一种基于自适应整体性能优化的风电功率超短期概率预测方法技术

本发明专利技术公开了一种基于自适应整体性能优化的风电功率超短期概率预测方法，包括如下步骤：步骤1、初始化模型参数，导入归一化之后的历史风电功率时间序列；步骤2、对风电功率超短期概率预测区间评价指标进行分析，确定可用于线性规划的代价函数与约束条件；步骤3、根据训练集数据，训练代价函数的平衡系数、输出系数；步骤4、最后将待预测样本输入数据导入预测模型，计算超短期概率预测区间。本发明专利技术可以直接提高预测区间整体性能，优化预测区间综合性能与可靠度的组合，通过不同条件系数的对比，验证平衡系数的有效性，并与传统概率预测方法对比，分别验证了基于本发明专利技术提出方法具有较好的整体性能，极大地提高了风电功率预测区间可信度。度。度。

【技术实现步骤摘要】
一种基于自适应整体性能优化的风电功率超短期概率预测方法


[0001]本专利技术涉及新能源发电和智能电网
，尤其是一种基于自适应整体性能优化的风电功率超短期概率预测方法。

技术介绍

[0002]近些年来，随着可再生能源装机容量的不断增加，风力发电已经成为了最具发展前景的可再生能源之一。然而风资源具有明显的不确定性和随机性，该特性限制了其技术应用与发展。传统的风电功率预测集中于确定性预测，即点预测，缺少对不确定性的描述，无法给予电网调度、控制部门更为可靠、全面的信息。有别于点预测方法直接预测一个确定的数值，概率区间预测方法计算一个预设置信区间下的预测范围。相较于传统的点预测，区间预测的结果可信度更高，可以为合理的电力调度等提供更为科学的数据参考。
[0003]目前，概率区间预测主要基于参数化模型。预测区间的构建基于两部分：点预测和不确定性分析。在点预测结束后，假设风电功率预测误差满足某种分布，如β分布，正态分布等，然后根据预先假设的分布情况计算预测误差，再加上点预测值构成区间上下界限的计算。然而，实际风电功率波动大、复杂性强，很难确定实际的误差分布情况。
[0004]基于分位数回归模型的概率区间预测方法越来越受技术人员重视，传统的线性分位数回归方法在统计学回归分析中常用来做回归分析和预测。该方法为非参数建模方法，具有较好的普适性。为了改进传统的分位数回归模型，目前较常用方法为将极限学习机模型用于改进分位数回归方法，将线性模型改进为非线性模型。参数化模型性能受限于误差分布假设的准确度，而非参数化模型具有较好的鲁棒性。分位数回归模型主要基于预测区间可靠度优化概率预测模型性能，或者将可靠度与敏锐度结合的方式优化预测区间性能。而综合评分作为预测区间决定性评价指标，不仅包含了可靠度、敏锐度，还包含实测值偏移预测区间的距离，高性能预测区间的计算需同时考虑上述所有因素。因此，从整体性能的角度，直接将综合评分优化引入分位数回归模型代价函数，可以有效改进预测区间性能。考虑到预测区间的评价体系中，综合性能为决定性指标，而可靠度为主要参考指标，由预测区间覆盖偏差衡量，只要覆盖偏差控制在一定的范围内，即可保证预测区间的使用意义。本专利技术提出的自适应整体性能优化理论，根据预测区间综合评分，更直接、有效地计算出高综合性能的预测区间，同时，为了防止预测区间计算过于侧重综合性能而忽略可靠度，所提出模型引入平衡系数，调节可靠度，优化预测区间性能。

技术实现思路

[0005]本专利技术所要解决的技术问题在于，提供一种基于自适应整体性能优化的风电功率超短期概率预测方法，能够充分结合预测区间不同的性能要求，提高风电功率超短期概率预测区间的整体性能。
[0006]为解决上述技术问题，本专利技术提供一种基于自适应整体性能优化的风电功率超短
期概率预测方法，包括如下步骤：
[0007]步骤1、初始化模型参数，导入归一化之后的历史风电功率时间序列；
[0008]步骤2、对风电功率超短期概率预测区间评价指标进行分析，确定可用于线性规划的代价函数与约束条件；
[0009]步骤3、根据训练集数据，训练代价函数的平衡系数、输出系数；
[0010]步骤4、最后将待预测样本输入数据导入预测模型，计算超短期概率预测区间。
[0011]优选的，步骤1中，初始化模型参数，导入归一化之后的历史风电功率时间序列具体包括如下步骤：
[0012]步骤11、依次初始化极限学习机的隐含层系数和阈值；
[0013]步骤12、设置分位数回归模型的上下分位数值，使得上分位数百分比减去下分位数百分比为置信区间百分比；
[0014]步骤13、将风电功率数据导入且序列归一化处理；
[0015]步骤14、构建时间序列的输入输出样本集。
[0016]优选的，步骤14中，构建时间序列的样本集D，其表达式如下：
[0017][0018]式中，x
i
和t
i
均为历史功率数值，分别为第i组样本的输入和实测值，S为样本个数。
[0019]优选的，步骤2中，对风电功率超短期概率预测区间评价指标进行分析，确定可用于线性规划的代价函数与约束条件，具体包括如下步骤：
[0020]步骤21、区间综合性能通过综合评分衡量，综合评分计算如下：
[0021][0022][0023]式中，α为置信度；为样本x
i
的预测区间宽度；和分别为需优化求解的预测区间上、下边界分位数；T为训练样本数量；Score为预测区间综合评分，|Score|越小，则预测区间综合性能越好；PI表示每个观测时刻的预测区间；D
i
为第i个实测值t
i
与边界分位数距离之和；
[0024]步骤22、整体性能优化方法以综合评分作为线性规划的代价函数，综合考虑预测区间的可靠度、敏锐度和平均偏移距离，基于线性规划方法，优化预测区间，置信度α时的代价函数如下：
[0025][0026]满足约束条件：
[0027]f(x
i
,β
U
)
‑
f(x
i
,β
L
)≥0
[0028]0≤f(x
i
,β
U
),f(x
i
,β
L
)≤1
[0029][0030][0031][0032]式中，t
i
为i时刻的功率实测值，f()为对应时刻的预测值；β
U
和β
L
分别表示预测区间上分位数f(x
i
,β
U
)和下分位数f(x
i
,β
L
)的输出系数；和ξ
i
分别表示上分位数和下分位数到实测值的距离；k为自适应平衡系数，对原代价函数的置信度α进行调整，平衡预测区间可靠度和综合性能的关系。
[0033]优选的，步骤3中，根据不同平衡系数k情况下最优输出系数对应的预测区间综合性能、可靠度，优化平衡系数值，自适应调整预测区间整体性能。
[0034]优选的，步骤4中，将待预测样本输入数据导入预测模型，结合最优系数优化结果，计算超短期概率预测区间。
[0035]优选的，同时考虑了评价区间预测性能观察两个指标，区间平均覆盖偏差和综合评分。
[0036]优选的，平均覆盖偏差|ACE|的计算方法如下：
[0037]|ACE|＝|PICP
‑
PINC|
[0038]其中，PICP为实际区间覆盖率；PINC为额定置信度；|ACE|数值越接近0表示预测区间覆盖偏差越小；
[0039]覆盖偏差接近0的同时，区间宽度应尽量窄，计算公式如下：
[0040][0041]其中，为区间置信区间α下第i个样本对应的预测区间宽度，平均区间宽度表示预测区间的敏锐程度；和分别为i个样本对应的区间上下边界。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应整体性能优化的风电功率超短期概率预测方法，其特征在于，包括如下步骤：步骤1、初始化模型参数，导入归一化之后的历史风电功率时间序列；步骤2、对风电功率超短期概率预测区间评价指标进行分析，确定可用于线性规划的代价函数与约束条件；步骤3、根据训练集数据，训练代价函数的平衡系数、输出系数；步骤4、最后将待预测样本输入数据导入预测模型，计算超短期概率预测区间。2.如权利要求1所述的基于自适应整体性能优化的风电功率超短期概率预测方法，其特征在于，步骤1中，初始化模型参数，导入归一化之后的历史风电功率时间序列具体包括如下步骤：步骤11、依次初始化极限学习机的隐含层系数和阈值；步骤12、设置分位数回归模型的上下分位数值，使得上分位数百分比减去下分位数百分比为置信区间百分比；步骤13、将风电功率数据导入且序列归一化处理；步骤14、构建时间序列的输入输出样本集。3.如权利要求2所述的基于自适应整体性能优化的风电功率超短期概率预测方法，其特征在于，步骤14中，构建时间序列的样本集D，其表达式如下：式中，x
i
和t
i
均为历史功率数值，分别为第i组样本的输入和实测值，S为样本个数。4.如权利要求1所述的基于自适应整体性能优化的风电功率超短期概率预测方法，其特征在于，步骤2中，对风电功率超短期概率预测区间评价指标进行分析，确定可用于线性规划的代价函数与约束条件，具体包括如下步骤：步骤21、区间综合性能通过综合评分衡量，综合评分计算如下：步骤21、区间综合性能通过综合评分衡量，综合评分计算如下：式中，α为置信度；为样本x
i
的预测区间宽度；和分别为需优化求解的预测区间上、下边界分位数；T为训练样本数量；Score为预测区间综合评分，|Score|越小，则预测区间综合性能越好；PI表示每个观测时刻的预测区间；D
i
为第i个实测值t
i
与边界分位数距离之和；步骤22、整体性能优化方法以综合评分作为线性规划的代价函数，综合考虑预测区间的可靠度、敏锐度和平均偏移距离，基于线性规划方法，优化预测区间，置信度α时的代价函数如下：满足约束条件：
f(x
i
,β
U
)
‑
f(x
i
,β
L
)≥00≤f(x
i
,β
U
),f(x
i
,β
L
)≤1)≤1)≤1式中，t
i
为i时刻...

【专利技术属性】
技术研发人员：周衍，韦富朕，刘瑞明，韩东言，窦豆，
申请(专利权)人：江苏海洋大学，
类型：发明
国别省市：