基于人工鱼群优化算法的支持向量机短期风电功率预测模型

doi:10.11985/2016.10.002

摘要/Abstract

摘要：

为了提高风电功率预测精度,针对支持向量机（SVM）模型在风电功率预测中存在的参数选取问题,提出用人工鱼群算法（AFSA）寻找SVM模型的最优核函数参数和错误惩罚因子的优化方法。建立AFSA-SVM模型,结合聚类分析后的数值天气预报（NWP）数据对风电功率进行预测。经仿真实验并与BP、粒子群优化的支持向量机模型对比,AFSA-SVM优化模型在短期风电功率预测中有更好的预测效果。

关键词: 人工鱼群算法, 支持向量机, 聚类分析, 风电功率预测

Abstract:

In order to improve the accuracy of wind power prediction and solve the parameter selection problem of support vector machine(SVM) model for the wind power prediction, the artificial fish swarm algorithm (AFSA) is proposed to look for the support vector machine’s optimal parameter of kernel function and the parameter of error penalty. The model of AFSA-SVM is established to predict the wind power with the numerical weather forecast (NWP) data after clustering analysis. From the result of simulation experiment, it shows that the model of AFSA-SVM has a higher accuracy than the model of BP and the model of PSO-SVM in the short-term wind power prediction.

Key words: Artificial fish swarm algorithm, support vector machine, clustering analysis, wind power prediction

中图分类号:

TM715

王丽婕,厉虹,方市彬. 基于人工鱼群优化算法的支持向量机短期风电功率预测模型[J]. 电气工程学报, 2016, 11(10): 7-12.

Lijie Wang,Hong Li,Shibin Fang. The Model of Wind Power Short-Term Prediction Based on Artificial Fish Swarm Algorithm of Support Vector Machine[J]. Journal of Electrical Engineering, 2016, 11(10): 7-12.

图/表 8

图1

图2

图3

图4

表1

图5

图6

表2

参考文献 14

[1]	冬雷, 廖晓钟, 王丽婕 . 大型风电场发电功率建模与预测[M]. 北京: 科学出版社, 2014.
[2]	田云飞, 张立涛, 徐昊亮 . 大规模风电并网对电力系统的影响及应对措施[J]. 电气自动化, 2013,35(3):54-56.
	Tian Yunfei, Zhang Litao, Xu Haoliang . Impact of large scale grid-connected wind power on power system and counter measures[J]. Electrical Automation, 2013,35(3):54-56.
[3]	陈翔, 王福军, 刘天琪 , 等. 考虑风电场布局以及风向角的风电功率预测[J]. 电工电能新技术, 2013,32(1):9-12.
	Chen Xiang, Wang Fujun, Liu Tianqi , et al. Wind power prediction considering wind farm layout and wind direction[J]. Advanced Technology of Electrical Engineering and Energy, 2013,32(1):9-12.
[4]	丁志勇 . 基于相似日聚类的支持向量机风电功率预测方法[J]. 电气应用, 2013,32(19):25-28.
	Ding Zhiyong . Wind Power Forecasting method based on similar day clustering of support vector machines[J]. Electrical Application, 2013,32(19):25-28.
[5]	朱锋, 孙辉, 周玮 . 基于相似日聚类的神经网络风速预测[C]. 中国高等学校电力系统及其自动化专业第二十四届学术年会论文集, 2008.
	Zhu Feng, Sun Hui, Zhou Wei . Neural network wind speed forecast based on similar day clustering[C]. Power System and Its Automation Specialty in Chinese Colleges and Universities in the Twenty-fourth Academic Year, 2008.
[6]	王丽婕, 冬雷, 高爽 . 基于多位置NWP与主成分分析的风电功率短期预测[J]. 电工技术学报, 2015,30(5):79-84.
	Wang Lijie, Dong Lei, Gao Shuang . Wind power short-term prediction based on principal component analysis of multiple locations[J]. Journal of Electrical Technology, 2015,30(5):79-84.
[7]	王德民 . 基于遗传算法优化BP神经网络的风电功率预测[J]. 电子设计工程, 2013,21(22):95-98.
	Wang Demin . Wind power prediction based on genetic algorithm for optimization of BP neural network[J]. Electronic Design Engineering, 2013,21(22):95-98.
[8]	徐敏, 袁建洲, 刘四新 , 等. 基于改进粒子群优化算法的短期风电功率预测[J]. 郑州大学学报:工学版, 2012,33(6):32-35.
	Xu Min, Yuan Jianzhou, Liu Sixin , et al. Short term wind power prediction based on improved particle swarm optimization algorithm[J]. Journal of Zhengzhou University: Engineering Edition, 2012,33(6):32-35.
[9]	陈道君, 龚庆武, 金朝意 , 等. 基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J]. 电网技术, 2013,37(4):974-980.
	Chen Daojun, Gong Qingwu, Jin Chaoyi , et al. Short term wind power prediction of the support vector regression based on the parameter optimization of the adaptive quantum behaved particle swarm optimization algorithm[J]. Power Grid Technology, 2013,37(4):974-980.
[10]	李盼池, 徐少华 . 支持向量在模式识别中的核函数特性分析[J]. 计算机工程与设计, 2005,26(2):302-304.
	Li Panchi, Xu Shaohua . Support vector machine and kernel function characteristic analysis in pattern recognition[J]. Computer Engineering and Design, 2005,26(2):302-304.
[11]	王骏, 王士同, 邓赵红 . 聚类分析中的若干问题[J]. 控制与决策, 2012,27(3):321-32.
	Wang Jun, Wang Shitong, Deng Zhaohong . Some problems in cluster analysis[J]. Control and Decision Making, 2012,27(3):321-32.
[12]	史峰, 王辉, 郁磊 , 等. Matlab智能算法30个案例分析[M]. 北京: 北京航空航天大学, 2011.
[13]	卢宏建, 高永涛, 卢小娜 , 等. 基于最小二乘支持向量机和人工鱼群算法的预应力锚杆布置间距优化[J]. 北京科技大学学报, 2010,32(1):133-138.
	Lu Hongjian, Gao Yongtao, Lu Xiaona , et al. Range interval optimization of prestressed anchors based on the least squares support vector machine and artificial fish swarm algorithm[J]. Journal of University of Science and Technology Beijing, 2010,32(1):133-138.
[14]	余胜威 . MATLAB优化算法案例分析与应用[M]. 北京: 清华大学出版社, 2014.

预测模型	NMAE(%)	NRMSE(%)
BP神经网络模型	18.80	22.85
PSO-SVM模型	15.26	18.27
AFSA-SVM模型	11.34	15.73

[1]	安华, 王喆, 王国锋, 宋庆月, 刘峰, 钟才川. 复合材料钻削表面粗糙度在线监测与加工参数自适应优化[J]. 机械工程学报, 2020, 56(2): 27-34,42.
[2]	裴洪, 胡昌华, 司小胜, 张建勋, 庞哲楠, 张鹏. 基于机器学习的设备剩余寿命预测方法综述[J]. 机械工程学报, 2019, 55(8): 1-13.
[3]	孙志鹏,孙志龙,魏建. 基于决策树支持向量机算法的电力变压器故障诊断研究[J]. 电气工程学报, 2019, 14(4): 42-45.
[4]	陶学文, 奕伟波, 陈龙, 何峰, 綦宏志. 复合肢体想象动作脑-机接口中黎曼核支持向量机递归特征筛选方法[J]. 机械工程学报, 2019, 55(11): 131-137.
[5]	朱大业, 丁晓红, 王神龙, 王海华, 余慧杰. 基于支持向量机模型的复杂非线性系统试验不确定度评定方法[J]. 机械工程学报, 2018, 54(8): 177-184.
[6]	单忠德, 朱福先. 应用PCD刀具铣削砂型的刀具磨损机理和预测模型[J]. 机械工程学报, 2018, 54(17): 124-132.
[7]	王宇鹏,王致杰,刘琦,徐莉莉,王鸿,程亚丽. 基于动态柯西蜂群算法优化支持向量机的风机叶片故障诊断[J]. 电气工程学报, 2018, 13(1): 16-22.
[8]	张湛,杨光,张峰. 基于Hilbert-Huang变换与支持向量机的故障电弧检测研究[J]. 电气工程学报, 2017, 12(7): 26-32.
[9]	何孟凡,艾红. 基于RS和LS-SVM的回转窑主传动电流预测研究[J]. 电气工程学报, 2017, 12(11): 21-27.
[10]	熊安斌, 丁其川, 赵新刚, 韩建达, 刘光军. 基于单通道sEMG分解的手部动作识别方法[J]. 机械工程学报, 2016, 52(7): 6-13.
[11]	朱梅梅,苏建徽,陈智慧. 基于EEMD和IPSO的SVM短期光伏出力预测[J]. 电气工程学报, 2016, 11(4): 47-54.
[12]	吴乃龙, 吴超, 葛彤, 王涛, 张亚. 基于鱼类体线感知机理的水下机器人水流场识别研究^*[J]. 机械工程学报, 2016, 52(13): 54-59.
[13]	宋俊材,董菲,赵吉文,李乐,苏云升. 基于填充粒子群算法的双次级永磁同步直线电机优化设计[J]. 电气工程学报, 2015, 10(8): 56-61.
[14]	李春磊莫蓉常智勇张栋梁向颖. 融入多维制造信息的产品典型工艺路线发现方法[J]. 机械工程学报, 2015, 51(15): 148-157.
[15]	孙世政;彭东林;武亮;汤其富. 时栅动态测量误差建模与补偿技术研究[J]. , 2014, 50(22): 10-15.