电工电气杂志社

基于CGM-IPSO-LSSVM的短期风电功率预测

来源：电工电气发布时间：2023-07-01 09:01 浏览次数：199

基于CGM-IPSO-LSSVM的短期风电功率预测

康义¹，罗利伟²

(1 华北水利水电大学电气工程学院，河南郑州 450045；

2 郑州博努力计算机科技有限公司，河南郑州 450001)

摘要：为了电网的安全运行，应充分考虑气象等相关因素对风电的影响程度来预测短期风电功率。提出采用改进灰色模型 (CGM)、改进粒子群算法 (IPSO) 和最小二乘支持向量机 (LSSVM) 混合的预测方法。CGM-IPSO-LSSVM 方法采用灰色模型的关联性分析不同时刻的气象等相关因素的数据，根据分析所得的气象等相关因素数据来确定风参量的权重，再根据权重运用最小二乘支持向量机对风向量进行估计，并以风向量的估计值为依据，以收敛性更好的改进粒子群算法对 CGM 模型进行优化，求解出最终预测结果，对预测结果出现的误差，采用傅里叶残差序列进行补偿。实验结果表明，提出的 CGM-IPSO-LSSVM 预测方法考虑了多因素影响和克服了参数选择优化的问题，其预测精度在要求的范围内大幅提高，为风电并网的调度提供了有力依据，降低了弃风率。

关键词： 短期风电功率预测；改进灰色模型；改进粒子群算法；最小二乘支持向量机；融合预测

中图分类号：TM614 ；TM715 文献标识码：A 文章编号：1007-3175(2023)06-0022-05

Short-Term Wind Power Prediction Based on CGM-IPSO-LSSVM

KANG Yi¹, LUO Li-wei²

（1 School of Electric Power, North China University of Water Resources and Electric Power, Zhengzhou 450045, China;

2 Zhengzhou Bonuli Computer Technology Co., Ltd, Zhengzhou 450001, China）

Abstract: In order to ensure the safe operation of the power grid, the influence of meteorological and other related factors on wind power should be fully considered to predict short-term wind power. Therefore, this paper proposes a hybrid prediction method using improved Cotes Grey Model(CGM), Improved Particle Swarm Optimization(IPSO) and Least Squares Support Vector Machine(LSSVM). The CGMIPSO-LSSVM method first uses the correlation of grey model to analyze the meteorological data and other related factors at different time.Then, according to the above data, the weight of wind parameters is determined. Third, based on the above weight, the least squares support vector machine is used to estimate the wind vector. Fourth, the improved particle swarm optimization with better convergence is adopted to optimize the CGM model to obtain the final prediction result on the basis of estimated values of the wind vector. Finally, the error of the prediction result is compensated by the Fourier residual sequence. The experiment results show that the CGM-IPSO-LSSVM prediction method takes the influence of multiple factors into consideration and overcomes the problem of parameter selection optimization. It not only greatly improves prediction accuracy within the required range to provide strong basis for the scheduling of wind power integration, but also reduces the abandoned wind rate.

Key words: short-term wind power prediction; improved cotes grey model; improved particle swarm optimization; least squares support vector machine; fusion prediction

参考文献

[1] 薛禹胜，雷兴，薛峰，等. 关于风电不确定性对电力系统影响的评述[J] . 中国电机工程学报，2014，34(29)：5029-5040.

[2] 冯双磊，王伟胜，刘纯，等. 基于物理原理的风电场短期风速预测研究[J] . 太阳能学报，2011，32(5)：611-616.

[3] WU Yuankang , SU Poen , HONG Jingshan .Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model[J].IEEE Transactions on Industry Applications，2015，52(3)：2016-2030.

[4] FAZELPOUR F, TARASHKAR N, ROSEN M A.Short-term wind speed forecasting using artificialneural networks for Tehran，Iran[J].International Journal of Energy and Environmenta Engineering，2016，7：377-390.

[5] WANG Huaizhi, LI Gangqiang, WANG Guibing, et al.Deep learning based ensemble approach for probabilistic wind power forecasting[J].Applied Energy，2017，188：56-70.

[6] 王兰，王晞，李华强，等. 基于相空间重构和误差补偿的风电功率混沌时间序列预测模型[J] . 电力系统及其自动化学报，2017，29(9)：65-69.

[7] BOTTERUD A, ZHOU Z, WANG J, et al.Wind power trading under uncertainty in LMP markets[J].IEEE Transactions on Power Systems，2012，27(2)：894-903.

[8] 薛禹胜，郁琛，赵俊华，等. 关于短期及超短期风电功率预测的评述[J] . 电力系统自动化，2015，39(6)：141-151.

[9] 琚垚，祁林，刘帅. 基于改进乌鸦算法和 ESN 神经网络的短期风电功率预测[J] . 电力系统保护与控制，2019，47(4)：58-64.

[10] 陈昊，张建忠，许超，等. 基于多重离群点平滑转换自回归模型的短期风电功率预测[J] . 电力系统保护与控制，2019，47(1)：73-79.

[11] 李俊卿，李秋佳，石天宇，等. 基于数据挖掘的风电功率预测特征选择方法[J] . 电测与仪表，2019，56(10)：87-92.

[12] 武小梅，林翔，谢旭泉，等. 基于 VMD-PE 和优化相关向量机的短期风电功率预测[J] . 太阳能学报，2018，39(11)：3277-3285.

[13] 程启明，陈路，程尹曼，等. 基于 EEMD 和 LS-SVM 模型的风电功率短期预测方法[J] . 电力自动化设备，2018，38(5)：27-35.

[14] 宫毓斌，滕欢. 基于 GOA-SVM 的短期负荷预测[J].电测与仪表，2019，56(14)：12-16.

[15] 魏立兵，赵峰，王思华. 基于人群搜索算法优化参数的支持向量机短期电力负荷预测[J] . 电测与仪表，2016，53(8)：45-49.

[16] 熊军华，康义，王亭岭，等. 一种基于灰色模型和支持向量机的短期风电功率预测方法：CN112001537A[P].2020-11-27.

[17] 康义，师刘俊，郭刚. 基于 WT-IPSO-BPNN 的电力系统短期负荷预测[J] . 电气技术，2021，22(1)：23-28.

返回索引列表

Article retrieval

文章检索

基于CGM-IPSO-LSSVM的短期风电功率预测