基于自适应系数和微分进化算法的风速预测研究.docVIP

基于自适应系数和微分进化算法的风速预测研究 　　【摘 要】风速预测对并网风力发电系统的运行有重要意义。本文搜集了原始风速数据，采用一阶自适应系数法进行风速预测，并使用微分进化算法优化参数，引入平均绝对百分比误差和均方根误差评价预测效果。实践证明，这种混合预测模型取得了良好的预测效果。 　　【关键词】风速预测；一阶自适应系数预测法；微分进化算法 　　近年来，随着化石燃料的日益消耗及其带来的严重的环境问题，各国政府大力发展可再生能源建设。据报道， 2013年风力发电首次成为西班牙国内主要电力来源，可满足全国21.2%的用电需要[1]。中国风电产业经过10年发展，到2012年发电量已经超过了发展了40年的核发电产业[2]。 　　风速预测对并网风力发电系统的运行有重要意义。一般情况下，在风电穿透功率不超过8%时，我国电网不会出现较大的技术问题[3]。据美国电力市场规则，若短期风速预测的准确率在10%以内，将能提高发电量30～100MW，并获得10 万USD的利润[4]。 　　目前国内外对于风速预测进行了大量研究，典型的风速预测方法有人工神经网络法[5]、模糊逻辑法[6]、空间相关性法、支持向量机[7]、小波分析[8]等。本文采用一阶自适应系数预测法和微分进化算法对风速进行了预测，并取得了良好的预测效果。 　　一、一阶自适应系数预测法 　　（一）方法概述 　　已知风速序列 ，预测期的风速 　　。 　　引入一个常数，记： 　　。 　　为了使，再令 　　取，可以满足上述要求。这是一阶自适应系数预测法[9]的计算方法。 　　（二）实证研究 　　我们搜集了某地区一月的25个风速数据。采用一阶自适应系数法，首先用前20个数据预测第21个数据，再用前21个数据预测第22个数据，以此类推，用前24个数据预测第25个数据。此时，一阶自适应系数法中的取值是0.2。 　　平均绝对百分比误差（MAPE）的计算公式如下，。 　　均方根误差（RMSE）的计算公式如下，，其中是预测值的个数，是第个风速预测值，是第个风速真实值。 　　MATLAB模拟结果得到的风速预测值和真实值如下表所示： 　　真实值（米/秒） 7.6922 7.0434 6.5000 8.6023 7.6688 　　预测值（米/秒） 8.4037 8.3456 8.0028 7.3614 7.5609 　　经过计算，我们得到用一阶自适应系数法预测某地区风速的MAPE和RMSE分别是13.34%和1.0965。下面，我们将采用微分进化算法进一步优化预测结果。 　　二、微分进化算法 　　（一）方法概述 　　微分进化算法[10]（DE）有三个基本算子： 　　（1）变异 　　记变异操作后得到中间个体记为 　　。 　　变异算子的按如下公式。其中且，是正的常数。 　　（2）交叉 　　将变异得到的中间个体 和当前个体做交叉，得到候选个体。交叉算子公式如下： 　　， 　　其中是区间上均匀分布的随机数； 是从随机选择的一个数，保证 至少从中取到一个分量；杂交因子是常数。 　　（3）选择 　　按如下公式对和进行适应度评价，实现种群的进化。 　　。 　　（二）实证研究 　　下面我们将采用微分进化算法优化参数。在MATLAB模拟中，我们令比例因子=0.5，交叉因子=0.4，每一代种群规模=30，迭代（进化）次数=100。 　　当平均绝对百分比误差（MAPE）作为适应度函数时，得到的最小MAPE是8.01%， 此时最优取值是0.0801。用微分进化算法优化了参数之后，MAPE由13.34%降低为8.01%，降低了5.33%。 　　当均方根误差（RMSE）作为适应度函数时，得到的最小RMSE是0.7762， 此时最优取值是0.1171。用微分进化算法优化了参数之后，RMSE由1.0965减少为0.7762，减少了0.3203。试验表明，采用不同的预测误差衡量标准将得到不同的最优参数，本文提出的混合模型能够提高预测精度。 　　参考文献： 　　[1]http：///html/newenergy-13381338552091525.html 　　[2]http：///html/newenergy-15381538602047654.html 　　[3]吴国，肖洋，翁莎莎. 风电场短期风速预测探讨[J]. 吉林电力，2005，6（181）：21-24. 　　[4] Damousis I G，Dokopoulos P.A fuzzy expert system for the forecasting of wind speed and power generation in wind farms[C].IEEE Power Industry