[发明专利]一种风电功率预测方法

说明书

本申请公开了一种风电功率预测方法，该方法通过结合分位数回归与空洞卷积神经网络的优点，给出了更加准确、范围更小的预测区间和更加符合风电功率的概率密度分布，使风电功率预测结果更加准确，解决了传统风电功率预测方法存在的预测准确性低、预测效果差的问题。另外，该方法中的模型参数较少，具有较高的训练速度；且其模型能够学习更长时间尺度的风电功率变化规律，因此，相比传统的预测方法，本申请的预测方法可对风电功率进行更精确的预测。本申请的风电功率预测方法可用于预测未来风电功率区间以及概率分布，为电网的运行提供数据支撑以及方向指导。

技术领域

本申请涉及电力技术领域，尤其涉及一种风电功率预测方法。

背景技术

随着电力改革措施的深入，传统火力发电去产能持续推进，风电、太阳能等新能源在电网中的比例不断提升，风电的随机性、波动性等固有缺点也进一步凸显。为更好的协调电网与含风电、光伏等多种类发电形式的电源间的建设，指导发电计划、电网协调调度等工作，以及预防和消除风电爬坡以及其他对电网具有较大威胁的风电事件的发生，对电网建设中风电功率的预测提出了更高的要求。

目前，风电功率预测的方法包括物理方法和统计学习方法，其中，基于物理模型的预测方法主要是利用NWP(numerical weather prediction，数值天气预报)，该预测的精度有限。相对于基于物理模型的预测方法，统计学习方法在短期风电功率预测上预测精度较高。统计学习方法包括点预测(确定性预测)和区间预测(不确定性预测)。点预测的预测方法有IAFSA-BPNN(Improvement Artificial Fish Swarm Algorithm-BP neural network)等。但是，确定性预测不能对风电功率不确定性做出定量描述的缺陷很难克服。区间预测的预测方法有回归分析(Regression Analysis)，回归分析是一种确定2种或2种以上变数间相互依赖的定量关系的统计分析方法。通常的回归分析又称均值回归分析，但是，在实际使用中，可发现均值回归分析存在一问题，即均值回归很难代表当响应变量服从非对称分布或者散布较大时的情况。

发明内容

本申请提供了一种风电功率预测方法，以解决现有的风电功率预测方法的准确度低、预测区间范围过大的问题。

本申请提供了一种风电功率预测方法，包括：

S100，获取风电场的风电功率数据，并对风电功率数据进行归一化处理；

S200，将归一化后的风电功率数据划分为训练集与测试集；

S300，利用训练集，构建空洞因果卷积神经网络分位数回归模型；

S400，利用测试集，对训练后的孔洞因果卷积神经网络分位数回归模型进行测试，推导出条件密度预测；

S500，对条件密度预测进行X条件化与τ离散化处理，采用密度估计，得到风电功率预测值的条件密度预测。

优选地，S300，利用训练集，构建空洞因果卷积神经网络分位数回归模型，具体包括，

S310，获取堆叠孔洞卷积层结构的输出层的特征映射，其特征映射如式(1)与式(2)，

其中，式(1)为堆叠空洞卷积层的第一层对应的特征映射式，式(2)中为堆叠空洞卷积层的第l层对应的特征映射式，式中，为第l层、第h个卷积核，f^l-1为第l-1层的输出，*为求卷积，i,j为卷积核的下标，i、j∈[1，2，...，N]，m为卷积核的大小，d是空洞因子，d∈[2⁰,2¹,...,2^L-1]，设空洞卷积有L层，则该结构的感受野为r＝2^L-1k，k为卷积核的大小；