基于改進型集成學習的風電功率預測研究

李思瑩，陳海寶

（滁州學院 計算機與信息工程學院，安徽 滁州 239000）

0 引言

風電固有的間歇性和波動性，給電網(wǎng)的安全帶來了風險。準確的風電功率預測可以增強預見性，在提高電網(wǎng)安全的基礎(chǔ)上又提升了能源使用的經(jīng)濟性[1]。近年來，很多學者將風電功率預測研究重點放在了機器學習方法上，機器學習方法在非線性建模方面擁有巨大的優(yōu)勢。Vapnik所研究的SVM理論在20世紀90年代引起了廣泛重視，并被逐漸完善。SVM能在有限樣本下找到最優(yōu)的分類，避免了可能出現(xiàn)的過學習、欠學習和陷入局部最小的問題。文獻[2]以SVM為核心，用SVM實現(xiàn)風電功率預測，表明了SVM方法的有效性。文獻[3]基于支持向量機和改進的蜻蜓算法進行短期風電功率預測，取得了較理想的預測精度，且泛化性能好，突出了SVM在風電應用中的優(yōu)越性。但上述基于SVM的機器學習法，僅建立了單一的預測模型，這種模型大多不能完整地展現(xiàn)數(shù)據(jù)的各項特征，往往會“顧此失彼”。更加合理的方法是，集中優(yōu)勢模型，采用組合模型的方法完成預測，進一步提高模型精度。

作為模型結(jié)合的方法之一，集成學習一直被廣大學者所研究和改進[4]。集成學習模型相較于單一模型有著更好的數(shù)據(jù)處理和泛化能力，可以將各子模型的學習成果進行整合，從而提升模型整體的預測精度。文獻[5]提出了基于支持向量機集成的SDAE在線風電系統(tǒng)動態(tài)安全評估，仿真結(jié)果表明了該方法的有效性和準確性。文獻[6]提出了一種改進集成學習算法的SVM風速預測方法，該方法預測精度高，運行速度較快，更進一步地實現(xiàn)了風速預測?；诩蓪W習和SVM思想的模型應用于風電功率預測中，有利于增強電網(wǎng)穩(wěn)定性，因此有著重要的研究意義。

本文將機器學習與集成學習相結(jié)合，提出了一種基于集成學習思想的風電功率預測方法。首先采用模糊C均值（Fuzzy C-Means，F(xiàn)CM）聚類法進行工況辨識，再采用SVM建立子學習器模型。在主學習器模型的基礎(chǔ)上，提出了一種改進的SVM主學習器模型，將樣本到聚類中心的距離加入主學習器模型中，更加符合工程的實際情況，且進一步提高了預測精度。

1 方法

1.1 SVM算法

1.2 集成學習模型

2 基于SVM和集成學習的風電功率預測

2.1 數(shù)據(jù)準備

本文基于大連某風電場的實際運行數(shù)據(jù)進行預測。選取2015年10月的數(shù)據(jù)共6 480組，采樣間隔為2 min。首先利用拉依達準則對6 480組數(shù)據(jù)進行去除異常點的預處理，剩下5 831組數(shù)據(jù)；再對5 831組數(shù)據(jù)進行建模，將前3 500組數(shù)據(jù)作為子學習器的訓練樣本，中間2 000組數(shù)據(jù)作為主學習器的訓練樣本，后331組數(shù)據(jù)作為測試樣本。圖1為原始風電功率序列，圖2為拉依達準則處理后的風電功率序列。

圖1 原始風電功率序列Fig.1 Original wind power sequence

圖2 數(shù)據(jù)處理后的風電功率序列Fig.2 Wind power sequence after data processing

2.2 基于FCM聚類法的工況辨識

由于本文采用的實驗數(shù)據(jù)中未包含啟動時間段，故只研究風能追逐區(qū)、恒轉(zhuǎn)速發(fā)電區(qū)、恒功率發(fā)電區(qū)3種工況。本文采用FCM聚類法解決風電機組工況之間的模糊性問題。利用FCM聚類法將數(shù)據(jù)聚類成3類，聚類后各工況的樣本如圖3所示。

圖3 FCM聚類后各工況內(nèi)的樣本Fig.3 Samples in each working condition after FCM clustering

從圖3可以看出，這3類工況的區(qū)別主要為功率高低的不同。

2.3 子學習器的生成

在各工況區(qū)間內(nèi)，采用SVM算法建立子學習器。將用于主學習器訓練的數(shù)據(jù)（2 000組）分別輸入到各個子學習器中，完成各子學習器模型的測試。各個子學習器的測試結(jié)果如圖4所示。

圖4 各子學習器的測試結(jié)果Fig.4 Test results of each sub-learner

為了更加直觀地表示出各個子學習器的預測值和真實值的誤差，計算測試數(shù)據(jù)的均方根誤差和平均相對誤差，結(jié)果如表1所示。

表1 各子學習器測試誤差Table 1 Test error of each sub-learner

由表1可知，各個誤差值均較小，在允許的范圍內(nèi)。良好的各子學習器預測精度也為集成后總體預測奠定了基礎(chǔ)。

2.4 主學習器的生成

將3個子學習器的預測結(jié)果作為主學習器的訓練樣本進行主學習器的訓練。在建立主學習器模型時，采用加權(quán)平均集成法和SVM集成法兩種不同的結(jié)合策略。

（1）加權(quán)平均集成法

加權(quán)平均作為直觀簡單、運算量小的一種普遍方法，被很多研究所使用。本文所采用的加權(quán)平均法基于輸入子學習器的樣本個數(shù)，對每一個子學習器的預測結(jié)果計算權(quán)重，將各子學習器的結(jié)果進行加權(quán)。預測結(jié)果如圖5所示。

圖5 加權(quán)平均法的預測結(jié)果Fig.5 Forecast results of the weighted average method

通過圖5可以看出，加權(quán)平均法的預測走勢大致正確，但是精準度上有待提高。這是由于加權(quán)平均法中權(quán)重的確定是從訓練數(shù)據(jù)中計算所得，而在實際建模中，隨機性強的集成器容易導致過擬合。因此在波動性較強的風電功率預測中，加權(quán)平均法不是最合適的結(jié)合策略。

（2）SVM集成法

在風電功率預測工程中，因為訓練數(shù)據(jù)較大，需要預測精度值較高，所以子學習器和主學習器均使用支持向量機進行建模，可以更好地提升預測精度，誤差縮小到允許的范圍。集成SVM的流程如圖6所示。

圖6 集成SVM流程示意圖Fig.6 Schematic diagram of the integrated method SVM process

基于SVM主學習器模型的預測結(jié)果如圖7所示。通過圖7可以看出，機器學習的方法相比加權(quán)平均法，最終的預測精度更高，擬合程度更強，這是因為主學習器采用了機器學習的方法完成了進一步學習。因此，支持向量機作為主學習器可以很好地應用于工程中。

圖7 學習法的預測結(jié)果Fig.7 The prediction result of the learning

最后，分析比較主學習器加權(quán)平均集成預測法和SVM集成預測法的均方根誤差、平均相對誤差，判斷各方法的精度，誤差值如表2所示。

表2 兩種預測模型的評價指標Table 2 Evaluation indicators of the two prediction models

通過表2可以看出：集成方法預測誤差較低，這是因為集成方法兼顧了幾種模型的特點，彌補了單一模型“顧此失彼”的局限性；由于SVM集成法基于機器學習方法完成了二次訓練，所以均方根誤差值和平均相對誤差值都小于加權(quán)平均集成法，實際驗證結(jié)果與理論預測結(jié)果相吻合。

3 基于改進的SVM和集成學習的風電功率預測

在基于SVM建立子學習器模型時，由于使用聚類算法，聚類中心可在一定程度上表征子學習器所覆蓋的運行工況。但此時將子學習器輸出的數(shù)據(jù)輸入到主學習器中，未考慮樣本與聚類中心的貼近程度，即忽略了工況對結(jié)果的影響。因此在建立主學習器模型時，考慮樣本到聚類中心的距離是必要的，從而完成對SVM主學習器的改進。圖8和圖9分別為主學習器訓練樣本與測試樣本到聚類中心的距離。從圖8、圖9可以看出，在3個子學習器中，工況不同，樣本到聚類中心的距離也不同。所以在建立主學習器模型時將工況因素考慮進去是非常必要的。在實驗中，將2 000組樣本到3個聚類中心的距離分別記為d1，d2，d3，則主學習器的輸入值為3個子學習器的輸出值和d1，d2，d3。在主學習器的輸入中加入工況信號，能夠使其在訓練參數(shù)時計及運行工況的因素，從理論上能進一步提高集成模型的精度，并且更加符合工程的實際要求。

圖8 主學習器訓練樣本與各聚類中心的距離Fig.8 The distance between the main learner test sample and each cluster center

圖9 主學習器測試樣本與各聚類中心的距離Fig.9 The distance between the main learner training sample and each cluster center

基于改進的主學習器風電功率預測具體步驟如下：

①利用拉依達準則對輸入數(shù)據(jù)進行預處理；

②基于FCM完成工況劃分，將子學習器的訓練數(shù)據(jù)劃分成3個子類，對每一個子類進行SVM子學習器建模，完成3個子學習器的建模；

③將主學習器的訓練數(shù)據(jù)分別輸入到3個子學習器中，然后將3個子學習器的輸出值作為主學習器的一部分輸入，主學習器的訓練數(shù)據(jù)和3個聚類中心的歐式距離作為主學習器的另一部分輸入。將以上變量輸入到主學習器中進行風電功率的預測。

改進的主學習器建模流程如圖10所示。

圖10 改進的主學習器模型流程圖Fig.10 Flow chart of the improved master learner model

建立主學習器模型后，將350組測試數(shù)據(jù)輸入到各子學習器中，各子學習器的輸出和樣本到聚類中心的距離作為主學習器的輸入，訓練主學習器。圖11為基于改進主學習器模型的預測結(jié)果。

圖11 改進主學習器的預測結(jié)果Fig.11 Prediction result of the improved master learner

為了體現(xiàn)該方法的有效性，分別計算加權(quán)平均法集成模型、SVM集成模型和SVM優(yōu)化集成模型的均方根誤差、平均相對誤差。3種模型的預測誤差如表3所示。

表3 不同集成方法的預測誤差Table 3 Forecast errors of different integrated methods

通過表3可以看出，SVM優(yōu)化集成的組合模型相比于其它模型，由于將主學習器訓練數(shù)據(jù)到每一個聚類中心的距離作為輸入，考慮到了樣本對于不同工況的貢獻程度，使得均方根誤差和平均相對誤差減小，大幅度提高了模型精度。由此可見，本文提出的方法提高了預測精度，適合應用在波動性較強的風電功率預測中。

4 結(jié)論

針對單一的SVM算法學習能力不足、無法有效利用大數(shù)據(jù)資源提高精度，本文將集成學習應用在風電功率預測中。該方法可在不同工況下同時建立各工況的子學習器，提高了模型精度?；诩蓪W習的思想，采用FCM完成了風電機組實際SCADA歷史數(shù)據(jù)的工況辨識，建立了各工況的SVM子學習器模型。在建立主學習器模型時，提出一種改進的主學習器模型，將樣本到聚類中心的距離加入到主學習器模型中，考慮了運行工況對主學習器的影響。通過實驗對比可知，本文提出的風電功率預測方法預測精度高，滿足工程實際要求。