徐煒君

（東北石油大學(xué)秦皇島校區(qū)電氣信息工程系，河北秦皇島 066004）

隨著“碳達(dá)峰碳中和”目標(biāo)的提出，可再生能源的作用愈顯突出，我國(guó)可再生能源裝機(jī)規(guī)模持續(xù)擴(kuò)大，截止到2021 年11 月底，我國(guó)風(fēng)電裝機(jī)容量已躍居世界首位，約為3 億千瓦，同比增長(zhǎng)29%，風(fēng)電利用率達(dá)到了96.9%。但風(fēng)自身的不穩(wěn)定性，使得風(fēng)力發(fā)電具有波動(dòng)性、間歇性和非線性的特點(diǎn)，因而大規(guī)模的風(fēng)電并網(wǎng)會(huì)對(duì)電網(wǎng)調(diào)峰、調(diào)頻和安全穩(wěn)定運(yùn)行帶來(lái)極大挑戰(zhàn)[1]。為了更加合理地利用風(fēng)電，提高風(fēng)電功率預(yù)測(cè)精度成為學(xué)界研究的熱點(diǎn)。

目前，國(guó)內(nèi)外學(xué)者已經(jīng)提出了許多成熟的風(fēng)電功率預(yù)測(cè)方法，這些方法主要分為兩類：物理方法和統(tǒng)計(jì)方法。物理方法根據(jù)數(shù)值天氣預(yù)報(bào)和風(fēng)機(jī)組自身信息以及周?chē)奈锢硇畔?gòu)建出的物理模型進(jìn)行預(yù)測(cè)[1]。統(tǒng)計(jì)方法主要是利用機(jī)器學(xué)習(xí)方法，諸如BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)、K 鄰近算法(K-Nearest Neighbor，KNN)、隨機(jī)森林（Random Forest，RF）、支持向量機(jī)（Support Vector Machine，SVM）、極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）等，對(duì)大量的風(fēng)速、風(fēng)向、溫度、氣壓等數(shù)據(jù)進(jìn)行訓(xùn)練和回歸預(yù)測(cè)，進(jìn)而實(shí)現(xiàn)風(fēng)電功率預(yù)測(cè)[2-4]，并且輸入數(shù)據(jù)維度越高，更有利于探索其動(dòng)態(tài)變化規(guī)律[5]，但輸入數(shù)據(jù)維度越高，預(yù)測(cè)模型的復(fù)雜程度越大，預(yù)測(cè)的時(shí)間會(huì)增加，這不利于風(fēng)電的超短期預(yù)測(cè)。

為此，文中在深入分析影響風(fēng)機(jī)出力的主要環(huán)境因素的基礎(chǔ)上，對(duì)風(fēng)電場(chǎng)的采樣數(shù)據(jù)進(jìn)行了降維處理，并用GWO-SVR 預(yù)測(cè)模型進(jìn)行預(yù)測(cè)分析，實(shí)驗(yàn)結(jié)果對(duì)比表明，經(jīng)過(guò)降維處理后，有效地降低了預(yù)測(cè)模型的復(fù)雜程度，降低了無(wú)用數(shù)據(jù)對(duì)預(yù)測(cè)結(jié)果的影響，GWO-SVR 預(yù)測(cè)算法在穩(wěn)定性、預(yù)測(cè)時(shí)間及精度三個(gè)方面均有提高。

1 影響風(fēng)機(jī)出力的主要因素分析

根據(jù)空氣動(dòng)力學(xué)和貝茲準(zhǔn)則可知，風(fēng)機(jī)從風(fēng)能中捕獲的功率可表示為[6]：

其中,P為風(fēng)機(jī)的輸出功率，Cp(λ,β) 為葉片的風(fēng)能利用系數(shù)，λ為葉尖速比；β為槳距角，A為風(fēng)輪掃掠面積，單位為m2，ρ為空氣密度，單位為kg/m3，v為風(fēng)速，單位為m/s。

1.1 風(fēng)能利用系數(shù)對(duì)風(fēng)機(jī)出力的影響

葉尖速比可表示為：

其中，ωm為風(fēng)輪角速度，單位為rad/s；R為風(fēng)輪半徑，單位為m，v為風(fēng)速，單位為

葉片風(fēng)能利用系數(shù)的一種解析計(jì)算方法為[7]：

綜合式（2）-（4）可知，風(fēng)能利用系數(shù)為角速度ωm、槳距角β和風(fēng)速v的相關(guān)函數(shù)，可記為：

葉尖速比λ由風(fēng)速與風(fēng)輪轉(zhuǎn)速?zèng)Q定，而當(dāng)葉片一定時(shí)，葉片最佳槳距角β一定，因此對(duì)于一個(gè)風(fēng)機(jī)來(lái)說(shuō)，其風(fēng)能利用系數(shù)僅與風(fēng)速和風(fēng)輪轉(zhuǎn)速有關(guān)，對(duì)于特定的風(fēng)速，存在唯一的轉(zhuǎn)速使得Cp達(dá)到最大。而單從風(fēng)電預(yù)測(cè)考慮，只要能夠準(zhǔn)確預(yù)測(cè)出風(fēng)速，通過(guò)對(duì)風(fēng)機(jī)轉(zhuǎn)速的系統(tǒng)控制，就能夠得到Cp的最大值[8]。因此，單從風(fēng)電預(yù)測(cè)考慮，風(fēng)能利用系數(shù)主要與風(fēng)速有關(guān)。

1.2 風(fēng)輪掃掠面積對(duì)風(fēng)機(jī)出力的影響

風(fēng)輪掃掠面積是與風(fēng)向垂直的平面上，風(fēng)輪旋轉(zhuǎn)時(shí)葉尖運(yùn)動(dòng)所生成圓的投影面積，具體計(jì)算為：

其中，R為風(fēng)輪半徑，單位為m，α為風(fēng)向的垂直平面與風(fēng)輪旋轉(zhuǎn)圓平面之間的夾角，0°≤α≤90°，由式（6）可以看出，風(fēng)向是影響風(fēng)機(jī)出力的主要因素之一。

1.3 空氣密度對(duì)風(fēng)機(jī)出力的影響

由式（1）可知，風(fēng)機(jī)的輸出功率與空氣密度成正比，而影響空氣密度的環(huán)境因素有氣壓、溫度、海拔高度和濕度[9]。根據(jù)風(fēng)電場(chǎng)所處的不同地理環(huán)境，有些影響空氣密度的環(huán)境因素不需考慮，比如已經(jīng)建設(shè)好的風(fēng)電場(chǎng)，其海拔高度不變，因此可以不考慮海拔對(duì)空氣密度的影響。文中所涉及的風(fēng)電場(chǎng)屬于這種情況，以下將分析氣壓、溫度和濕度對(duì)空氣密度的影響。

空氣密度與氣壓、溫度、濕度的關(guān)系可以表示為[10]：

其中，ρ為10 min 內(nèi)的平均空氣密度，P為10 min 內(nèi)測(cè)量的干燥空氣平均氣壓，R0為干燥空氣的氣體系數(shù)，取287.05 J/(kg·K)，T為10 min 內(nèi)的平均測(cè)量溫度，T=Tc+273.15，Tc為實(shí)際溫度。Pv的計(jì)算如式（8）所示：

其中，C0=6.107 8,C1=7.5,C2=237.3，均為特滕斯公式（Tetens Formula）的系數(shù)。PH%為相對(duì)濕度，定義為實(shí)際水蒸氣壓力和飽和水蒸氣壓力的比值。

綜合式（7）-（8）可以看出，氣壓、溫度、濕度的變化都會(huì)引起空氣密度的變化。為了進(jìn)一步分析其變化規(guī)律，分兩種情況：

1）濕度一定，氣壓和溫度對(duì)空氣密度的影響如圖1 所示。從圖1 可以看出，隨著氣壓降低和溫度升高，空氣密度會(huì)變小。

圖1 空氣密度與氣壓、溫度的關(guān)系

2）氣壓一定，濕度和溫度對(duì)空氣密度的影響如圖2 所示。從圖2 可以看出，在氣壓一定且溫度較低時(shí)（如-20 ℃），濕度的劇烈變化對(duì)空氣密度的影響不大；而在高溫區(qū)域（如+30 ℃左右），隨著相對(duì)濕度的增加，空氣密度會(huì)降低。濕度和溫度對(duì)空氣密度影響的整體趨勢(shì)是：隨著相對(duì)濕度變大和溫度升高，空氣密度將會(huì)變小。

圖2 空氣密度與濕度、溫度的關(guān)系

綜上，在一個(gè)固定的風(fēng)電場(chǎng)，溫度、氣壓和濕度的變化會(huì)影響空氣密度的變化，進(jìn)而影響風(fēng)機(jī)出力，因此，在進(jìn)行風(fēng)電預(yù)測(cè)時(shí)應(yīng)該考慮溫度、氣壓和濕度三個(gè)環(huán)境因素的影響。

通過(guò)上文分析可以看出，影響風(fēng)機(jī)出力的主要環(huán)境因素有溫度、濕度、氣壓、風(fēng)向和風(fēng)速，在進(jìn)行風(fēng)電預(yù)測(cè)時(shí)，應(yīng)該重點(diǎn)關(guān)注這幾個(gè)環(huán)境因素。

2 風(fēng)電場(chǎng)數(shù)據(jù)建模及降維處理

風(fēng)電場(chǎng)一般由若干臺(tái)風(fēng)機(jī)組成，各風(fēng)機(jī)的分布需要根據(jù)地勢(shì)、尾流效應(yīng)及主風(fēng)向等因素而定，同時(shí)由于風(fēng)能隨機(jī)波動(dòng)性的影響，風(fēng)電場(chǎng)中各風(fēng)機(jī)的出力不能隨時(shí)與風(fēng)力相匹配，因此風(fēng)電場(chǎng)的風(fēng)電功率預(yù)測(cè)應(yīng)從全局出發(fā)，應(yīng)著重考慮整個(gè)風(fēng)電場(chǎng)的風(fēng)電特性，而風(fēng)電場(chǎng)中的測(cè)風(fēng)塔最能反映這一特性[11]。目前業(yè)界比較認(rèn)可的風(fēng)電功率預(yù)測(cè)有兩種方法：一是先預(yù)測(cè)風(fēng)速，然后根據(jù)風(fēng)電場(chǎng)的功率曲線得到風(fēng)電場(chǎng)的輸出功率；二是直接預(yù)測(cè)其輸出功率[11]。文中采用第一種方法。

2.1 風(fēng)電場(chǎng)數(shù)據(jù)建模

以新疆昌吉州某風(fēng)電場(chǎng)測(cè)風(fēng)塔的歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)建模。該風(fēng)電場(chǎng)的平均海拔高度為967 m，地形以戈壁為主，風(fēng)機(jī)主要為2.2 MW 風(fēng)機(jī)，高度為80 m，測(cè)風(fēng)塔塔高為70 m。測(cè)風(fēng)塔可分別測(cè)量70 m、50 m、30 m 和10 m 高處的風(fēng)速及風(fēng)向，7 m 高處的氣壓、溫度和濕度，其數(shù)據(jù)采集以10 min 為間隔，每1 s采集一次數(shù)據(jù)，并對(duì)10 min 的600 個(gè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，計(jì)算出平均值、最大值、最小值和標(biāo)準(zhǔn)差。每一個(gè)10 min 間隔可以得到一個(gè)44 維的向量。

考慮到風(fēng)電場(chǎng)當(dāng)?shù)孛磕晁奈逶路莸臍夂蜃兓容^劇烈，因此選用2020 年4 月26 日—5 月5 日10 天的日監(jiān)測(cè)數(shù)據(jù)作為建模數(shù)據(jù)，每天以10 min 為間隔進(jìn)行數(shù)據(jù)采樣，最終得到一個(gè)1 440×44 的樣本集。為了使各維分量在實(shí)際的預(yù)測(cè)過(guò)程中具有相同的地位，必須將這些量綱、取值范圍各不相同的數(shù)據(jù)使用歸一化方法變換到同一范圍，歸一化方法為：

其中，i=1,2,…,1 440，j=1,2,…,44，yi(j) 為實(shí)際分量，max[yi(j)]、min[yi(j)]分別為第j個(gè)分量的最大和最小值，xi(j)為歸一化后的分量值，歸一化后數(shù)據(jù)的取值范圍均為[-1,1]。

2.2 風(fēng)電場(chǎng)數(shù)據(jù)降維處理

如果用2.1 得到的1 440×44 的數(shù)據(jù)作為預(yù)測(cè)模型的訓(xùn)練和測(cè)試樣本集，由于該數(shù)據(jù)維度較高，會(huì)嚴(yán)重影響預(yù)測(cè)模型的運(yùn)算速度和精度，因此需要對(duì)數(shù)據(jù)進(jìn)行降維處理。

通過(guò)第1 節(jié)的分析可知，風(fēng)速和風(fēng)向是影響風(fēng)機(jī)出力的主要因素，因此在數(shù)據(jù)降維處理時(shí)必須考慮這兩種因素。風(fēng)速及風(fēng)向的最大值和最小值只能反映該時(shí)間段內(nèi)的極值分布，其標(biāo)準(zhǔn)差反映數(shù)據(jù)的分散程度，而風(fēng)速及風(fēng)向的平均值可以反映其在某一個(gè)時(shí)間段的趨勢(shì)，同時(shí)考慮到影響風(fēng)機(jī)出力的主風(fēng)速應(yīng)該和風(fēng)機(jī)高度相當(dāng)，所以選用70 m 高處的風(fēng)速及風(fēng)向的平均值作為建模數(shù)據(jù)。

風(fēng)速是地形、海拔、氣壓、濕度、溫度等多種因素共同作用的結(jié)果[12]，同時(shí)氣壓、濕度、溫度的變化會(huì)引起空氣密度的變化，進(jìn)而影響風(fēng)機(jī)出力。假定在相鄰的采樣周期內(nèi)（20 min 內(nèi)），風(fēng)速和風(fēng)向不變，風(fēng)機(jī)出力只與空氣密度有關(guān)，用式（7）和式（8）計(jì)算每個(gè)采樣周期（氣壓、濕度、溫度用平均值）的空氣密度，并用式（10）計(jì)算相鄰采樣周期的空氣密度變化率：

其中，ρi為第i個(gè)采樣周期的空氣密度，i=1,2,…,1 439，Rρi最大變化率為1%，出現(xiàn)在4 月27日上午9：50-10：00 和10：00-10：10 這兩個(gè)相鄰的采樣間隔，十天內(nèi)變化率大于0.5%的相鄰時(shí)刻有9 次，說(shuō)明短時(shí)內(nèi)空氣密度也會(huì)有大的波動(dòng)，因此結(jié)合該風(fēng)電場(chǎng)的實(shí)際，應(yīng)將氣壓、溫度和濕度作為建模數(shù)據(jù)。通過(guò)上述降維處理，將原來(lái)的44 維數(shù)據(jù)降為了風(fēng)速、風(fēng)向、氣壓、溫度和濕度5 維數(shù)據(jù)，這樣可以極大地提高計(jì)算速度。

進(jìn)一步分析1 440×5 樣本數(shù)據(jù)發(fā)現(xiàn)，該樣本集中氣壓的變化最小。將每維1 440 個(gè)數(shù)據(jù)分成240 份，每份6 個(gè)數(shù)據(jù)，對(duì)應(yīng)一個(gè)小時(shí)的數(shù)據(jù)，對(duì)240 份（小時(shí)）數(shù)據(jù)分別求數(shù)據(jù)的標(biāo)準(zhǔn)差，得到圖3 所示的標(biāo)準(zhǔn)差比較曲線。從圖3 可以看出，與其他天氣因素比較，在某段時(shí)間內(nèi)氣壓的標(biāo)準(zhǔn)差幾乎不變或者變化非常小，說(shuō)明其數(shù)據(jù)比較集中，波動(dòng)性較小，因此在實(shí)際的預(yù)測(cè)分析中可以不考慮氣壓的影響，這樣可以將1 440×5 樣本集進(jìn)一步降為1 440×4 樣本集，進(jìn)一步提高計(jì)算速度，降維過(guò)程充分考慮了影響風(fēng)機(jī)出力的主要因素，同時(shí)也考慮了風(fēng)速、風(fēng)向、溫度和濕度之間的相互影響和聯(lián)系。

圖3 氣象數(shù)據(jù)標(biāo)準(zhǔn)差比較曲線

3 GWO-SVR預(yù)測(cè)模型設(shè)計(jì)

3.1 支持向量回歸機(jī)（SVR）

支持向量回歸機(jī)（SVR）由Vapnik 于1995 年首次提出，其核心思想是通過(guò)引入非線性映射φ(x)，實(shí)現(xiàn)樣本空間從低維到高維的變換，通過(guò)在高維空間的線性回歸得到原樣本的非線性特性[13]，其映射關(guān)系表示為：

核函數(shù)類型的選取會(huì)直接影響回歸結(jié)果，同時(shí)考慮到核函數(shù)參數(shù)的數(shù)量對(duì)預(yù)測(cè)模型復(fù)雜程度的影響，文中選擇能夠?qū)崿F(xiàn)非線性映射的徑向基函數(shù)（Radial Basis Function，RBF）作為SVR 的核函數(shù)，其表達(dá)式為：

其中，σ為待確定的核函數(shù)參數(shù)。由式（12）、（13）可知,只要選取合適的C、ε、σ便可以確定SVR 的具體形式，從而對(duì)控制對(duì)象進(jìn)行準(zhǔn)確預(yù)測(cè)[13]。在實(shí)踐中發(fā)現(xiàn)，ε值的選取獨(dú)立于C、σ的選取，因此可以根據(jù)SVR 的建模精度先確定ε，再優(yōu)化參數(shù)C、σ，這樣可以降低參數(shù)優(yōu)化的復(fù)雜程度[13]。

3.2 灰狼優(yōu)化算法

灰狼優(yōu)化算法(Grey Wolf Optimizer,GWO)是澳大利亞學(xué)者M(jìn)irjalili 于2014 年受灰狼捕食行為的啟發(fā)，提出的一種群智能優(yōu)化算法[14-15]。GWO 算法將狼群分為α、β、δ、ω四種類型：α狼是領(lǐng)導(dǎo)者（最優(yōu)解），β狼和δ狼協(xié)助α狼對(duì)狼群的進(jìn)行管理及捕獵過(guò)程中的決策，同時(shí)也是α狼的候選者，ω狼主要協(xié)助α、β、δ對(duì)獵物進(jìn)行攻擊。當(dāng)狼群包圍獵物時(shí)，狼群的位置變化由以下數(shù)學(xué)模型定義：

其中，t為當(dāng)前迭代，A和C為協(xié)同向量，Xp(t)為獵物的位置向量，X(t)為灰狼的當(dāng)前位置向量。A、C的計(jì)算如下：

其中，a在迭代過(guò)程中線性遞減且遞減范圍為[2,0]，r1、r2是[0,1]范圍內(nèi)的隨機(jī)向量。

根據(jù)狼的狩獵行為，將前三個(gè)最優(yōu)值保存為α、β和δ，然后灰狼種群的位置更新公式如下：

其中，Dα、Dβ、Dδ分別表示α、β和δ狼和其他狼之間的距離，Xα、Xβ、Xδ分別是α、β和δ狼的當(dāng)前位置，C1、C2、C3是隨機(jī)向量，X是當(dāng)前灰狼的位置。式（17）、（18）通過(guò)a值的遞減來(lái)實(shí)現(xiàn)迭代，最終可得最優(yōu)解。

3.3 GWO-SVR預(yù)測(cè)模型的構(gòu)建

GWO-SVR 預(yù)測(cè)模型的構(gòu)建流程如圖4 所示，主要步驟為：

圖4 GWO-SVR預(yù)測(cè)模型流程圖

1）取前9 天的數(shù)據(jù)（4 月27 日-5 月4 日）作為訓(xùn)練樣本，第10 天（5 月5 日）的數(shù)據(jù)作為測(cè)試樣本，并對(duì)訓(xùn)練和測(cè)試數(shù)據(jù)進(jìn)行預(yù)處理和降維。

2）初始化參數(shù)：狼群數(shù)量為20，最大迭代次數(shù)為100，參數(shù)C、σ的上下界均為[0.01,100]，α、β和δ狼的初始位置均為(0,0)。

3）以SVR 的平均均方誤差MSE 作為目標(biāo)函數(shù)，計(jì)算每個(gè)灰狼個(gè)體的適應(yīng)度，并將適應(yīng)度排前3 的灰狼位置記為Xα、Xβ、Xδ。

4）依據(jù)式（17）、（18）計(jì)算Dα、Dβ、Dδ及X(t+1)，并更新ω狼的位置及參數(shù)a、A、C。

5）判斷是否到達(dá)最大迭代次數(shù)，如達(dá)到則保存C、σ最優(yōu)解，否則返回步驟3）。

6）得到GWO-SVR 最優(yōu)預(yù)測(cè)模型并進(jìn)行預(yù)測(cè)分析。

4 實(shí)驗(yàn)仿真與分析

以3.2 節(jié)得到的樣本集為例，進(jìn)行仿真與分析。為了驗(yàn)證經(jīng)過(guò)降維處理后，可以提高預(yù)測(cè)的精度及速度，分別建立GA-SVR、PSO-SVR、GWO-SVR 三種預(yù)測(cè)模型，并對(duì)不同維度的樣本集用這三個(gè)模型分別進(jìn)行預(yù)測(cè)分析，采用均方根誤差(RMSE)及衡量擬合度的復(fù)測(cè)定系數(shù)R2作為預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)[16-18]。

采用以下六種不同維度的樣本集作為訓(xùn)練和測(cè)試集，分別用GA-SVR、PSO-SVR、GWO-SVR 三種預(yù)測(cè)模型預(yù)測(cè)70 m 處的平均風(fēng)速，得到的預(yù)測(cè)結(jié)果如表1 所示。

表1 不同算法在不同數(shù)據(jù)維度下預(yù)測(cè)結(jié)果

1）1 440×25：70 m、50 m、30 m、10 m 處風(fēng)速及7 m處氣壓、溫度、濕度的平均、最大和最小值，70 m、50 m、30 m、10 m 處風(fēng)向的平均值。

2）1 440×21：70 m、50 m、30 m 處風(fēng)速及7 m 處氣壓、溫度、濕度的平均、最大和最小值，70 m、50 m、30 m 處風(fēng)向的平均值。

3）1 440×17：70 m、50 m 處風(fēng)速及7 m 處氣壓、溫度、濕度的平均、最大和最小值，70 m、50 m 處風(fēng)向的平均值。

4）1 440×13：70 m 處風(fēng)速及7 m 處氣壓、溫度、濕度的平均、最大和最小值，70 m 處風(fēng)向的平均值。

5）1 440×5：70 m 處風(fēng)速及7 m 處氣壓、溫度、濕度的平均值，70 米處風(fēng)向的平均值。

6）1 440×4：70 m 處風(fēng)速、風(fēng)向及7 m 處溫度、濕度的平均值。

從表1 可以看出，隨著數(shù)據(jù)維度的降低，三種算法的預(yù)測(cè)時(shí)間都在減少，預(yù)測(cè)能力也逐漸增強(qiáng)（RMSE 逐漸減小），擬合度也越來(lái)越好（R2逐漸變大）。但是這三種算法的預(yù)測(cè)能力存在較為顯著的差別，圖5、6、7 分別為各算法的預(yù)測(cè)時(shí)間、RMSE 及R2的比較曲線。圖8 為三種算法在1 440×4 維度下預(yù)測(cè)的70 m 處平均風(fēng)速的比較曲線。

圖5 不同算法預(yù)測(cè)時(shí)間比較

圖6 不同算法RMSE比較

圖7 不同算法R2 比較

圖8 風(fēng)速預(yù)測(cè)比較曲線（局部）

從圖5 可以看出，數(shù)據(jù)維度較高時(shí)（1 440×17 以上），GA-SVR 的預(yù)測(cè)時(shí)間接近PSO-SVR 的1.5 倍，在低維（1 440×13 以下）時(shí)兩者的預(yù)測(cè)時(shí)間相當(dāng)，GWO-SVR 的是三種算法預(yù)測(cè)時(shí)間最短的，在高維時(shí)為PSO-SVR 的5%左右，在低維時(shí)為PSO-SVR 的2.5%左右。

從圖6 可以看出，三種算法的均方根誤差(RMSE)隨著數(shù)據(jù)維度的減少都在減小，但是在高低維過(guò)渡時(shí)GA-SVR 和PSO-SVR 算法的RMSE 存在波動(dòng)，而GWO-SVR 算法為單調(diào)遞減。

從圖7 可以看出，三種算法的R2在高低維過(guò)渡時(shí)均有波動(dòng)，但是GWO-SVR 算法的波動(dòng)最小，并且其擬合度在低維時(shí)是三者中最好的。

通過(guò)上述比較分析可以可出，經(jīng)過(guò)降維處理后GWO-SVR 預(yù)測(cè)算法在穩(wěn)定性、速度及精度三個(gè)方面均有提高。

5 結(jié)論

為了更加合理地利用風(fēng)電，減少風(fēng)電并網(wǎng)對(duì)電網(wǎng)調(diào)峰、調(diào)頻和安全穩(wěn)定運(yùn)行的影響，文中在深入分析影響風(fēng)機(jī)出力的主要環(huán)境因素的基礎(chǔ)上，以新疆某風(fēng)電場(chǎng)為例，對(duì)其測(cè)風(fēng)塔采集的高維環(huán)境監(jiān)測(cè)歷史數(shù)據(jù)進(jìn)行了降維處理，并在此基礎(chǔ)上采用GWOSVR 預(yù)測(cè)模型對(duì)該風(fēng)電場(chǎng)的風(fēng)速數(shù)據(jù)進(jìn)行了預(yù)測(cè)分析，并和GA-SVR、PSO-SVR 算法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)降維處理后，GWO-SVR 預(yù)測(cè)算法在穩(wěn)定性、速度及精度三個(gè)方面均表現(xiàn)了優(yōu)異的性能。