[发明专利]一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法

权利要求书

1.一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，包括如下步骤：

步骤1，将风电场中所接收的原始风电数据集采用主成分分析法进行特征提取，并采用时间滑动窗口构建得到初始的风电功率预测输入数据集，所述原始风电数据集包含天气预报数据和历史风电输出功率数据；

步骤2，将所述初始的风电功率预测输入数据集输入至P_LSTNet模型中，获得初步的风电输出功率预测值；

步骤3，将所述初步的风电输出功率预测值与真实风电输出功率做差，得出每个预测时刻点的预测误差值，并将该预测误差值采用K-means++算法来进行初始聚类的设置，获得聚类中心及聚类集，再采用加权Markov chain进行误差状态估计，将概率值最大的聚类中心值作为误差校验值进行填补，获得风电输出功率的最终预测值。

2.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述步骤1中，天气预报数据至少包括温度、湿度以及风速。

3.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述步骤2中，利用P_LSTNet模型获得初步的风电输出功率预测值的方法如下：

步骤1.1，将所述初始的风电功率预测输入数据集分别输入至P_LSTNet模型中的线性预测部分和非线性预测部分，其中所述非线性预测部分包括循环神经网络和循环跨越神经网络；

步骤1.2，将步骤1.1非线性预测中的循环神经网络预测结果与循环跨越神经网络预测结果进行结合，得出非线性预测的初步预测结果；

步骤1.3，由步骤1.1得出线性预测中的初步预测结果，并将该预测结果与步骤1.2中非线性预测的初步预测结果进行结合，得出初步的风电输出功率预测值y_hat。

4.根据权利要求3所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述P_LSTNet模型的线性预测部分，采用AR进行线性特征提取，以弥补神经网络对时间序列数据中线性部分不敏感的问题。

5.根据权利要求3所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述P_LSTNet模型的非线性预测部分，循环神经网络采用CNN+LSTM，循环跨越神经网络采用CNN+LSTM-skip，其中CNN用于提取风电功率预测输入数据集中的短期特征，同时加快预测运算速率，LSTM-skip用于提取相近时刻的特征，并改善内置存储空间小的缺点；

通过将非线性部分的两个预测值按照输出维度进行对应连接，并将非线性部分的预测值与线性部分预测值对应元素进行相加，得到初步的风电输出功率的预测值。

6.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述步骤3中，利用k-means++算法和加权Markov chain进行误差校验操作，其中k-means++算法的所划分的簇作为加权Markov chain的状态集。

7.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述步骤3中，将所述初步的风电输出功率预测值与真实风电输出功率做差，得到由每个预测时刻点的预测误差值构成的误差数据集，误差计算如下式所示：

y_error＝y_test-y_hat

其中：y_error表示误差值；y_test为真实风电输出功率值；y_hat为初步的风电输出功率预测值。

8.根据权利要求7所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，在得到预测误差值后执行如下步骤：

步骤3.1，采用K-means++算法进行初始聚类得到n个聚类中心，并将误差集中的误差值聚类至对应的簇中，将每个聚类簇作为一个独立的状态；

步骤3.2，计算状态i经过一步状态转换至状态j的初始状态转移概率p_ij；p_ij表示由当前所处状态i经一步状态转移至状态j情况下的概率值；

步骤3.3，基于状态转移概率p_ij构成状态转移概率矩阵P，P如下式所示：

其中

步骤3.4，计算误差数据集的平均值根据下式计算相关系数r_k：

其中：k表示步长阶数；y_error_t+k表示t+k时刻的预测误差值，表示误差数据集的平均值；y_error_k表示k时刻的预测误差值；y_error_t表示t时刻的预测误差值；

步骤3.5，根据下式计算权重ω_k的值：

其中，|r_k|为相关系数r_k的绝对值；h表示多步状态转移矩阵相关系数的数量，即k的取值范围为[1,h]；

步骤3.6，根据下式更新状态转移概率矩阵P的值：

其中P^(k)＝P^k；

其中，P^k表示P的k次幂；

步骤3.7，确定t时刻的误差值所处状态y_error_t＝s_i，则过渡到t+1时刻的误差值所处状态y_error_t+1＝s_j的状态转移概率p_ij为状态s_i转移到状态s_j中概率最大值，即p_ij＝max{p_i0,p_i1,…,p_in}；

步骤3.8，将t+1时刻的误差值所处状态处的聚类中心值作为误差校验值填补回初步预测的风电输出功率值y_hat上，即：

y_final_hat＝y_error_verify+y_hat

其中，y_final_hat表示校正后的风电输出功率预测值，y_error_verify表示预测时刻的误差值所处状态处的聚类中心值；

步骤3.9，依次进行步骤3.1-3.8，当达到预测最终时刻时，预测校验结束，输出最终校验后的风电输出功率预测值。