【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 ...
【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:
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。