[发明专利]计及评估指标冲突的风电功率组合概率预测方法

说明书

一种计及评估指标冲突的风电功率组合概率预测方法，其特点是，通过基于能量守恒定律优化的变分模态分解确定分解参数K且将原始风电功率信号分解为一系列的本征模函数分量，剔除幅值最小的一个本征模态函数，剩余的本征模态函数组合得到降低波动性和随机性后的风电功率序列；利用该风电功率序列构建包含96维历史特征的输入特征集合，并使用10个协方差函数构建不同的GPR模型；采用面积灰关联决策方法基于5种指标计算面积灰关联贴近度以综合评价各个预测模型性能、解决评估指标间的冲突；根据面积灰关联贴近度计算不同GPR概率预测模型在组合模型中的权重，构建组合模型，并以该组合概率预测模型开展风电功率概率组合预测。

技术领域

本发明涉及电力系统中的风电功率预测技术领域，是一种计及评估指标冲突的风电功率组合概率预测方法。

背景技术

风电功率预测的目的是为了给电网运行提供重要依据。现有的风电功率预测方法多为点预测，其结果一般有不同程度的误差，无法刻画潜在风电功率概率分布。与确定性预测相比，概率性预测方法所得预测结果包含更多信息，能够量化风电功率不确定性。高质量概率预测结果有助于进行风电风险分析和评估，减少风电不确定性带来的负面影响。

目前的风电功率概率预测常采用单一预测器，主要方法为非参数估计法和参数估计法。与贝叶斯估计等参数估计方法不同，非参数估计法不存在分布假设不合理的问题，拟合效果更好，更适用于风电功率概率预测。常用的非参数估计法包括分位点回归、核密度估计、LUBE法、极限学习机及其改进方法等。分位点回归法需要预先确定回归模型和分位点，模型计算量大，预测精度随预测时长增加而明显降低；经验分布拟合对数据要求严格；极限学习机的参数对实验结果影响大，实验效果不稳定。相较于以上方法，高斯过程回归(Gaussian process regression,GPR)模型参数少、自适应确定超参数、非参数推断灵活、模型结构简单、泛化能力强等优点，但协方差函数的选择是建立GPR模型的难点与关键。

采用单一预测器进行预测可能会在特定场景下存在较大预测误差，而采用多模型构建组合预测模型，能够有效降低特定场景下极端误差。然而目前的风电功率概率预测中很少考虑组合模型。风电功率组合预测模型的关键是确定各单一预测模型的权重。现有的文献虽然给出了最优权系数估计的方法，但往往存在对初值有较强依赖性、收敛慢、易陷入局部最小等缺点。此外，采用多种评估指标可以直观全面的反映概率预测模型的预测效果(误差、准确率、可靠性、区间宽度等)。但不同指标的侧重点不同，使用不同指标评价概率风电功率预测模型时，易存在指标间结论相互冲突的问题，即不同确定性或概率性指标确定的最优模型不同。因此，须进行多指标综合评价，避免评价的主观性与片面性。常用综合评价方法有层次分析法、模糊综合评价、灰色关联度结合理想解法等。层次分析法主观性强，专家偏好对评价结果影响很大；模糊综合评价在隶属度和权重确定、算法选取等方面带有主观性；灰色关联度结合理想解法可排除主观干扰，但关联系数忽略不同指标间的相互影响。面积灰关联决策可全面反映指标间相互影响，及不同方案指标序列的距离接近度与形状相似度，可以更好地解决评估指标间冲突，更适用于评价指标间存在冲突的概率预测模型。

发明内容

本发明的目的在于克服现有技术的不足，提供一种科学合理，适应性强，实用价值高，能够高质量进行风电功率组合概率预测的计及评估指标冲突的风电功率组合概率预测方法。

本发明的目的是通过以下技术手段实现的：一种计及评估指标冲突的风电功率组合概率预测方法，其特征是，它包括以下步骤：

1)风电功率序列预处理

2)首先使用基于能量守恒定律优化的变分模态分解EVMD(variational modedecomposition based on energy conservation law)对原始风电功率序列进行处理，确定分解参数k，然后将原始风电功率序列分解成若干个本征模态函数IMF(intrinsic modefunction)，之后，剔除幅值最小的一个本征模态函数，将其他剩余本征模态函数相加得到降低波动性和随机性后的风电功率序列，