基于粒子群—BP神经网络的风电功率区间预测方法技术

本发明专利技术涉及一种基于粒子群—BP神经网络的风电功率区间预测方法，该方法采用BP神经网络进行风电功率区间预测，将风电功率的历史数据作为预测模型的输入向量，输出值{Y1,Y2}分别表示未来时间节点风电功率预测输出的区间上下限，由BP神经网络的权值和阈值构成粒子群PSO算法中的维度为2的飞行粒子，通过调整网络权值与阈值以满足预测模型的可靠性要求，依照给定的优化目标函数搜索最优粒子。本发明专利技术引入描述区间信息的指标，建立风电功率区间预测的综合优化目标，采用粒子群算法对BP神经网络进行参数优化，利用BP神经网络的多输出特性实现风电功率的短期区间预测，为电网决策提供依据。本发明专利技术的技术方案如下。

Wind power interval prediction method based on particle swarm optimization and BP neural network

The invention relates to a particle swarm optimization and BP neural network prediction method based on interval of wind power, the method of using BP neural network wind power range prediction, the historical data of wind power prediction model as the input vector, the output value of {Y1, the predictive output interval limit future time node wind power respectively. Y2} said, by BP neural network weights and threshold of particle swarm algorithm in PSO dimension for the flight 2 particle, by adjusting the network weights and threshold in order to meet the requirements of the reliability of the model, according to the number of optimization objective function given to search the optimal particle. The present invention is introduced to describe the interval information index, establish the comprehensive optimization of wind power prediction interval, using particle swarm algorithm to optimize the parameters of BP neural network, prediction interval to achieve wind power output characteristics using BP neural network, provide the basis for the decision-making of power grid. The technical proposal of the invention is as follows.

【技术实现步骤摘要】

本专利技术属于电力系统
，涉及一种风电功率区间预测方法。
技术介绍
在新能源发电领域，风能作为技术成熟的高效清洁能源得到广泛重视和大量应用，具有很好的发展前景。随着相关技术的进步与国家政策的扶持，我国风力发电在近几年得到了飞速发展，无论是大型风电场还是中小型风机的接入都取得了显著成果。但风力发电具有随机性、波动性与间歇性的自然属性，大规模风电并网会对电网安全和电能质量带来不利影响，对电网调度和系统运行提出很大挑战，如若系统调度不合理或者配套方案不完善，很容易出现供电故障；即便是中小型风机也存在着影响电能质量和能量管理的问题。因此，从电网运行的安全性、经济性角度来看，对风电功率进行短期预测十分必要。然而目前主要的风电功率预测方法是时间节点上的确定点值预测，难以描述风力发电的不确定性，给电网调度带来诸多不确定性，增大了含风机电网的运行风险。而对风电功率进行区间预测，能够在一定程度上描述风电的不确定性，为电网决策提供依据，更具实际应用意义。
技术实现思路
本专利技术的目的是改进现有技术的上述不足，提供一种风电功率的短期区间预测方法，本专利技术引入描述区间信息的指标，建立风电功率区间预测的综合优化目标，采用粒子群算法对BP神经网络进行参数优化，利用BP神经网络的多输出特性实现风电功率的短期区间预测，为电网决策提供依据。本专利技术的技术方案如下：一种基于粒子群—BP神经网络的风电功率区间预测方法，该方法采用BP神经网络<br>进行风电功率区间预测，将风电功率的历史数据作为预测模型的输入向量，输出值{Y1,Y2本文档来自技高网...

【技术保护点】
一种基于粒子群—BP神经网络的风电功率区间预测方法，该方法采用BP神经网络进行风电功率区间预测，将风电功率的历史数据作为预测模型的输入向量，输出值{Y1,Y2}分别表示未来时间节点风电功率预测输出的区间上下限，由BP神经网络的权值和阈值构成粒子群PSO算法中的维度为2的飞行粒子，通过调整网络权值与阈值以满足预测模型的可靠性要求，依照给定的优化目标函数搜索最优粒子，具体如下：设归一化的风电功率时间序列为X＝[x1,x2,…,xn]，Ui与Li为t＝i时刻区间预测的上限和下限，Nt为选取用于计算区间参数的样本容量，置信概率为θ＝100(1‑α)％，ω为PSO算法中的飞行粒子，即BP神经网络权值和阈值的参数向量，为实现对风电功率预测区间的合理化描述，采用描述区间信息的指标构成风电功率区间预测的优化目标函数，即PSO算法的适应度函数，各个指标如下：1)覆盖概率覆盖概率是指实际值落入预测区间内的概率，对于容量为Nt的预测样本集，实际值xi落入预测区间[Li,Ui]的概率应不小于θ＝100(1‑α)％，预测区间的覆盖概率PICP计算公式为：2)区间平均带宽考虑预测区间的平均带宽PINAW，降低因预测区间的上下限接近其极限值所带来的过完备风险，对于归一化的风电功率时间序列，PINAW通过下式计算：3)平均中心误差为评估实际值在预测区间内的分布均匀度，考虑预测区间的平均中心误差PIACE，即区间中值与实际输出值之间的偏差，计算公式为：4)优化目标函数风电功率区间预测的要求是尽可能高的预测覆盖概率，同时又有尽可能小的区间平均带宽与平均中心误差，建立风电功率区间预测参数综合优化目标函数：F(ω)＝PINAW·(1+k·λ(PICP)·ePIACE)其中k为非负常数，称为惩罚参数,将风电功率区间预测问题转化为如下含约束的优化问题：Min:F(ω)s.t.θ≤PICP(ω)≤100％ 。...

【技术特征摘要】
1.一种基于粒子群—BP神经网络的风电功率区间预测方法，该方法采用BP神经网络进

【专利技术属性】
技术研发人员：王继东，孙佳文，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12