1、第5 7卷 第1期2 0 2 3年1月西 安 交 通 大 学 学 报J OUR NA LO FX IANJ I AO T ON GUN I V E R S I T YV o l.5 7 N o.1J a n.2 0 2 3.*采用特征优选和优化深层核极限学习机的短期风电功率预测商立群,黄辰浩,侯亚东,李洪波,惠泽,张建涛(西安科技大学电气与控制工程学院,7 1 0 0 5 4,西安)摘要:针对风电出力非线性、不稳定且用传统方法难以准确预测的问题,提出了一种基于对深层混合核极限学习机(DHK E LM)参数进行优化的短期风电功率预测。利用核主成分分析(K P C A)方法进行特征优选得到的最优特
2、征集,既能表达风电功率的有效信息,也能避免冗余信息的出现,有利于DHK E LM模型的学习与训练,同时也降低了模型的复杂度。针对DHK E LM超参数难确定的问题,利用改进的野犬优化算法(I D OA)对DHK E LM的8个超参数进行寻优,可以发掘原始序列特征信息,从而使模型能够充分掌握数值天气预报(NWP)与风电功率之间的非线性关系。以国外某风电场真实数据为算例,结果表明:提出的预测模型相较于野犬算法、差分进化算法和粒子群优化算法的平均绝对百分比误差(MA P E)分别降低了0.9 7 93%、2.3 4 21%、3.3 8 32%,有效提高了风电功率的预测精度。关键词:短期风电功率预测;
3、深层混合核极限学习机;改进的野犬优化算法;特征优选;核主成分分析中图分类号:TM 7 1 5 文献标志码:AD O I:1 0.7 6 5 2/x j t u x b 2 0 2 3 0 1 0 0 7 文章编号:0 2 5 3-9 8 7 X(2 0 2 3)0 1-0 0 6 6-1 2S h o r t-T e r m W i n dP o w e rP r e d i c t i o nb yU s i n g t h eD e e pK e r n e lE x t r e m eL e a r n i n gM a c h i n ew i t hW e l l-S e l e c
4、 t e da n dO p t i m i z e dF e a t u r e sS HANGL i q u n,HUANGC h e n h a o,HOUY a d o n g,L IH o n g b o,HU IZ e,Z HANGJ i a n t a o(S c h o o l o fE l e c t r i c a l a n dC o n t r o lE n g i n e e r i n g,X ia nU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,X ia n7 1 0 0 5 4,C h i
5、 n a)A b s t r a c t:A i m i n ga t t h ep r o b l e mt h a tw i n dp o w e r o u t p u t i sn o n l i n e a r,u n s t a b l e a n dd i f f i c u l t t ob ea c c u r a t e l yp r e d i c t e db yt r a d i t i o n a lm e t h o d s,t h i sp a p e rp r o p o s e sas h o r t-t e r mw i n dp o w e rp r e
6、 d i c-t i o nb a s e do nt h eo p t i m i z a t i o no fp a r a m e t e r so f t h ed e e ph y b r i dk e r n e l e x t r e m e l e a r n i n gm a c h i n e(DHK E LM).T h ek e r n e l p r i n c i p a l c o m p o n e n t a n a l y s i s(K P C A)m e t h o d i su s e d t ow e l l s e l e c t t h ef e
7、a t u r e s t of o r ma no p t i m a l f e a t u r es e t,w h i c hc a nn o to n l ye x p r e s st h ee f f e c t i v e i n f o r m a t i o no fw i n dp o w e r,b u t a l s oa v o i d t h e a p p e a r a n c eo f r e d u n d a n t i n f o r m a t i o n,a n d i s t h u s c o n d u c i v e t o f a-c i
8、 l i t a t i n gt h el e a r n i n ga n dt r a i n i n go ft h eDHK E LM m o d e la n dr e d u c i n gt h ec o m p l e x i t yo ft h em o d e l.I nv i e wo f t h ep r o b l e mt h a t i t i sd i f f i c u l t t od e t e r m i n e t h eh y p e r p a r a m e t e r so fDHK E LM,t h e i m p r o v e dd i
9、 n g oo p t i m i z a t i o na l g o r i t h m(I D OA)i su s e d t o f i n d t h e e i g h t o p t i m a l h y p e r p a r a m e-t e r so fDHK E LMa n de x p l o r et h eo r i g i n a ls e q u e n c ef e a t u r ei n f o r m a t i o n,s ot h a tt h em o d e lc a n*收稿日期:2 0 2 2-0 7-0 3。作者简介:商立群(1 9 6
10、 8),男,教授,硕士生导师。基金项目:陕西省自然科学基础研究计划资助项目(2 0 2 1 J M-3 9 3)。网络出版时间:2 0 2 2-1 0-0 6 网络出版地址:h t t p s:/k n s.c n k i.n e t/k c m s/d e t a i l/6 1.1 0 6 9.T.2 0 2 2 0 9 3 0.1 1 5 7.0 0 3.h t m l 第1期商立群,等:采用特征优选和优化深层核极限学习机的短期风电功率预测 h t t p:z k x b.x j t u.e d u.c n f u l l yg r a s pt h en o n l i n e a r
11、r e l a t i o n s h i pb e t w e e nn u m e r i c a lw e a t h e rp r e d i c t i o n(NWP)a n dw i n dp o w e r.T a k i n g t h e r e a l d a t ao f a f o r e i g nw i n d f a r ma s a ne x a m p l e,t h e r e s u l t s s h o wt h a t t h ep r o-p o s e dp r e d i c t i o nm o d e l e f f e c t i v
12、e l y i m p r o v e s t h e a c c u r a c yo fw i n dp o w e rp r e d i c t i o n,w i t h t h em e a na b s o l u t ep e r c e n t a g ee r r o r(MA P E)0.9 7 93%,2.3 3 21%a n d3.3 8 32%l o w e rt h a nt h a to f t h ed i n g oo p t i m i z a t i o na l g o r i t h m,t h ed i f f e r e n t i a le v
13、o l u t i o no p t i m i z a t i o na l g o r i t h ma n dt h ep a r t i c l es w a r mo p t i m i z a t i o na l g o r i t h mr e s p e c t i v e l y.K e y w o r d s:s h o r t-t e r mw i n dp o w e rp r e d i c t i o n;d e e ph y b r i dk e r n e l e x t r e m e l e a r n i n gm a c h i n e;i m-p r
14、 o v e dd i n g oo p t i m i z a t i o na l g o r i t h m;f e a t u r eo p t i m i z a t i o n;k e r n e lp r i n c i p a lc o m p o-n e n t a n a l y s i s 风电功率预测在应对全球气候变化问题上和在电网规划中都有着不可或缺的作用。风能强烈的间歇性和波动性影响电网的稳定运行1、造成电能质量下降,因此风电功率的精准预测对于电力系统经济运行至关重要2。早期的风电功率预测方法大多是基于数值天气预报(n u m e r i c a lw e a t
15、h e rp r e d i c t i o n,NWP)的物理预测。数值天气预报数据的准确性和可靠性将直接决定模型最终的预测精度,其中风速数据作为直接影响风电功率的关键因素,与风电输出功率有较强的正相关性。利用聚类分析和主成分分析对数值天气预报样本进行特征提取,能够准确反映风电场的物理特征3-4。主成分分析虽然能实现数据降维,提取高维特征,但不适于处理非线性、波动性强的序列,且不能有效去除原始信号中的噪声,会影响预测结果的准确性5-6。核主成分分析(k e r n e lp r i n c i p a lc o m p o n e n t a n a l y s i s,K P C A)方法
16、能够很好地处理非线性数据。文献7 对制约光伏输出功率的5种气象因素进行特征提取,可有效提高功率预测精度。物理预测模型建模及求解过程复杂,需要依靠大量的NWP数据,并要考虑风电场的地理因素,故其在风电功率中短期预测上表现不佳。目前,已有诸多学者在风电功率预测中将物理法与统计法结合使用,以提高风电功率的预测精度。随着人工智能的广泛应用,统计法已不限于灰色预测8、A R I MA9等 时 间 序 列 法,还 包 括 极 限 学 习机1 0、支持向量机1 1、深度学习1 2等。由于单一模型无法在处理大量数据的情况下建立变量之间良好的非线性关系,预测精度有待提高。文献1 3 将详尽可能性(E LM)模型应用于时序预测,经过算例分析验证了其有效性,但E LM初始的输入权重和隐含层的偏置是随机的,无法充分体现模型性能。在E LM的基础上引入核函数可以很好地解决上述问题,将核极限学习机应用于功率预测1 4,有效解决了随机映射对建模的影响,大大提高了功率预测的精度。深层混合核极限学习机(d e e ph y b r i dk e r n e le x t r e m e l e a n i n gm a
