基于概率预测模型的短期风电功率预测方法技术

本发明专利技术提出一种基于概率预测模型的短期风电功率预测方法，即：1)由变分模态分解将风电功率历史数据分解为多个分量，针对每一维分量分别建立泄露积分型回声状态网络模型进行训练预测，将各个预测结果进行重构，得到风电功率点预测值；2)应用回声状态分位数回归网络对点预测的残差进行建模，得到不同分位数条件之下的残差预测值；3)将点预测值与残差预测值进行整合，在点预测的基础上由残差预测进一步提高预测精度，得到风电功率的概率预测值。本发明专利技术针对风电功率具有随机性、波动性特点，结合点预测模型与残差预测模型，得到概率预测模型，对风电功率进行精准的预测，对确保电力系统安全、经济、稳定的运行具有重大意义。

【技术实现步骤摘要】
基于概率预测模型的短期风电功率预测方法
本专利技术涉及一种短期风电功率预测方法，具体地说，涉及一种基于概率预测模型的短期风电功率预测方法。本专利技术属于新能源发电过程中风电功率预测

技术介绍
自20世纪70年代世界性能源危机开始以来，许多国家都更加重视可再生能源的研究、开发与利用。我国也一直致力于优化电源结构，包括水能、风能、太阳能在内的可再生能源发电所占的比重越来越大，其中，风能具有蕴量巨大、分布广泛、利用技术成熟等优点，是国际公认的最具有大规模开发潜力的可再生能源之一，风能的开发利用已经成为我国可持续发展战略的重要组成部分，合理地开发利用风能在延缓全球气候变暖、保护生态环境和推进可持续发展等方面具有十分重要的意义。然而，风电具有随机性、波动性，在并网时可能会对大电网带来难以调控等诸多问题，不仅会使系统的调度运行成本大大增高，还有可能给系统造成隐性危害，破坏系统的安全性和稳定性。因此，对风电功率进行准确有效地预测是电力系统重要的、不可缺少的环节，逐步提高风电功率预测精度成为当今的研究热点。
技术实现思路
针对风电功率具有随机性、波动性的特点，本专利技术的目的是提供一种基于概率预测模型的短期风电功率预测方法。为实现上述目的，本专利技术采用以下技术方法：一种基于概率预测模型的短期风电功率预测方法，它包括以下步骤：S1、由变分模态分解将风电功率历史数据分解为多个分量，针对每一维分量分别建立泄露积分型回声状态网络模型进行训练预测，将各个预测结果进行重构，得到风电功率点预测值；S2、应用回声状态分位数回归网络对点预测的残差进行建模，得到不同分位数条件之下的残差预测值；S3、将点预测值与残差预测值进行整合，在点预测的基础上由残差预测进一步提高预测精度，得到风电功率的概率预测值。优选地，步骤S1中，所述变分模态分解将原始时间序列分解为K个固有模态分量，每个模态的带宽有限且具有不同的中心频率，使用交替方向乘子法和维纳滤噪法更新各模态分量的中心频率，同时将各模态函数解调到对应的基频带，最终实现所有模态分量重构之后近似等于原始时间序列和各模态分量带宽之和最小的目的；原始时间序列被分解为K个分量，保证分解序列是具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，则相应约束表达式如下式所示：式中，k为需要分解的模态个数；uk为分解出的第k个模函数分量；ωk为分解出的第k阶模函数的中心频率；δ(t)为狄拉克函数；*为卷积运算符；f(t)为原始信号；求解目标函数即可得到uk，ωk的解；为求解目标函数，引入二次惩罚项α和拉格朗日算子λ将约束变分问题转化为非约束变分问题，其中α控制时间序列有噪声时的重构精度，λ用于调节约束的严格性；增广拉格朗日表达式如下：式中，k为需要分解的模态个数；uk为分解出的第k个模函数分量；ωk为分解出的第k阶模函数的中心频率；δ(t)为狄拉克函数；*为卷积运算符；f(t)为原始信号；使用交替方向乘子法交替更新uk，ωk和λ即可求得式(1)的最优解。优选地，步骤S1中，变分模态分解先将风电功率历史数据分解得到K个模态，然后对每一个模态都建立LeakyESN进行训练预测，将各模态预测结果进行求和重构，得到风电功率的初步预测值；所述LeakyESN的储备池是由泄露积分型神经元组成，其神经元具有独立的状态动力学信息，利用各种方式来适应网络学习任务的时序特征；假定输入层输入单元为u(k)＝[u1(k),u2(k),…,uK(k)]T，储备池的神经状态为x(k)＝[x1(k),x2(k),…,xN(k)]T，输出层输出单元为y(k)＝[y1(k),y2(k),…,yL(k)]T；LeakyESN网络的状态更新方程为：x(k+1)＝(1-α)x(k)+αf(Winu(k+1)+Wx(k)+Wbacky(k))式中，f(·)表示神经元激活函数；u(k+1)表示系统在k+1时刻的输入单元；x(k)表示储备池状态向量在k时刻的取值；y(k)表示系统在k时刻的输出单元；Win、W、Wback分别表示输入、储备池和反馈连接权矩阵；α是泄漏率；ESN的输出方程为：y(k+1)＝fout(Wout[u(k+1)，x(k+1)，y(k)])其中，y(k)和y(k+1)分别表示系统在k时刻和k+1时刻的输出单元；x(k+1)表示储备池状态向量在k+1时刻的取值；u(k+1)表示系统在k+1时刻的输入单元；fout(·)表示输出函数，根据问题的不同，fout(·)可以取线性函数或者S型函数；Wout表示输出连接权矩阵。优选地，步骤S2中，应用回声状态分位数回归网络对点预测的残差进行建模，得到不同分位数条件之下的残差预测值的方法：建立从输入层到隐含层的连接：式中，tanh(·)为双曲正切函数，作为隐含层激活函数；xi,t为t时刻第i维输入变量；gj,t为t时刻输入层第j个神经元的输出；分别为输入层到隐含层的权重、偏置项；在上式基础上建立从隐含层到输出层的连接：式中，为t时刻预测变量y的条件分位数估计；gj,t为t时刻输入层第j个神经元的输出；b(a)分别为隐含层到时输出层的连接权重、偏置；f(·)表示输出函数；τ为预测变量的第τ分位点；w(τ)、b(τ)分别为τ分位点下的连接权重、偏置。优选地，步骤S2中，将分位数回归应用于ESN网络的训练过程，得到回声状态分位数回归网络；所述ESN前向输出公式为：y(t+1)＝fout(Wout(u(k+1),x(k+1)))式中，y(k+1)为系统在k+1时刻的输出单元；u(k+1)表示系统在k+1时刻的输入单元；x(k+1)表示储备池状态向量在k+1时刻的取值；fout(·)表示激活函数；Wout表示输出连接权矩阵；将ESN输出层的输入向量定义为S(t)：S(t)＝fconcate(u(k+1),x(k+1))式中，fconcate为将两向量纵向拼接函数；u(k+1)表示系统在k+1时刻的输入单元；x(k+1)表示储备池状态向量在k+1时刻的取值；则回声状态分位数回归网络为：QY(τ|S)＝fout(S,Wout(τ),b(τ))式中，QY(τ|S)为预测变量Y关于输入向量S的τ分位点估计；fout为激活函数，通常选恒等函数；Wout(τ)为输出层的权重矩阵；b(τ)为输出层的偏置；定义模型的损失函数为：式中，ρτ为τ分位数对应的概率；Yi为与网络输出对应的实际值；S为网络输出层的输入向量；为了进一步提高模型的泛化能力，在损失函数中添加正则项：式中，f'cost为正则化后的损失函数；||·||2为求矩阵的第二范数；训练后得到τ分位点的权重矩阵和偏置向量，通过模型的前向传播预测变量Y在τ分位点的条件分布预测：式中，为预测变量本文档来自技高网...

【技术保护点】
1.一种基于概率预测模型的短期风电功率预测方法，其特征在于，包括以下步骤：/nS1、由变分模态分解将风电功率历史数据分解为多个分量，针对每一维分量分别建立泄露积分型回声状态网络模型进行训练预测，将各个预测结果进行重构，得到风电功率点预测值；/nS2、应用回声状态分位数回归网络对点预测的残差进行建模，得到不同分位数条件之下的残差预测值；/nS3、将点预测值与残差预测值进行整合，在点预测的基础上由残差预测进一步提高预测精度，得到风电功率的概率预测值。/n

【技术特征摘要】
1.一种基于概率预测模型的短期风电功率预测方法，其特征在于，包括以下步骤：
S1、由变分模态分解将风电功率历史数据分解为多个分量，针对每一维分量分别建立泄露积分型回声状态网络模型进行训练预测，将各个预测结果进行重构，得到风电功率点预测值；
S2、应用回声状态分位数回归网络对点预测的残差进行建模，得到不同分位数条件之下的残差预测值；
S3、将点预测值与残差预测值进行整合，在点预测的基础上由残差预测进一步提高预测精度，得到风电功率的概率预测值。


2.如权利要求1所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，步骤S1中，所述变分模态分解将原始时间序列分解为K个固有模态分量，每个模态的带宽有限且具有不同的中心频率，使用交替方向乘子法和维纳滤噪法更新各模态分量的中心频率，同时将各模态函数解调到对应的基频带，最终实现所有模态分量重构之后近似等于原始时间序列和各模态分量带宽之和最小的目的；
原始时间序列被分解为K个分量，保证分解序列是具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，则相应约束表达式如下式所示：



式中，k为需要分解的模态个数；uk为分解出的第k个模函数分量；ωk为分解出的第k阶模函数的中心频率；δ(t)为狄拉克函数；*为卷积运算符；f(t)为原始信号；求解目标函数即可得到uk，ωk的解；
为求解目标函数，引入二次惩罚项α和拉格朗日算子λ将约束变分问题转化为非约束变分问题，其中α控制时间序列有噪声时的重构精度，λ用于调节约束的严格性；增广拉格朗日表达式如下：



式中，k为需要分解的模态个数；uk为分解出的第k个模函数分量；ωk为分解出的第k阶模函数的中心频率；δ(t)为狄拉克函数；*为卷积运算符；f(t)为原始信号；使用交替方向乘子法交替更新uk，ωk和λ即可求得式(1)的最优解。


3.如权利要求1所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，步骤S1中，变分模态分解先将风电功率历史数据分解得到K个模态，然后对每一个模态都建立LeakyESN进行训练预测，将各模态预测结果进行求和重构，得到风电功率的初步预测值；
所述LeakyESN的储备池是由泄露积分型神经元组成，其神经元具有独立的状态动力学信息，利用各种方式来适应网络学习任务的时序特征；
假定输入层输入单元为u(k)＝[u1(k),u2(k),…,uK(k)]T，储备池的神经状态为x(k)＝[x1(k),x2(k),…,xN(k)]T，输出层输出单元为y(k)＝[y1(k),y2(k),…,yL(k)]T；LeakyESN网络的状态更新方程为：
x(k+1)＝(1-α)x(k)+αf(Winu(k+1)+Wx(k)+Wbacky(k))
式中，f(·)表示神经元激活函数；u(k+1)表示系统在k+1时刻的输入单元；x(k)表示储备池状态向量在k时刻的取值；y(k)表示系统在k时刻的输出单元；Win、W、Wback分别表示输入、储备池和反馈连接权矩阵；α是泄漏率；
ESN的输出方程为：
y(k+1)＝fout(Wout[u(k+1)，x(k+1)，y(k)])
其中，y(k)和y(k+1)分别表示系统在k时刻和k+1时刻的输出单元；x(k+1)表示储备池状态向量在k+1时刻的取值；u(k+1)表示系统在k+1时刻的输入单元；fout(·)表示输出函数，根据问题的不同，fout(·)可以取线性函数或者S型函数；Wout表示输出连接权矩阵。


4.如权利要求1所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，步骤S2中，应用回声状态分位数回归网络对点预测的残差进行建模，得到不同分位数条件之下的残差预测值的方法：
建立从输入层到隐含层的连接：



式中，tanh(·)为双曲正切函数，作为隐含层激活函数；xi,t为t时刻第i维输入变量；gj,t为t时刻输入层第j个神经元的输出；分别为输入层到隐含层的权重、偏置项；
在上式基础上建立从隐含层到输出层的连接：



式中，为t时刻预测变量y的条件分位数估计；gj,t为t时刻输入层第j个神经元的输出；b(a)分别为隐含层到时输出层的连接权重、偏置；f(·)表示输出函数；τ为预测变量的第τ分位点；w(τ)、b(τ)分别为τ分位点下的连接权重、偏置。


5.如权利要求1所述的一种基于概率预测模型的短...

【专利技术属性】
技术研发人员：杨丽君，王冬生，赵宇，霍伟，张灵犀，刘慧婷，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13