CN102184337A - 一种受气象信息影响的新能源发电能力动态组合分析方法 - Google Patents

Abstract

本发明公开了电网节能经济调度以及计算机人工智能应用交叉领域的一种受气象信息影响的新能源发电能力动态组合分析方法。首先进行数据预处理。然后将历史记录的实测数据或气象预报根据不同地形高度拆分成多个样本集，每个样本集给出初始权重分布，然后使用粒子群算法和多个学习算法对不同样本集进行训练生成多个分析模型，使用粒子群算法的目的是对算法参数的自动寻优。每个学习算法根据精度调整对应样本集中样本的权重分布，为了突出误差大的样本，将其权重增加，反之减小，同时各个学习算法之间的权重根据各模型计算精度进行调整，将误差大的模型权重减小，反之增大。最后根据最终生成的多个训练模型及其之间的权重分布进行预测。

Description

一种受气象信息影响的新能源发电能力动态组合分析方法

技术领域

本发明属于电网节能经济调度以及计算机人工智能应用交叉领域，尤其涉及一种受气象信息影响的新能源发电能力动态组合分析方法。

背景技术

本申请所涉及的受气象信息影响的新能源发电能力分析方法主要针对风电场未来几小时至几天内的出力能力分析。当风电场作为电源接入到电力系统后，风电本身的随机性、波动性和间歇性随着容量的扩大对电力系统的冲击越来越大。如果不能对风电的短期出力情况进行准确分析，就必须在电力系统当中留有与风电容量相当的备用容量进行调峰。而当分析结果能够达到足够的精度时，将风电出力作为负的负荷叠加到负荷预测的曲线上，就可以像传统的电力系统调度方式一样根据预测的负荷与风电出力安排常规机组的发电计划，从而优化发电机组的开机组合，降低整个电网运行的费用。因此，作为新能源调度的一部分，降低风电接入对电网调度的风险及对备用容量的要求，对风电进行短期出力分析显得十分必要和迫切。下面着重介绍目前在本领域的一些常用的和比较前沿的分析方法。

人工智能算法。目前越来越多的机器学习方法开始逐渐引入到预测领域，其中代表性的有人工神经网络(Artificial Neural Network)及支持向量机(SUPPORT VECTORMANCHINE)算法等。但很难用单纯的一种算法解决所有复杂的实际非线性问题。

组合预测技术。组合预测方法(Combination Forecast)是一种根据实际情况灵活使用多种方法进行组合计算，以解决某一问题的技术。它会根据实际情况的不同把不同的算法按照不同的策略有机地结合起来，从而完成单一算法无法完成的或者准确度、效率执行不高的任务。组合预测技术在目前国内风电预测领域应用还是一个崭新的课题。

NWP技术。NWP(数值型天气预报，Numeral Weather Prediction)是一种精确数值化的天气预报模式，NWP根据实时大气情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解天气演变过程的流体力学和热力学方程组，预测未来一定时段的大气运动状态和天气现象的方法。由于风电对天气情况的敏感性，使用高精度NWP数据对风电功率出力建模是短期风电出力分析的最有效途径。影响NWP精度的最大因素是NWP的分辨率，高分辨率下的NWP能够精确地预报某一点(如每台风机处)的天气(风速、风向等)，但由于NWP主要是靠高性能的大型电子计算机计算，精度与计算量成平方次增长，因此高分辨率的NWP计算成本很高。当前的NWP精度一般能从数十平方公里(如60km²、30km²或20km²)到1km²或2km²。

发明内容

本发明的目的在于，针对目前普遍使用的短期风电出力分析系统精确性不高的问题，提出一种受气象信息影响的新能源发电能力动态组合分析方法，其通过对风场的大规模数据量按不同地理高度组成多个样本，并同时对这些样本以及多种或多个回归算法权重进行动态调整，最终利用多个学习机的组合模型进行预测，从而增强系统的泛化能力以及预测精度。

本发明的技术方案如下。

一种受气象信息影响的新能源发电能力动态组合分析方法，其特征在于，所述方法包括下列步骤：

一种受气象信息影响的新能源发电能力动态组合分析方法，其特征在于，所述方法包括下列步骤：

步骤1：测量风电场实测数据，获取数值天气预报数据，对风电场实测数据/数值天气预报数据进行预处理后得到统计数据，其中，所述风电场实测数据包括实测的风速、风向、温度、降水和地形高度，所述数值天气预报数据包括预报的风速、风向、温度和降水，所述统计数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦和风向余弦；

步骤2：对所述实测数据和对所述实测数据经过预处理后得到的所述统计数据按照弱学习机的输入数据结构组织样本，其中训练集样本输入数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水以及样本权重，训练样本的输出为某d日某t时刻的风电场出力值P(d，t)；

步骤3：将训练集按照测风塔不同测量高度拆分，生成T个子训练集，按照等分概率原则初始化T个子训练集中各样本初始权重，其中T为样本集的拆分个数，

初始化样本权重公式如下：

Weight(i)＝1/n

其中，i表示某个样本集中的某个样本，n表示该样本集的样本总数；

步骤4：通过T个弱学习算法、即弱学习机分别对T个子训练集中各样本进行训练、并使用PSO粒子群优化算法进行参数寻优后得到相应的回归模型。每个弱学习机的概率权重初始化公式为：

α_j＝1/T  j∈[1，T]；

步骤5：按照各弱学习机的计算精度重新分配各弱学习机的概率权重，若尚未达到迭代上限或未满足验证条件，则调整各子训练集中的样本权重，返回步骤4，否则进入步骤6，

其中，重新分配各弱学习机的概率权重按如下公式计算：

α_j＝(1/2)ln[(1-E_err)/E_err]，

其中，α_j是某个弱学习机的概率权重，E_err为当前该弱学习机所得预测模型的测试精度，E_err的计算公式如下：

$E_{\mathrm{err}}^j=\underset{i}{\overset{n_j}{\mathrm{\Σ}}}((y_i-h_j\left(x_i\right))\×\mathrm{Weight}\left(i\right))$

其中，j表示第j个弱学习机，n_j表示该学习机对应样本的样本规模，h_j(x_i)表示该学习机的预测出力值，

所述调整各子训练集中的样本权重的公式为：

${\mathrm{Weight}}^{\′}\left(i\right)=\mathrm{Weight}\left(i\right)/K_j\×\left\{\begin{array}{cc}{e}^{-\mathrm{\αj}}& \left|h_j\left(x_i\right)\right|\≤\mathrm{\ξ}\\ e^{\mathrm{\αj}}& \left|h_j\left(x_i\right)\right|>\mathrm{\ξ}\end{array}\right.$ Weight′(i)为更新后的样本权重，K_j是某一归一化系数，用于将Weight′(i)服从某一分布，ξ则为误差期望；

步骤6：利用步骤5得到的各弱学习机概率权重组合成强学习机，并对预测样本进行预测，其中所述预测样本输入数据为风电场未来24小时数值天气预报数据，包括瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水，为了保持与训练样本内容一致，预测样本中同样加入样本权重并全部置0，按照前述训练样本的划分方式依据不同地形高度进行拆分，所述预测样本输出数据为相应时刻的风电场总出力。

进一步，在本发明的分析方法中，对实测数据进行分析处理，包括：

首先，剔除或修正实测数据中的不良数据、填补缺损数据、对不良数据进行平滑处理，所述不良数据是指超过最大总装机容量，或超出设定阈值的实测数据；

然后，对实测数据和数值天气预报数据进行统计计算，通常情况下，需要统计天气预报的和测风塔不同高度(50米、70米、100米、120米)下的最大风速值、最小风速值、平均风速值，为将实测数据中的风向按360°完全数值化，计算风向正弦、风向余弦值。按照弱学习机的输入数据结构组织样本结构，样本的输入数据包括：风电场未来24小时不同高度(50米、70米、100米、120米)的数值天气预报信息、测风塔实测数据、统计数据(当天最大风速值、当天最小风速值、当天平均风速值、风向正弦、风向余弦)。

所述填补缺损数据优选利用其前后相邻时刻的历史数据进行填补，用方程表示如下：

P(d，t)＝α₁*P(d，t-1)+α₂*P(d，t+1)

其中，P(d，t)为第d天某t时刻的缺损数据，P(d₁，t)和P(d₂，t)分别为与该日相邻的相同日期类型t时刻功率数据，α₁、α₂为前两者各自对应的数据权重。

所述平滑处理是指，将不良数据用其相邻的前后两个时刻的负荷数据的平均值代替。

所述对训练集中各样本初始权重设为

Weight(i)＝1/n

其中，i表示某个样本，n表示样本总数。

所述弱学习机是指，预测精度仅比随机值稍强的计算方法，也可以是如线性外推、多元非线性回归、卡尔曼滤波等传统算法，也可以是人工神经网络、支持向量机等任何智能方法。初始的各弱学习机权重设为：

α(j)＝1/T

其中，j表示某个弱学习机，T表示弱学习机总数。

所述PSO粒子群优化算法主要是用于对如支持向量机等弱学习机输入参数的自动寻优，保证弱学习机的输出精度在当前条件下是最优的或近于最优的，最大程度保证最后输出的各弱学习机权值最优。

所述步骤4进一步优选包括：

4.1：初始化PSO粒子群，随机生成m个粒子，粒子维度由弱学习机的输入参数决定，初始化速度矩阵和位置矩阵。

4.2：根据样本分布构造T个弱学习机，

h_j(x_i)＝P(x_i，y_i，weight(i))，j∈[1，T]，i∈[1，n_j]；

其中，x_i、y_i表示第j个样本集的输入和输出，Weight(i)为样本权重分布。n_j为第j个样本集的样本规模。

4.3：利用弱学习机分别对T个子训练集进行训练并生成T个回归模型，利用测试集评估h(j)的计算误差，计算误差公式如下：

$E_{\mathrm{err}}^j=\underset{i}{\overset{n_j}{\mathrm{\Σ}}}((y_i-h_j\left(x_i\right))\×\mathrm{Weight}\left(i\right))$

其中j表示第j个弱学习机，n_j表示该学习机对应样本的样本规模，h_j(x_i)表示该学习机的预测出力值。

4.4：若评估结果不满足期望且未达到迭代上限，则更新速度矩阵和位置矩阵，并回到步骤3，否则进入步骤5，速度矩阵和位置矩阵的更新公式如下：

$V_i^{k+1}=w*V_i^k+c1*r1*({\mathrm{pbset}}_i-X_i^k)+c2*r2*(\mathrm{gbest}-X_i^k)$

$X_i^{k+1}=X_i^k+V_i^{k+1}$

其中，

表示第k次迭代时种群i的位置矩阵；

表示第k次迭代时种群i的速度矩阵；pbest表示粒子经历的最优位置；gbest表示种群经历的最优位置；k表示迭代次数；i表示种群规模，数值以要寻优的参数个数而定；r1和r2为分布于[0，1]之间的随机数；c1和c2为两个加速因子；w为惯性因子，w的增大或减小将分别增强全局或局部的搜索能力。

所述步骤5中新分配各学习机的概率权重按如下公式计算：

α_j＝(1/2)ln[(1-E_err)/E_err]

其中，α_j是某个弱学习机的概率权重，E_err为当前该弱学习机所得预测模型的测试精度。

若尚未达到迭代上限或未满足验证条件，则重新对各训练集中的各样本计算权重(调整样本分布W(i))。调整公式为：

${\mathrm{Weight}}^{\′}\left(i\right)=\mathrm{Weight}\left(i\right)/K_j\×\left\{\begin{array}{cc}{e}^{-\mathrm{\αj}}& \left|h_j\left(x_i\right)\right|\≤\mathrm{\ξ}\\ e^{\mathrm{\αj}}& \left|h_j\left(x_i\right)\right|>\mathrm{\ξ}\end{array}\right.$

其中，Weight′(i)为更新后的样本权重，K_j是某一归一化系数，用于将Weight(i)服从某一分布。ξ代表误差期望。

所述步骤6中的预测过程，就是将步骤5最后得到的各学习机权重和样本权重(样本分布)分配到各学习机中，并利用步骤5中各学习最后得到的回归模型对预测样本进行预测，预测样本中不必再对权重进行分配，并将输出值用任意值代替(不参加计算，所以可以统一置0)，但需保证训练样本格式和预测样本格式一致。

本发明的有益效果在于：本发明所提供的一种受气象信息影响的新能源发电能力动态组合分析方法，可以通过对不同地形高度的风电场数据以及数值天气预报数据样本加权分析，并通过多个学习算法加权动态组合预测风电场短期功率出力，有效减小训练样本规模超大带来的时间和空间复杂度增高的问题，并明显提高了系统泛化能力，提高了预测准确度。

附图说明

图1是本发明公开的的风电场24小时短期出力预报分析模型；

图2是本发明公开的一种受气象信息影响的新能源发电能力动态组合分析方法训练流程图；

图3是本发明公开的一种受气象信息影响的新能源发电能力动态组合分析方法预测流程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是本发明公开的是本发明公开的的风电场24小时短期出力预报分析模型。其中，建模过程分为训练部分和预测部分。训练部分需要输入的数据有风电场的实测数据，包括：风速、风向、气压、温度和降水，此外，还包括对以上数据统计后得到的最大、最小、平均风速，以及对风向的正弦值和余弦值，以上数据经过数据处理后生成训练样本集，再通过学习机训练生成预测模型。预测过程的输入数据内容与预测过程基本相同，不过是用数值天气预报值及其统计数据代替实测数据和实测数据的统计值。预测过程实际就是使用训练生成的模型对输入数据进行计算，最后输出预测出力结果。

图2是本发明公开的一种受气象信息影响的新能源发电能力动态组合分析方法训练

如图2所示，具体的训练过程为：将输入数据根据不同地形高度(50米、70米、100米、120米)拆分成多个样本集。然后，每个样本集对应一个弱学习机，每个弱学习的额外输入参数使用粒子群算法进行迭代寻优，寻优后的生成的模型则根据测试误差调整各样本集的样本概率分布和模型之间的权重分布。

本发明的方法包括如下步骤：

第一步，将风电场实测数据、数值天气预报(Numerical Weather Prediction)数据(包括：风速、风向、温度、湿度、降水、地形高度)、以及统计后得到的统计数据(包括最大、最小和平均风速、风向正弦、风向余弦)数值化后，作为样本输入数据。另外为了在训练时突出样本的误差分布，输入数据中添加一个样本权重的属性，其具体初始化等操作见后续步骤。最后将风向分别取正弦和余弦值，作为两个输入量，而地形高度则作为后续样本拆分的依据；

第二步，对所述实测数据进行分析预处理，按照弱学习机的输入数据结构组织样本结构，其中训练集样本输入数据包括实测的瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水、地形高度以及样本权重，样本权重初始为0。，训练样本的输出y_i为d日某t时刻的出力值P(d，t)；

其中数据分析处理进一步包括如下内容：

(1)进行实测数据预处理。根据数据的一些统计特征量可以找出原始数据的不良数据并加以剔除或修正。对于数据缺损的处理，如果某一天的数据出现大量的失真或丢失，采用同一种气象条件的功率数据填补或利用其前后时刻的历史数据进行填补。用方程表示如下：

P(d，t)＝α₁*P(d₁，t)+α₂*P(d₂，t)

其中，P(d，t)为第d天某t时刻的缺损数据，P(d₁，t)和P(d₂，t)分别为与该日最近的具有相似气象条件的日期t时刻数据，α₁、α₂为前两者各自对应的数据权重。在研究实测出力数据时，将风电场的最大风机总容量作为基准，只要待处理的出力超出风场最大装机容量或其他异常情况(小于0)就认为是不良数据，然后对此类数据做出相应的平滑处理。由于风电对气象条件的敏感性，可以假定认为相似气象条件的风场功率数据是具有相似度的，其两者的差距应该维持在一定的范围内(即设定阈值)。如果超出此范围的也可以视为不良数据。

(2)计算和统计相关数据。为减少训练时间，降低不必要的样本复杂度，可以直接计算与输出量相关的样本输入属性，需计算的相关量有：功率的最大值、最小值、平均值，此外，为将风向的360°完全数值化，输入中将风向正弦、余弦值作为两个值输入。

(3)对输入数据进行样本分析。本实施例中，设数据采集策略为每天96点，在建模之前首先分析这些数据。其中对预测值影响较大的数据属性如下：

(3.1)风场测风塔历史数据。对训练样本集{(x_i，y_i)}，输出y_i为某日某t时刻的功率值P(d，t)，输入x_i包含对该值有较大影响的测风塔实测数据，包括：该时刻实测风速、实测风向正弦、实测风向余弦、实测温度、实测湿度、实测气压。当日实测最高风速、实测当日最低风速、实测当日平均风速。

(3.2)历史实际风功率出力值。对训练样本集{(x_i，y_i)}，输出y_i为某日某t时刻的实际功率值P(d，t)。

(3.3)NWP数值天气预报。对要进行预测的样本集{(x’_i，y’_i)}，x’_i输入数据格式和训练样本相同，数值用NWP数值天气预报值代替。输出y’_i置0；

(3.4)样本权重。每条样本的权重。

第三步，将训练集以风场测风塔不同高度数据拆分，生成T个子训练样本集，按照等分概率原则初始化T个子训练集中各样本初始权重，其中T根据样本集的拆分个数而定，一般情况下，考虑测风塔50米、70米、100米、120米高度的测量数据，此时T取4。(请给出T的通常取值范围)，

初始化权重公式如下：

Weight(i)＝1/n

其中，i表示某个样本，n表示样本总数；

第四步，通过多个弱学习算法分别对各样本进行训练、并使用PSO粒子群优化算法进行参数寻优后，到相应的回归模型。其具体计算步骤如下：

(1)初始化PSO粒子群，随机生成m个粒子，粒子维度由弱学习机的输入参数种类数决定，例如使用支持向量机算法(Support Vector Machine，SVM)作为弱学习机的话，其需要进行寻优的参数有：惩罚因子C、核函数的核宽参数σ和损失函数参数ε。惩罚因子C决定了当ε的取值超出阈值范围时对ε的拟合差的惩罚程度。C取值过大，会导致训练数据过拟合现象，反之C取值过小，会出现欠拟合现象。参数σ决定了特征空间的结构，即σ控制最优解的复杂度。σ值过大或过小都将降低SVM的泛化能力。损失参数ε代表原n维欧氏空间Rⁿ中目标问题Φ的误差期望，ε的取值与支持向量个数成反比，过大的ε值会降低SVM的计算精度。因此，此时应选取m＝3。若使用其他算法作为弱学习机的话，则根据所选择算法的输入参数具体情况而定。速度矩阵和位置矩阵则是决定粒子群位置和飞行速度的数值矩阵。，在开始时使用随机值初始化速度矩阵和位置矩阵。

(2)根据样本分布构造T个弱学习机

h_j(x_i)＝P(x_i，y_i，weight(i))，j∈[1，T]，i∈[1，n_j]

其中，x_i、y_i表示第j个样本集的输入和输出，Weight(i)为样本权重分布。n_j为第j个样本集的样本规模。；

(3)利用弱学习机分别对T个子训练集进行训练并生成T个回归模型，利用测试集评估h(j)的计算误差，函数如下：

$E_{\mathrm{err}}^j=\underset{i}{\overset{n_j}{\mathrm{\Σ}}}((y_i-h_j\left(x_i\right))\×\mathrm{Weight}\left(i\right))$

其中，j表示第j个弱学习机，n_j表示该学习机对应样本的样本规模，h_j(x_i)表示该学习机的预测出力值。(4)若评估结果不满足期望且未达到迭代上限，则更新速度矩阵和位置矩阵，并回到第三步，否则进入第五步。速度矩阵和位置矩阵的更新公式如下：

$V_i^{k+1}=w*V_i^k+c1*r1*({\mathrm{pbset}}_i-X_i^k)+c2*r2*(\mathrm{gbest}-X_i^k)$

$X_i^{k+1}=X_i^k+V_i^{k+1}$

其中，X表示位置矩阵；V表示速度矩阵；pbest表示粒子经历的最优位置；gbest表示种群经历的最优位置；k表示迭代次数；i表示种群规模；r₁和r₂为分布于[0，1]之间的随机数；c₁和c₂为两个加速因子；w为惯性因子，w的增大或减小将分别增强全局或局部的搜索能力。

第五步，按照各弱学习机的计算精度重新分配各学习机的概率权重。若尚未达到迭代上限或未满足误差期望，则重新调整各训练集中的各样本计算权重(调整样本分布W(i))，返回第三步，否则退出。

新分配各学习机的概率权重按如下公式计算：

α_j＝(1/2)ln[(1-E_err)/E_err]

若尚未达到迭代上限或未满足验证条件，则重新对各训练集中的各样本计算权重(调整样本分布W(i))。调整公式为：

$W^{,}\left(i\right)=W\left(i\right)/K_j\×\left\{\begin{array}{cc}{e}^{-\mathrm{\αj}}& \left|h_j\left(x_i\right)\right|\≤\mathrm{\ξ}\\ e^{\mathrm{\αj}}& \left|h_j\left(x_i\right)\right|>\mathrm{\ξ}\end{array}\right.$

其中，K_j是某一归一化系数，用于将W(i)服从某一分布。ξ代表误差期望。

第六步，利用第五步得到的各弱学习机权重的概率分布组合成强学习机，并对预测样本进行预测，其中所述预测样本输入数据为风电场未来24小时不同高度(50米、70米、100米、120米)的数值天气预报信息，包括瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水等，所述预测样本输出数据可为任意值，通常进行置0，但进行测试用的预测样本则为相应时刻的风电场总出力。

本发明利用动态权值分配的多弱算法组合预测的方法，对风电场不同高度的数据进行回归分析建模，并利用PSO粒子群算法做参数优化选择，最终实现风电场短期风功率预测。本方法可以有效分析多个不同尺度的数据，克服各个算法本身的不足，增加系统的泛化能力，将误差降低到最小，提高预测精度。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

本发明申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (5)

1.一种受气象信息影响的新能源发电能力动态组合分析方法，其特征在于，所述方法包括下列步骤：

步骤1：测量风电场实测数据，获取数值天气预报数据，对风电场实测数据/数值天气预报数据进行统计后得到统计数据，其中，所述风电场实测数据包括实测的风速、风向、温度、降水和地形高度，所述数值天气预报数据包括预报的风速、风向、温度和降水，所述统计数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦和风向余弦；

步骤2：对所述实测数据进行预处理后按照弱学习机的输入数据结构组织样本，其中训练集样本输入数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水以及样本权重，训练样本的输出为某d日某t时刻的风电场出力值P(d，t)；

步骤3：将训练集按照测风塔不同测量高度拆分，生成T个子训练集，按照等分概率原则初始化T个子训练集中各样本初始权重，其中T为样本集的拆分个数，

初始化样本权重公式如下：

Weight(i)＝1/n

其中，i表示某个样本集中的某个样本，n表示该样本集的样本总数；

步骤4：通过T个弱学习算法、即弱学习机分别对T个子训练集中各样本进行训练、并使用PSO粒子群优化算法进行参数寻优后得到相应的回归模型，每个弱学习机的概率权重初始化公式为：

α_j＝1/T  j∈[1，T]

步骤5：按照各弱学习机的计算精度重新分配各弱学习机的概率权重，若尚未达到迭代上限或未满足验证条件，则调整各子训练集中的样本权重，返回步骤4，否则进入步骤6，

其中，重新分配各弱学习机的概率权重按如下公式计算：

α_j＝(1/2)ln[(1-E_err)/E_err]，

其中，α_j是某个弱学习机的概率权重，E_err为当前该弱学习机所得预测模型的测试精度，E_err的计算公式如下：

$E_{\mathrm{err}}^j=\underset{i}{\overset{n_j}{\mathrm{\Σ}}}((y_i-h_j\left(x_i\right))\×\mathrm{Weight}\left(i\right))$

其中，j表示第j个弱学习机，n_j表示该学习机对应样本的样本规模，h_j(x_i)表示该学习机的预测出力值，

所述调整各子训练集中的样本权重的公式为：

${\mathrm{Weight}}^{\′}\left(i\right)=\mathrm{Weight}\left(i\right)/K_j\×\left\{\begin{array}{cc}{e}^{-\mathrm{\αj}}& \left|h_j\left(x_i\right)\right|\≤\mathrm{\ξ}\\ e^{\mathrm{\αj}}& \left|h_j\left(x_i\right)\right|>\mathrm{\ξ}\end{array}\right.$

Weight′(i)为更新后的样本权重，K_j是归一化系数，用于将Weight′(i)服从某一相应分布，ξ则为误差期望；

步骤6：利用步骤5得到的各弱学习机概率权重组合成强学习机，并对预测样本进行预测，其中所述预测样本输入数据为风电场未来24小时数值天气预报数据，包括瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水，为了保持与训练样本内容一致，预测样本中同样加入样本权重并全部置0，按照前述训练样本的划分方式依据不同地形高度进行拆分，所述预测样本输出数据为相应时刻的风电场总出力。

2.根据权利要求1所述的分析方法，其特征在于，在步骤2中，所述预处理优选包括：

剔除或修正所述实测数据/数值天气预报数据中的不良数据、填补缺损数据、对不良数据进行平滑处理，所述不良数据是指超过最大总装机容量，或超出设定阈值的实测数据；

将风向按360°完全数值化，计算风向正弦、风向余弦值。

3.根据权利要求2所述的分析方法，其特征在于，所述缺损数据优选利用其前后相邻时刻的历史数据进行填补，计算公式如下：

P(d，t)＝α₁*P(d，t-1)+α₂*P(d，t+1)

其中，P(d，t)为第d天某t时刻的缺损数据，P(d₁，t)和P(d₂，t)分别为与该日相邻的相同日期类型t时刻功率数据，α₁、α₂为前两者各自对应的数据权重。

4.根据权利要求1所述的分析方法，其特征在于，在所述步骤3中，T优选为4，将所述训练集按测风塔50米、70米、100米、120米高度的测量数据拆分。

5.根据权利要求1所述的分析方法，其特征在于，在步骤4中，优选包括以下内容：

4.1：初始化PSO粒子群，随机生成m个粒子，初始化速度矩阵和位置矩阵；

4.2：根据样本分布构造T个弱学习机，

h_j(x_i)＝P(x_i，y_i，weight(i))，j∈[1，T]，i∈[1，n_j]

其中，x_i、y_i表示第j个样本集的输入和输出，Weight(i)为样本权重分布，n_j为第j个样本集的样本规模；

4.3：利用弱学习机分别对T个子训练集进行训练并生成T个回归模型，评估h_j(x_i)的计算误差，计算误差函数如下：

$E_{\mathrm{err}}^j=\underset{i}{\overset{n_j}{\mathrm{\Σ}}}((y_i-h_j\left(x_i\right))\×\mathrm{Weight}\left(i\right))$

其中，j表示第j个弱学习机，n_j表示该学习机对应样本的样本规模，h_j(x_i)表示该学习机的预测出力值；

4.4：若评估的计算误差结果不满足期望且未达到迭代上限，则更新速度矩阵和位置矩阵，并回到步骤3，否则进入步骤5，速度矩阵和位置矩阵的更新公式如下：

$V_i^{k+1}=w*V_i^k+c1*r1*({\mathrm{pbset}}_i-X_i^k)+c2*r2*(\mathrm{gbest}-X_i^k)$

$X_i^{k+1}=X_i^k+V_i^{k+1}$

其中，

表示第k次迭代时种群i的位置矩阵；表示第k次迭代时种群i的速度矩阵；pbest表示粒子经历的最优位置；gbest表示种群经历的最优位置；k表示迭代次数；i表示种群规模，数值以要寻优的参数个数而定；r1和r2为分布于[0，1]之间的随机数；c1和c2为两个加速因子；w为惯性因子，w的增大或减小将分别增强全局或局部的搜索能力。

Images