基于ABC-LSSVM的棄風電量預測

謝麗蓉，楊 歡，軒武警，包洪印

(1.新疆大學電氣工程學院，新疆 烏魯木齊 830047；2.廈門大學航空航天學院，福建 廈門 361005；3.中船重工海為(新疆)新能源有限公司，新疆 烏魯木齊 830002)

0 前 言

隨著經濟的發展，我國能源消耗正在逐年增加，全國用電量從2011年的40 000億kW·h增加到了2016年的60 000億kW·h。為了解決能源不足問題，我國大力發展清潔能源，其中風能由于分布廣、高效安全、硬件開發成本低等特點得到廣泛應用。

但是，由于電網限電等原因導致棄風現象越來越普遍。2014年至2016年全國風能資源豐富地區的棄風率逐年增加；2016年全國棄風電量損失達到497億kW，損失量是2014年的4倍。2014年至2016年全國棄風電量損失相當于天津市全年的用電量，每年棄風造成的損失達到上百億，嚴重制約著風電和全國經濟的發展。目前，造成棄風的原因主要有風電送出通道能力不足和系統調峰(調頻)能力不足。

針對以上兩個問題解決棄風的辦法技術難度大，成本高很難大范圍的應用。如果將棄風就地消納，將很大程度上的緩解此問題，同時對電網節能調度，提高風能利用率，優化風電場的運行管理情況具有重要意義。

目前，國內外關于棄風的研究較少，謝國輝利用逐小時電力平衡的計算方法，以系統運行成本最低為目標，建立了棄風電量的計算模型[1]；嵩峰提出了用風電機組監測數據的棄風電量計算方法及根據風電機組運行狀態對棄風電量分類統計的方法[2]；鐘宏宇提出了測風塔法和測風塔神經網絡法的棄風電量評估方法[3]；韓建輝使用風能利用系數的基礎上完成風速的修正，同時將理論電量以及實際電量計算出來，從而建立棄風電量[4]；高磊提出了棄風電量模型和以馬爾科夫鏈為模型的棄風電量預測模型[5]。可見，關于棄風電量預測的研究少之又少[6-14]，本文提出基于相空間重構和人工蜂群算法優化的最小二乘支持向量機模型參數的棄風電量預測模型，為棄風消納和電網調度提供依據。

1 研究方法

1.1 相空間重構

單步空間重構和多步空間重構是時間序列重構的兩種方法。單步空間重構具有數據結構簡單，容易訓練等優點，但單步空間重構往往意味著數據的丟失，并不能包含數據的信息，造成訓練模型不能夠很好的映射輸出和輸入之間的關系，所以本文采用多步空間重構的方法。

設有時間序列數據

x1，x2，x3，…，xl

(1)

對時間序列進行多步空間重構

xt+n=f(xt，xt+1，…，xt+n-1)

(2)

式中，n表示步距，即樣本的維數，在將數據進行空間重構，經算法訓練，建立預測模型后，訓練樣本最后一個樣本的輸出參與第一步預測，即第一個預測樣本為

{xt+1，xt+2，xt+3，…，xt+n-1，xt+n}

(3)

將第一個預測樣本帶入預測模型中得到第一個預測棄風電量xt+n+1。進行第二步預測時，要將上一步預測值(即第一步預測值)當作預測樣本的最后一個數據，即

{xt+2，xt+3，…，xt+n，xt+n+1}

(4)

依次進行迭代最終的到預測的時間序列：

{xt+n+1，…，xt+n+l-1，xt+n+l

(5)

式中，l為預測的次數。

1.2 最小二乘支持向量機

最小二乘支持向量機(LSSVM)是在SVM的基礎上優化的，解決了收斂速度慢等問題。

對于非線性樣本數據

(x1，y1)，…，(xl，yl)xi，yi∈R

(6)

采用最小二乘支持向量機回歸進行函數估計，優化問題就變成

(7)

約束條件為

yi=ωTφ(xi)+b+ei

(8)

相應的拉格朗日形式為

(9)

由KKT條件，則有

(10)

在式(8)中消去ei和ω后，得求解最小二乘支持向量機的實現形式

(11)

其中y=[y1，y2，…，yn]，a=[a1，a2，…，an]，I為單位矩陣。

Ωij=k(xi，xj)φ(xj)k(xi，xj)

(12)

即為支持向量機的核函數，求解即得

(13)

1.3 人工蜂群算法

人工蜂群(ABC)算法基于群體智能，利用蜂群的覓食行為，由于其在優化參數時收斂速度快得到了廣泛的使用。在自然界中，單個蜜蜂并沒有比較完善的行動準則，但從整個群體來說，每只蜜蜂都有明確的分工，各司其職，維持整個種群的生存。按分工來說，蜂群系統可以分為3部分：食物源，是整個蜂群賴以生存的原料；雇傭蜂通過某種尋找機制探尋食物源的準確位置，并帶回蜂群。非雇傭蜂：蜜蜂得知食物源位置，從而獲取食物源并帶回蜂群，放棄食物源后成為非雇傭蜂[15]。跟隨員和偵察蜂是根據非雇傭蜂的工作性質分成的兩個蜂群組。具體流程如下：

(1)將雇傭蜂與蜂源一一對應，根據式(14)更新蜂源位置，同時確定蜂源的量

xid′=xid+|φid(xid-xkd)

(14)

(2)觀察蜂依靠雇傭蜂提供的信息采用一定的選擇策略選擇蜂源，根據更新后的蜂源信息，同時確定蜂源的量。

(3)確定偵察蜂，并根據式(15)尋找新的蜂源

(15)

(4)記憶目前為止尋找的最好的蜂源。

2 棄風電量預測模型建立過程

首先將棄風電量數據的時間序列歸一化，通過相空間重構重新建立數據模型，然后將數據帶入LSSVM預測模型中進行學習和預測，其具體步驟如下：

(1)將棄風電量數據進行歸一化處理

(16)

(2)采用多步空間重構的方法對棄風電量時間序列進行相空間重構

yt+n=f(yt，yt+1，…，yt+n-1)

(17)

(3)設置人工蜂群算法(ABC)的參數：蜂群數量NP，最大搜索次數n，最大迭代次數T，蜂源的維度及所有參數的取值范圍[16]

(4)計算適應度值

(18)

(5)利用ABC算法優化LSSVM模型參數得到最優參數。

(6)得出預測值。

預測模型建流程圖如圖1所示。

圖1 ABC-LSSVM預測模型

3 算例分析

3.1 算例仿真

本文所用數據為新疆達坂城風電場2017年1月的數據，原始數據采樣時間為15 min，由于數據量巨大，將棄風電量數據進行1 h平均處理，即采樣時間變為1 h。

圖2 ABC-LSSVM棄風電量預測曲線

從圖2中可以看出，預測結果反應除了棄風電量隨時間變化的趨勢，可以為電網調度提供參考。

為了比較不同模型的差異，用LSSVM，和網格搜索(grid search)法優化的LSSVM預測模型對棄風電量進行預測，預測結果如圖3所示。

圖3 預測結果比較曲線

從圖3中可以看出，3種預測模型都能預測出棄風電量的變化趨勢，但ABC-LSSVM預測模型有更高的預測精度。

3.2 結果分析

為了更為客觀的表達3種預測模型的預測精度的好壞，用平均絕對誤差eMAE和均方根誤差eRMSE來比較泛化能力

(19)

(20)

3種預測模型預測結果誤差如表1所示。

表1 預測模型誤差統計

從表1中可以看出ABC-LSSVM預測模型的泛化能力明顯優于另外兩種預測模型。

4 結 論

本文根據風電場的數據獲得棄風電量的時間序列，對時間序列重新建模，提出了基于相空間重構和人工蜂群算法優化最小二乘支持向量機模型參數的ABC-LSSVM預測模型，該模型能夠較為準確的預測出棄風電量的變化趨勢，同時有較為準確的預測精度。

本文提出的ABC-LSSVM預測模型的預測精度達到相應的要求，能夠為棄風消納和電網調度提供依據。