[发明专利]一种提升风电场超短期功率预测准确率的方法

权利要求书

1.一种提升风电场超短期功率预测准确率的方法，其特征在于包括如下步骤：

步骤1，对样本进行基于混沌理论的空间重构；

步骤2，建立基于混沌时间序列预测的神经模型；

步骤3，通过重构空间进行超短期功率预测；

所述步骤1实施前进行调和平均准确率与均方根算法对比差异，包括：

(1)计算均方根准确率并获得均方根准确率的规律：

假设第k点其它点预测＝实测，即P_iⁿ＝P_i^r,i＝1…n,i！＝k，则均方根准确率为：

其中表示实测功率倍数，n表示预测点位，当全天n点数据，在n-1点预测功率与实际功率相等的情况下，剩余1点的偏差对全天准确率影响不大，但与全天剔除限电点后剩余的点数有关，点数越多，准确率越高；

(2)计算调和平均准确率并获得调和平均准确率的规律：

其中，表示实测功率倍数，表示第i点可用功率预测值；表示第i点的实际功率；假设第k点其它点预测＝实测，即P_iⁿ＝P_i^r,i＝1…n,i！＝k，则调和平均准确率E为：

实测功率倍数与调和平均准确率E关系为：当全天n点数据，在n-1点预测功率与实际功率相等的情况下，剩余1点的偏差对全天准确率影响巨大，最终预测准确率与点数n无关；

所述步骤1对样本进行基于混沌理论的空间重构依据混沌理论进行，所述步骤1包括：

步骤11，进行相空间重构，对于样本集{x_n,y_n}，基于混沌理论重建后的样本空间可表述为：

V_n＝{v_n,y_n}

v_n＝(x_n,x_n-τ,....x_n-(m-1)τ)

其中m和τ分别嵌入维数和延迟时间；所述样本集内的数据包括下组中的一种或多种：风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态；

步骤12，采用互信息熵的方法进行延迟时间τ的求解，包括：

其中P(x_n,x_n+1)表示可用功率的互相关数值；

所述步骤2预测模型的建立采用应用混沌时间序列预测的神经模型，所述神经模型包括：多层感知机神经网络和径向基函数神经网络；

所述多层感知机神经网络为三层结构，多层感知机最底层是输入层，中间是隐藏层，最后是输出层，隐藏层的神经元首先与输入层是全连接的，函数f可以是常用的sigmoid函数，多层感知机的训练采用标准反向传播算法，网络学习分为正向和反向传播两个过程；在正向传播过程中，每一层各神经元的状态输出只传输到下一层各神经元，如果输出层不能得到期望输出，就转入反向传播过程，将误差信号沿原来的连接通路返回，逐次修改各层神经元的输入连接权值，正向传播和反向修正这两个过程的反复运用，使得网络输出误差信号最小，通过对网络权值的修正，使误差函数或目标函数沿负梯度方向下降，使用数值优化算法进行训练，所述数值优化算法包括共轭梯度算法、伪牛顿算法和Levenberg-Marquardt算法；

多层感知机的有效复杂性通过使用正则项方法控制，常用的训练误差函数为：

其中y_i为网络输出，为期望输出，T_n为训练样本个数，目标函数的第二项为正则项，W为多层感知机的权值向量，C为正则项系数；

所述径向基函数神经网络为RBF神经网络，径向基函数对输入激励产生一个局部化的响应传导到隐含层节点，RBF神经网络的输出是对隐含层基函数的输出进行线性加权组合得到的，整个网络形成映射：

式中N_p为基函数个数，w_i为输出层和隐含层第i个节点的连接权重，φ()是径向基函数，网络的待定参数是基函数中心和宽度；

RBF网络的目标函数可以写为：

其中f为网络输出，X_i为网络第i个输入样本，为相应的期望输出；目标函数中的第二项为正则项，P为微分操作符，对学习的映射施加某种先验的约束；C为正则化系数，当时，表示问题不受约束，仅由数据决定；所述RBF网络的训练通过求解线性方程获得；

所述步骤3通过重构空间进行超短期功率预测步骤如下：

步骤31，建立重建空间后的预测模型，所述预测模型为：

y_n＝f(v_n)；

步骤32，进行2小时超短期预测，t时刻风速特征重构为：

其中，s^p为预测风速，s^r为实测风速，t为采样时刻；

步骤33，进行4小时超短期预测，t时刻风速特征重构为：

其中，s^p为预测风速，s^r为实测风速，t为采样时刻；

所述步骤32包括：预测风速重构为嵌入维数2，延时时间1小时，即间隔4个采样点；实测风速重构为嵌入维数2，延时时间1小时；

所述步骤33包括：预测风速重构为嵌入维数2，延时时间2小时，即间隔8个采样点；实测风速重构为嵌入维数2，延时时间1小时。