一种基于时空多尺度和K-SDW的超短期概率风电功率预测方法技术

本发明专利技术提出了一种基于时空多尺度和K

【技术实现步骤摘要】
一种基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法


[0001]本专利技术涉及一种风电功率
，特别是涉及一种基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法。

技术介绍

[0002]中国将加大国家自主贡献，采取更加有效的政策措施。电力行业减少煤炭消耗确实是减少二氧化碳排放的有效手段，因此，信心不仅来自我们所看到的现实，也来自中国风电装机容量连续10年位居世界第一的数据落后于这些现实。然而，所涉及的内生随机波动和不确定性一直给电力系统带来严重的风险。准确的风电功率预测是帮助风电并网管理的有力工具。为此，许多研究致力于提高风电预测的准确性。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于时空多尺度和 K
‑
SDW的超短期概率风电功率预测方法。
[0004]为了实现本专利技术的上述目的，本专利技术提供了一种基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法，包括以下步骤：...

【技术保护点】

【技术特征摘要】
1.一种基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法，其特征在于，包括以下步骤：S1，通过变分模态分解将归一化目标风速分解为多个子序列；S2，将子序列和相邻的空间风速序列重构为时空候选特征，并进行时空多尺度特征选择；S3，采用分位数回归模型对每个子序列进行预测。2.根据权利要求1所述的基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法，其特征在于，还包括步骤S4，基于K前向最近邻的分位数动态稀疏加权组合算法，将各模型的预测结果进行组合，然后对子序列的预测结果进行重组。3.根据权利要求1所述的基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法，其特征在于，还包括步骤S5，利用RF模型进行误差校正，通过核密度估计得到概率密度函数。4.根据权利要求1所述的基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法，其特征在于，在步骤S1中包括：约束变分模型：min{}表示取最小值；u
k
表示第k个模态；ω
k
表示第k个中心频率；表示梯度运算；δ(t)表示狄拉克分布；表示卷积运算；u
k
(t)表示t时刻第k个模态值；s.t.表示受限于；u
k
表示第k个模态；表示L2范数；为了求解该约束变分模型的最优解，引入拉格朗日乘子λ和二次罚参数α，得到无约束拉格朗日函数：α表示二次罚参数；λ(t)表示拉格朗日乘子；
表示内积运算；我们使用乘子交替方向法(ADMM)求解式(5)，并不断更新直到满足某一要求，其更新方程为：为：表示的傅里叶变换；表示第n次循环后第k个分量；表示f(t)的傅里叶变换；f(t)表示原始序列；表示u
i
(t)的傅里叶变换；u
i
(t)表示第i分量在t时刻的值；表示λ(t)的傅里叶变换；α表示二次罚参数；ω表示中心频率；ω
k
表示第k个中心频率；表示第k个中心频率；表示第n次循环后第k个中心频率；ω表示中心频率；表示的傅里叶变换；表示第n次循环后第k个分量；| |2表示绝对值的平方；λ
n+1
表示第n+1次循环的拉格朗日乘子；λ
n
表示第n次循环的拉格朗日乘子；γ表示更新参数；表示f(t)的傅里叶变换；表示的傅里叶变换。5.根据权利要求1所述的基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法，其特征在于，在步骤S2中包括：对于n个样本中第j个相邻风机的风速X
j
和目标风机X
i
的风速，它们之间的Pearson相关
系数表达式为：r(X
j
,X
i
)表示Pearson相关系数；n表示样本数；表示在t时刻第j个风机的风速；表示第j个风机的平均风速；表示在t时刻目标风机的风速；表示目标风机的平均风速；其中，表示第j个风机的平均风速，表示目标风机的平均风速；多尺度特征选择步骤如下：(1)初始化：时间候选特征空间候选特征S
′←
{s
′1,s
′2,
…
,s
′
d
}，d是空间候选特征的数量，d＝T2×
N，一个空集Z；表示将赋值给T
′
；S
′←
{s
′1,s
′2,
…
,s
′
d
}表示将{s
′1,s
′2,
…
,s
′
d
}赋值给S
′
；T2表示相邻风机风速的时间滞后数；N表示风机个数；(2)对时间候选特征使用偏自相关函数(PACF)得到强相关性的时间特征T,Z
←
Z∪T；(3)计算每个空间候选特征s
′
i
与目标风速之间的Pearson相关系数r
i
；(4)当r
i
＞γ时，将对应的s
′
i
加入到特征集S中，其中γ是一个事先设置的最小相关系数，之后S按相关系数由大到小排序；(5)将S中的第一个特征s
j
加入集合Z，Z
←
Z∪{s
j
}；(6)依次取出S中的所有特征s
i
，计算该特征与Z中各特征之间的相关性r，若r＜r
i
，则Z
←
Z∪{s
i
}；(7)输出选择特征集Z。6.根据权利要求1所述的基于时空多尺度和K
‑
SDW的超短期概率风电功率预测方法，其特征在于，在步骤S3中包括：当训练具有n个样本的分位数回归模型时，X
i
和y
i
分别是第i个样本的输入输出特征，通过求解最小分位数损失来估计模型fq(Xi,Wq)的参数，如下所示：如下所示：表示在满足条件下最小的情况下求W
q
；n表示训练样本的总个数；
表示分位数损失函数；y
i
表示第i个样本的输出特征；X
i
表示第i个样本的输入特征；f
q
(X
i
,W
q
)表示在q分位的函数模型；对于第i个样本的每个分位数q，都有一个对应的预测结果其中分位数损失函数如下所示：下所示：表示分位数损失函数；q表示分位数；y
i
表示第i个样本的真实值；表示第i个样本的每个分位数q，对应的预测结果；或/和假设自...

【专利技术属性】
技术研发人员：车金星，袁芳，叶雨，刘娜，蒋哲勇，邹诚，张大伟，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：