[发明专利]一种基于IOFA-SVM的短期风电功率预测方法

权利要求书

1.一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：包括以下步骤：

步骤1、收集风力发电待预测数据并对其进行归一化处理；

步骤2、选取目标函数与误差评价指标；

步骤3、使用改进最优觅食算法及优化支持向量机，进行短期风电功率预测。

2.根据权利要求1所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述风力发电待预测包括风电功率、风速和风向正余弦值。

3.根据权利要求1所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤2选取均方根误差作为SVM的目标函数，选取的误差评价指标包括：平均绝对误差、标准绝对值平均误差和标准均方误差。

4.根据权利要求1所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤3的具体实现方法为：

步骤3.1、使用改进的最优觅食算法搜索最优觅食位置，选取最优惩罚因子c和核函数参数g；

步骤3.2、对输入待预测数据建立SVM回归预测模型得到预测结果，并进行反归一化。

步骤3.3、将预测结果与实际风电功率数据对比，选取评价指标衡量预测结果。

5.根据权利要求4所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤3.1的具体实现方法包括以下步骤：

⑴初始化种群觅食位置，并计算每个个体的目标函数值；

⑵对目标函数值进行排序，记录当前最优觅食位置和最优目标函数值；

⑶计算新的觅食位置并计算新的目标函数值；

⑷判断新的觅食位置，选出当前最优觅食位置为最优解；

⑸对当前最优觅食位置进行柯西变异，计算目标函数值；

⑹比较变异前后的目标函数值，若变异后的觅食位置优于之前位置，保留变异后的位置用于下次搜索，否则忽略新位置；

⑺对每个个体进行差分进化操作；

⑻判断是否达到最大搜索次数，达到结束搜索并输出最优觅食位置，得到最优惩罚因子c和核函数参数g，否则继续执行步骤⑶。

6.根据权利要求5所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤⑶采用如下公式计算新的觅食位置：

所述步骤⑷采用下式判断新的觅食位置：

所述⑸采用下式计算目标函数值：

上式中，为[0,1]的随机数，F为目标函数值，为从1到0线性递减的向量，γ为均匀分布于[0,1]之间的随机值。

7.根据权利要求5所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤⑺采用如下方法对每个个体进行差分进化操作：

首先，采用差分变异策略中的DE/rand/1策略对种群向量进行变异，在每一次轮迭代后期加入差分变异策略，公式如下：

式中，p₁≠p₂≠p₃，为差分向量，F∈[0.1,0.9]为缩放因子，h^i,t为第i个位置在第t次迭代的变异向量；

然后，进行如下交叉操作：

式中，v^i,t为第i个搜索位置的交叉变量；j0为维数中的一个随机值，每次交叉操作仅涉及个体的一个维度，pCR∈[0,1]为交叉概率；

最后，按照贪婪准则保留目标函数值较优向量作为下一代个体，选择操作表示为：

8.根据权利要求4所述的一种基于IOFA-SVM的短期风电功率预测方法，其特征在于：所述步骤3.2建立的SVM回归预测模型为：

通过一个非线性映射φ(x)函数，将低维样本x映射到更高维的向量空间Rⁿ中，其函数关系如下：

式中：ω是权值系数，b是偏置项，f(x)为样本x对应的预测值；

建立如下目标函数以及约束条件：

式中，C为惩罚参数，其值的大小代表对跳出允许拟合误差ε不敏感点的惩罚力度；

通过拉格朗日函数求解上式，将寻找带有条件的最优值问题转化为无限制条件的函数，对各个参数求解偏导，利用对偶定理并加入核函数的支持向量机的回归函数式为：

采用如下径向基函数将来自输入空间的样本映射到高维特征空间，

其中，δ是核函数的带宽。