基于改进麻雀搜索算法优化SVM的风电功率预测研究.pdf

技术应用TECHNOLOGYANDMARKETVol.30,No.8,2023基于改进麻雀搜索算法优化SVM的风电功率预测研究王泽华，徐兴国?，叶子臣31.辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛12 510 52.辽宁工程技术大学理学院，辽宁阜新12 30 0 03.辽宁工程技术大学电子与信息工程学院，辽宁葫芦岛12 510 5摘要为提高风电功率的预测精度提出了一种基于改进麻雀搜索算法（ISSA)优化的支持向量机(SVM）的预测模型。首先，针对传统麻雀搜索算法收敛性不强、容易陷入局部最优解、初始解随机性不强等问题，采用了Halton序列模型对麻雀搜索算法的初值进行改进，并采取了反向学习策略以及柯西变异策略对麻雀个体的位置进行调整扰动，得到了一种收敛性强的改进麻雀搜索算法（ISSA）。随后，利用ISSA对支持向量机的超参数C与g进行寻优，得到了ISSA-SVM预测模型。并对新疆哈密风光基地2 0 2 2 年1一12 月风电场采集的风电数据进行预测实验，结果表明：相较于SVM、L S T M 以及BP神经网络模型，ISSA-SVM预测精度较高。关键词同改进麻雀搜索算法；ISSA-SVM预测模型；风电数据doi:10.3969/j.issn.1006-8554.2023.08.0170引言风力能源因是取之不尽、用之不竭的清洁能源，目前已成为我国发展清洁能源的主要驱动力之一。数据显示，我国的风电装机规模庞大，2 0 2 0 年，我国风电新增并网装机容量高达7 16 7 万kW，创历史新高。在“十四五”规划中，须保证年均新增装机5000万kW以上，2 0 2 5年后，中国风电年均新增装机容量应不低于6 0 0 0 万kW。但是由于风力能源的随机性和间歇性的特点，给风力能源的发展带来了挑战，因此精准的风电预测愈发重要，目前，风电预测主要集中在中短期方面，一般分为风速预测 1-3 和风电功率预测 4-6 。预测模型主要包括物理模型、统计模型和组合模型，组合模型逐渐成为风电预测的主要方向。机器学习的算法是目前研究的热点，机器学习的快速发展使得支持向量机、随机森林、神经网络等算法被广泛应用在风电领域。文献 7 采用BP神经网络对风力发电进行短期预测。文献 8-9 采用支持向量机对风力发电功率进行预测。为了提高预测的鲁棒性和精度，文献 10-1370采用遗传算法、灰狼算法、鲸鱼算法和粒子群算法对SVM中的学习参数进行优化选择以提高其预测精度。虽然SVM在预测方面有较好的鲁棒性，但其求解速度慢且遗传算法、灰狼算法和粒子群算法均易造成早收敛问题。文献14引改进麻雀搜索算法优化最小二乘支持向量机学习参数选择问题，提高预测精确度。由于风电功率序列具有随机波动特性,其中原始数据特征信息难以捕捉，故目前大多数组合模型结合数据分解技术。文献 15 通过变分模态分解（VMD)方法将风电出力序列分解为较平稳的序列,对各序列分别用LSTM网络预测并重构来实现预测。综上，本文综合了支持向量机（SVM）和改进麻雀搜索算法的优点，提出了一种用于风电功率预测的混合算法（ISSA-SVM），利用ISSA对SVM的超参数进行优化，并对新疆哈密风光基地2 0 2 2 年1一12 月风电场采集的风电数据进行预测实验。仿真实验表明：结合了改进麻雀搜索算法的支持向量机预测精度有明显提升。技术与市场2023年第30 卷第8 期1基于ISSA-SVM模型建立1.1麻雀搜索算法麻雀搜索算法（SSA）是一种通过麻雀觅食及反捕食特性而得到的一种智能算法 15。麻雀种群由3部分组成,分别为发现者、跟随者以及侦察者 16 。发现者负责寻找食物；跟随者根据发现者的轨迹进行觅食；侦察者负责对周围的危险进行侦察，一旦发现危险，便提醒整个种群进行撤离，由于篇幅原因，本文不对其具体过程展开论述。1.2改进的麻雀搜索算法1.2.11Halton序列模型改进初值在智能算法中，算法初值较为重要，直接影响了技术应用迭代速度及效果，传统SSA算法初值通过随机函数生成初值，其不足之处为映射折叠次数有限，为了提高算法的全局搜索能力，许多学者开始从种群初始化分布方面进行优化。本文采用Halton序列对传统SSA初值进行优化。其基本思想是使用一种确定性的超均匀分布序列来代替一般的随机数序列,Halton序列就是其中的一种。虽然Halton序列是以一种确定的方式计算出来的序列，并且可以被重复生成，但其偏差很小,具有一般随机序列的随机特性。图1展示了Halton序列的分布情况，可以看出Halton序列相比其他随机数序列具有更均匀的分布,因此更适合用于种群的初始化。141210864200rand随机序列下数值大小图1不同的初始化方法产生的序列分布图在实际的优化问题中，通常会给定一个较大的搜b,=(itermax索空间，然后在该搜索空间内寻找最优解。对于使用Halton序列生成的初始化种群,其生成的随机数值范围为0 1。假设某个优化问题的最优解取值范围为x mi n，x mx ,Ha l t o n 序列生成的第n个随机数为H,，则可以通过以下方式将初始化种群的个体位置定义在 xmin,xmax范围内：X,=Xmin+H,(Xmax-Xmin）1.2.2反向学习策略以及柯西变异改进为防止麻雀搜索算法在不断迭代时陷人局部最优解，需要以一定概率对麻雀个体的位置进行调整扰动。李志鹏等 17 通过反向学习策略对粒子群算法进行改进：xbest(t)=lb+r(ub-Xbest(t)t+114121086420.51141210864200.51tent随机序列下数值大小式中：xbes（t）为第t代的最优解;xbest（t)为第t代的最优解的反向解；lb为变量上界；ub为变量下界;r为服从(0,1)均匀分布的随机矩阵;b，为信息交换控制参数，随迭代次数的变化而变化。柯西变异由柯西分布演变而来,其概率密度为：(1)af(x)=2xE(-80,+8)TTa+x当=1时，为标准柯西分布，接下来对柯西分布以及高斯分布概率密度函数进行绘图，如图2 所示。图2 显示了高斯分布以及柯西分布概率密度函数，可以看出，柯西分布在零点附近相较于高斯分布较(2)为平缓,且峰值比高斯分布小,因此其在扰动能力方面(3）优于高斯分布，利用柯西分布以防止陷入局部最优解：710Halton随机序列下数值大小titermax0.51(4)(5)技术应用.t+1i.j=Xbest(t)+cauchy(0,1)Xbest(t)X式中：cauchy（0,1）为标准柯西分布；xbest（t）为第t代的最优解。在确定扰动方式后，还需要对扰动概率进行计算，通过一定概率实现反向学习策略以及柯西变异，以弥补算法的不足，通过将最优解进行柯西变异扰动得到新解：TECHNOLOGYANDMARKETVol.30,No.8,2023(6)tP,=-exp(1iter,max式中：P，为选择概率；0 为常数，取0.0 5在进行扰动时，利用MATLAB生成0 1的随机数，称为rand。若rand大于P，,采用柯西变异进行扰动；若rand小于等于P，则采用反向学习策略进行扰动。（+0(7)0.4Cauchy(o,1)Gauss(o,1)0.35对称轴0.30.250.20.150.10.050-5-4-3图2高斯分布及柯西分布概率密度函数-2-1012345通过对最优解进行扰动，可以有效解决麻雀搜索算法容易陷人局部最优解的不足，但若扰动后的解劣于扰动前的解，又会造成精度降低等缺点，因此，需要引入新的算法来确保解在扰动后优于扰动前的解。基于此，通过贪婪算法进行处理：xbest=x*t)(xt*1)f(xibest)Lxbest=Xbest f(xt*1)f(xbest)式中：f()表示函数x的适应度。改进后的麻雀搜索算法步骤如下。步骤1：通过Halton序列模型对麻雀算法种群初始化。步骤2：通过计算麻雀适应度值得到最优、最差适应度值及其相应位置。步骤3：发现者从适应度较好的麻雀中挑选出，更新发现者位置。步骤4：加人者从剩余麻雀挑选出，更新加入者位置。步骤5：侦查者随机从麻雀中选出，更新侦查者位置。步骤6：当满足rand小于等于P，条件时采用反向学习；当满足rand大于P，条件时采用柯西变异扰动策略，得到新解。步骤7：位置更新与否可由贪婪规则式（5）决定。步骤8：是否达到终止条件，是则运行下一步，不(8)满足则转换到步骤2。步骤9：算法结束，得到最优结果。1.3支持向量机支持向量机是一种适用于小样本回归、分类的算法 18 ，通常可以分为线性支持向量机以及非线性支持向量机。且由于样本空间中多存在非线性关系,因此，非线性支持向量机的应用十分广阔 18 1.4ISSA-SVM 过程在上文中,构建了改进的麻雀搜索算法（ISSA）对支持向量机模型超参数进行寻优，通过对SVM惩罚参数C以及核参数g进行优化，以提高模型的预测精度，预测流程图如图3所示。72技术与市场2023年第30 卷第8 期技术应用参数初始化Halton序列初始化种群计算SVM预测适应度及其对应位置对发现者、加人者以及侦查者的位置进行更新否Rand Ps采用柯西变异策略文是采用反向学习策略通过贪婪法则判断是否更新位置否是否满足精度是获取SVM最优参数图3ISSA-SVM预测流程图2实例分析本文以新疆哈密风光基地2 0 2 2 年1一12 月风电场采集的数据为例。每隔15min采取1个数据集点，共计350 41组风电数据，数据包含了测风塔10 m风速，测风塔30 m风速，测风塔50 m风速，测风塔10m风向，测风塔30 m风向，测风塔50 m风向、温度、气压、湿度9个特征，实际发电功率作为预测量。并将前30 0 0 0 组风电数据作为训练集，后50 41组风电数据作为测试集。本文所采用的评价指标为均方误差（MSE）、平均绝对误差（MAE）、平均相对误差（M A PE）、均方根误差（RMSE）以及决定系数（R），并基于MATLAB2020B软件进行模型搭建。本文预测数据如表1所示。表1风电预测基础数据测风塔测风塔时间10m风速30m风速50m风速/(ms-)/(ms)2022-01-01 0:000.222022-01-01 0:150.002022-01-01 0:300.002022-01-01 0:450.822022-01-01 1:001.04测风塔测风塔测风塔测风塔温度气压湿度10m30m/(ms风向(）风向/（）风向/）0.000.000.000.000.000.000.000.000.000.30实际发电50 m功率/hPa166.82177.36166.83177.36166.86177.35166.89177.34166.89177.35/%6.22-13.15898.7153.506.53-13.86898.6228.94-14.46898.5057.7529.21-13.07898.3329.38-12.82898.3652.81/MW0.9856.001.151.0754.160.920.812022-12-31 23:152022-12-31 23:302022-12-31 23:457.465.717.168.157.168.008.778.089.6883.6479.0574.2285.3771.5270.656.626.476.30-9.38888.3841.14-9.35888.3941.29-9.14888.47134.72126.5640.12109.6773技术应用利用ISSA-SVM对支持向量机超参数进行寻优后，得到当惩罚参数C为0.56，核参数g为7.7 8 时，预测效果最佳，随后分别利用本文所构建的ISSA-250一真实值-ISSA-SVM预测结果200SVM预测结果。L S T M 预测结果BP神经网络预测结果150MN/率TECHNOLOGYANDMARKETVol.30,No.8,2023SVM模型、SVM模型、LSTM模型、BP神经网络模型对风电功率基础数据进行预测，不同模型下预测效果对比如图4所示100500预测样本图47不同模型下预测效果对比图由图4可以看出，ISSA-SVM预测值与真实值非（M S E）、平均绝对误差（MAE）、平均相对误差常接近，说明ISSA-SVM预测效果良好，为更加精确（M A PE）、均方根误差（RMSE）、决定系数（R）5种预地对预测结果进行分析。并分别采用均方误差测指标对不同算法预测结果进行评价，如表2 所示。表2不同算法下的各预测指标精度均方误差平均绝对误差ISSA-SVM模型0SVM模型0.07LSTM模型0.01BP神经网络模型0.09由表2 可知,ISSA-SVM的均方误差为O，平均绝对误差为0.36，平均相对误差为0.0 1,均方根误差为0.64,决定系数为0.9999,5个指标预测精度均优于其他3种算法，验证了本文所构建模型的可靠性。3结论1)针对传统麻雀搜索算法收敛性不强，容易陷入局部最优解，初始解随机性不强等问题，采用了Halton序列模型对麻雀搜索算法的初值进行改进,并采取了反向学习策略以及柯西变异策略对麻雀个体的位置进行调整扰动,得到了一种收敛性强的改进麻雀搜索算法(ISSA）。2)本文提出了一种利用改进麻雀搜索算法优化的支持向量机的预测模型（ISSA-SVM），利用ISSA对74平均相对误差0.360.016.900.131.220.029.100.17支持向量机的超参数C与g进行寻优。并采用新疆哈密风光基地2 0 2 2 年112 月风电场采集的风电数据进行预测实验，同时与SVM、L S T M 以及BP神经网络3种算法进行对比，发现ISSA-SVM模型明显提升了预测精度，证明本文所提出模型在提高预测精度上效果显著。参考文献：1冯浩，彭秀芳，项雯，等.基于SSA-BP的风电场超短期风速预测方法研究 J.电力勘测设计，2 0 2 3（3）：37-42.2马征，王聪，王小荣，等基于混合深度学习模型的风速区间预测研究J.太阳能学报,2 0 2 3，44（3）：139-146.（下转第7 9页）均方根误差0.6412.292.1716.17决定系数0.999 90.95310.99850.9188技术与市场2023年第30 卷第8 期4结论1)在MATLAB中进行数值建模，得到斜齿轮相对滑动速度、表面接触压力和摩擦热流密度分布规律,其中相对滑动速度与摩擦热流密度分布规律基本保持一致。2)齿面相对滑动速度和转矩是影响摩擦热流密度和齿轮温度场的主要参数，相对滑动速度和转矩增大，摩擦热流密度与齿面温度相应增大。3）主动轮稳态温度高温区域出现在齿顶和齿根位置，该区域更易出现轮齿热变形与胶合失效，应采用齿轮修形等方法给予适当调整。参考文献：1刘静，朱花，常军然，等.机械设计综合实践M.重庆：重庆大学出版社，2 0 2 0：2 97.2BLOK H.Measurement of temperature flashes on gearteeth under extreme pressure conditions J.Proc inst技术应用mech engrs,1937(2):14-20.3李桂华，费业泰.温度变化对圆柱齿轮齿形的影响 J.机械设计,2 0 0 5(2):2 2-2 3.4龙慧，张光辉，罗文军.旋转齿轮瞬时接触应力和温度的分析模拟 J.机械工程学报,2 0 0 4（8）：2 4-2 9.5张跃明，张皓，纪姝婷，等.内齿轮传动啮合齿面稳态温度场分析 J.南京航空航天大学学报，2 0 2 2,54(1):157-162.6HOU S,WEI J,ZHANG A,et al.Study of dynamic modelof helical/herringbone planetary gear system with frictionexcitation J.Journal of computational and nonlineardynamics,2018,13(12):121007.作者简介：张棚（1998 一），男，四川自贡人，硕士研究生在读，研究方向：机械传动。(上接第7 4页）3 黄宇，张冰哲，庞慧珍，等.基于混合Copula优化算法的风速预测方法研究J.太阳能学报，2 0 2 2，43(10):192-201.4黄玲，李林霞，程瑜，等.基于SAM-WGAN-CP的短期风电功率预测J.太阳能学报，2 0 2 3，44（4）：18 0-188.5王颖，朱南阳，谢浩川，等.基于对比学习辅助训练的超短期风功率预测方法 J.仪器仪表学报，2 0 2 3，44(3):89-97.6庞博文，丁月明，杜善慧，等.基于CEEMDAN-BO-LSTNet的风电出力短期预测 J/OL.电测与仪表：1-11 2023-06-10.http:/ 0 2 1,55(3）：594-6 0 0.8谢波，高建宇，张惠娟，等.短期风电功率预测中的IOFA-SVM算法实现J.电子测量技术,2 0 2 1，44(12):63-69.9苏小玲，张节潭，李春来，等.基于改进支持向量机的多能源电力系统中储能容量规划及运行模型 J.水电能源科学,2 0 18,36(1)：18 6-18 9.10耿鸿冲,张越师.基于GA-SVM的风机发电功率预测 J.电子测试,2 0 19(12）：38-40.11徐炜君.基于灰狼优化SVR的风电场功率超短期预测 J.杭州师范大学学报（自然科学版）,2 0 2 1,2 0（2）：17 7-182.12陈道君，龚庆武，金朝意，等.基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测 J，电网技术，2 0 13,37（4）97 4-98 0.13岳晓宇,彭显刚，林俐.鲸鱼优化支持向量机的短期风电功率预测 J.电力系统及其自动化学报,2 0 2 0，32(2):146-150.14】王维高，魏云冰，滕旭东.基于VMD-SSA-LSSVM的短期风电预测 J.太阳能学报，2 0 2 3,44（3）：2 0 4-2 11.15史加荣，赵丹梦，王琳华，等.基于RR-VMD-LSTM的短期风电功率预测 J.电力系统保护与控制,2 0 2 1，49(21):63-70.16商薛建凯.一种新型的群智能优化技术的研究与应用 D.上海：东华大学，2 0 2 0.17李志鹏，李卫忠，江洋，等.应用小生境和反向学习策略的量子粒子群算法 J.重庆理工大学学报（自然科学）,2 0 18,32(1)：18 1-18 7.18张晓鹏，张兴忠.基于高斯核函数的支持向量机光伏故障诊断研究 J.可再生能源，2 0 2 1,39（6）：7 6 0-765.作者简介：王泽华（2 0 0 1一），男，河北保定人，本科在读，研究方向：风电功率预测。79