计及评估指标冲突的风电功率组合概率预测方法技术

一种计及评估指标冲突的风电功率组合概率预测方法，其特点是，通过基于能量守恒定律优化的变分模态分解确定分解参数K且将原始风电功率信号分解为一系列的本征模函数分量，剔除幅值最小的一个本征模态函数，剩余的本征模态函数组合得到降低波动性和随机性后的风电功率序列；利用该风电功率序列构建包含96维历史特征的输入特征集合，并使用10个协方差函数构建不同的GPR模型；采用面积灰关联决策方法基于5种指标计算面积灰关联贴近度以综合评价各个预测模型性能、解决评估指标间的冲突；根据面积灰关联贴近度计算不同GPR概率预测模型在组合模型中的权重，构建组合模型，并以该组合概率预测模型开展风电功率概率组合预测。

Combined probability prediction method of wind power considering evaluation index conflict

【技术实现步骤摘要】
计及评估指标冲突的风电功率组合概率预测方法
本专利技术涉及电力系统中的风电功率预测
，是一种计及评估指标冲突的风电功率组合概率预测方法。
技术介绍
风电功率预测的目的是为了给电网运行提供重要依据。现有的风电功率预测方法多为点预测，其结果一般有不同程度的误差，无法刻画潜在风电功率概率分布。与确定性预测相比，概率性预测方法所得预测结果包含更多信息，能够量化风电功率不确定性。高质量概率预测结果有助于进行风电风险分析和评估，减少风电不确定性带来的负面影响。目前的风电功率概率预测常采用单一预测器，主要方法为非参数估计法和参数估计法。与贝叶斯估计等参数估计方法不同，非参数估计法不存在分布假设不合理的问题，拟合效果更好，更适用于风电功率概率预测。常用的非参数估计法包括分位点回归、核密度估计、LUBE法、极限学习机及其改进方法等。分位点回归法需要预先确定回归模型和分位点，模型计算量大，预测精度随预测时长增加而明显降低；经验分布拟合对数据要求严格；极限学习机的参数对实验结果影响大，实验效果不稳定。相较于以上方法，高斯过程回归(Gaussianprocessregression,GPR)模型参数少、自适应确定超参数、非参数推断灵活、模型结构简单、泛化能力强等优点，但协方差函数的选择是建立GPR模型的难点与关键。采用单一预测器进行预测可能会在特定场景下存在较大预测误差，而采用多模型构建组合预测模型，能够有效降低特定场景下极端误差。然而目前的风电功率概率预测中很少考虑组合模型。风电功率组合预测模型的关键是确定各单一预测模型的权重。现有的文献虽然给出了最优权系数估计的方法，但往往存在对初值有较强依赖性、收敛慢、易陷入局部最小等缺点。此外，采用多种评估指标可以直观全面的反映概率预测模型的预测效果(误差、准确率、可靠性、区间宽度等)。但不同指标的侧重点不同，使用不同指标评价概率风电功率预测模型时，易存在指标间结论相互冲突的问题，即不同确定性或概率性指标确定的最优模型不同。因此，须进行多指标综合评价，避免评价的主观性与片面性。常用综合评价方法有层次分析法、模糊综合评价、灰色关联度结合理想解法等。层次分析法主观性强，专家偏好对评价结果影响很大；模糊综合评价在隶属度和权重确定、算法选取等方面带有主观性；灰色关联度结合理想解法可排除主观干扰，但关联系数忽略不同指标间的相互影响。面积灰关联决策可全面反映指标间相互影响，及不同方案指标序列的距离接近度与形状相似度，可以更好地解决评估指标间冲突，更适用于评价指标间存在冲突的概率预测模型。
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，提供一种科学合理，适应性强，实用价值高，能够高质量进行风电功率组合概率预测的计及评估指标冲突的风电功率组合概率预测方法。本专利技术的目的是通过以下技术手段实现的：一种计及评估指标冲突的风电功率组合概率预测方法，其特征是，它包括以下步骤：1)风电功率序列预处理首先使用基于能量守恒定律优化的变分模态分解(variationalmodedecompositionbasedonenergyconservationlaw,EVMD)对原始风电功率序列进行处理，确定分解参数K，然后将原始风电功率序列分解成若干个本征模态函数，之后，剔除幅值最小的一个本征模态函数，将其他剩余本征模态函数相加得到降低波动性和随机性后的风电功率序列，变分模态分解对信号的处理过程包括构造和求解两部分，涉及了三个重要概念：经典维纳滤波、希尔伯特变换和频率混合；变分问题的构造中，变分问题是将原始信号f分解为k个模态函数Uk(t)，即本征模态函数，假设每个本征模态函数的有限带宽具有中心频率且是ωk，使得每个模态的估计带宽和最小，约束条件是：各模态函数之和等于原始信号f，①通过Hilbert变换，得到每个模态函数Uk(t)的解析信号；②对各模态的解析信号混合预估中心频率ωk，将每个模态的频谱移动到基频带上；③采用解调信号的H高斯平滑估计各模态信号的带宽，即梯度的二范数的平方；因此该约束变分问题为式(1)：其中，是对t求偏导数，δ(t)为冲激函数，Uk是第k个本征模态函数；变分问题的求解中，引入拉格朗日乘子γ(t)和二次惩罚因子α得到式(1)的增广拉格朗日函数，其中，γ是拉格朗日乘法算子；利用基于对偶分解和Lagrange法的交替方向乘子方法(AlternateDirectionMethodofMultipliers，ADMM)求解式(2)，对Uk，ωk，γ进行交替迭代寻优：其中表示Ui(ω),f(ω),γ(ω)的傅里叶变换；n表示迭代次数；对于给定求解精度ε，满足(6)式时停止迭代：其中，τ是更新参数，设置为0，变分模态分解的具体实现过程如下：①初始化γ1与最大迭代次数N，n＝0；②对于每个模式Uk,根据式(3)和式(4)更新得到③根据式(5)，更新γ，n＝n+1；④根据式(6)判断收敛性：若不收敛且n<N，则重复步骤②，否则停止迭代，得到最终模态函数Uk和中心频率ωk；变分模态分解应用于风电功率序列分解，性能主要受分解的模态函数个数K的影响，若VMD的K值超过某一合适的值后，其过分解的分量是在原分量基础上分解出来的，由于存在虚构的分量，则多分解出来的分量能量线性之和应大于原被分解分量的能量和，由此采用EVMD，基于能量对参数K进行优化，能量和分解能量差值参数R的计算式为：其中，E是原信号或分量信号的能量值；x(i)是信号序列；n是采样点数，不同的信号分解的能量值大小不同，Eb是第b个IMF的能量，Ex是原信号能量；由式(8)可知，过分解越严重，其值越大；而当其值越接近或等于0，则分解合适或分解不足，对一系列K值对应的能量参数R观察，当R值经过几个最低值后出现突变，则此转折点参数对应的K值为最优K值；2)10个高斯过程回归模型的建立使用降低波动性和随机性的原始风电功率序列，构建包含96维历史风电功率序列的特征集，该特征集作为预测器的输入集，使用基于10个协方差函数建立10个不同的GPR模型，高斯过程是一组随机变量的集合，由均值函数e(x)和协方差函数h(x,x')共同决定，对于一个确定的n维样本集合D＝{(xc,yc)|c＝1,2,...,n}，x∈Rd，yc∈R，定义训练输入矩阵X＝[x1,x2,...,xc,...,xn]T，xc是某样本的d维输入向量；训练集的输入向量y＝[y1,y2,...,yc,...,yn]T，yc是某样本的标量输出值，xc所对应的函数空间f(x)，f(x(1)),f(x(2)),...,f(x(n))组成随机变量的集合服从联合高斯分布，因此高斯过程表示为：f(x)～GP(e(x),h(x,x'))(9)若观测目标含噪声，y与函数输入f相差Δ，y＝f(x)+Δ(10)其中Δ是独立随机变量，符合高斯分布，均值为0，方差为σ2，标记为Δ～N(0,σ2)，由于噪声Δ是独立于函数f(x)的高斯白噪声，当f(x)服从高斯分布，y也服从高斯分布，则有限观测值y的联合分布集合和协方差函数表示为：其中，e(x)是均值函数；δij是KroneckerDelta函数，只有当c＝d时，函数δcd＝1；H(X,X)为N×N的核矩阵，元素是Kcd＝K(xcdxd)；是n维样本数据的方差；I是本文档来自技高网...

【技术保护点】
1.一种计及评估指标冲突的风电功率组合概率预测方法，其特征是，它包括以下步骤：1)风电功率序列预处理首先使用基于能量守恒定律优化的变分模态分解(variational mode decomposition based on energy conservation law,EVMD)对原始风电功率序列进行处理，确定分解参数K，然后将原始风电功率序列分解成若干个本征模态函数，之后，剔除幅值最小的一个本征模态函数，将其他剩余本征模态函数相加得到降低波动性和随机性后的风电功率序列，变分模态分解对信号的处理过程包括构造和求解两部分，涉及了三个重要概念：经典维纳滤波、希尔伯特变换和频率混合；变分问题的构造中，变分问题是将原始信号f分解为k个模态函数Uk(t)，即本征模态函数，假设每个本征模态函数的有限带宽具有中心频率且是ωk，使得每个模态的估计带宽和最小，约束条件是：各模态函数之和等于原始信号f，①通过Hilbert变换，得到每个模态函数Uk(t)的解析信号；②对各模态的解析信号混合预估中心频率ωk，将每个模态的频谱移动到基频带上；③采用解调信号的H高斯平滑估计各模态信号的带宽，即梯度的二范数的平方；因此该约束变分问题为式(1)：...

【技术特征摘要】
1.一种计及评估指标冲突的风电功率组合概率预测方法，其特征是，它包括以下步骤：1)风电功率序列预处理首先使用基于能量守恒定律优化的变分模态分解(variationalmodedecompositionbasedonenergyconservationlaw,EVMD)对原始风电功率序列进行处理，确定分解参数K，然后将原始风电功率序列分解成若干个本征模态函数，之后，剔除幅值最小的一个本征模态函数，将其他剩余本征模态函数相加得到降低波动性和随机性后的风电功率序列，变分模态分解对信号的处理过程包括构造和求解两部分，涉及了三个重要概念：经典维纳滤波、希尔伯特变换和频率混合；变分问题的构造中，变分问题是将原始信号f分解为k个模态函数Uk(t)，即本征模态函数，假设每个本征模态函数的有限带宽具有中心频率且是ωk，使得每个模态的估计带宽和最小，约束条件是：各模态函数之和等于原始信号f，①通过Hilbert变换，得到每个模态函数Uk(t)的解析信号；②对各模态的解析信号混合预估中心频率ωk，将每个模态的频谱移动到基频带上；③采用解调信号的H高斯平滑估计各模态信号的带宽，即梯度的二范数的平方；因此该约束变分问题为式(1)：其中，是对t求偏导数，δ(t)为冲激函数，Uk是第k个本征模态函数；变分问题的求解中，引入拉格朗日乘子γ(t)和二次惩罚因子α得到式(1)的增广拉格朗日函数，其中，γ是拉格朗日乘法算子；利用基于对偶分解和Lagrange法的交替方向乘子方法(AlternateDirectionMethodofMultipliers，ADMM)求解式(2)，对Uk，ωk，γ进行交替迭代寻优：其中表示Ui(ω),f(ω),γ(ω)的傅里叶变换；n表示迭代次数；对于给定求解精度ε，满足(6)式时停止迭代：其中，τ是更新参数，设置为0，变分模态分解的具体实现过程如下：①初始化γ1与最大迭代次数N，n＝0；②对于每个模式Uk,根据式(3)和式(4)更新得到③根据式(5)，更新γ，n＝n+1；④根据式(6)判断收敛性：若不收敛且n<N，则重复步骤②，否则停止迭代，得到最终模态函数Uk和中心频率ωk；变分模态分解应用于风电功率序列分解，性能主要受分解的模态函数个数K的影响，若VMD的K值超过某一合适的值后，其过分解的分量是在原分量基础上分解出来的，由于存在虚构的分量，则多分解出来的分量能量线性之和应大于原被分解分量的能量和，由此采用EVMD，基于能量对参数K进行优化，能量和分解能量差值参数R的计算式为：其中，E是原信号或分量信号的能量值；x(i)是信号序列；n是采样点数，不同的信号分解的能量值大小不同，Eb是第b个IMF的能量，Ex是原信号能量；由式(8)可知，过分解越严重，其值越大；而当其值越接近或等于0，则分解合适或分解不足，对一系列K值对应的能量参数R观察，当R值经过几个最低值后出现突变，则此转折点参数对应的K值为最优K值；2)10个高斯过程回归模型的建立使用降低波动性和随机性的原始风电功率序列，构建包含96维历史风电功率序列的特征集，该特征集作为预测器的输入集，使用基于10个协方差函数建立10个不同的GPR模型，高斯过程是一组随机变量的集合，由均值函数e(x)和协方差函数h(x,x')共同决定，对于一个确定的n维样本集合D＝{(xc,yc)|c＝1,2,...,n}，x∈Rd，yc∈R，定义训练输入矩阵X＝[x1,x2,...,xc,...,xn]T，xc是某样本的d维输入向量；训练集的输入向量y＝[y1,y2,...,yc,...,yn]T，yc是某样本的标量输出值，xc所对应的函数空间f(x)，f(x(1)),f(x(2)),...,f(x(n))组成随机变量的集合服从联合高斯分布，因此高斯过程表示为：f(x)～GP(e(x),h(x,x'))(9)若观测目标含噪声，y与函数输入f相差Δ，y＝f(x)+Δ(10)其中Δ是独立随机变量，符合高斯分布，均值为0，方差为σ2，标记为Δ～N(0,σ2)，由于噪声Δ是独立于函数f(x)的高斯白噪声，当f(x)服从高斯分布，y也服从高斯分布，则有限观测值y的联合分布集合和协方差函数表示为：其中，e(x)是均值函数；δij是KroneckerDelta函数，只有当c＝d时，函数δcd＝1；H(...

【专利技术属性】
技术研发人员：黄南天，吴银银，蔡国伟，张祎祺，杨冬锋，黄大为，王文婷，包佳瑞琦，杨学航，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林,22