基于ABC-LSSVM的弃风电量预测

谢丽蓉，杨 欢，轩武警，包洪印

(1.新疆大学电气工程学院，新疆 乌鲁木齐 830047；2.厦门大学航空航天学院，福建 厦门 361005；3.中船重工海为(新疆)新能源有限公司，新疆 乌鲁木齐 830002)

0 前 言

随着经济的发展，我国能源消耗正在逐年增加，全国用电量从2011年的40 000亿kW·h增加到了2016年的60 000亿kW·h。为了解决能源不足问题，我国大力发展清洁能源，其中风能由于分布广、高效安全、硬件开发成本低等特点得到广泛应用。

但是，由于电网限电等原因导致弃风现象越来越普遍。2014年至2016年全国风能资源丰富地区的弃风率逐年增加；2016年全国弃风电量损失达到497亿kW，损失量是2014年的4倍。2014年至2016年全国弃风电量损失相当于天津市全年的用电量，每年弃风造成的损失达到上百亿，严重制约着风电和全国经济的发展。目前，造成弃风的原因主要有风电送出通道能力不足和系统调峰(调频)能力不足。

针对以上两个问题解决弃风的办法技术难度大，成本高很难大范围的应用。如果将弃风就地消纳，将很大程度上的缓解此问题，同时对电网节能调度，提高风能利用率，优化风电场的运行管理情况具有重要意义。

目前，国内外关于弃风的研究较少，谢国辉利用逐小时电力平衡的计算方法，以系统运行成本最低为目标，建立了弃风电量的计算模型[1]；嵩峰提出了用风电机组监测数据的弃风电量计算方法及根据风电机组运行状态对弃风电量分类统计的方法[2]；钟宏宇提出了测风塔法和测风塔神经网络法的弃风电量评估方法[3]；韩建辉使用风能利用系数的基础上完成风速的修正，同时将理论电量以及实际电量计算出来，从而建立弃风电量[4]；高磊提出了弃风电量模型和以马尔科夫链为模型的弃风电量预测模型[5]。可见，关于弃风电量预测的研究少之又少[6-14]，本文提出基于相空间重构和人工蜂群算法优化的最小二乘支持向量机模型参数的弃风电量预测模型，为弃风消纳和电网调度提供依据。

1 研究方法

1.1 相空间重构

单步空间重构和多步空间重构是时间序列重构的两种方法。单步空间重构具有数据结构简单，容易训练等优点，但单步空间重构往往意味着数据的丢失，并不能包含数据的信息，造成训练模型不能够很好的映射输出和输入之间的关系，所以本文采用多步空间重构的方法。

设有时间序列数据

x1，x2，x3，…，xl

(1)

对时间序列进行多步空间重构

xt+n=f(xt，xt+1，…，xt+n-1)

(2)

式中，n表示步距，即样本的维数，在将数据进行空间重构，经算法训练，建立预测模型后，训练样本最后一个样本的输出参与第一步预测，即第一个预测样本为

{xt+1，xt+2，xt+3，…，xt+n-1，xt+n}

(3)

将第一个预测样本带入预测模型中得到第一个预测弃风电量xt+n+1。进行第二步预测时，要将上一步预测值(即第一步预测值)当作预测样本的最后一个数据，即

{xt+2，xt+3，…，xt+n，xt+n+1}

(4)

依次进行迭代最终的到预测的时间序列：

{xt+n+1，…，xt+n+l-1，xt+n+l

(5)

式中，l为预测的次数。

1.2 最小二乘支持向量机

最小二乘支持向量机(LSSVM)是在SVM的基础上优化的，解决了收敛速度慢等问题。

对于非线性样本数据

(x1，y1)，…，(xl，yl)xi，yi∈R

(6)

采用最小二乘支持向量机回归进行函数估计，优化问题就变成

(7)

约束条件为

yi=ωTφ(xi)+b+ei

(8)

相应的拉格朗日形式为

(9)

由KKT条件，则有

(10)

在式(8)中消去ei和ω后，得求解最小二乘支持向量机的实现形式

(11)

其中y=[y1，y2，…，yn]，a=[a1，a2，…，an]，I为单位矩阵。

Ωij=k(xi，xj)φ(xj)k(xi，xj)

(12)

即为支持向量机的核函数，求解即得

(13)

1.3 人工蜂群算法

人工蜂群(ABC)算法基于群体智能，利用蜂群的觅食行为，由于其在优化参数时收敛速度快得到了广泛的使用。在自然界中，单个蜜蜂并没有比较完善的行动准则，但从整个群体来说，每只蜜蜂都有明确的分工，各司其职，维持整个种群的生存。按分工来说，蜂群系统可以分为3部分：食物源，是整个蜂群赖以生存的原料；雇佣蜂通过某种寻找机制探寻食物源的准确位置，并带回蜂群。非雇佣蜂：蜜蜂得知食物源位置，从而获取食物源并带回蜂群，放弃食物源后成为非雇佣蜂[15]。跟随员和侦察蜂是根据非雇佣蜂的工作性质分成的两个蜂群组。具体流程如下：

(1)将雇佣蜂与蜂源一一对应，根据式(14)更新蜂源位置，同时确定蜂源的量

xid′=xid+|φid(xid-xkd)

(14)

(2)观察蜂依靠雇佣蜂提供的信息采用一定的选择策略选择蜂源，根据更新后的蜂源信息，同时确定蜂源的量。

(3)确定侦察蜂，并根据式(15)寻找新的蜂源

(15)

(4)记忆目前为止寻找的最好的蜂源。

2 弃风电量预测模型建立过程

首先将弃风电量数据的时间序列归一化，通过相空间重构重新建立数据模型，然后将数据带入LSSVM预测模型中进行学习和预测，其具体步骤如下：

(1)将弃风电量数据进行归一化处理

(16)

(2)采用多步空间重构的方法对弃风电量时间序列进行相空间重构

yt+n=f(yt，yt+1，…，yt+n-1)

(17)

(3)设置人工蜂群算法(ABC)的参数：蜂群数量NP，最大搜索次数n，最大迭代次数T，蜂源的维度及所有参数的取值范围[16]

(4)计算适应度值

(18)

(5)利用ABC算法优化LSSVM模型参数得到最优参数。

(6)得出预测值。

预测模型建流程图如图1所示。

图1 ABC-LSSVM预测模型

3 算例分析

3.1 算例仿真

本文所用数据为新疆达坂城风电场2017年1月的数据，原始数据采样时间为15 min，由于数据量巨大，将弃风电量数据进行1 h平均处理，即采样时间变为1 h。

图2 ABC-LSSVM弃风电量预测曲线

从图2中可以看出，预测结果反应除了弃风电量随时间变化的趋势，可以为电网调度提供参考。

为了比较不同模型的差异，用LSSVM，和网格搜索(grid search)法优化的LSSVM预测模型对弃风电量进行预测，预测结果如图3所示。

图3 预测结果比较曲线

从图3中可以看出，3种预测模型都能预测出弃风电量的变化趋势，但ABC-LSSVM预测模型有更高的预测精度。

3.2 结果分析

为了更为客观的表达3种预测模型的预测精度的好坏，用平均绝对误差eMAE和均方根误差eRMSE来比较泛化能力

(19)

(20)

3种预测模型预测结果误差如表1所示。

表1 预测模型误差统计

从表1中可以看出ABC-LSSVM预测模型的泛化能力明显优于另外两种预测模型。

4 结 论

本文根据风电场的数据获得弃风电量的时间序列，对时间序列重新建模，提出了基于相空间重构和人工蜂群算法优化最小二乘支持向量机模型参数的ABC-LSSVM预测模型，该模型能够较为准确的预测出弃风电量的变化趋势，同时有较为准确的预测精度。

本文提出的ABC-LSSVM预测模型的预测精度达到相应的要求，能够为弃风消纳和电网调度提供依据。