【技术实现步骤摘要】
一种风电功率概率预测模型建立方法
本专利技术涉及风电场风电功率预测
，特别是涉及一种风电功率概率预测模型建立方法。
技术介绍
随着能源结构低碳式发展，以风电为代表的可再生能源电网渗透率逐年攀升。但受制于风能的强随机性，风电功率存在严重波动，仅对其进行点预测无法获取完整的不确定性信息，电网安全稳定运行面临挑战。因此，为了更好利用风力发电，有效调整调度计划，扩大风电竞价并网优势，对风电功率进行精确概率预测是关键。但是应建立怎样的概率预测模型，如何选取模型输入变量，如何对模型进行优化以提高预测能力和泛化能力，尚没有明确的定义。
技术实现思路
本专利技术的目的是提供一种风电功率概率预测模型建立方法，可预测获取风电功率的不确定性信息，有利于提升风电网的运行可靠性，解决了由于风电功率缺少不确定信息导致的风力发电消纳水平低、调度计划制定困难的问题。为实现上述目的，本专利技术提供了如下方案：一种风电功率概率预测模型建立方法，该方法包括以下步骤：S1，数据预处理：剔除初始数据集中的异常值，并基...
【技术保护点】
1.一种风电功率概率预测模型建立方法，其特征在于，包括以下步骤：/nS1，数据预处理：剔除初始数据集中的异常值，并基于灰色关联理论，选取与风电功率关联度大于预设阈值的气象变量作为风电功率概率预测模型的训练数据集；/nS2，建立改进自然梯度提升元模型：基于训练数据集，预测风电功率概率分布的参数向量，通过Fisher信息量在一般梯度和自然梯度间建立联系，选取分类和回归树作为基学习器，建立改进自然梯度提升元模型，实现参数向量更新；/nS3，Blending模型融合：对多个改进自然梯度提升元模型进行Blending模型融合，建立新的元模型进行训练，从而输出最终预测统计参数向量。/n
【技术特征摘要】
1.一种风电功率概率预测模型建立方法，其特征在于，包括以下步骤：
S1，数据预处理：剔除初始数据集中的异常值，并基于灰色关联理论，选取与风电功率关联度大于预设阈值的气象变量作为风电功率概率预测模型的训练数据集；
S2，建立改进自然梯度提升元模型：基于训练数据集，预测风电功率概率分布的参数向量，通过Fisher信息量在一般梯度和自然梯度间建立联系，选取分类和回归树作为基学习器，建立改进自然梯度提升元模型，实现参数向量更新；
S3，Blending模型融合：对多个改进自然梯度提升元模型进行Blending模型融合，建立新的元模型进行训练，从而输出最终预测统计参数向量。
2.根据权利要求1所述的风电功率概率预测模型建立方法，其特征在于，所述步骤S1中，剔除初始数据集中的异常值，并基于灰色关联理论，选取与风电功率关联度大于预设阈值的气象变量作为风电功率概率预测模型的训练数据集，具体包括：
S101，利用箱型图剔除初始数据中的异常值；
S102，以风电功率为参考数据列，相关气象变量为对比数据列，对各序列进行初值化处理，基于灰色关联理论，计算关联系数以表征两组序列的关联度，选取关联度大于阈值的气象变量作为预测模型的训练数据集。
3.根据权利要求2所述的风电功率概率预测模型建立方法，其特征在于，所述步骤S101中，利用箱型图剔除初始数据中的异常值，具体包括：
异常值截断上下限由式(1)确定：
式中：min、max代表数据截断的上限和下限；Q1、Q3分别代表上、下四分位数；IQR＝Q3-Q1。
4.根据权利要求2所述的风电功率概率预测模型建立方法，其特征在于，所述步骤S102中，以风电功率为参考数据列，相关气象变量为对比数据列，对各序列进行初值化处理，基于灰色关联理论，计算关联系数以表征两组序列的关联度，选取关联度大于阈值的气象变量作为预测模型的训练数据集，具体包括：
1)对各变量时间序列做归一化处理，以n个气象变量序列中的第k个为比较序列Sk(t)，风电功率序列为参考序列S0(t)，求取两者差计作绝对值序列Δk(t)，如式(2)所示，其中k∈(1,n)，
Δk(t)＝|Sk(t)-S0(t)|(2)
2)计算关联系数ηk(t)：
式中：Min(·)、Max(·)表示求取序列的最小、最大值，ρ为分辨系数；
3)求解关联度γk：
式中：Tn为序列长度；
4)设定阈值选取关联度大于阈值的气象变量，组成训练数据集。
5.根据权利要求1所述的风电功率概率预测模型建立方法，其特征在于，所述步骤S2中，基于训练数据集，预测风电功率概率分布的参数...
【专利技术属性】
技术研发人员：李永刚，王月，吴滨源，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。