[發明專利]一種基于IGOA優化ELM的超短期風電功率預測方法

有效

• 申請號: 202110788967.0
• 申請日: 2021-07-13
• 公開（公告）號: CN113468817B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 胡浩文;夏鑫;王曉露;張楚;彭甜;劉康;呂文卓
• 申請（專利權）人: 淮陰工學院
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J3/38;G06Q10/04;G06Q50/06;G06N3/006;G06N3/0499;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開一種基于IGOA優化ELM的超短期風電功率預測方法，包括：從風電場數據采集與監視控制系統獲取到歷史風速和風電功率數據，對數據進行預處理，并選取訓練數據樣本和測試數據樣本，建立ELM預測模型；對GOA進行改進，采用Cubic混沌映射方法對GOA的種群進行初始化；通過一種基于正弦函數的調整參數控制策略來更新遞減系數；在蝗蟲個體位置更新處引入柯西變異操作，得到IGOA；利用IGOA優化ELM的參數，獲得最優參數；將獲得的最優參數和測試數據樣本輸入到ELM預測模型中得到預測結果，并選取風電預測中常用的三種評價指標：均方根誤差RMSE、平均絕對誤差MAE和最大絕對值誤差Emax，對模型的預測性能進行評價。本發明有效地預測超短期風電功率，提高預測模型精度。

技術領域

本發明涉及風電功率預測領域，尤其涉及一種基于IGOA優化ELM的超短期風電功率預測方法。

背景技術

隨著風力發電技術日臻成熟，風電單機容量和并網型風電場規模不斷擴大，風電占電力系統發電總量的比例也逐年增加。風電場穿透功率不斷加大，給電力系統帶來的一系列問題日益突出，嚴重威肋、電力系統安全、穩定、經濟、可靠運行。對風電功率進行及時準確的預測，可以顯著增強電力系統的安全性、穩定性、經濟性和可控性。

極限學習機(Extreme?Learning?Machine，ELM)用來訓練單隱藏層前饋神經網絡(SLFN)與傳統的SLFN訓練算法不同，該算法隨機產生輸入層權重及隱含層偏置，且在訓練過中無需調整，只需要設置隱含層神經元的個數便可以獲得唯一的最優解。但是由于梯度下降法需要多次迭代，從而達到修正權值和閾值的目的，因此訓練過程耗時較長，同時容易陷入局部極小值。為此需要一種更高效的優化算法來提高極限學習機的預測精度。

蝗蟲算法(Grasshopper?Optimization?Algorithm,GOA)是由Saremi等于2017年提出的一種元啟發式仿生優化算法，但是在算法后期容易陷入局部極值點，收斂速度變慢，導致預測精度降低。為此引進Cubic混沌映射方法、通過一種基于正弦函數的調整參數控制策略來更新遞減系數以及在蝗蟲個體位置更新處引入柯西變異操作來改進傳統蝗蟲算法，然后再利用改進蝗蟲算法優化極限學習機并獲取最優參數，建立新的極限學習機預測模型，實現超短期風電功率預測。

發明內容

發明目的：本發明的目的是針對現有技術的不足，提出一種基于IGOA優化ELM的超短期風電功率預測方法，解決現有ELM預測模型存在參數難以確定，易陷入局部最優等技術問題，提高預測模型精度。

技術方案：一種基于IGOA優化ELM的超短期風電功率預測方法，包括以下步驟：

步驟1：從風電場數據采集與監視控制系統獲取到歷史風速和風電功率數據，對數據進行預處理，并選取訓練數據樣本和測試數據樣本，建立ELM預測模型；

步驟2：對GOA進行改進，采用Cubic混沌映射方法對GOA的種群進行初始化；

步驟3：通過一種基于正弦函數的調整參數控制策略來更新遞減系數；

步驟4：在蝗蟲個體位置更新處引入柯西變異操作，得到IGOA；

步驟5：利用IGOA優化ELM的參數，獲得最優參數；

步驟6：將獲得的最優參數和測試數據樣本輸入到ELM預測模型中得到預測結果，并選取風電預測中常用的三種評價指標：均方根誤差RMSE、平均絕對誤差MAE和最大絕對值誤差E_max，對模型的預測性能進行評價。

進一步地，步驟1中對數據預處理具體包括：

步驟1.1.1：如果采集到的功率數據比風電裝機容量大，用風電裝機容量代替，如果采集到的功率數據是負數，則用零代替；

步驟1.1.2：對于相鄰時刻之間缺失的數據，用相鄰兩數據的平均值替代，對于異常數據，用其前一時刻的數據替代；