一种风电功率超短期预测方法技术

本发明专利技术公开了一种风电功率超短期预测方法，利用GA‑BP神经网络、支持向量机、小波神经网络和ARMA时间序列4种单项预测模型的前几个时刻的预测精度均值作为预测时刻风电功率的诱导值，解决了预测时刻诱导值未知的问题；再采用误差信息矩阵进行冗余度分析，然后利用Theil不等系数建立基于IOWA算子的优化模型，通过分析和实测风电功率预测数据表明：结合Theil不等系数和诱导有序加权算数平均算子(IOWA)的组合模型能有效提高风电功率预测精度，增强了风电并网的稳定性和经济性。

【技术实现步骤摘要】

本专利技术属于风电功率预测
，更为具体地讲，涉及一种风电功率超短期预测方法。
技术介绍
随着经济的发展，社会对能源的需求不断增长，由于传统的化石能源的日益枯竭，以及环境污染日益严重，清洁的可再生能源得到了迅速发展，特别是风力发电，其比重在电力系统的总容量中也越来越大。由于风力资源的间歇性与波动性，导致了风电功率的随机性和难以预测性。随着风电场的快速建设，风电的大规模并网对电网调度、电能质量以及电力系统的稳定运行带来了严峻考验。在目前大力建设智能电网的趋势下，对风电场风电功率的准确预测是保障电力系统安全稳定的有效途径。按照时间尺度划分，风电功率预测一般分为超短期预测、短期预测和中长期预测三类，而高精度的超短期预测是保障电力系统安全稳定的关键。目前，国内外常用的风电功率超短期预测方法主要是统计模型，有时间序列模型、神经网络、支持向量机模型、卡尔曼模型、灰色预测模型、空间相关法和小波分析等。随着风电技术的深入。传统的单一预测模型暴露了其难以克服的缺点，除了预测精度不高外，每种方法都有其优劣程度和适用对象。例如卡尔曼滤波法难以对噪声的统计特性进行估计，模糊逻辑法学习能力较弱，灰色预测方法适合处理小样本数据等。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种风电功率超短期预测方法，利用Theil不等系数建立基于IOWA算子的优化模型，有效的提高了风电功率的预测精度，增强了风电并网的稳定性和经济性。为实现上述专利技术目的，本专利技术一种风电功率超短期预测方法，其特征在于，包括以下步骤：(1)、从风电场SCADA系统中提取风电功率历史数据序列；(2)、将GA-BP神经网络模型、支持向量机(SVM)模型、小波神经网络模型和自回归滑动平均作为风电功率超短期预测模型，再将风电功率历史数据序列分别导入到4种预测模型，得到4组预测期风电功率序列yi(t)，其中t＝1,2,…,n，i＝1,2,…,4；(3)、构建误差信息矩阵E，对4种预测模型进行冗余度分析，确定出参加组合的优选预测模型：E＝[(eit)n×4]T[(eit)n×4]其中，eit表示第i种预测模型在第t时刻的预测误差，即eit＝y(t)-yi(t)，y(t)为t时刻风电功率的实测值，与yi(t)的预测时刻相对应；计算误差信息矩阵E的代数余子式Y4×4，再将代数余子式Y4×4每列的元素求和，得到矩阵M1×4；根据矩阵M1×4判断4种预测模型的冗余度，如果矩阵M1×4的第i列元素为非正，则第i列对应的第i种预测模型为冗余模型，剔除所有冗余模型后，得到优选预测模型；(4)、基于优选预测模型，利用Theil不等系数建立基于IOWA算子的优化模型，再利用该模型求取最优权重系数矩阵L；(5)、将最优权重系数矩阵L和待预测数据带入IOWA算子，得到风功率预测结果。进一步的，所述的步骤(4)中建立基于IOWA算子的优化模型的具体步骤为；(2.1)、将优选预测模型预测时刻的前M个时刻的预测精度求均值pit，并将此均值作为下一时刻IOWA算子中的诱导值；pit=1MΣj=t-Mt-1pij]]>其中，i＝1,2,…,m，m表示优选预测模型种类；t＝1,2,…,N，N表示预测总时刻；pij为第i种预测模型在第j时刻的预测精度；(2.2)、构造诱导矩阵YD；其中，(pmN,ymN)中pmN和ymN分别表示第m种优选预测模型在第N时刻的预测精度和预测值；(2.3)、将诱导矩阵YD每一列按照诱导值pit从大到小的顺序排序，得到诱导有序矩阵YX：(2.4)、令优选预测模型中每个单项预测模型的权重系数为L＝(l1,l2,…,lm)，其中l1+l2+…+lm＝1；利用诱导有序矩阵YX计算IOWA算子yiowa-t；yiowa-t=IOWAL(<p1t′,y1t′>,<p2t′,y2t′>...<pmt′,ymt′>)=Σi=1mliyp′-index(it)=l1y1t′+l2y2t′+...+lmymt′]]>其中，p′-index(it)将m种单项预测模型第t时刻预测精度序列p1t,p2t,…,pmt按从大到小的顺序排列的第i个大的预测精度的下标，即yp′-index(it)对应的序列是{yp′-index(it)，y1′t,y2′t,…,y′mt本文档来自技高网...

【技术保护点】
一种风电功率超短期预测方法，其特征在于，包括以下步骤：(1)、从风电场SCADA系统中提取风电功率历史数据序列；(2)、将GA‑BP神经网络模型、小波神经网络模型、支持向量机(SVM)模型和自回归滑动平均(ARMA)模型作为风电功率超短期预测模型，再将风电功率历史数据序列分别导入到4种预测模型，得到4组预测期风电功率序列yi(t)，其中t＝1,2,…,n，i＝1,2,…,4；(3)、构建误差信息矩阵E，对4种预测模型进行冗余度分析，确定出参加组合的优选预测模型：E＝[(eit)n×4]T[(eit)n×4]其中，eit表示第i种预测模型在第t时刻的预测误差，即eit＝y(t)‑yi(t)，y(t)为t时刻风电功率的实测值，与yi(t)的预测时刻相对应；计算误差信息矩阵E的代数余子式Y4×4，再将代数余子式Y4×4每列的元素求和，得到矩阵M1×4；根据矩阵M1×4判断4种预测模型的冗余度，如果矩阵M1×4的第i列元素为非正，则第i列对应的第i种预测模型为冗冗余模型，剔除所有冗余模型后，得到优选预测模型；(4)、基于优选预测模型，利用Theil不等系数建立基于IOWA算子的优化模型，再利用该模型求取最优权重系数矩阵L；(5)、将最优权重系数矩阵L和待预测数据带入IOWA算子，得到风功率预测结果。...

【技术特征摘要】
1.一种风电功率超短期预测方法，其特征在于，包括以下步骤：(1)、从风电场SCADA系统中提取风电功率历史数据序列；(2)、将GA-BP神经网络模型、小波神经网络模型、支持向量机(SVM)模型和自回归滑动平均(ARMA)模型作为风电功率超短期预测模型，再将风电功率历史数据序列分别导入到4种预测模型，得到4组预测期风电功率序列yi(t)，其中t＝1,2,…,n，i＝1,2,…,4；(3)、构建误差信息矩阵E，对4种预测模型进行冗余度分析，确定出参加组合的优选预测模型：E＝[(eit)n×4]T[(eit)n×4]其中，eit表示第i种预测模型在第t时刻的预测误差，即eit＝y(t)-yi(t)，y(t)为t时刻风电功率的实测值，与yi(t)的预测时刻相对应；计算误差信息矩阵E的代数余子式Y4×4，再将代数余子式Y4×4每列的元素求和，得到矩阵M1×4；根据矩阵M1×4判断4种预测模型的冗余度，如果矩阵M1×4的第i列元素为非正，则第i列对应的第i种预测模型为冗冗余模型，剔除所有冗余模型后，得到优选预测模型；(4)、基于优选预测模型，利用Theil不等系数建立基于IOWA算子的优化模型，再利用该模型求取最优权重系数矩阵L；(5)、将最优权重系数矩阵L和待预测数据带入IOWA算子，得到风功率预测结果。2.根据权利要求1所述的一种风电功率超短期预测方法，其特征在于，所述的步骤(4)中建立基于IOWA算子的优化模型的具体步骤为；(2.1)、将优选预测模型预测...

【专利技术属性】
技术研发人员：黄琦，李坚，何亚，张真源，井实，易建波，桂勋，周统汉，梁浩，鲁尔洁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51