khosravi等[21]结合了人工神经网络, 支持向量回归以及自适应神经推理系统对风速和风向进行预测. Yuan等[22]利用一种基于重力搜索方法(Gravitational search algorithm, GSA)来优化最小二乘支持向量机(Least squares support vector machine, LSSVM)模型的参数, 使得预测结果有一个更高的准确率. Zhang等[23]将固有时间尺度分解(Intrinsic time-scale decomposition, ITD)与LSSVM相结合, 提高了风功率的预测精度.

基于以上的研究内容, 本文采用基于混核的最小二乘支持向量机(Hybrid kernel least squares support vector machine, HKLSSVM)方法对风功率进行预测.为了增强模型的自适应性, 设计改进的差分进化(Improved differential evolution, IDE)算法对模型的参数进行优化, 同时利用稀疏选择策略来选取合适的训练数据集, 以缩短模型训练时间.针对于风电场风机的地形地貌特点, 提出了批划分的策略, 对风场风功率进行实时预测, 有效地解决了现场实际风功率预测精度不高的难题.

图 1  BSIDE-HKLSSVM流程图

图 2  某风场的风机分布

图 3  IDE与DE的风速预测模型收敛比较

本文提出带有批特征的混核最小二乘支持向量机方法对风场风功率进行预测.在建立模型的过程中, 为提高模型的适应性, 设计改进的差分进化算法对模型参数进行优化, 并利用稀疏选择方法对模型的训练数据集进行筛选, 以缩短预测模型的训练时间.为了使得风场风功率预测更加科学, 提出了批划分策略, 对风场的风机进行合理的划分.从实验结果可以看出, 与其他预测方法相比, 本文提出的改进方法能够对风场风功率进行准确预测.并且具有较高的预测精度, 可为后续的电力调度提供参考.

作者简介

郎劲  

东北大学辽宁省制造系统与物流优化重点实验室、东北大学流程工业综合自动化国家重点实验室讲师.主要研究方向为可再生能源, 风力发电和电力系统. E-mail: langjin@ise.neu.edu.cn

刘畅  

智能工业数据解析与优化教育部重点实验室(东北大学)、东北大学工业与系统工程研究所博士研究生.主要研究方向为机器学习和智能优化.本文通信作者. E-mail: lc1987328@126.com