[发明专利]一种基于IOFA-SVM的短期风电功率预测方法

说明书

本发明涉及一种基于IOFA‑SVM的短期风电功率预测方法，其技术特点是：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。本发明设计合理，其在传统的最优觅食算法中加入柯西变异和差分进化策略，使算法及早跳出局部最优觅食位置找到全局最优解，来提高算法的预测精度和减少算法的收敛时间，提高了算法全局的寻优能力以获取SVM的最优参数，提高了风电功率预测精度和准确性，对风力发电机组协调规划和电力系统经济调度具有重大意义。

技术领域

本发明属于风力发电技术领域，尤其是一种基于IOFA-SVM(改进最优觅食算法-优化支持向量机)的短期风电功率预测方法。

背景技术

经济发展对能源的需求与日俱增，但资源枯竭、环境污染和气候变化等问题与现实要求矛盾日益突出，所以清洁能源的开发利用得到各国的大力关注。风力资源作为一种清洁能源，在我国的蕴含量十分丰富，风能的大规模开发利用将极大缓解环境污染和用电负荷持续增长的问题，但由于风能受气象因素影响严重的特性导致风电输出功率具有间歇性、随机性，大规模风电并网将会影响电网的电压和频率，并将对电网安全运行及电力部门做出合理的调度计划造成巨大影响。因此，准确的预测风电输出功率对促进清洁能源的开发利用和电网的安全经济运行具有重要意义。

短期风电功率预测一般将对未来72小时之内的风电输出功率作为主要研究内容，预测方法主要包括物理方法和统计方法。物理方法是一种基于数值天气预报的方法，利用大量气象数据做数值计算来预测未来的天气情况，并根据风电场的功率曲线预测输出功率值，但由于物理方法对气象预报系统要求较高和计算量大而没有得到广泛应用。统计方法主要对风电场的输出功率和气象数据进行训练，构建数据之间的映射关系，采用线性或非线性方法来预测输出功率。而近些年随着智能算法的研究深入，开始利用智能算法预测风电输出功率，例如神经网络(Neural Network,NN)、灰色预测(Grey Prediction)、自回归平均滑动(Autoregressive Moving Average Models,ARMA)模型、极限学习机(ExtremeLearning Machine,ELM)和支持向量机(Support Vector Machine,SVM)等。

支持向量机由于自身具有结构简单和良好的泛化能力等优点，而且容易获取到全局最优解，所以预测领域得到广泛应用。但支持向量机的预测精度与核函数参数和惩罚参数的选取密切相关，可以通过智能优化算法获取最优参数来更好的解决许多预测问题。文献“States prediction for solar power and wind speed using BBA-SVM[J].(Renewable Power Generation,2019,13)”提出一种向后寻优蝙蝠算法优化支持向量机的风速和光伏输出功率预测模型，通过对真实数据集进行仿真，证明所提模型相对于传统支持向量机有更优的预测性能。文献“基于改进粒子群优化支持向量机的光伏电池输出功率预测(电气自动化,2019,41(03))”利用粒子群算法优化支持向量机预测光伏电池输出功率，虽然预测精度得到提升，但粒子群算法收敛时间较长。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、精度高且处理速度快的基于IOFA-SVM的短期风电功率预测方法。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种基于IOFA-SVM的短期风电功率预测方法，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。

进一步，所述风力发电待预测包括风电功率、风速和风向正余弦值。