[发明专利]一种基于条件分位数回归模型的风电功率超短期概率预测方法

权利要求书

1.一种基于条件分位数回归模型的风电功率超短期概率预测方法，其特征在于，包括如下步骤：

(1)针对数据进行预处理，即初始化极限学习机模型的输入层至隐含层的系数和隐含层的阈值，预测额定置信区间，导入经过归一化处理的历史风功率时间序列，构建样本；

(2)构建多个时间序列基序，分别算出基于静态特性、动态特性及气象特性差异性，结合不同时间序列基序的差异性，基于加权衡量不同特性，构建基于多种时间序列基序的样本距离计算；具体包括如下步骤：

(2.1)第m和n个时间序列静态特性的差异性如下：

式中，D_T表示静态特征差异性，N为输入变量个数，k_i代表第i个变量的权重系数，该系数基于Spearman相关性分析，反映输出和输入变量的同步性与相似性，x_m,i和x_n,i分别代表了第m和n个时间序列中第i个变量；

(2.2)第m和n个时间序列动态特性的差异性如下：

式中，D_D表示动态特性差异，υ_m,j和υ_n,j分别代表第m和n个时间序列中第j组相邻风电功率的差值，反映风速在时间尺度上的波动程度；

(2.3)第m和n个时间序列气象特性的差异性如下：

式中，D_ω表示气象特性，即待测时刻风速之间的差值，Cap_i表示第i个风电场的容量，ω_m和ω_n分别为第m和n个时间序列中待测时刻的风速预测值，M为风电场个数；

(2.4)D_WMTSM代表基于时间序列基序的综合距离计算指标，计算如下：

D_WMTSM＝λ_TD_T+λ_DD_D+λ_ωD_ω

式中，λ_T,λ_D和λ_ω分别代表静态特征、动态特征以及气象特征的权重系数，基于时间序列基序的综合距离计算加权考虑三种特性的影响程度；

(3)将上述样本距离计算作为差异性衡量指标，基于层次聚类方法和极限学习机模型，搭建确定性预测模型，实现点预测，并通过选取最小误差值，确定最优的特征值权重系数组合及各类样本；

(4)计算各样本类的相似度，针对各类确定其余样本的样本倍增系数，并以该倍增系数作为训练样本的使用系数，并结合分位数回归模型，搭建条件分位数回归模型。

2.如权利要求1所述的基于条件分位数回归模型的风电功率超短期概率预测方法，其特征在于，步骤(1)中，针对数据进行预处理，即初始化极限学习机模型的输入层至隐含层的系数和隐含层的阈值，预测额定置信区间，导入经过归一化处理的历史风功率时间序列，构建样本具体包括如下步骤：

(1.1)依次初始化极限学习机的隐含层系数和阈值；

(1.2)设置分位数回归模型的上下分位数值，使得上分位数百分比减去下分位数百分比为置信区间百分比；

(1.3)将历史风功率时间序列导入且序列归一化处理；

(1.4)构建时间序列的输入输出样本集，其表达式如下：

其中，x_i和y_i均为风功率数值，分别为第i组样本的输入和输出量，S为样本个数。