[發明專利]基于混沌螢火蟲算法和貝葉斯網絡的風電功率概率性預測方法

有效

• 申請號: 201910541439.8
• 申請日: 2019-06-21
• 公開（公告）號: CN110264006B
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 何耀耀;祝賀功;施諾;趙秋宇;李路遙;范慧玲;張婉瑩
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/00;G06Q50/06
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于混沌螢火蟲算法和貝葉斯網絡的風電功率概率性預測方法，其特征是按以下步驟進行：

步驟1、獲取風速、風向、氣溫和風電實際功率數據并進行數據預處理：

步驟1.1、采集風速的歷史數據構成原始風速序列，并對所述原始風速序列進行缺失值和異常值的填補以及歸一化處理，從而得到預處理后的風速序列，記為V＝[v₁,v₂,...v_i,...,v_N]，v_i為所述預處理后的風速序列V中第i個時刻點的風速數據，1≤i≤N，N為樣本總數；

采集風向的歷史數據構成原始風向序列，并對所述原始風向序列進行缺失值和異常值的填補以及歸一化處理，從而得到預處理后的風向序列，記為F＝[f₁,f₂,...f_i...f_N],f_i為所述預處理后的風向序列F中第i個時刻點的風向數據；

采集氣溫的歷史數據構成原始氣溫序列，并對所述原始氣溫序列進行缺失值和異常值的填補以及歸一化處理，從而得到預處理后的氣溫序列，記為T＝[w₁,w₂,...w_i,...w_N]，w_i為所述預處理后的氣溫序列T中第i個時刻點的氣溫數據；

采集風電的實際功率歷史數據構成原始風電功率序列，并對所述原始風電功率序列進行缺失值和異常值的填補以及歸一化處理，從而得到預處理后的風電功率序列，記為P＝[p₁,p₂,...,p_i,...,p_N]，p_i為所述預處理后的風電功率序列P中第i個時刻點的風電功率數據；

將所述預處理后的風速序列、風向序列、氣溫序列、風電功率序列所組成的數據集分為訓練集數據和測試集數據；

步驟1.2、對預處理后的風電功率序列P進行經驗模態分解，得到由k個IMF分量和一個余量所組成的數據集；所述k個IMF分量記為為第j個IMF分量，且為第j個IMF分量中第i個時刻點的風電功率分解值；

步驟2、利用訓練集數據構建貝葉斯網絡模型：

步驟2.1、將所述第j個IMF分量中第i個時刻點的風電功率分解值和第i個時刻點的風速數據v_i、風向數據f_i和氣溫數據w_i作為貝葉斯網絡模型中的影響因子，將第j個IMF分量中第i+1個時刻點的風電功率分解值作為輸出節點，從而構建貝葉斯網絡模型；

步驟2.2、根據歷史數據，分別計算每個影響因子在不同取值時所對應的輸出節點的條件概率，從而得到條件概率表；

步驟2.3、根據所述條件概率表和貝葉斯網絡模型，得到第j個IMF分量中第i+1時刻點的功率分解值的概率分布，并將概率分布曲線上的最高點所對應的功率區間作為第j個IMF分量中第i+1個時刻點的風電功率分解值的初始預測區間；

步驟2.4、重復步驟2.1-步驟2.3，從而得到k個IMF分量中第i+1個時刻點的功率分解值的初始預測區間，并將k個IMF分量中第i+1個時刻點的功率分解值的初始預測區間之和作為第i+1個時刻點的風電功率預測區間，記為

步驟3、使用混沌螢火蟲算法得到最優區間幅值變化范圍：

步驟3.1、根據所述第i+1個時刻點的風電功率預測區間確定第i+1個時刻點預測區間的中位數其中，作為第i+1個時刻點的風電功率預測值；

將第i+1個時刻點的風電功率預測區間的下限除以第i+1個時刻點的風電功率預測值作為第i+1個時刻點的下限比值記為從而得到N個時刻點的下限比值，并選取所述N個時刻點的下限比值中的最大值和最小值作為下限比值β_low的變化范圍；

將第i+1個時刻點的風電功率預測區間的上限除以第i+1個時刻點的風電功率預測值作為第i+1個時刻點的上限比值記為從而得到N個時刻點的上限比值，并選取所述N個時刻點的上限比值中的最大值和最小值作為上限比值β_high的變化范圍；

將下限比值β_low和上限比值β_high作為混沌螢火蟲算法待優化的參數，并將相應的兩個變化范圍作為種群的變化范圍；

步驟3.2、初始化種群：

設定壓縮算子為g，種群規模為M，當前進化代數為t，最大進化代數為T_max，當前混沌搜索次數為d，最大混沌搜索次數為D_max，光強吸收因子γ，γ∈[0,1]，最大吸引度ω₀，步長因子η，η∈[0,1]；

初始化t＝0時，在種群的變化范圍內生成M個隨機數并作為M個螢火蟲的初始位置，其中，令第t次進化迭代時第n個螢火蟲的初始位置記為第m個螢火蟲的初始位置為1≤n≤M,1≤m≤M，其中，為第t次進化迭代時第n個螢火蟲在下限比值β_low的變化范圍中的隨機數，為第t次進化迭代時第n只螢火蟲在上限比值β_high的變化范圍中的隨機數，為第t次進化迭代時第m個螢火蟲在下限比值β_low的變化范圍中的隨機數，為第t次進化迭代時第m只螢火蟲在上限比值β_high的變化范圍中的隨機數，則螢火蟲種群的初始位置記為

步驟3.3、計算螢火蟲的熒光亮度：

利用式(1)構建第t次進化迭代時第n只螢火蟲的亮度并作為第n只螢火蟲的適應度值，并根據式(1)得到第t次進化迭代時第m只螢火蟲的亮度

式(1)中，u是置信水平，為第t次進化迭代時第n只螢火蟲的預測區間平均帶寬，并通過式(2)得到，為第t次進化迭代時第n只螢火蟲的預測區間覆蓋率，并通過式(3)得到，為關于預測區間覆蓋率的函數，并通過式(4)得到，λ為預測區間覆蓋率未達到置信水平μ時的懲罰系數；

式(2)中，R為風電功率真實值序列P＝[p₁,p₂,...,p_i,...,p_N]中的最大值與最小值的差值，為第t次進化迭代時第n只螢火蟲的第i+1個時刻點的預測區間下界，并通過式(5)得到，為第t次進化迭代時第n只螢火蟲的第i+1個時刻點的預測區間上界，并通過式(6)得到；

式(3)中，b_n,i+1為第n只螢火蟲的第i+1個時刻點的布爾常量，若第i+1個時刻點的風電功率真實值p_i+1在第t次進化迭代時第n只螢火蟲的第i+1個時刻點的預測區間范圍內，則令b_n,i+1＝1；否則，令b_n,i+1＝0；

式(5)和式(6)中，為第n只螢火蟲的第i+1個時刻點預測區間的中位數；

根據螢火蟲的初始位置和適應度函數，將每只螢火蟲的適應度值作為螢火蟲的初始熒光亮度將第t次進化迭代時熒光亮度中的最小值記為其中，為第t次進化迭代時，螢火蟲種群中的最優位置，為最優位置的第一個分量，為最優位置的第二個分量；令I_gmin(X_gbest)為經過t次進化迭代后的全局最優適應度值，且令令全局最優位置

步驟3.4、螢火蟲位置移動：

根據所述光強吸收因子γ和最大吸引度ω₀，得到第m只螢火蟲和第n只螢火蟲的相互吸引度ω；若則第m只螢火蟲按照相互吸引度ω朝向第n只螢火蟲移動；并得到第m只螢火蟲更新后的位置并作為第t+1次進化迭代時的第m只螢火蟲的位置，記為否則，則第n只螢火蟲按照相互吸引度ω朝向第m只螢火蟲移動；并得到第n只螢火蟲更新后的位置并作為第t+1次進化迭代時的第n只螢火蟲的位置，記為從而得到所有螢火蟲更新后的位置并構成第t+1次進化迭代時的螢火蟲種群；

步驟3.5、利用式(1)獲得第t+1次進化迭代時的螢火蟲種群中每個個體的亮度，并比較各個螢火蟲個體之間的亮度，從而在第t+1次進化迭代時的螢火蟲種群中尋找亮度最小的螢火蟲的適應度值，記為其中，為第t+1次進化迭代后螢火蟲種群中的最優位置；

如果全局最優適應度值則將賦值給X_gbest，從而更新全局最優位置X_gbest；否則，全局最優位置X_gbest保持不變；

步驟3.6、在第t+1次進化迭代時螢火蟲種群中的最優位置附近進行局部搜索：

初始化d＝0，在[-1,1]區間內隨機生成第d次混沌搜索時的第q維混沌變量q表示維度，且q＝1,2；

將第t+1次進化迭代時的最優位置賦值給第d次混沌搜索時的最優坐標y^(d)，且q＝1時，q＝2時，為在第d次混沌搜索時最優坐標y^(d)的第q個分量；

步驟3.7、運用式(7)所示的logistic映射進行混沌搜索，得到第d+1次混沌搜索時的混沌變量

式(7)中，s為常數，且0＜s≤2；

步驟3.8、利用式(8)得到第d+1次混沌搜索時的最優坐標y^(d+1)的第q個分量

式(8)中，當q＝1時，x_q,max為螢火蟲種群的初始位置的第一個分量中的最大值，x_q,min為螢火蟲種群的初始位置的第一個分量中的最小值；當q＝2時，x_q,max為螢火蟲種群的初始位置的第二個分量中的最大值，x_q,min為螢火蟲種群的初始位置的第二個分量中的最小值；g^(t)為第t次進化迭代后壓縮算子，并利用式(9)得到：

式(9)中，L為大于0的常數；

步驟3.9、如果d＜D_max，則將d+1賦值給d后，返回步驟3.7；否則，通過混沌搜索獲得最優坐標序列并執行步驟3.9.1；

步驟3.9.1、利用式(1)計算最優坐標序列的適應度值在所述最優坐標序列的適應度值中尋找最小的適應度值記為I_min(y_best)，其中，y_best為最優坐標序列中的最優位置；

如果則通過更新否則，令保持不變；

步驟3.9.2如果全局最優適應度值則通過更新全局最優位置；否則，令全局最優位置X_gbest保持不變；

步驟3.10、如果t＜T_max，則將t+1賦值給t，并返回步驟3.3；否則，表示得到螢火蟲種群中的全局最優位置X_gbest，即得到適應度函數的最優解和

步驟4、根據所述最優解和分別計算第i+1個時刻點的預測區間的最優下界第i+1個時刻點的預測區間的最優上界并由預測區間的最優下界和最優上界構成最終預測區間，再將測試集數據代入所述貝葉斯網絡模型中，從而完成風電功率的概率性預測。