一种基于动态自适应连分式的超短期风电功率预测方法技术

本发明专利技术提供一种基于动态自适应连分式的超短期风电功率预测方法，涉及风电场风电功率预测领域。获取历史风电功率数据，对数据进行清洗以获得有效的测试数据。基于反差商构建连分式，采用智能优化算法估计连分式结构参数，获得连分式离线预测模型。采用逐步参数估计法，对连分式模型的结构参数进行动态自适应估计，获得模型初始预测值。再利用波动残差校正函数对初始预测值进行校正，输出最终的风电功率预测结果。本发明专利技术在提高风电功率预测精度的基础上，还具有快速的计算能力。还具有快速的计算能力。还具有快速的计算能力。

【技术实现步骤摘要】
一种基于动态自适应连分式的超短期风电功率预测方法


[0001]本专利技术属于风电功率预测
，尤其涉及一种基于动态自适应连分式的超短期风电功率预测方法。

技术介绍

[0002]我国风能资源分布广泛，风力发电技术得到了快速发展，风电装机容量和比例也增加迅速。受到实际风速的间歇性和波动性等特点影响，风电出力不稳定，风能得不到有效利用，因此提高风电机组的控制性能和风电利用率已成为当前风电研究的热点。准确而快速地获得风机的风电功率预测值，能维护电网的安全稳定运行，提高风电利用效率，对风电场的经济运行具有重要意义。
[0003]现有常用的风电功率预测方法包括物理方法和统计方法。物理方法利用气象信息作为初始边界条件进行推理建模，但模型复杂且计算量较大。统计方法根据历史数据特性拟合数据间的关联函数，通过数据训练预测未来风电功率数据。常见的统计方法包括时间序列方法、人工智能方法等，时间序列方法具有建模快的优势，但预测性能往往不及人工智能方法。而人工智能方法具有良好的非线性拟合能力，在处理复杂、非平稳时间序列方面具有优势，但模型结构比较复杂。
[0004]风力发电技术的不断发展，对快速预测风电功率的需求逐渐增加。超短期风电功率预测要求在2.5分钟内获得一个预测结果，以满足电网灵活调度的需求，提高风电并网的友好性。近年发展较好的人工智能模型虽然在风电功率预测上性能较好，但建模所需时间较长，导致不能动态地适应风电功率序列的变化过程。因此，有必要建立一种精度高且快速的风电功率预测模型，有效捕捉风电功率的变化特征。
>
技术实现思路

[0005]本专利技术的目的在于公开一种基于动态自适应连分式的超短期风电功率预测方法，实现对风电功率序列进行快速高精度的建模，从而为电力部门快速精确获取风机发电情况提供有效手段。
[0006]为实现上述目的，本专利技术提供了一种基于动态自适应连分式的超短期风电功率预测方法，包括以下步骤：
[0007](1)、获取历史风电功率数据，对数据进行异常值剔除和缺失值插补处理，以获得有效的测试数据。
[0008](2)、将数据清洗后的风电功率数据进行归一化处理，构建数据集。
[0009](3)、基于反差商构建连分式，采用智能优化算法估计连分式的结构参数，获得连分式离线预测模型，捕捉实际风电功率数据间的变化规律。
[0010](4)、根据智能优化算法得到连分式模型的初始结构参数，再利用逐步参数估计法，对结构参数进行动态自适应估计，得到连分式模型的初始预测值。
[0011](5)、采用波动残差校正函数对初始预测值进行校正，反归一化处理，获得最终的
风电功率预测结果。
[0012]步骤(3)中所述的连分式预测模型具体为：
[0013]对于风电功率序列互异节点{x
i
|i＝1,2,
…
,N}，设f(x
i
)是x
i
的函数值。基于反差商理论，令构造如下的反差商：
[0014][0015]式中，d和β
k
‑
d
分别为模型阶数和参数。为简化上述反差商，令得到α
k
‑
d
为模型参数。通过多次迭代，连分式模型最终表示为：
[0016][0017]式中，为连分式模型的预测结果。在建立连分式模型时，为了加强邻近数据对当前数据预测的重要性，反映数据集的时变特性，引入遗忘因子λ(0＜λ≤1)来减弱历史旧数据的影响，加强邻近数据的误差权重影响。
[0018][0019]式中，J(θ)为损失函数，θ＝[α
i
‑
d
,α
i
‑
d+1
,
…
α
i
‑1；β
i
‑
d
,β
i
‑
d+1
,
…
β
i
‑1]为连分式模型参数，以连分式模型的预测值与实际值的误差作为适应度函数，采用智能优化算法得到模型的结构参数[α
i
‑
d
,α
i
‑
d+1
,
…
,α
i
‑1；β
i
‑
d
,β
i
‑
d+1
,
…
β
i
‑1]，构建连分式离线预测模型。
[0020]步骤(4)中所述的逐步参数估计法对连分式结构参数进行动态自适应估计具体为：
[0021]根据部分前期历史数据，采用智能优化算法离线获得连分式模型的结构参数。固定离线训练参数[α
i
‑
d
,α
i
‑
d+1
,
…
,α
i
‑1]，对参数[β
i
‑
d
,β
i
‑
d+1
,
…
,β
i
‑1]进行在线估计。采用下式对[β
i
‑
d
,β
i
‑
d+1
,
…
,β
i
‑1]进行更新：
[0022][0023]式中，m
k
‑
d
＝f(x)
*(l)
‑
f(x)，f(x)
*
为预测值，f(x)为实际值，ω为学习率，取为0.01。
[0024]步骤(5)中所述的波动残差校正函数具体为：
[0025]根据历史风电功率数据，设定时间窗口大小p，设定窗口的数据集μ
p
，表示为：μ
p
＝{f(x
‑
1),f(x
‑
2),
…
,f(x
‑
p)}。计算f(x
‑
1)与f(x
‑
i),i＝2,3,
…
,p的累积偏差参数以及绝对值累积偏差参数获得x时刻的波动残差其中，γ为比例系数。由于预测模型无法预测风电功率序列中的高频波动成分，采用波动残差δ(x)来近似描述序列在x时刻可能出现的波动偏差量，并利用下式中的波动残差校正函数φ(f(x)
*
)对风电功率预测结果f(x)
*
进行校正：
[0026][0027]波动残差校正函数能根据风电功率序列的波动偏差对预测值校正，对预测结果起到约束作用，使校正后的预测结果更接近于真实值。
[0028]与现有的技术相比，本专利技术的有益技术效果如下：
[0029]本专利技术基于连分式模型，以及逐步参数估计法和波动残差校正函数的共同作用，对风电功率进行预测时，能更好地捕捉实际风电功率的变化规律，且建模速度较快。
[0030]本专利技术相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态自适应连分式的超短期风电功率预测方法，其特征在于，包括以下步骤：(1)、获取历史风电功率数据，对数据进行异常值剔除和缺失值插补处理，以获得有效的测试数据。(2)、将数据清洗后的风电功率数据进行归一化处理，构建数据集。(3)、基于反差商构建连分式，采用智能优化算法估计连分式的结构参数，获得连分式离线预测模型，捕捉实际风电功率数据间的变化规律。(4)、根据智能优化算法得到连分式模型的初始结构参数，再利用逐步参数估计法，对结构参数进行动态自适应估计，得到连分式模型的初始预测值。(5)、采用波动残差校正函数对初始预测值进行校正，反归一化处理，获得最终的风电功率预测结果。2.根据权利1所述的一种基于动态自适应连分式的超短期风电功率预测方法，其特征在于：步骤(3)中所述的连分式预测模型具体为：对于风电功率序列互异节点{x
i
|i＝1,2,
…
,N}，设f(x
i
)是x
i
的函数值。基于反差商理论，令构造如下的反差商：式中，d和β
k
‑
d
分别为模型阶数和参数。为简化上述反差商，令得到α
k
‑
d
为模型参数。通过多次迭代，连分式模型最终表示为：式中，为连分式模型的预测结果。在建立连分式模型时，为了加强邻近数据对当前数据预测的重要性，反映数据集的时变特性，引入遗忘因子λ(0＜λ≤1)来减弱历史旧数据的影响，加强邻近数据的误差权重影响。式中，J(θ)为损失函数，θ＝[α
i
‑
d
,α
i
‑
d+1
,
…
α
i
‑1；β
i
‑
d
,β
i
‑
d+1
,
…
β
i
‑1]为连分式模型参数，以连分式模型的预测值与实际值的误差作为适应度函数，采用智能优化算法得到模型的结构参数[α
i
‑
d
,α
i
‑
d+1
,
…
,α
i
‑1；β
i
‑
d
,β
i
‑
d+1
,

【专利技术属性】
技术研发人员：罗玲玲，刘会军，金吉，
申请(专利权)人：乘木科技珠海有限公司，
类型：发明
国别省市：