基于氣象特征量選取與SVM模型參數(shù)優(yōu)化的新能源超短期功率預測

收稿日期：2022-09-15

基金項目：南方電網(wǎng)數(shù)字電網(wǎng)集團有限公司揭榜掛帥項目（670000KK52210042）

通信作者：陳元峰（1992—），男，碩士、工程師，主要從事新能源預測、新能源并網(wǎng)消納方面的研究。chenyf5@csg.cn

DOI：10.19912/j.0254-0096.tynxb.2022-1401 文章編號：0254-0096（2023）12-0568-09

摘 要：提出基于海量氣象特征量選取與支持向量機（SVM）模型參數(shù)優(yōu)化的新能源發(fā)電超短期功率預測方法，以提高新能源發(fā)電預測精度。首先研究基于皮爾遜相關系數(shù)的氣象特征量提取方法，并利用粒子群算法（PSO）對支持向量機（SVM）新能源發(fā)電預測模型參數(shù)進行優(yōu)化，進一步提出聯(lián)合氣象特征選取與模型參數(shù)優(yōu)化的新能源發(fā)電功率超短期預測模型以得到全局最優(yōu)解。然后結合歷史發(fā)電功率數(shù)據(jù)，研究新能源發(fā)電功率超短期滾動預測模型。最后利用國內(nèi)某風電場數(shù)據(jù)進行對比驗證，證明所提預測模型可有效提高新能源發(fā)電預測精度。

關鍵詞：新能源；預測；支持向量機；粒子群算法；特征量提??；參數(shù)優(yōu)化

中圖分類號：TK01+9""" """""""" """""""""""""""文獻標志碼：A

0 引 言

調(diào)整能源結構，開發(fā)利用風電、光伏等新能源已成為世界各國經(jīng)濟和社會可持續(xù)發(fā)展的重要戰(zhàn)略。新能源發(fā)電的隨機性、間歇性和波動性問題將嚴重影響電網(wǎng)安全穩(wěn)定經(jīng)濟運行［1-3］，精準的新能源發(fā)電功率預測不僅能為電網(wǎng)的發(fā)電計劃制定、調(diào)峰調(diào)頻、潮流優(yōu)化、設備檢修等調(diào)度決策行為提供可靠的數(shù)據(jù)支撐，并且可為風光水火儲的多能互補協(xié)調(diào)控制提供技術支撐，將成為提高新能源消納水平的關鍵手段［4-6］。氣象特征量、預測模型、模型參數(shù)等因素都將對新能源功率預測精度產(chǎn)生顯著影響［7-9］。文獻［10］提出一種基于時間強化學習卷積網(wǎng)絡的多數(shù)據(jù)驅動模型，使用堆棧降噪自動編碼器（stacked denoising auto encoder， SDAE）和強化學習方法來選擇氣象特征；文獻［11］利用基于最大似然函數(shù)的自動相關判定（automatic relevance determination， ARD）算法求得各氣象因素在風電功率預測模型中的影響程度，包含風速、風向、溫度、氣壓、濕度等；文獻［12］利用Spearman相關系數(shù)選取影響光伏發(fā)電功率的氣象特征量，并采用分時分段建立預測模型；文獻［13］根據(jù)混沌分析結果對風場數(shù)據(jù)進行重構，并結合分類預測樹選取氣象特征，選取合適的氣象特征量可有效提高新能源發(fā)電預測精度。在模型參數(shù)優(yōu)化方面，文獻［14］調(diào)用時序模式注意力機制（temporal pattern attention mechanism， TPA）算法對最小二乘支持向量機（least square support vector machine， LSSVM）模型的懲罰因子和徑向基寬度進行尋優(yōu)賦值；文獻［15］利用蜻蜓算法（dragonfly algorithm， DA）分別構建DA-SVM（denoising autoencoder support vector machine）和DA-LSSVM （dragonfly algorithm least square support vector machine）兩種參數(shù)優(yōu)化預測模型，進一步構建風電組合預測模型；文獻［16］對極端梯度提升（extreme gradient boosting，XGBoost）預測模型關鍵參數(shù)進行了優(yōu)化，可有效提高風電功率預測精度。以上研究將氣象特征量選取和模型參數(shù)優(yōu)化分開考慮，忽略了氣象特征量與模型參數(shù)最優(yōu)適配問題，易丟失全局最優(yōu)解。

本文提出一種基于氣象特征量選取與支持向量機（support vector machines， SVM）模型參數(shù)優(yōu)化的新能源超短期滾動功率預測方法。首先提出基于皮爾遜相關系數(shù)（Pearson correlation coefficient）的氣象特征量提取方法，以高關聯(lián)度的氣象特征量作為訓練數(shù)據(jù)輸入；提出一種基于粒子群算法（particle swarm optimization，PSO）的PSO-SVM預測模型參數(shù)尋優(yōu)算法，利用K折交叉驗證法（K-fold cross validation， KCV）快速計算粒子適應度，在提高預測模型精度的同時不失模型可靠性和穩(wěn)定性；提出聯(lián)合氣象特征量提取與預測模型參數(shù)尋優(yōu)的新能源發(fā)電預測算法，確定適配新能源場站的氣象特征量及預測模型最優(yōu)參數(shù)；最后，提出一種基于歷史功率數(shù)據(jù)的新能源發(fā)電超短期滾動預測方法，進一步提高新能源發(fā)電預測精度。

1 基于皮爾遜相關系數(shù)的氣象特征量提取方法

皮爾遜相關系數(shù)是描述兩事物之間相關程度的關鍵指標，其表達式為：

[R=cov（X，Y）σXσY=E[（X-μX）（Y-μY）]σXσY]" （1）

式中：[R]——[X、Y]兩個變量的相關性系數(shù)；[cov（X，Y）]——[X、Y]兩個變量的協(xié)方差；[μX]、[μY]、[σX]、[σY]——[X、Y]兩個變量樣本的平均值和標準差；[E]——期望值。

為降低非必要氣象特征量對預測精度的影響，采用皮爾遜相關系數(shù)的絕對值來計算不同時刻的氣象特征量（包括總輻照度、散射輻照度、環(huán)境溫度、風量等）與發(fā)電功率相關性，相關性系數(shù)越大，則氣象特征值對發(fā)電功率影響程度越大，正相關或負相關程度一致的氣象特征值對發(fā)電功率影響的貢獻相等，其計算如式（2）所示。數(shù)據(jù)量越大，則各氣象特征量與發(fā)電功率的相關性越趨于穩(wěn)定，綜合考慮計算效率，本文選取一年的數(shù)據(jù)量計算相關性。

[Rj=k=1n[（Tj，m-Tj）?（Pm-P）]k=1n[（Tj，m-Tj）2?k=1n[（Pm-P）2]]" （2）

式中：[Rj]——統(tǒng)計時段內(nèi)，氣象特征量[j]與發(fā)電功率之間的相關性系數(shù)絕對值；[Tj，m]——氣象特征量[j]在[m]時刻的氣象數(shù)值；[Tj]——氣象特征量[j]的平均值；[Pm]——在[m]時刻的新能源發(fā)電功率值，kW；[P]——在統(tǒng)計時段內(nèi)發(fā)電功率平均值，kW；[n]——發(fā)電期間時刻數(shù)。

在計算得到氣象特征和發(fā)電功率之間的相關性系數(shù)的絕對值后，設置邊界值，相關性系數(shù)的絕對值大于邊界值的氣象特征作為預測發(fā)電功率所需的氣象特征，選擇的氣象特征量與設定的邊界值強相關。

2 基于粒子群算法的PSO-SVM預測模型參數(shù)尋優(yōu)

2.1 SVM預測模型

支持向量機由Vapnik首先提出，其可用于模式分類和非線性回歸［17-19］。支持向量機的主要思想是建立一個分類超平面作為決策曲面，使正例和反例之間的隔離邊緣被最大化。支持向量機的理論基礎是統(tǒng)計學習理論，即在已知訓練點類別的情況下，求訓練點和類別之間的對應關系，以便將訓練集按照類別分開，或是預測新的訓練點所對應的類別。

假設給定一包含個[N]個訓練樣本的集合[S，][S={（xi，yi），][i=1]，2，…，[N]}，其分類超平面表達式為：

[f（x）=ω?β（x）+b]"""" （3）

式中：[ω]——權重向量，決定超平面的方向；[β（x）]——非線性函數(shù)；[b]——超平面的平移距離，決定了超平面與點之間的距離。

通過引入拉格朗日乘子和滿足摩西條件的核函數(shù)得到最終的決策函數(shù)為：

[f（x）=ω?β（x）+b=i=1NαiyiβT（xi）β（xj）+b""""""" =i=1NαiyiK（x，xi）+b]"""" （4）

式中：[N]——訓練集數(shù)量；[αi]——拉格朗日乘子；[yi]——訓練集或測試集的輸出；[K（x，xi）]——核函數(shù)。

常用核函數(shù)的種類主要有：

1）線性核函數(shù)（LINEAR）

[K（xi，xj）=xTixj]"""" （5）

2）多項式核函數(shù)（POLY）

[K（xi，xj）=（xTixj）d，"""" d≥1]"""""" （6）

3）高斯徑向基核函數(shù)（RBF）

[K（xi，xj）=exp-xi-xj22σ2，"""" σgt;0]""" （7）

4）神經(jīng)元的非線性作用核函數(shù)（Sigmoid）

[K（xi，xj）=tanh（γ?xTixi+r）， """ γgt;0，" """rlt;0]"""""" （8）

高斯徑向基函數(shù)是一種局部性強的核函數(shù)，可將一個樣本映射到一個更高維的空間內(nèi)，該核函數(shù)應用最廣，對大樣本或小樣本都有較好的性能，對數(shù)據(jù)中存在的噪聲有較好的抗干擾能力。

2.2 聯(lián)合氣象特征量與PSO-SVM預測模型參數(shù)尋優(yōu)算法

2.2.1 粒子群算法優(yōu)化SVM模型參數(shù)

SVM預測模型精度受函數(shù)參數(shù)影響較大，依賴人工經(jīng)驗的參數(shù)選擇方式往往達不到最優(yōu)解，最終效果不理想。粒子群優(yōu)化算法是一種群體智能的優(yōu)化算法，在處理多目標優(yōu)化中能以較大概率找到全局的最優(yōu)解，相比于傳統(tǒng)的隨機方法計算效率高、魯棒性好［20-21］。

粒子群算法尋優(yōu)原理為：假設在一個[D]維的搜索空間中，由[n]個粒子組成的種群[X=（X1，X2，…，Xn）]，其中第[i]個粒子表示為一個[D]維的向量[Xi=（xi1，" xi2，…，" xiD）T]，代表第[i]個粒子在[D]維搜索空間中的位置，即一個潛在的解。根據(jù)目標函數(shù)即可計算每個粒子位置[Xi]對應的適應度，第[i]個粒子的速度為[Vi=（Vi1，Vi2，…，ViD）T]，其個體極值為[Pi=（Pi1，Pi2，…，PiD）T]，種群群體極值為[Pg=（Pg1，Pg2，…，PgD）T]。在每次迭代過程中粒子通過個體極值和群體極值更新自身的速度和位置，使粒子具有自適應的時變特性，即：

[Vk+1id=μVkid+c1r1（Pkid-Xkid）+c2r2（Pkgd-Xkid）]"""""" （9）

[Xk+1id=Xkid+Vk+1id]"""""" （10）

式中：[d=1，2，3，…，D]；[k]——當前迭代次數(shù)；[μ]——慣性權重；[c1]和[c2]——非負的常數(shù)，稱為加速度因子；[r1]和[r2]——分布于［0，1］區(qū)間的隨機數(shù)。

粒子[Xi]的第[t]代目標函數(shù)值為[Pti]，目標函數(shù)值越大，適應度也越大，表示粒子越優(yōu)秀。第i個粒子在（[t+1]）代選擇更新的公式為：

[Xk+1i=Xki"，""" Pki≥Pk+1i"Xk+1i=Xk+1i"，"" Pkilt;Pk+1i]"""" （11）

利用粒子群算法PSO優(yōu)化SVM預測模型的主要步驟是：獲取新能源場站的歷史數(shù)字天氣預報（numerical weather prediction， NWP）數(shù)據(jù)和對應時刻的發(fā)電功率數(shù)據(jù)，利用改進皮爾遜相關系數(shù)法篩選出氣象特征量，根據(jù)核函數(shù)的參數(shù)數(shù)量確定粒子群的維度，并計算SVM的核函數(shù)參數(shù)，將其作為粒子的初始位置，在計算當前粒子適應度后，優(yōu)化更新粒子位置和速度，重新計算粒子適應度，直到達到適應值或者迭代次數(shù)。粒子群算法優(yōu)化SVM模型參數(shù)的具體實施流程如圖1所示。

2.2.2 K折交叉驗證法計算粒子適應度

為得到可靠、穩(wěn)定的模型，本文在對PSO-SVM預測模型每個粒子計算適應度的過程中采用[K]折交叉驗證方法。[K]值選取需綜合考慮交叉驗證效果、數(shù)據(jù)量大小、計算速度和運行時間等因素?；舅悸窞椋?/p>

1）不重復地將原訓練集隨機分為[K]份；

2）挑選其中1份作為驗證集，剩余[K-1]份作為訓練集用于模型訓練，在訓練后得到一個模型，用這個模型在驗證集上測試，保存當前模型性能指標；

3）重復第2步[K]次（確保每個子集都有一次機會作為驗證集）；

4）計算[K]組測試指標的平均值作為模型精度的估計，并作為當前[K]折交叉驗證下模型的性能指標；

5）選擇模型預測精度作為性能評估指標，本文中每個粒子代表一組解，重復步驟1）～步驟5），直到完成所有粒子的適應度計算。[K]折交叉驗證計算預測模型粒子適應度過程如圖2所示。

通常情況下，[K]一般取10；當原訓練集較小時，[K]可適當取大，增加訓練集占整體比例，但訓練的模型數(shù)量也隨之增多；原訓練集較大時，[K]可適當取小，以保證訓練集數(shù)量且提高計算速度。

2.2.3 聯(lián)合氣象特征量與PSO-SVM預測模型參數(shù)尋優(yōu)算法原理

對于SVM預測模型，不同氣象特征訓練集對應最優(yōu)模型參數(shù)不一致，基于對發(fā)電功率產(chǎn)生顯著影響的氣象特征量進行預測模型參數(shù)優(yōu)化可能陷入局部最優(yōu)解，且不同新能源場站預測在不同時間段的最合適氣象特征量也不完全一致。在實際進行新能源發(fā)電預測時，需考慮氣象特征、預測模型及模型參數(shù)優(yōu)化之間的關聯(lián)性，通過氣象特征量與模型參數(shù)聯(lián)合優(yōu)化，以得到全局最優(yōu)解。

本文提出的聯(lián)合氣象特征量與PSO-SVM預測模型參數(shù)尋優(yōu)算法，即通過遍歷所設定的氣象特征與功率相關性系數(shù)所有邊界值R篩選出不同的氣象特征量組合，將該氣象特征量作為訓練數(shù)據(jù)輸入，利用2節(jié)的粒子群算法對預測模型參數(shù)尋優(yōu)。該算法可兼顧所有氣象特征量及其對應的最優(yōu)模型參數(shù)，可找到全局最優(yōu)解，可有效解決在開展新能源預測過程中輸入氣象特征量數(shù)量確定、氣象特性量篩選、模型參數(shù)局部最優(yōu)等問題，具有很強的泛化能力。

3 基于SVM參數(shù)優(yōu)化的新能源功率超短期滾動預測

3.1 數(shù)據(jù)預處理

將歷史新能源發(fā)電功率數(shù)據(jù)進行歸一化，可消除由于開機容量不同導致的預測誤差，計算公式為：

[P?k=PkCk]"" （12）

式中：[P?k]——功率數(shù)據(jù)在[k]時刻的歸一化數(shù)據(jù)，kW；[Pk]——新能源場站在[k]時刻的實際發(fā)電功率值，kW；[Ck]——新能源場站在[k]時刻的開機容量，kW。

3.2 新能源功率超短期滾動預測模型

結合氣象特征量提取和預測模型參數(shù)優(yōu)化，提出滾動預測方法以進一步提高新能源發(fā)電功率超短期預測精度。新能源場站應每15 min自動向電力調(diào)度機構滾動上報未來0～4 h每15 min共16個時間段的風電場超短期有功功率預測結果［22］。在不考慮模型計算速度和通信延遲的情況下，每次上報調(diào)度機構的第1個時刻的預測功率值可由前一時刻的已知實際功率值進行預測得到，并由第1個時刻的預測功率值作為下一個時刻的訓練輸入，得到第2個時刻的預測功率值，以此類推，直至計算出超短期滾動預測16個值。預測示意圖如圖3所示。完成新能源預測后需要反歸一化，即用預測結果乘以開機容量，最終得到具有量綱的功率預測值。

3.3 預測精度計算

常用均方根誤差（root mean squared error， RMSE）衡量預測值與新能源功率實際出力之間的偏差，可較好地反映預測值偏離程度，如式（13）所示。預測精度為100%減去均方根誤差，該指標是調(diào)度對新能源場站功率預測準確性的主要考核項。

[ERMSE=1nk=1nPM，"k-PP，"kCk2]""""" （13）

式中：[PM，"k]——k時段的實際平均功率，kW；[PP，"k]——k時段的預測平均功率，kW；[n]——誤差統(tǒng)計時間內(nèi)的時段總數(shù)減去免考核時段數(shù)量。

在實際應用層面，考慮數(shù)據(jù)上報時效性，可通過前期的氣象特征選取、模型參數(shù)優(yōu)化、模型穩(wěn)定性加強等步驟確定最優(yōu)預測模型后，輸入未來NWP數(shù)據(jù)直接開展預測，減少預測模型重復訓練耗時。并在后臺持續(xù)對預測模型進行計算尋優(yōu)，若產(chǎn)生預測精度更高的模型，則替換現(xiàn)有模型，如此迭代循環(huán)。

4 算例分析

本文所采用的NWP格點數(shù)據(jù)來自南網(wǎng)云數(shù)據(jù)中心，并通過經(jīng)緯度與新能源場站關聯(lián)。NWP格點數(shù)據(jù)包含不同高程風速、風向、溫度、濕度、總輻射、散射輻射等氣象特征量，共計43個，數(shù)據(jù)時間尺度為15 min一個點。以典型新能源場站為例，驗證本文所提算法的有效性。

4.1 聯(lián)合氣象特征量選取與PSO-SVM預測模型參數(shù)優(yōu)化對預測精度的影響分析

4.1.1 風電超短期預測算例分析

以云南PDLZ風電場為例，其全并網(wǎng)容量為70 MW，選取2020年7月1日—2021年12月15日的NWP數(shù)據(jù)進行算例驗證。其中前400天的數(shù)據(jù)作為訓練集，后130天的數(shù)據(jù)作為測試集，龐大驗證數(shù)據(jù)集可較好檢驗預測模型精度［23］。擬設計3種預測方案：

方案1：選取典型氣象特征和模型參數(shù)作為預測條件。參考文獻［11，24］，優(yōu)選風速、風向、溫度、濕度、氣壓這5個氣象特征量作為輸入量，SVM預測模型選用高斯徑向基核函數(shù)，其典型參數(shù)設為[σ=0.004，C=12.453]。

方案2：選取與方案1相同典型氣象特征，并使用本文所提的PSO-SVM模型對參數(shù)進行優(yōu)化。

方案3：聯(lián)合氣象特征量選取與PSO-SVM預測模型對參數(shù)優(yōu)化。設定邊界值[R]的取值范圍為0.2～0.3，步長為0.02，對不同[R]值下的模型參數(shù)進行尋優(yōu)后，計算預測精度。每一次相關性系數(shù)的選取后與上一次的特征量進行比較，若兩次特征量一樣，則跳過本次相關性系數(shù)計算，遍歷所有設定的[R]值后，模型精度最高的為最優(yōu)模型。PSO種群大小設為10，最大迭代次數(shù)為30，粒子維度數(shù)為2，慣性權重初始為1。

在方案1的情況下，計算模型最終預測精度為82.71%。方案2得到最優(yōu)模型參數(shù)為[σ=0.0018，C=16.651]，模型預測精度為84.86%。方案3聯(lián)合氣象特征量選取與PSO-SVM預測模型參數(shù)優(yōu)化，當[R=0.28]時，模型參數(shù)為[σ=0.0058]，[C=12.823，]模型預測精度最高為87.44%。3種方案的預測結果如表1所示。

新能源發(fā)電功率超短期每15 min預測一次，每次預測未來4 h，共計16個點。本文選取每次預測第4個點，畫出超短期預測曲線。PDLZ風電場在不同氣象特征與模型參數(shù)下的部分預測結果如圖4所示。根據(jù)圖4，對比PDLZ風電場在方案1（選取典型氣象特征且模型參數(shù)未優(yōu)化）和方案2（選取典型氣象特征且模型參數(shù)優(yōu)化）的預測結果，可看出方案2通過粒子群算法優(yōu)化模型參數(shù)可提高預測精度2.15%。本文所提的聯(lián)合氣象特征量選取與PSO-SVM預測模型參數(shù)優(yōu)化方法可在[R=0.28，]且只選取100 m風速作為氣象特征量時的預測效果最好，預測結果可很好地跟蹤實際功率曲線，與方案2直接選取典型氣象特征量相比，預測精度可進一步提高2.58%。

圖5為PDLZ風電場在不同氣象特征與模型參數(shù)下的預測誤差，可看出本文所提方法預測誤差整體偏小，有效提高了PDLZ風電場預測精度。由于風力發(fā)電具有隨機性或數(shù)值天氣預報數(shù)據(jù)處理偏差等問題，存在0.06%的時刻其預測誤差大于0.7，在可接受范圍內(nèi)。

4.1.2 光伏超短期預測算例分析

以云南LYY光伏電站為例，其全并網(wǎng)容量為100 MW，選取2020年7月1日—2021年12月15日的NWP數(shù)據(jù)進行算例驗證，驗證數(shù)據(jù)量及方法同云南PDLZ風電場。光伏超短期預測選取的典型氣象特征量為溫度、濕度、云量、風速、輻照度［25-26］，設定邊界值[R]的取值范圍為0.3～0.7，步長為0.02，遍歷所有設定的相關系數(shù)邊界值[R]確定最優(yōu)模型參數(shù)，選取過程中典型值列出預測結果。3種方案的預測結果如表2所示。

LYY光伏電站在不同氣象特征與模型參數(shù)下的預測曲線

如圖6所示。與方案1（選取典型氣象特征且模型參數(shù)未優(yōu)化）相比，方案2（選取典型氣象特征且模型參數(shù)優(yōu)化）通過粒子群算法對預測模型參數(shù)進行優(yōu)化，可適當提高LYY光伏電站發(fā)電功率預測精度，為0.24%。本文所提的聯(lián)合氣象特征量選取與PSO-SVM預測模型參數(shù)優(yōu)化方法可在R=0.6，選取100 m相對濕度、總輻射、直接輻射作為氣象特征量時的預測效果最好，預測精度提高0.18%。由圖7可看出，由于光伏發(fā)電具有隨機性或數(shù)值天氣預報數(shù)據(jù)處理偏差等問題，存在0.07%的時刻其預測誤差大于0.7，在可接受范圍內(nèi)。

4.2 新能源超短期滾動預測對預測精度的影響分析

4.2.1 風電超短期滾動預測算例分析

本節(jié)選擇與4.1.1節(jié)相同的NWP數(shù)據(jù)、功率數(shù)據(jù)量和模型誤差計算方法開展云南PDLZ風電場超短期滾動預測，通過聯(lián)合氣象特征量選取與PSO-SVM預測模型參數(shù)優(yōu)化方法，選擇4.1.1節(jié)的最優(yōu)計算結果，即在[R=0.28，]以100 m風速作為輸入氣象特征量，模型參數(shù)[σ=0.0001，][C=8.251]時，預測模型精度最高為91.1%。PDLZ風電場超短期滾動預測結果如圖8所示，對比4.1.1節(jié)的方案2預測結果，滾動預測可提高預測精度為6.24%。

4.2.2 光伏超短期滾動預測算例分析

本節(jié)選擇與4.1.2節(jié)相同的NWP數(shù)據(jù)、功率數(shù)據(jù)量和模型誤差計算方法開展云南LYY光伏電站超短期滾動預測，通過聯(lián)合氣象特征量選取與PSO-SVM預測模型參數(shù)優(yōu)化方法，選擇4.1.2節(jié)的最優(yōu)計算結果，即在[R=0.3]時，預測模型精度最高為91.24%，此時以100 m相對濕度、總輻射、散射輻射、直接輻射、100 m溫度作為輸入氣象特征量，優(yōu)化的模型參數(shù)[σ=0.0001，C=18.8037]。LYY光伏電站超短期滾動預測結果如圖9所示，對比4.1.2節(jié)的預測結果，滾動預測可進一步提高預測精度，最終提高預測精度0.21%。

5 結 論

為提高新能源發(fā)電超短期預測精度，本文研究了聯(lián)合氣象特征量選取與SVM模型參數(shù)優(yōu)化的新能源超短期功率滾動預測技術，得出如下主要結論：

1）新能源發(fā)電預測精度與氣象特征量選取緊密相關，氣象特征量選取過多或過少都會影響預測精度的最優(yōu)值。

2）在選取典型氣象特征量的情況下，利用粒子群算法對模型參數(shù)進行優(yōu)化，可在一定程度上提高新能源發(fā)電超短期預測精度。

3）聯(lián)合氣象特征量選取與基于粒子群算法的模型參數(shù)優(yōu)化方法，相比于典型氣象特征量下的模型參數(shù)優(yōu)化預測工況，可獲取全局最優(yōu)預測模型，大幅提高新能源發(fā)電超短期預測精度。

4）根據(jù)新能源場站向調(diào)度側上報新能源發(fā)電功率預測的實際情況，采用滾動預測模型可提高靠近上報時刻的單點預測精度，總體可進一步提高新能源發(fā)電預測精度。

本文所提新能源功率超短期預測方法可提高新能源發(fā)電預測精度，預測模型穩(wěn)定，具有較強工程實用價值。

［參考文獻］

［1］"""" 薛禹勝， 雷興， 薛峰， 等. 關于風電不確定性對電力系統(tǒng)影響的評述［J］. 中國電機工程學報， 2014， 34（29）： 5029-5040.

XUE Y S， LEI X， XUE F， et al. A review on impacts of wind""" power""" uncertainties""" on""" power""" systems［J］. Proceedings of the CSEE， 2014， 34（29）： 5029-5040.

［2］"""" 王俊杰， 畢利， 張凱， 等. 基于多特征融合和XGBoost-LightGBM-ConvLSTM的短期光伏發(fā)電量預測［J］. 太陽能學報， 2023， 44（7）： 168-174.

WANG" J" J，" BI" L，" ZHANG" K，" et" al." Short-term photovoltaic power generation prediction based on multi-feature"" fusion"" and"" XGBoost-LightGBM-ConvLSTM［J］." Acta energiae solaris sinica， 2023， 44（7）： 168-174.

［3］"""" KARAKU? O， KURUO?LU E E， ALT?NKAYA M A. One-day ahead wind speed/power prediction based on polynomial autoregressive model［J］. IET renewable power generation， 2017， 11（11）： 1430-1439.

［4］"""" 王飛， 甄釗， 劉興杰. 新能源發(fā)電功率預測［M］. 北京： 科學出版社， 2020： 8-9.

WANG F， ZHEN Z， LIU X J. Renewable energy generation power forecasting［M］. Beijing： Science Press， 2020： 8-9.

［5］"""" 朱瓊鋒， 李家騰， 喬驥， 等. 人工智能技術在新能源功率預測的應用及展望［J］. 中國電機工程學報， 2023， 43（8）： 3027-3048.

ZHU Q F， LI J T， QIAO J， et al. Application and prospect of artificial intelligence technology in renewable energy forecasting［J］. Proceedings of the CSEE， 2023， 43（8）： 3027-3048.

［6］"""" YANG L， HE M， ZHANG J S， et al. Support-vector machine-enhanced Markov model for short term wind power forecast［J］. IEEE transactions on sustainable energy， 2015， 6（3）： 791-799.

［7］"""" 葉林， 路朋， 趙永寧， 等. 含風電電力系統(tǒng)有功功率模型預測控制方法綜述［J］. 中國電機工程學報， 2021， 41（18）： 6181-6198.

YE L， LU P， ZHAO Y N， et al. Review of model predictive control for power system with large-scale wind power" grid-connected［J］." Proceedings" of" the" CSEE， 2021， 41（18）： 6181-6198.

［8］"""" 賴昌偉， 黎靜華， 陳博， 等. 光伏發(fā)電出力預測技術研究綜述［J］. 電工技術學報， 2019， 34（6）： 1201-1217.

LAI C W， LI J H， CHEN B， et al. Review of photovoltaic power" output" prediction" technology［J］." Transactions" of China Electrotechnical Society， 2019， 34（6）： 1201-1217.

［9］"""" 陳臣鵬， 趙鑫， 畢貴紅， 等. 基于多模式分解和麻雀優(yōu)化殘差網(wǎng)絡的短期風速預測模型［J］. 電網(wǎng)技術， 2022， 46（8）： 2975-2985.

CHEN C P， ZHAO X， BI G H， et al. SSA-res-GRU short-term wind speed prediction model based on multi-model decomposition［J］. Power" system" technology，" 2022，" 46（8）： 2975-2985.

［10］""" LI Y F， WANG Z Q， YU C Q． A new multi-data driven wind power forecasting model based on temporal reinforcement learning convolutional network（English）［J/OL］. Journal of Central South University， https：//kns.cnki.net/kcms2/article/abstract？v=GARc9QQj0GXeEb-7jHGC9 OyXQr_Y8wmwTdXUl2t7IafmN72T_ncRocf2LYJB_8g1Z iqOMu8-Q7MVB_xTCeOOqSjdZKxoz-lBdNmekSOKnIlvT 4Pt7KvTgvtXoJ2d6TX_2Zn70WE0dtA=amp;uniplatform=NZKPTamp;language=CHS， 2021-05-27．

［11］""" 胡帥， 向月， 沈曉東， 等. 計及氣象因素和風速空間相關性的風電功率預測模型［J］. 電力系統(tǒng)自動化， 2021， 45（7）： 28-36.

HU S， XIANG Y， SHEN X D， et al. Wind power prediction model considering meteorological factor and spatial correlation of wind speed［J］. Automation of electric power systems， 2021， 45（7）： 28-36.

［12］""" 田劍剛， 張沛， 彭春華， 等. 基于分時長短期記憶神經(jīng)網(wǎng)絡的光伏發(fā)電超短期功率預測［J］. 現(xiàn)代電力， 2020， 37（6）： 629-638.

TIAN J G， ZHANG P， PENG C H， et al. Ultra short-term forecast of photovoltaic generation based on time-division long" short-term" memory" neural" networks［J］." Modern electric power， 2020， 37（6）： 629-638.

［13］""" 張群， 唐振浩， 王恭， 等. 基于長短時記憶網(wǎng)絡的超短期風功率預測模型［J］. 太陽能學報， 2021， 42（10）： 275-281.

ZHANG Q， TANG Z H， WANG G， et al. Ultra-short-term wind power prediction model based on long and short term memory network［J］. Acta energiae solaris sinica， 2021， 42（10）： 275-281.

［14］nbsp;"" 劉云， 易松. 基于雙參數(shù)最小二乘支持向量機（TPA-LSSVM）的風電時間序列預測模型的優(yōu)化研究［J］. 北京化工大學學報（自然科學版）， 2019， 46（2）： 97-102.

LIU Y， YI S. Optimization of a wind power time series prediction model based on a two-parameter least squares support vector machine［J］. Journal of Beijing University of Chemical Technology （natural science edition）， 2019， 46（2）： 97-102.

［15］""" 張礽愷. 基于蜻蜓優(yōu)化算法的風電超短期功率預測研究［D］. 石家莊： 河北科技大學， 2021.

ZHANG R K. Research on wind power ultra-short-term power prediction based on dragonfly optimization algorithm［D］. Shijiazhuang： Hebei University of Science and Technology， 2021.

［16］""" 李錦舒. 基于特征選擇與數(shù)據(jù)挖掘的風電集群短期功率預測研究［D］. 武漢： 華中科技大學， 2020.

LI J S. Research on regional short term wind power prediction based on feature selection and data mining［D］. Wuhan： Huazhong University of Science and Technology， 2020.

［17］""" 丁志勇， 楊蘋， 楊曦， 等. 基于連續(xù)時間段聚類的支持向量機風電功率預測方法［J］. 電力系統(tǒng)自動化， 2012， 36（14）： 131-135， 149.

DING Z Y， YANG P， YANG X， et al. Wind power prediction method based on sequential time clustering support vector machine［J］. Automation of electric power systems， 2012， 36（14）： 131-135， 149.

［18］""" 肖白， 聶鵬， 穆鋼， 等. 基于多級聚類分析和支持向量機的空間負荷預測方法［J］. 電力系統(tǒng)自動化， 2015， 39（12）： 56-61.

XIAO B， NIE P， MU G， et al. A spatial load forecasting method based on multilevel clustering analysis and support vector machine［J］. Automation of electric power systems， 2015， 39（12）： 56-61.

［19］""" ZHAO Y N， YE L， PINSON P， et al. Correlation-constrained" and" sparsity-controlled" vector autoregressive model for spatio-temporal wind power forecasting［J］. IEEE transactions on power systems， 2018， 33（5）： 5029-5040.

［20］""" 吳杰康， 熊焰. 風水氣互補發(fā)電優(yōu)化的云模型自適應粒子群優(yōu)化算法［J］. 中國電機工程學報， 2014， 34（S1）： 17-24.

WU J K， XIONG Y. An cloud model theory based adaptive particle swarm optimization algorithm for complementary power generation optimization of wind-energy， hydro-energy" and" natural" gas［J］. Proceedings" of" the" CSEE， 2014， 34（S1）： 17-24.

［21］""" 孫毅， 石墨， 單葆國， 等. 基于粒子群優(yōu)化支持向量機的電能替代潛力分析方法［J］. 電網(wǎng)技術， 2017， 41（6）： 1767-1771.

SUN Y， SHI M， SHAN B G， et al. Electric energy substitution potential analysis method based on particle swarm" optimization" support"" vector"" machine［J］." Power system technology， 2017， 41（6）： 1767-1771.

［22］""" NB/T 10205—2019， 風電功率預測技術規(guī)定［S］.

NB/T 10205—2019， Technical regulations for wind power prediction［S］.

［23］""" CHEN N Y， QIAN Z， NABNEY I T， et al. Wind power forecasts using Gaussian processes and numerical weather prediction［J］. IEEE transactions on power systems， 2014， 29（2）： 656-665.

［24］""" 楊宇晴， 張怡. 基于mRMR和VMD-AM-LSTM的短期風功率預測［J］. 控制工程， 2022， 29（1）： 10-17.

YANG Y Q， ZHANG Y. Short-term wind power prediction based"" on"" mRMR"" and"" VMD-AM-LSTM［J］."" Control engineering of China， 2022， 29（1）： 10-17.

［25］""" 葛樂， 陸文偉， 袁曉冬， 等. 基于改進相似日和ABC-SVM的光伏電站功率預測［J］. 太陽能學報， 2018， 39（3）： 775-782.

GE L， LU W W， YUAN X D， et al. Power forecasting of photovoltaic plant based on improved similar day and ABC-SVM［J］. Acta energiae solaris sinica， 2018， 39（3）： 775-782.

［26］""" 倪超， 王聰， 朱婷婷， 等. 基于CNN-Bi-LSTM的太陽輻照度超短期預測［J］. 太陽能學報， 2022， 43（3）： 197-202.

NI" C，" WANG" C，" ZHU" T" T，" et" al." Super-short-term forecast of solar irradiance based on CNN-Bi-LSTM［J］. Acta energiae solaris sinica， 2022， 43（3）： 197-202.

ULTRA-SHORT-TERM POWER FORECAST OF NEW ENERGY BASED ON METEOROLOGICAL FEATURE SELECTION AND

SVM MODEL PARAMETER OPTIMIZATION

Chen Yuanfeng， Ma Xiyuan，Cheng Kai，Bao Tao，Chen Yansen，Zhou Changcheng

（China Southern Power Grid Digital Grid Group Co.， Ltd.， Guangzhou 510663， China）

Abstract：Under the major strategic deployment of building a new power system and realizing the \"dual carbon\" goal， new energy represented by Wind power generation and photovoltaic power generation will usher in a period of rapid development. New energy power generation is random， intermittent and volatile， and the integration of large-scale new energy power generation into the power grid will seriously affect the security， stability and economic operation of the power grid. Therefore， an ultra-short-term power prediction method for new energy power generation based on the selection of massive meteorological feature quantities and parameter optimization of support vector machine （SVM） model is proposed to improve the prediction accuracy of new energy power generation. Firstly， the meteorological feature extraction method based on the Pearson correlation coefficient is studied， and the parameters of the new energy power prediction support vector machine （SVM） model are optimized by using the particle swarm optimization （PSO）. The ultra short term prediction model of new energy power generation combined with meteorological feature extraction and model parameter optimization is further proposed to obtain the global optimal solution. The ultra short term rolling prediction model of new energy power generation is studied by using historical power generation data. Finally， the data of a domestic wind farm is used for comparison and verification， which proves that the proposed prediction model can effectively improve the prediction accuracy of new energy power generation.

Keywords：new energy； forecasting； support vector machines； particle swarm optimization； feature extraction； parameter optimization