基于宽度学习的风力发电预测方法研究

作     者：叶佳驹 

作者单位：黑龙江大学 

学位级别：硕士

导师姓名：吴华洋

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：风电功率预测 宽度学习 多视图融合 多视图典型相关分析 蜣螂优化算法 

摘      要：随着环境污染日益严重,全世界对新能源的需求日益增加。风能作为一种高效清洁的可再生能源,并且风力资源广泛分布于全球各地,风力发电在世界范围内得以快速发展。但风力发电具有较强的间隙性和波动性,将风电并网时会对电力系统产生严重影响,因此如何精确的预测风电功率,从而提前对电力系统进行调控,成为解决问题的关键。本文针对此问题,将宽度学习、多视图融合和改进后的蜣螂优化算法相结合,开展了对风电功率预测的研究。研究的主要内容如下: (1)风电数据质量的高低,会直接影响风电功率的预测效果。本文首先使用了《风电场风能资源评估方法》中提供的标准和四分位数法对原始数据中的异常数据进行了检测,然后使用了线性插值法对缺失值进行了填补。其次,影响风电功率预测的因素有很多。本文通过对风力发电原理进行分析,得出了影响风电功率预测的主要因素,然后对各种影响因素进行了分析。最后,本文通过绘制偏自相关图来分析和提取风电功率的时序特征,并得到了模型的输入数据集,为后面的建模和实验奠定基础。 (2)针对神经网络模型训练时,会消耗大量的时间和计算资源,本文构建了宽度学习(Broad Learning,BL)模型进行风电功率预测,并在西班牙的实际数据集上进行了验证。实验结果表明,BL模型在预测精度上与其他比对模型相差不大的情况下,BL模型的训练时间比其他对比模型降低了99%以上。 (3)影响风电功率预测的因素有很多,将其作为预测特征输入预测模型时,除了信息量的增加,还会带来了一些干扰,从而影响风电功率的预测精度。本文使用多视图典型相关分析(Multi-view canonical correlation analysis,MCCA)进行数据融合,可以使不同风电功率预测的影响因素之间进行信息互补,并减小了信息冗余,然后将融合后特征输入BL模型中进行预测。实验结果表明,与其他对比模型相比,本文提出的MCCA＿BL模型的预测性能对明显提高,同时,训练时间也大大减少。 (4)MCCA＿BL模型的超参数设置主要靠经验所得,具有一定的主观性和偶然性,会影响模型的预测精度。本文提出了一种改进的蜣螂优化算法,对MCCA＿BL模型的6个超参数进行寻优。针对蜣螂优化算法收敛速度慢,在全局搜索和局部的开发能力上的不平衡,以及在迭代后期,容易陷入局部最优解的问题,本文首先采用改进的Tent混沌映射来初始化种群,增加种群多样性;然后利用改进正弦算法的位置更新策略来平衡全局搜索和局部开发能力;最后采用Levy飞行策略和高斯-柯西混合变异算子来更新蜣螂个体的位置,减少陷入局部最优解的概率。经过14个基准函数的测试,验证了改进的蜣螂优化算法的有效性。同时,在实际风电数据集上的实验结果表明,使用改进的蜣螂优化算法优化MCCA＿BL模型可以明显提高模型的预测精度。