[发明专利]一种超短期风电功率概率预测方法

说明书

本发明公开了一种超短期风电功率概率预测方法，采集风电场的历史数据，得到训练样本集；根据影响因素的历史数据生成输入变量，得到样本集；利用小波分析将样本集进行小波分解与小波系数重构，得到小波样本集；利用极限学习机对每一个小波样本集进行模型参数的训练，得到小波的极限学习机预测模型，将测试集带入网络得到小波超短期点预测值，将各小波的极限学习机模型训练误差与点预测值进行存储相加并取平均值，得到经过小波分解之后模型的真实误差与点预测值，对模型的真实误差进行高斯分布参数估计，得到小波模型训练误差的高斯分布函数，应置信度要求结合点预测值即可求出小波的超短期概率预测区间。

技术领域

本发明涉及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，对风电功率进行概率区间预测，属于新能源消纳技术领域。

背景技术

当前，全球的经济快速发展，能源结构向着低碳、清洁的新能源方向发展，风能作为新能源中的重要组成部分，一直受到全球的重视。这些年的风电技术不停的发展，我国的风电装机容量持续增加，风力发电慢慢成为水电、火电之后的第三大电力来源。

在风能利用的过程中也凸显出来很多问题，比如风具有很强的随机性与不稳定性，这使得风力发出来的电能是个未知之数，如果突然并入电网，会对电网的稳定运行造成严重的影响，对于风能的利用，一直以来受到风此属性因素的很大限制，因此，需要对未来的风电功率进行预测研究，以促进风能的消纳。对于风电功率的预测分为超短期、短期、中期、长期风电预测。超短期一般的时限为4小时以内，对未来四小时以内的风功率进行预测。

传统的点预测技术虽能给调度提供一个确切的值，但并不能很准确的预测出未来的风功率，会产生一定的误差，给调度增加了困难，因此迫切的需要对风能进行概率预测研究，目前，对风电功率区间预测的研究仍在不断发展之中，预测方法主要分为两大类：第一类是启发式学习算法，通过学习历史数据的规律，预测风电功率的上限和下限。如：神经网络法、基于分为点回归理论的支持向量机回归法、基于粒子群与极限学习机法进行概率区间预测。第二类是统计方法，基于风电功率的概率分布函数，计算在满足给定置信度水平下，风电功率可能落入区间的上限和下限。如基于Beta分布的风电功率预测误差区间的估计方法、变形的高斯方法模型方法、基于经验分布模型与风参数回归方法进行概率区间预测。然而，具体操作时，如果所给的数据比较活跃，使得预测模型难以适应时，可能会造成模型预测精度降低。因此，选择合适的数据分析处理方法，对于提高建模的效率和预测的精度有着非常重要的意义。

发明内容

发明目的：本发明针对现有技术中超短期风电功率概率预测存在的不足，提供了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。本发明利用小波变换能将高低频信号处时间细分的能力，可以聚焦到信号任意的细节处，增加了预测结果的精度，改善了预测模型的泛化能力。

技术方案：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，包括以下步骤：

1)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，即风电功率超短期点预测模型的输出变量；模型所选变量的时间尺度为15分钟，x₁,x₂,x₃,x₄,...x₈为风电场预测时刻之前两小时内的历史风功率值，x₉,x₁₀,x₁₁,x₁₂,...x₁₄为风电场预测时刻之前两小时内的历史风速值，x₁₅为预测时刻所对应的天气类型。