一种基于改进局部异常因子算法的短期风电功率预测方法技术

一种基于改进局部异常因子算法的短期风电功率预测方法，属于风力发电功率预测领域，包括以下步骤：将通过数值天气预报系统获取的历史数据进行归一化处理；通过改进局部异常因子算法剔除历史数据中的不良数据；采用改进滑动平均法对空缺数据进行填补；建立基于BP神经网络的风电功率预测模型并通过改进LM算法对权值进行修正。本发明专利技术能够有效地对风电功率预测中的数据进行处理，提高模型训练的精度，并对模型进行优化以得到更加准确的风电功率预测值，提高了短期风电功率预测的精度。提高了短期风电功率预测的精度。提高了短期风电功率预测的精度。

【技术实现步骤摘要】
一种基于改进局部异常因子算法的短期风电功率预测方法


[0001]本专利技术属于风力发电功率预测领域，具体涉及一种基于改进局部异常因子算法的短期风电功率预测方法。

技术介绍

[0002]随着新能源产业的不断发展，风力发电的在整个发电系统中的占比不断提高，但是由于风力发电具有波动性，间歇性等特点，当风电大规模并网时易对整个电力系统的稳定性产生较大的影响。因此，为了提高电力系统的稳定性与安全性，需要对风力发电的功率进行预测。目前，国内外普遍采用基于数值天气预报系统，通过获取某一地区的大量历史数据后，通过时序预测方法，支持向量机，人工神经网络等方法对未来一段时间的风电功率进行预测。但是，历史数据中可能包含大量的错误数据或无效数据，这些数据当参与风电功率预测时会对预测模型造成干扰，进而影响预测的精度。
[0003]现有的局部异常因子算法，是通过赋予每一个数据点一个异常因子来判断该数据点的离群值，进而判断该点是否为异常点。其不足之处在于，该算法需要大量的历史数据进行判断，但历史数据不足时，容易出现将正常数据点当作异常点剔除的情况。
专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进局部异常因子算法的短期风电功率预测方法，其特征在于，包括以下步骤：步骤1：通过数值天气预报系统获取某一地区的历史数据，并将历史数据进行归一化处理；步骤2：通过改进局部异常因子算法对归一化后的历史数据进行异常值判断，剔除其中的不良数据；步骤3：采用改进滑动平均法，对步骤2中剔除后的空缺数据进行填补；步骤4：建立BP神经网络的风电功率预测模型，将处理后的数据作为历史数据输入到BP神经网络中进行模型训练，之后通过改进LM算法对权值进行修正。2.根据权利要求1所述的基于改进局部异常因子算法的短期风电功率预测方法，其特征在于，所述步骤1中，历史数据归一化处理采用最大
‑
最小归一化方法，将历史数据进行预处理，最大
‑
最小归一化公式为：其中，α
′
为归一化后的风速值，α为需要处理的风速值，min(α)为历史数据中风速的最小值，max(α)为历史数据中风速的最大值。3.根据权利要求1所述的基于改进局部异常因子算法的短期风电功率预测方法，其特征在于，所述步骤2中，改进局部异常因子算法包括：计算每个历史数据点的极限欧氏距离，极限欧氏距离公式为：其中，d
lim
(x,y)为极限欧氏距离值，V(x)为风速历史数据的横坐标值，V(y)为风速历史数据的纵坐标值，P(x)为风电功率历史数据的横坐标值，P(y)为风电功率历史数据的纵坐标值，n为历史数据点个数；计算每个历史数据点的极限R邻域R
lim
(x)，给定半径R内所有点的极限距离值，要求邻域内所有点的极限欧式距离值小于给定的半径R值，所要求满足条件的公式为：R
lim
(x)＝{y∈D\{x}|d
lim
(x,y)≤R}其中，d
lim
(x,y)为极限欧氏距离值，y∈D\{x}为点x极限R邻域内的所有点；计算每个历史数据点的极限距离值Limit
‑
dist(x,y)，点x与点y的极限距离公式为：Limit
‑
dist(x,y)＝max{R
lim
(x),d
lim
(x,y)}其中，R
lim
(x)为每个历史数据点的极限R邻域值，d
lim
...

【专利技术属性】
技术研发人员：赵琰，胡宸嘉，安琦，魏莫杋，姜铭坤，姜河，宋世巍，王健，叶瀚文，辛长庆，白金禹，王亚茹，周航，赵涛，何雨桐，李兆滢，孙晓东，
申请(专利权)人：沈阳工程学院，
类型：发明
国别省市：