[发明专利]一种超短期风电功率概率预测方法

摘要

本发明公开了一种超短期风电功率概率预测方法，采集风电场的历史数据，得到训练样本集；根据影响因素的历史数据生成输入变量，得到样本集；利用小波分析将样本集进行小波分解与小波系数重构，得到小波样本集；利用极限学习机对每一个小波样本集进行模型参数的训练，得到小波的极限学习机预测模型，将测试集带入网络得到小波超短期点预测值，将各小波的极限学习机模型训练误差与点预测值进行存储相加并取平均值，得到经过小波分解之后模型的真实误差与点预测值，对模型的真实误差进行高斯分布参数估计，得到小波模型训练误差的高斯分布函数，应置信度要求结合点预测值即可求出小波的超短期概率预测区间。

主权项

1.一种基于小波分析与极限学习机的超短期风电功率概率预测方法，其特征在于，包括以下步骤：(1)分析并提取风电场的影响风电功率概率预测的特征和影响因素，形成历史风电场数据向量，得到样本集[x1,x2,x3,x4,...x15,y]，其中y为预测时刻对应的风电功率值，即模型的输出变量；(2)对样本集[x1,x2,x3,x4,...x15,y]进行数据预处理,将[x1,x2,x3,x4,...x15]作为模型的输入列向量，y作为模型的输出变量；(3)对样本集作一级小波分解并重构小波系数，分别得到两个小波样本集[x11,x21,x31,x41,...x151,y1]，[x12,x22,x32,x42,...x152,y2]，并将两个小波样本集划分为训练集与测试集并作归一化；(4)设定极限学习机预测模型的隐含层个数，使用小波样本训练集[x11,x21,x31,x41,...x151,y1]对预测模型的网络参数进行训练，得到极限学习机的预测模型，并将小波样本训练集的输入向量代入网络进行测试，求出小波样本[x11,x21,x31,x41,...x151,y1]下的模型训练误差T1；(5)将[x11,x21,x31,x41,...x151,y1]小波样本下的测试样本输入向量代入(4)中已经训练好的预测模型，得到第一个小波样本的预测结果为y’；(6)设定极限学习机预测模型的隐含层个数，使用小波样本训练集[x12,x22,x32,x42,...x152,y2]对极限学习机预测模型进行网络参数训练，得到极限学习机预测模型，并将小波样本训练集的输入向量代入网络进行测试，求出小波样本[x12,x22,x32,x42,...x152,y2]下的模型训练误差T2；(7)将[x12,x22,x32,x42,...x152,y2]小波下的测试样本输入向量带入(6)中已经训练好的预测模型，得到第二个小波样本的预测结果为y”；(8)将步骤(4)、(6)中的模型训练误差进行相加，得到整个预测模型下的模型误差T，并对T作95％置信度下高斯分布参数估计，得到误差在高斯分布下的均值与方差；(9)将小波预测结果y’与y”进行相加取均值，得到整个预测模型的最终预测结果y”’；(10)结合正态分布表，得到95％置信度下风电超短期概率预测的区间：Q＝y”’±1.96*δ；其中，Q为概率预测区间的上下限；δ为模型误差在高斯分布下方差。