广西师范大学学报（自然科学版） ›› 2023, Vol. 41 ›› Issue (4): 61-73.doi: 10.16088/j.issn.1001-6600.2022103001

• 研究论文 • 上一篇    下一篇

基于GRA-ISSA-SVR-EC模型的风电功率组合预测方法

王珊珊1,2*, 何嘉文1,2, 吴霓1,2, 朱威1,2, 兰欣1,2   

  1. 1.湖北工业大学电气与电子工程学院,湖北武汉 430068;
    2.太阳能高效利用及储能运行控制湖北省重点实验室(湖北工业大学),湖北武汉 430068
  • 收稿日期:2022-10-30 修回日期:2022-12-02 出版日期:2023-07-25 发布日期:2023-09-06
  • 通讯作者: 王珊珊(1982—), 女, 湖北钟祥人, 湖北工业大学副教授,博士。E-mail:wangshanshan@hbut.cdu.cn
  • 基金资助:
    湖北省重点研发计划项目(2020BAB114);湖北省教育厅科学研究计划重点项目(D20211402);襄阳湖北工业大学产业研究院项目(XYYJ2022C04)

Combined Model for Wind Power Prediction Based on GRA-ISSA-SVR-EC

WANG Shanshan1,2*, HE Jiawen1,2, WU Ni1,2, ZHU Wei1,2, LAN Xin1,2   

  1. 1. School of Electrical and Electronic Engineering, Hubei University of Technology, Wuhan Hubei 430068, China;
    2. Hubei Key Laboratory for High-efficiency Utilization of Solar Energy and Operation Control of Energy Storage System (Hubei University of Technology), Wuhan Hubei 430068, China
  • Received:2022-10-30 Revised:2022-12-02 Online:2023-07-25 Published:2023-09-06

PDF (PC)

94

摘要： 针对风电功率的非线性特征,本文提出一种结合灰色关联度分析(GRA)、改进麻雀算法(ISSA)、支持向量回归(SVR)和误差修正模型(EC)的风电功率组合预测方法。应用GRA筛选出与风电功率关联度较大的影响因素作为模型的输入;引入自适应权重因子和Levy飞行策略提升传统SSA的性能,建立ISSA-SVR模型得到初始预测值;建立误差修正模型进行预测得到误差预测值,最后将初始预测值与误差预测值用加法器合并得到最终结果。仿真结果表明,该模型在对2个风电场的风电功率进行预测时,平均确定系数分别达到0.999 6和0.998 5,平均绝对误差分别为0.226 6 kW和0.014 6 MW,均方根误差分别为0.277 7 kW和0.021 3 MW,相比于其他传统模型预测精度更高。

关键词: 风电功率预测, 灰色关联度分析, 改进麻雀算法, 支持向量回归, 误差修正

Abstract: Aiming at the nonlinear characteristics of wind power, a combined prediction method for wind power is proposed, which combines gray relational analysis (GRA), improves sparrow algorithm (ISSA), support vector regression (SVR) and error correction model (EC). GRA is used to select the influential factors with a large degree of correlation with wind power as the input of the model. Adaptive weight factor and Levy flight strategy are introduced to improve the performance of traditional SSA, and ISSA-SVR model is established to obtain the initial predicted value. The error correction model is established to get the predicted error value. Finally, the initial predicted error value and the predicted error value are combined with the adder to get the final result. The simulation results show that the average determination coefficient of the model is 0.999 6 and 0.998 5, the average absolute error is 0.226 6 kW and 0.014 6 MW, and the root mean square error is 0.277 7 kW and 0.021 3 MW, respectively, when predicting the wind power of two wind farms. Compared with other traditional models, the prediction accuracy is higher.

Key words: wind power prediction, grey relation analysis, improved sparrow search algorithm, support vector regression, error-corrected model

中图分类号:  TM614; TP18

[1] 粟世玮,郝翊彤,宋玉娇,等.含风电-氢能-电转气的园区综合能源系统优化调度[J].广西师范大学学报(自然科学版),2023,41(1):48-57. DOI: 10.16088/j.issn.1001-6600.2022030306.
[2] 杨茂, 代博祉, 刘蕾. 风电功率概率预测研究综述[J].东北电力大学学报,2020,40(2):1-6. DOI: 10.19718/j.issn.1005-2992.2020-02-0001-06.
[3] 狄飞超. 风电场短期风电功率组合预测方法研究[D].武汉:湖北工业大学,2021. DOI: 10.27131/d.cnki.ghugc.2021.000303.
[4] WANG Y Y, SHEN R J, MA Y H, et al. Research on ultra-short term forecasting technology of wind power output based on wake model[J]. Journal of Physics: Conference Series, 2022, 2166: 012401. DOI: 10.1088/1742-6596/2166/1/012041.
[5] 朱恩文, 朱安麒, 王洁丹, 等. 基于EEMD-GA-BP模型的风电功率短期预测研究[J].广西师范大学学报(自然科学版),2022,40(1):166-174. DOI: 10.16088/j.issn.1001-6600.2021060912.
[6] 张明宇, 赵猛, 蔡夫鸿, 等. 基于深度学习的波浪能发电功率预测[J].广西师范大学学报(自然科学版),2020,38(3):25-32. DOI: 10.16088/j.issn.1001-6600.2020.03.004.
[7] 李卓, 叶林, 戴斌华, 等. 基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法[J].高电压技术,2022,48(6):2117-2127. DOI: 10.13336/j.1003-6520.hve.20210557.
[8] 周小麟, 童晓阳. 基于CEEMD-SBO-LSSVR的超短期风电功率组合预测[J].电网技术,2021,45(3):855-864. DOI: 10.13335/j.1000-3673.pst.2020.0584.
[9] LI L L,ZHAO X,TSENG M L,et al. Short-term wind power forecasting based on support vector machine with improved dragonfly algorithm[J]. Journal of Cleaner Production, 2020, 242: 118447. DOI: 10.1016/j.jclepro.2019.118447.
[10] LI L L, LIU Z F, TSENG M L, et al. Using enhanced crow search algorithm optimization-extreme learning machine model to forecast short-term wind power[J]. Expert Systems with Applications, 2021, 184: 115579. DOI: 10.1016/j.eswa.2021.115579.
[11] DUAN J D, WANG P, MA W T, et al. A novel hybrid model based on nonlinear weighted combination for short-term wind power forecasting[J]. International Journal of Electrical Power & Energy Systems, 2022, 134: 107452. DOI: 10.1016/j.ijepes.2021.107452.
[12] GUOH T, PAN L, WANG J, et al. Short-term wind power prediction method based on TCN-GRU combined model[C]//2021 IEEE Sustainable Power and Energy Conference (iSPEC). Piscataway, NJ: IEEE, 2021: 3764-3769. DOI: 10.1109/iSPEC53008.2021.9735991.
[13] 杨迪, 方扬鑫, 周彦. 基于MEB和SVM方法的新类别分类研究[J].广西师范大学学报(自然科学版),2022,40(1):57-67. DOI: 10.16088/j.issn.1001-6600.2021060913.
[14] 白钰, 彭珍瑞. 基于自适应惯性权重的樽海鞘群算法[J].控制与决策,2020,37(1):237-246. DOI: 10.13195/j.kzyjc.2020.0454.
[15] 贾树晋, 杜斌. Rosenbrock搜索与动态惯性权重粒子群混合优化算法[J].控制与决策,2011,26(7):1060-1064. DOI: 10.13195/j.cd.2011.07.102.jiashj.012.
[16] 吴定海, 张培林, 李胜, 等. 基于混沌变异的自适应双粒子群优化[J].控制与决策,2011,26(7):1083-1086,1095. DOI: 10.13195/j.cd.2011.07.125.wudh.026.
[17] 钱晓宇, 方伟. 基于局部搜索的反向学习竞争粒子群优化算法[J].控制与决策,2021,36(4):779-789. DOI: 10.13195/j.kzyjc.2019.1150.
[18] 郑丽霞, 林芳, 杨善朝. 学科领域高被引与高下载论文的灰色关联分析:以概率论与数理统计学科为例[J].广西师范大学学报(自然科学版),2018,36(4):76-83. DOI: 10.16088/j.issn.1001-6600.2018.04.010.
[1] 丁晓剑, 丁冉. 基于SVR-RFE的作战方案评估指标选择方法[J]. 广西师范大学学报（自然科学版）, 2015, 33(4): 43-48.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 徐久成, 李晓艳, 李双群, 张灵均. 基于相容粒的多层次纹理特征图像检索方法[J]. 广西师范大学学报（自然科学版）, 2011, 29(1): 186 -187 .
[2] 白德发, 徐欣, 王国长. 函数型数据广义线性模型和分类问题综述[J]. 广西师范大学学报（自然科学版）, 2022, 40(1): 15 -29 .
[3] 曾庆樊, 秦永松, 黎玉芳. 一类空间面板数据模型的经验似然推断[J]. 广西师范大学学报（自然科学版）, 2022, 40(1): 30 -42 .
[4] 张喜龙, 韩萌, 陈志强, 武红鑫, 李慕航. 面向复杂数据流的集成分类综述[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 1 -21 .
[5] 童凌晨, 李强, 岳鹏鹏. 基于CiteSpace的喀斯特土壤有机碳研究进展[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 22 -34 .
[6] 王党树, 仪家安, 董振, 杨亚强, 邓翾. 单周期控制的带纹波抑制单元无桥Boost PFC变换器研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 47 -57 .
[7] 喻思婷, 彭靖静, 彭振赟. 矩阵方程的秩约束最小二乘对称半正定解及其最佳逼近[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 136 -144 .
[8] 覃城阜, 莫芬梅. C3-和C4-临界连通图的结构[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 145 -153 .
[9] 阴玉栋, 柯善喆, 黄家艳, 邓梦湘, 刘观艳, 程克光. 1,3-二溴丙烷与醇羧酸和胺一锅法生成烯丙基化合物[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 154 -161 .
[10] 杜丽波, 李金玉, 张晓, 李永红, 潘卫东. 毛红椿皮的化学成分及生物活性研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 162 -172 .
版权所有 © 广西师范大学学报（自然科学版）编辑部
地址：广西桂林市三里店育才路15号　邮编：541004
电话：0773-5857325　E-mail: gxsdzkb@mailbox.gxnu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发