[发明专利]一种超短期风电功率概率预测方法

权利要求书

1.一种基于小波分析与极限学习机的超短期风电功率概率预测方法，其特征在于，包括以下步骤：

(1)分析并提取风电场的影响风电功率概率预测的特征和影响因素，形成历史风电场数据向量，得到样本集[x₁,x₂,x₃,x₄,...x₁₅,y]，其中y为预测时刻对应的风电功率值，即模型的输出变量；

(2)对样本集[x₁,x₂,x₃,x₄,...x₁₅,y]进行数据预处理,将[x₁,x₂,x₃,x₄,...x₁₅]作为模型的输入列向量，y作为模型的输出变量；

(3)对样本集作一级小波分解并重构小波系数，分别得到两个小波样本集[x₁¹,x₂¹,x₃¹,x₄¹,...x₁₅¹,y¹]，[x₁²,x₂²,x₃²,x₄²,...x₁₅²,y²]，并将两个小波样本集划分为训练集与测试集并作归一化；

(4)设定极限学习机预测模型的隐含层个数，使用小波样本训练集[x₁¹,x₂¹,x₃¹,x₄¹,...x₁₅¹,y¹]对预测模型的网络参数进行训练，得到极限学习机的预测模型，并将小波样本训练集的输入向量代入网络进行测试，求出小波样本[x₁¹,x₂¹,x₃¹,x₄¹,...x₁₅¹,y¹]下的模型训练误差T₁；

(5)将[x₁¹,x₂¹,x₃¹,x₄¹,...x₁₅¹,y¹]小波样本下的测试样本输入向量代入(4)中已经训练好的预测模型，得到第一个小波样本的预测结果为y’；

(6)设定极限学习机预测模型的隐含层个数，使用小波样本训练集[x₁²,x₂²,x₃²,x₄²,...x₁₅²,y²]对极限学习机预测模型进行网络参数训练，得到极限学习机预测模型，并将小波样本训练集的输入向量代入网络进行测试，求出小波样本[x₁²,x₂²,x₃²,x₄²,...x₁₅²,y²]下的模型训练误差T₂；

(7)将[x₁²,x₂²,x₃²,x₄²,...x₁₅²,y²]小波下的测试样本输入向量带入(6)中已经训练好的预测模型，得到第二个小波样本的预测结果为y”；

(8)将步骤(4)、(6)中的模型训练误差进行相加，得到整个预测模型下的模型误差T，并对T作95％置信度下高斯分布参数估计，得到误差在高斯分布下的均值与方差；

(9)将小波预测结果y’与y”进行相加取均值，得到整个预测模型的最终预测结果y”’；

(10)结合正态分布表，得到95％置信度下风电超短期概率预测的区间：

Q＝y”’±1.96*δ；

其中，Q为概率预测区间的上下限；δ为模型误差在高斯分布下方差；

所述步骤(1)所述的特征和影响因素包括：输出向量中每个风功率值之前风电场的历史风功率值，输出向量中每个风功率值之前风电场的历史风速值，输出向量中每个风功率值时所对应的天气类型。