本發(fā)明屬于風(fēng)電
技術(shù)領(lǐng)域：
，特別涉及一種SVM風(fēng)電功率預(yù)測(cè)方法。
背景技術(shù)：
：現(xiàn)有技術(shù)中，有很多模型可用于風(fēng)電功率預(yù)測(cè)之中。比如時(shí)間序列分析是采用模型對(duì)所觀測(cè)到的有序的隨機(jī)數(shù)據(jù)進(jìn)行分析和處理的一種數(shù)據(jù)處理方法。BP神經(jīng)網(wǎng)絡(luò)雖然有很好的魯棒性、泛化能力、容錯(cuò)能力。然而，時(shí)間序列分析對(duì)于模型階數(shù)的不同會(huì)有很大差異。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢，易陷入局部極小而得不到全局最優(yōu)值等等。本發(fā)明涉及的參考文獻(xiàn)包括：[1]冬雷，廖曉鐘，王麗婕.大型風(fēng)電場(chǎng)發(fā)電功率建模與預(yù)測(cè)[M].北京：科學(xué)出版社，2014:39[2]史潔.基于支持向量機(jī)的風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法研究[D].河北：華北電力大學(xué)，2009[3]Chi-HungWu,Gwo-HshiungTzeng.ANovelhybridgeneticalgorithmforkernelfunctionandparameteroptimizationinsupportvectorregression[J].ExpertSystemswithApplications,2009,(36):4725-4735.[4]張倩，楊耀權(quán).基于支持向量機(jī)核函數(shù)的研究[J].電力科學(xué)與工程,2012,28(05):42-45.[5]潘文超.果蠅最佳化演算法[M].臺(tái)灣：滄海書局，2011,12技術(shù)實(shí)現(xiàn)要素：本發(fā)明目的是提供一種SVM風(fēng)電功率預(yù)測(cè)方法，提高風(fēng)電功率預(yù)測(cè)精度。一種SVM風(fēng)電功率預(yù)測(cè)方法，基于SVM，即支持向量機(jī)，采用基于改進(jìn)果蠅算法的SVM模型(MFOA-SVM)對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，其中包括以下步驟：第一步：確定所需要的適應(yīng)度函數(shù)；第二步:初始化果蠅算法中種群大小和迭代次數(shù)，選擇好SVM相關(guān)參數(shù)；第三步：建立SVM訓(xùn)練模型并進(jìn)行預(yù)測(cè)，計(jì)算適應(yīng)度函數(shù)(預(yù)測(cè)結(jié)果與實(shí)際值的均方根誤差)，得到每一代群組規(guī)模中最佳的參數(shù)值，并記錄下來(lái)；第四步：更新果蠅群體位置，重復(fù)第二步直到達(dá)到最大迭代次數(shù)，輸出最優(yōu)值。建立SVM訓(xùn)練模型還包括步驟如下：1)對(duì)采集到的數(shù)據(jù)進(jìn)行剔除、變換、補(bǔ)充；2)對(duì)數(shù)據(jù)進(jìn)行分類，并進(jìn)行歸一化處理；3)初始化種群規(guī)模與迭代次數(shù)，訓(xùn)練SVM模型，確定最優(yōu)參數(shù)c,g；4)將我們處理好的數(shù)據(jù)代入SVM模型進(jìn)行預(yù)測(cè)；5)根據(jù)我們所需要的適應(yīng)度函數(shù)來(lái)計(jì)算適應(yīng)度值，每一代記錄下最佳值，通過(guò)每一次迭代的比較，得出最優(yōu)值，輸出預(yù)測(cè)精度。本發(fā)明提出了一種改進(jìn)的果蠅算法優(yōu)化的支持向量機(jī)的預(yù)測(cè)方法。由于支持向量機(jī)的懲罰因子和核函數(shù)參數(shù)選擇對(duì)預(yù)測(cè)精度有很大影響，因而利用改進(jìn)的果蠅算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，用優(yōu)化好的參數(shù)進(jìn)行建模訓(xùn)練，然后把建好的模型應(yīng)用于功率預(yù)測(cè)，最后對(duì)數(shù)據(jù)進(jìn)行評(píng)估。附圖說(shuō)明圖1現(xiàn)有技術(shù)中果蠅搜索食物示意圖。圖2本發(fā)明實(shí)施例中迭代步進(jìn)值2*rand()-1時(shí)的優(yōu)化結(jié)果。圖3本發(fā)明實(shí)施例中迭代步進(jìn)值20*rand()-10時(shí)的優(yōu)化結(jié)果。圖4本發(fā)明涉及的MFOA-SVM模型圖。圖5本發(fā)明的MFOA優(yōu)化流程圖。圖6本發(fā)明實(shí)施例測(cè)試樣本在MFOA-SVM優(yōu)化前后數(shù)據(jù)的比較。圖7本發(fā)明實(shí)施例測(cè)試目標(biāo)MFOA-SVM優(yōu)化前后數(shù)據(jù)的比較。圖8本發(fā)明實(shí)施例測(cè)試目標(biāo)預(yù)測(cè)后的平均相對(duì)誤差。具體實(shí)施方式目前支持向量機(jī)[1]在風(fēng)電功率預(yù)測(cè)中的應(yīng)用越來(lái)越廣泛，不過(guò)仍然有很多問(wèn)題需要去改進(jìn)。在文獻(xiàn)[2]中結(jié)合風(fēng)電機(jī)組功率特性曲線，基于支持向量機(jī)建立了分段混合預(yù)測(cè)模型，使平均預(yù)測(cè)精度提高了4.76％。由于模型建立過(guò)程中，訓(xùn)練數(shù)據(jù)對(duì)預(yù)測(cè)效果有著很大的影響，對(duì)此本發(fā)明對(duì)支持向量機(jī)的改進(jìn)進(jìn)行了研究。影響支持向量機(jī)模型的主要因素是懲罰系數(shù)c和核函數(shù)參數(shù)g。支持向量機(jī)中最優(yōu)化問(wèn)題為其中，||w||2稱為結(jié)構(gòu)風(fēng)險(xiǎn)，為經(jīng)驗(yàn)風(fēng)險(xiǎn)，c為懲罰參數(shù),ξi,為松弛變量，ε為估計(jì)精度，Φ(xi)將數(shù)據(jù)xi映射到高維特征空間，b是常值偏差。在支持向量機(jī)建模過(guò)程中，選擇適當(dāng)?shù)暮撕瘮?shù)巧妙地解決了高維特征空間引起的維數(shù)災(zāi)難問(wèn)題。在文獻(xiàn)[3]和文獻(xiàn)[4]中通過(guò)實(shí)驗(yàn)詳細(xì)分析了核函數(shù)對(duì)于支持向量機(jī)的影響，選擇正確的核函數(shù)能夠降低訓(xùn)練誤差。目前研究最多的核函數(shù)主要有三類：一是多項(xiàng)式核函數(shù)，二是RBF核函數(shù)，三是sigmoid函數(shù)，RBF核函數(shù)是一個(gè)適用廣泛的核函數(shù)，與其他核函數(shù)相比，有以下幾個(gè)優(yōu)點(diǎn)：(1)RBF的參數(shù)較少，降低了模型的復(fù)雜程度。(2)RBF直接反映了兩個(gè)數(shù)據(jù)的距離。(3)RBF更易于數(shù)值計(jì)算，不存在無(wú)窮大點(diǎn)和奇異點(diǎn)的問(wèn)題。遂本發(fā)明采用RBF函數(shù)k(x,xi)＝exp(-||x-xi||2/2σ2)(2)x,xi為數(shù)據(jù)點(diǎn)，σ為核參數(shù)。作為核函數(shù)，實(shí)驗(yàn)表明，預(yù)測(cè)效果較好。以下是關(guān)于改進(jìn)的果蠅算法及其性能分析?；镜墓墐?yōu)化算法果蠅優(yōu)化算法[5](FruitFlyOptimizationAlgorithm,FOA)是臺(tái)灣的潘文超于2011年提出的一種基于果蠅覓食行為推演出尋求全局優(yōu)化的新方法。其尋優(yōu)步驟:(1)首先隨機(jī)初始果蠅群體位置。InitX_axisInitY_axis//X,Y表示圖1中的位置坐標(biāo)(x,y)(2)給出果蠅個(gè)體利用嗅覺(jué)搜尋食物的方向與距離Xi＝X_axis+RandomValue//向隨機(jī)的方向和距離尋找到后目標(biāo)的X坐標(biāo)Yi＝Y(jié)_axis+RandomValue//向隨機(jī)的方向和距離尋找到后目標(biāo)的Y坐標(biāo)(3)由于無(wú)法得知食物位置，因此先估計(jì)與原點(diǎn)的距離(D),再計(jì)算味道濃度判定值(Si)。Di=(xi2+yi2);---(3)]]>Si＝1/Di(4)(4)味道濃度判定值(s)代入味道濃度判定函數(shù)(或稱為Fitnessfunction)求出該果蠅個(gè)體位置的味道濃度(Smelli).Smelli＝Function(Si)(5)找出此果蠅群體的中味道濃度最高的果蠅[bestSmellbestIndex]＝max(Smell)(6)保留最佳味道濃度值與x、y坐標(biāo)，此時(shí)果蠅群體利用視覺(jué)往該位置飛去。Smellbest＝bestSmell；X_axis＝X(bestIndex)；Y_axis＝Y(jié)(bestIndex)(7)進(jìn)入迭代尋優(yōu)，重復(fù)執(zhí)行步驟2-5，并判斷味道濃度是否優(yōu)于前一迭代味道濃度，若是則執(zhí)行步驟(6)，直到找到最佳味道濃度值。改進(jìn)的果蠅算法對(duì)于果蠅算法的參數(shù)問(wèn)題和早熟問(wèn)題，提高果蠅算法的尋優(yōu)能力，下面從改變種群大小、初始位置設(shè)定、迭代步進(jìn)值來(lái)提高果蠅算法的搜尋能力。種群大小關(guān)系著FOA搜尋能力的高低，越多果蠅去尋找食物，就會(huì)越快發(fā)現(xiàn)食物的蹤跡。選擇適量的果蠅數(shù)目并設(shè)定果蠅合適的初始位置來(lái)提高解決問(wèn)題的效率。同時(shí)選取不同的步長(zhǎng)值影響果蠅算法的搜尋能力。程序如下：X_axis＝50*rand()；Y_axis＝50*rand()；％果蠅初始位置設(shè)定為50乘以1隨機(jī)數(shù)值時(shí)搜尋極大值maxgen＝10；％迭代次數(shù)Sizepop＝20；％種群規(guī)模大小，不同的種群大小會(huì)有不同的結(jié)果Fori＝1:sizepopX(i)＝X_axis+20*rand()-10；％果蠅補(bǔ)償值設(shè)定為20乘以隨機(jī)數(shù)值再減10求極大值Y(i)＝Y(jié)_axis+20*rand()-10；D(i)＝(X(i)2+Y(i)2)1/2；S(i)＝1/D(i)；Smell(i)＝fitness；End現(xiàn)在利用求解函數(shù)y＝-5+x^2極小值來(lái)加以分析。種群數(shù)量分別為3只，10只，20只果蠅來(lái)搜尋，迭代次數(shù)分別10次，100次，1000次，迭代步進(jìn)值設(shè)定為2*rand()-1和20*rand()-10。從圖2和3中可以看出，不同的種群數(shù)量，迭代次數(shù)以及迭代步進(jìn)值的不同對(duì)函數(shù)的收斂的程度是不一樣的。yy1，yy2，yy3分別表示迭代次數(shù)1000次，100次，10次得到的函數(shù)極小值。橫坐標(biāo)代表迭代次數(shù)，縱坐標(biāo)代表優(yōu)化的最優(yōu)值。改進(jìn)果蠅算法的收斂性分析在實(shí)際計(jì)算中，果蠅的距離D是在很大的一個(gè)范圍內(nèi)隨機(jī)取值，相應(yīng)味道濃度判定值Si可能出現(xiàn)在很小的范圍之內(nèi)，從而FOA容易陷入局部極值，無(wú)法尋找全局極值。所以我們?cè)诟倪M(jìn)的算法上在計(jì)算味道濃度判定值時(shí)加入一個(gè)跳脫參數(shù)Δ(即跳脫局部極值)，通過(guò)此參數(shù)，式(4)為Sm=Si+Δ;Δ=Di×(0.5-δ);0≤δ≤1---(5)]]>這樣一來(lái)，味道判定值Sm擴(kuò)大了分布范圍，當(dāng)距離值D很大時(shí)，避免了Sm陷入極小值。此改進(jìn)也稱為修正型果蠅優(yōu)化算法(MFOA)。證明：假設(shè)H＝{h(1),h(2),h(3),….h(t),h(t+1)}表示從第一代到底t+1代每代的最優(yōu)值，則滿足h(1)≤h(2)≤....≤h(t)≤h(t+1)(6)(1)當(dāng)果蠅在有限的范圍內(nèi)尋找食物，由定理單調(diào)不升且有下界的數(shù)列必有極限，可以得出最優(yōu)解一定收斂。(2)當(dāng)果蠅的距離D是在很大的一個(gè)范圍內(nèi)隨機(jī)取值時(shí)，加入?yún)?shù)Δ后，Sm＝Si+Δ就不會(huì)陷入局部極值，最優(yōu)解也將收斂于Δ。以下是關(guān)于基于改進(jìn)果蠅算法的SVM模型(MFOA-SVM)模型建立首先對(duì)數(shù)據(jù)進(jìn)行處理收集，選好樣本集和測(cè)試集，采用果蠅算法對(duì)參數(shù)c,g進(jìn)行優(yōu)化，然后建立預(yù)測(cè)模型進(jìn)行實(shí)驗(yàn)，統(tǒng)計(jì)分析預(yù)測(cè)誤差。利用MFOA(修正型果蠅優(yōu)化算法)選擇最佳參數(shù)c,g本發(fā)明中的適應(yīng)度函數(shù)是SVM對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)后的均方根誤差，使目標(biāo)最小化，適應(yīng)度值越小，誤差越小，SVM回歸預(yù)測(cè)也就越好。具體操作步驟如下：第一步：確定所需要的適應(yīng)度函數(shù)。第二步:初始化果蠅算法中種群大小和迭代次數(shù)，選擇好SVM相關(guān)參數(shù)第三步：建立SVM訓(xùn)練模型并進(jìn)行預(yù)測(cè)，計(jì)算適應(yīng)度函數(shù)(預(yù)測(cè)結(jié)果與實(shí)際值的均方根誤差)，得到每一代群組規(guī)模中最佳的參數(shù)值，并記錄下來(lái)第四步：更新果蠅群體位置，重復(fù)第二步直到達(dá)到最大迭代次數(shù)，輸出最優(yōu)值。具體流程如圖5。關(guān)于MFOA-SVM在風(fēng)電功率預(yù)測(cè)中的應(yīng)用風(fēng)電功率預(yù)測(cè)在整個(gè)風(fēng)電場(chǎng)中扮演著不可或缺的角色,預(yù)測(cè)精度的準(zhǔn)確性將直接對(duì)電網(wǎng)的供需平衡產(chǎn)生影響，對(duì)風(fēng)資源能不能得到有效的利用有著決定性的影響。因此提高功率預(yù)測(cè)精度對(duì)整個(gè)風(fēng)電場(chǎng)來(lái)說(shuō)非常重要。鑒于功率預(yù)測(cè)的緊迫性以及支持向量機(jī)在樣本回歸中的優(yōu)勢(shì)，本文根據(jù)風(fēng)電場(chǎng)的測(cè)試數(shù)據(jù)，基于支持向量機(jī)的功率預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，并使用果蠅算法對(duì)參數(shù)進(jìn)行優(yōu)化來(lái)提高預(yù)測(cè)精度。數(shù)據(jù)處理本發(fā)明實(shí)施例用某風(fēng)電場(chǎng)擁有的GW82-1500km風(fēng)機(jī)作為研究對(duì)象，利用平臺(tái)MATLAB2009，運(yùn)用支持向量機(jī)工具箱toolboxLibsvm-mat完成對(duì)數(shù)據(jù)樣本的訓(xùn)練以及預(yù)測(cè)。數(shù)據(jù)采用該風(fēng)電場(chǎng)10號(hào)風(fēng)電機(jī)組十月運(yùn)行的實(shí)測(cè)數(shù)據(jù)為例構(gòu)建樣本集，把該風(fēng)電機(jī)組的功率值分為訓(xùn)練樣本、訓(xùn)練目標(biāo)、測(cè)試樣本以及測(cè)試目標(biāo)。把一個(gè)月的前20天的數(shù)據(jù)作為訓(xùn)練樣本，后10天的數(shù)據(jù)作為測(cè)試樣本，截取10月2日一天的720組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。所選取的數(shù)據(jù)位于風(fēng)機(jī)運(yùn)行良好階段，但仍會(huì)有故障機(jī)出現(xiàn)，對(duì)于一些風(fēng)機(jī)較長(zhǎng)時(shí)間停機(jī)而導(dǎo)致數(shù)據(jù)較多缺失的時(shí)刻，直接去掉，對(duì)于很少缺失數(shù)據(jù)或者沒(méi)有缺少數(shù)據(jù)，只是變化很大的數(shù)據(jù)采用如下方法解決：如果則P(d,t)＝[P(d,t-1)+P(d,t+1)]/2(8)其中P(d,t)表示第d天t時(shí)刻的功率值，P(d,t-1)表示第d天t-1時(shí)刻的值，P(d,t+1)表示第d天t+1時(shí)刻的值，表示閥值。表1部分訓(xùn)練樣本表2部分訓(xùn)練目標(biāo)TimePt(KM)Pt+1(KM)Pt+2(KM)Pt+3(KM)Pt+4(KM)4:00156.692682825.7842760767.37645933154.8993494389.04968015:0025.7842760767.37645933154.8993494389.0496801765.57501066:0067.37645933154.8993494389.0496801765.5750106892.1947317:00154.8993494389.0496801765.5750106892.194731950.68102438:00389.0496801765.5750106892.194731950.6810243999.20829699:00765.5750106892.194731950.6810243999.20829691163.49851610:00892.194731950.6810243999.20829691163.4985161158.94690811:00950.6810243999.20829691163.4985161158.9469081033.0620312:00999.20829691163.4985161158.9469081033.062031029.21581313:001163.4985161158.9469081033.062031029.215813563.741759414:001158.9469081033.062031029.215813563.7417594733.142107215:001033.062031029.215813563.7417594733.14210721104.43105416:001029.215813563.7417594733.14210721104.4310541455.43453417:00563.7417594733.14210721104.4310541455.4345341405.72085318:00733.14210721104.4310541455.4345341405.7208531421.18662表3部分測(cè)試樣本TimePt(KW)Pt+1(KW)Pt+2(KW)Pt+3(KW)Pt+4(KW)0:00156.692682825.7842760767.37645933154.8993494389.04968011:00765.5750106892.194731950.6810243999.20829691163.4985162:001158.9469081033.062031029.215813563.7417594733.14210723:001104.4310541455.4345341405.7208531421.186621120.5280414:001050.0171511260.9482741297.9263941152.8928551393.26645:001164.5646651036.9267331352.435793803.862577800.43759146:001053.8179581288.9762311331.2321681477.4214621517.7278097:001512.9056211161.185766594.5951408886.67408281182.6274888:001230.5082921017.2302121413.5316381376.27854601.56493549:0013.6397841635.8952421990.80847403126.3859145114.418433710:00560.9812889235.74948681.6827965158.63971557194.51664111:0078.8821457577.2857308613.5223068860.96592242138.226796512:0086.3857713972.04039421252.1552083566.2647721548.501331213:00757.1951119754.8292096786.1590637386.0350354441.747154714:00722.0044186753.70796731425.0616541402.2247451467.582426表4部分測(cè)試目標(biāo)TimePt(KW)Pt+1(KW)Pt+2(KW)Pt+3(KW)Pt+4(KW)5:001050.0171511260.9482741297.9263941152.8928551393.26646:001164.5646651036.9267331352.435793803.862577800.43759147:001053.8179581288.9762311331.2321681477.4214621517.7278098:001512.9056211161.185766594.5951408886.67408281182.6274889:001230.5082921017.2302121413.5316381376.27854601.5649354表1功率數(shù)據(jù)是部分訓(xùn)練樣本，表2功率數(shù)據(jù)為部分訓(xùn)練目標(biāo)，表3功率數(shù)據(jù)為部分測(cè)試樣本，表4功率數(shù)據(jù)是部分測(cè)試目標(biāo)。每一列數(shù)據(jù)比前一列數(shù)據(jù)晚1個(gè)時(shí)刻。本發(fā)明實(shí)施例中的實(shí)驗(yàn)設(shè)計(jì)根據(jù)模型圖4進(jìn)行模型建立并預(yù)測(cè)，參數(shù)選擇按照流程圖5進(jìn)行選取，選擇RBF核函數(shù)，其模型訓(xùn)練步驟具體如下：1)對(duì)采集到的數(shù)據(jù)進(jìn)行剔除、變換、補(bǔ)充2)對(duì)數(shù)據(jù)進(jìn)行分類，并進(jìn)行歸一化處理3)初始化種群規(guī)模與迭代次數(shù)，訓(xùn)練SVM模型，確定最優(yōu)參數(shù)c,g4)將處理好的數(shù)據(jù)代入SVM模型進(jìn)行預(yù)測(cè)5)根據(jù)所需要的適應(yīng)度函數(shù)來(lái)計(jì)算適應(yīng)度值，每一代記錄下最佳值通過(guò)每一次迭代的比較，得出最優(yōu)值，輸出預(yù)測(cè)精度。實(shí)驗(yàn)結(jié)果及分析利用提供的數(shù)據(jù)將其分為訓(xùn)練樣本和測(cè)試樣本，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理，通過(guò)MFOA-SVM模型進(jìn)行訓(xùn)練，得到核函數(shù)參數(shù)：bestg＝0.1687,bestc＝3.3740,利用所得到的參數(shù)進(jìn)行測(cè)試并反歸一化處理，輸出數(shù)據(jù)如圖6，圖7。從圖6、圖7可以看到經(jīng)過(guò)改進(jìn)后的MFOA-SVM優(yōu)化過(guò)后預(yù)測(cè)效果顯著，并通過(guò)修改種群數(shù)量，迭代次數(shù)和迭代步進(jìn)值，不斷實(shí)驗(yàn)，最終可以達(dá)到誤差平均相對(duì)誤差在0.1429，相對(duì)于沒(méi)有采用MFOA優(yōu)化時(shí)的誤差0.1948明顯提高了，而且其相關(guān)性從0.68提升到了0.84。從而預(yù)測(cè)精度得以提高。通過(guò)實(shí)驗(yàn)分析功率預(yù)測(cè)仿真的結(jié)果，采用改進(jìn)的果蠅算法對(duì)SVM的參數(shù)進(jìn)行尋優(yōu)，建立了MFOA-SVM的預(yù)測(cè)模型，提高了預(yù)測(cè)精度，仿真結(jié)果表明果蠅算法作為一種比較新的優(yōu)化算法應(yīng)用在風(fēng)電功率預(yù)測(cè)中也表現(xiàn)了很好的一面。當(dāng)前第1頁(yè)1 2 3