[发明专利]基于迁移学习的风电功率概率预测方法

说明书

本发明公开一种基于迁移学习的风电功率概率预测方法，包括如下步骤：S1、通过迁移算法对历史时段和未来时段的风电数据进行划分构建多层极限学习神经机；S2、通过粒子群算法对多层极限学习神经机的输出层的映射参数进行优化；S3、通过权重优化方法对历史时段的多层极限学习神经机的训集生成权重数据集；S4、通过权重数据集采用特征迁移算法对未来时段的多层极限学习神经机的权重更新；该方法对于提高风电出力预测的准确可靠性，促进新能源电力系统安全、经济、高效运行具有重要意义。

技术领域

本发明属于对风电功率预测方法，尤其涉及一种基于迁移学习的风电功率概率预测方法。

背景技术

新能源发电功率具有较强的随机性，风电、光伏等间歇波动性电源与储能、电动汽车等主动负荷的广泛接入使电力系统的供需态势呈现较高的不确定性，给系统安全与经济运行带来了严峻的挑战。准确可靠的风电出力预测为新能源电力系统规划、运行、稳定分析与控制具有重要意义，是新能源电力系统安全、经济和高效运行的重要保障。概率预测技术通过估计预测不确定性的概率分布，实现对预测不确定性的量化分析，为新能源电力系统提供更为丰富准确的不确定性信息，因而受到广泛关注。常见的风电概率预测方法主要分为物理方法、统计学方法、人工智能方法以及混合方法。

1)物理方法

物理方法是指直接构建物理环境信息与预测对象之间的关系模型，或者将物理信息作为预测模型的主要输入变量构建预测模型。新能源电力系统供需预测受风速风向、地形条件、环境温度、太阳辐照度、云量等环境因素影响大，深度挖掘物理量与预测对象间的内在联系可以为构建准确可靠的概率预测模型提供信息支撑。基于物理方法的概率预测可通过构建物理信息与预测对象的联合概率分布、利用NWP估计预测对象功率变化等方式实现。

2)统计学方法

统计学方法为传统预测的常用方法，通过对历史记录数据的分析，建立历史数据与预测对象之间的函数模型。其中，时间序列模型是典型的统计方法，常见模型有自回归模型、移动平均模型、自回归移动平均模型、差分整合移动平均自回归模型。此外，马尔可夫链模型、指数平滑方法、卡尔曼滤波等预测方法也属于统计学方法范畴。

3)人工智能方法

随着人工智能技术与大数据的发展，基于机器学习和深度学习的方法凭借其在数据挖掘和特征提取方面的潜在能力，在概率预测中被广泛应用。常见的方法有支持向量机、前馈神经网络、长短期记忆神经网络、卷积神经网络、极限学习机等。

极限学习机(Extreme learning machine,ELM)作为一种新兴的神经网络，由于能够将复杂的训练过程转化为简单的矩阵或数学计算，从而克服了传统神经网络的局限性，如局部极小值、过度训练、计算量大等。然而，ELM的固有结构与固定网络参数会影响其回归能力和训练效率，并限制了其对时变风电输出的适应能力。因此，如何优化并确定神经网络的最优结构，从而提升系统建模精度，并根据复杂出力特性调整网络参数，存在挑战。

发明内容

本发明针对现有基于极限学习机的风电概率预测研究中的不足，提出了一种基于迁移学习的风电功率概率预测方法。该方法对于提高风电出力预测的准确可靠性，促进新能源电力系统安全、经济、高效运行具有重要意义。

本发明采用如下技术方案予以实施：

一种基于迁移学习的风电功率概率预测方法，包括如下步骤：

S1、通过迁移算法对历史时段和未来时段的风电数据进行划分构建多层极限学习神经机；

S2、通过粒子群算法对多层极限学习神经机的输出层的映射参数进行优化；

S3、通过权重优化方法对历史时段的多层极限学习神经机的训集生成权重数据集；

S4、通过权重数据集采用特征迁移算法对未来时段的多层极限学习神经机的权重更新；其中：