基于模糊信息粒化的风电功率预测

盛　楠，　陈国初

(上海电机学院 电气学院, 上海 201306)



基于模糊信息粒化的风电功率预测

盛楠，陈国初

(上海电机学院 电气学院, 上海 201306)

摘要为提高风电功率的预测精度，研究了一种模糊信息粒化和支持向量机(SVM)结合的风电功率预测方法。提取功率原始数据，对其进行模糊信息粒化，将粒化后的数据利用SVM方法进行回归预测，得到风电功率的预测数据。将预测结果和单一的SVM预测结果进行对比，仿真结果表明，该方法提高了预测精度。

关键词模糊信息粒化; 支持向量机(SVM); 功率预测; 风力发电

风能分布广，清洁无污染，储量大，是可再生能源的重要组成部分。但是，风能较容易受到天气环境的影响，自然界的风常常具有很强的间歇性和随机性，这对风力发电的发展造成了一定的阻碍。因此，进行风电场功率预测是十分有必要的[1]。

在风电功率预测的众多方法中，支持向量机(Support Vector Machine, SVM)法应用较为广泛。SVM具有诸多优点[2]： 其结构和参数可通过训练，由训练算法自动确定；模型参数较少；模型推广能力较好，且训练相对容易等。按照用途，SVM可分为支持向量回归机(Support Vector Machine for Regression, SVR)和支持向量分类机，前者一般用于预测领域，后者一般用于分类领域[3]。

模糊信息粒化最早是由Zadeh[4]教授提出的。Zadeh认为很多领域都存在着粒的概念，只是不同领域的表现形式不同。信息粒即一些元素的集合，这些元素由于近似，或难以区分，或某种特性而结合在一起[5]。模糊信息粒化的基本组成包括粒子、粒层和粒结构。粒子是粒化模型构成的最基本元素，按照某个实际需求得到的所有粒子构成一个粒层；所有粒层之间相互联系形成了一个关系结构，即粒结构[6]。从计算角度来看，模糊信息粒化是信息处理的典型方法。对于风电功率预测而言，需要将相应时间段的数据作为一个信息粒来研究，通过模糊信息粒化提取有效的数据。

本文将模糊信息粒化和SVM相结合，研究了一种模糊信息粒化和SVM结合的方法对实际风电功率进行预测，最后验证了预测效果。实验证明，此种方法可以提高风电功率预测精度，由此证明该方法的有效性。

1支持向量机

1.1支持向量回归原理

SVM由Vapnik[7]首先提出。为使SVM得以解决回归拟合方面的问题，引入了不敏感损失函数，从而得到了SVR。SVM应用于回归拟合时，变为寻找一个最优分类面，从而使所有训练样本离最优分类面的误差达到最小。

设有n个样本{(xi，yi)，i=1，2，3，…，n}，在高维特征空间中建立回归函数

f(x)=ωφ(x)+δ

(1)

式中，φ(x)为非线性映射函数；ω为加权向量；δ为常数。

定义线性不敏感损失函数θ为

L(f(x)，y，θ)=

(2)

最优化问题为[8]

(3)

引入Largrange函数，最优化问题转化为

(4)

回归模型为

(5)

1.2SVM核函数

对SVM而言，核函数及其参数的选择至关重要。将输入通过非线性映射到高维特征空间时，用核函数代替高维特征空间中的点积，可大大减少计算量和复杂度。本文采用径向基核函数[9]

(6)

式中，σ为核参数。

2模糊信息粒化

模糊信息粒化就是按照性能和特征把信息划分为若干简单的模块，每个模块可看作一个粒。本文采用Pedrycz[10]的粒化方法。信息粒表示为

式中，x为论域U中的变量；G为模糊子集，由隶属函数来描述；λ为可能性概率。一般取U为实数集，G就是U的模糊子集。用模糊集的形式来表示的信息粒就是模糊信息粒[11]。

模糊信息粒化共有两个步骤： ① 划分窗口；② 对每个窗口进行模糊化处理。划分窗口就是将时间序列分为若干子序列；模糊化就是将每个窗口生成一个个的模糊信息粒。对于时间序列，就是将整个时间序列当作一个窗口，对其进行模糊化处理，建立模糊粒子，即可以描述G。模糊化的过程就是确定G的隶属函数A的过程[12]。常用的模糊粒子有以下基本形式[13]： 梯形、三角形、抛物型、高斯型等。本文采用三角形模型粒子，其隶属函数为

(7)

式中，e、m、h为参数，分别对应原始数据变化的最小值、平均值和最大值。

3基于信息粒化的SVM风电功率预测

本文将信息粒化和SVM结合对风电功率进行联合预测，先对原始功率数据进行模糊信息粒化，使粒化后的数据可以反映原始功率数据的特征；然后建立SVM预测模型，对粒化后的原始功率数据进行预测。具体步骤如下：

(1) 提取原始风电场功率数据。

(2) 对功率数据预处理，利用三角形模糊粒子对原始功率数据进行模糊粒化处理，产生L、R、M3个数据集，分别为模糊粒化后数据的最小值、平均值和最大值的集合。然后，对粒化后的功率数据进行归一化处理，得

(8)

式中，pl为模糊粒化后的任一变量数据；pmax、pmin分别为模糊粒化后的最大值和最小值。

(3) SVM将样本数据通过非线性映射映射到高维特征空间中，进行线性回归。SVM的目标是寻找式(5)所示的回归函数。SVM用核函数代替高维特征空间中的点积，本文采取径向基函数作为核函数。由于核函数的参数σ2和惩罚系数K对SVM的预测精度有很大影响，故对它们的选取尤为重要。本文采用网格寻优法选择σ2和K。先在较大范围内粗略地进行参数寻优，确定参数的大致范围后，再在小范围内精细寻优，选择得到最佳参数，作为SVM模型的参数。

(4) 将得到的最佳参数σ2和K作为SVM模型的参数，粒化后的风电场功率数据作为SVM预测模型的输入，下一时刻的功率作为输出，建立SVM风电功率回归预测模型[14]。

(5) 使用风电场训练数据训练预测模型，训练完成后，输入风电场测试数据进行测试，得到预测结果。

4实例应用与分析

以东北某风电场2010年7月份30d的数据为基础，每小时采样一次，一共720组数据；选取前480组数据作为训练数据，后240组数据作为测试数据，本文使用MATLABR2012b软件进行仿真实验，利用模糊信息粒化对所有功率数据进行预处理，粒化后的数据如图1所示。

图1　模糊信息粒化图Fig.1　Fuzzy information granulation

对L进行归一化处理，得到L归一化后的值如图2所示。同理也可得到R和M的归一化值。

图2　Low归一化后的图像Fig.2　Normalized image of Low

将模糊粒化后的L、R、M数据输入建立的SVM功率预测模型进行风电场功率预测，得到如图3所示的风电场功率预测图。将风电功率预测值与实际值相比较，得到图4所示的预测误差图。

图3　风电功率预测曲线图Fig.3　Curves of power prediction

图4　误差图Fig.4　Error diagram

为了分析利用本文方法进行功率预测的准确性，本文采用误差评价指标均方误差(Mean Squared Error, MSE)和最大误差(Maximum Error, MaxE)对预测结果进行误差分析，MSE和MaxE的值越小表示预测的精度越高[15]。其中，

(9)

(10)

由表1可见，使用模糊信息粒化的SVM模型进行功率预测，其MSE和MaxE都小于使用单一的SVM模型预测的误差指标，因此，相对于SVM模型而言，模糊信息粒化的SVM模型的预测更精确。

表1　两种功率预测模型的误差比较Tab.1　Error comparison of two power prediction models

5结语

风电场的功率预测对风机并网运行十分必要。本文将模糊信息粒化和SVM模型相结合，建立了模糊信息粒化SVM预测模型。利用该模型对实际风电场的输出功率进行预测，并与使用单一SVM模型的预测结果进行比较。仿真实验结果表明，模糊信息粒化SVM预测模型应用于风电功率的预测是有效的，提高了预测精度，为风电场的顺利运行提供了理论依据。

参考文献

[1]王晓兰，王明伟.基于小波分解和最小二乘支持向量机的短期风速预测[J].电网技术，2010，34(1)： 179-184.

[2]薛浩然，张珂珩，李斌，等.基于布谷鸟算法和支持向量机的变压器故障诊断[J].电力系统保护与控制，2015，43(8)： 8-13.

[3]韩延杰.一种基于模糊信息粒化和GA-SVM的农产品价格预测方法[J].农业网络信息，2012(11)： 16-20.

[4]ZADEL L A.Towards a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic[J].Fuzzy Sets and System，1997，90： 111-127.

[5]王国胤，张清华，胡军.粒计算研究综述[J].智能系统学报，2007，2(6)： 8-26.

[6]PEDRYCZ W.基于知识的聚类： 从数据到信息粒[M].于福生，译.北京： 北京师范大学出版社，2008： 3-73.

[7]VAPNIK V N.The nature of statistical learning theory[M].2nd，ed.New York： Springer，2000： 123-266.

[8]孔平，陈亮，马晶.基于模糊信息粒化支持向量机的短期电力负荷预测[J].电力信息与通信技术，2016，14(01)： 11-14.

[9]马相东，卢占庆，谭永彦，等.基于支持向量机的分类辨识方法及应用[J].控制工程，2016，23(5)： 768-772.

[10]PEDRYCZ W.Granular Computing： An Introduction[M]∥Future Directions for Intelligent Systems and Information Sciences.Part.Ⅴ.[S.L.]： Physica-Verlag HD，2000： 309-328.

[11]徐久成，孙林，张倩倩.粒计算及其不确定信息度量的理论与方法[M].北京： 科学出版社，2013： 24-49.

[12]朱旻辰，宦飞.基于加权SVM与信息粒化的时序波动范围预测[J].信息安全与通信保密，2014(5)： 76-81.

[13]王贺，胡志坚，仉梦林.基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型[J].电工技术学报，2014，29(12)： 218-224.

[14]叶林，刘鹏.基于经验模态分解和支持向量机的短期风电功率组合预测模型[J].中国电机工程学报，2011，31(31)： 102-108.

[15]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.

收稿日期：2015-09-28

基金项目：上海市教育委员会科研创新项目资助(13YZ140)；上海市教育委员会重点学科资助(J51901)

作者简介：盛楠(1991-),女，硕士生，主要研究方向为大型风电场风电功率动态预测技术，E-mail: 495522268@qq.com 指导老师： 陈国初(1971-)，男，教授，博士，主要研究方向为智能化方法及其应用技术，E-mail: chengc@sdju.edu.cn

文章编号2095-0020(2016)03-0155-04

中图分类号TM 614

文献标识码A

Wind Power Prediction Based on Fuzzy Information Granulation

SHENGNan，CHENGuochu

(School of Electrical Engineering, Shanghai Dianji University, Shanghai 201306, China)

AbstractTo improve prediction accuracy of wind power, a wind power forecasting method combining fuzzy information granulation and support vector machine(SVM) is proposed. The original power data is extracted, and fuzzy information granulation of the original data is made. Regression prediction of the granulated data is performed using support vector machine(SVM), and forecast data of wind power is obtained. Experimental results are compared with that of single support vector machine(SVM).The prediction results show that the method can improve prediction accuracy.

Keywordsfuzzy information granulation; support vector machine(SVM); power forecast; wind power