CN103500366A - 一种短期风电功率预测系统及方法 - Google Patents

Abstract

本发明公开了一种短期风电功率预测系统及方法，该方法包括如下步骤：采用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳；对经预处理后的数据进行相空间重构，并确定延时时间和嵌入维数；利用Elman神经网络建立风速预测模型，预测出风速；根据一功率转化公式，将风速转换为功率，输出预测功率值，经过多次试验表明，相比现有技术，本发明的预测精度有了明显提高。

Description

一种短期风电功率预测系统及方法

技术领域

本发明关于一种短期风电功率预测系统及方法，特别是涉及一种基于卡尔曼滤波相空间重构的Elman神经网络短期风电功预测。

背景技术

由于我国风电功率预测研究工作起步较晚，目前，主要是理论探索，预测系统大多处于探索和研究阶段，但我国的风电场情况较复杂，需要因地制宜地开展风电功率预测工作，同时也需要对先进预测方法进行研究，以逐步提高预测精度。自然因素的不可控性，风电输出功率的随机性、间歇性和波动性都将会给风电并网的安全稳定运行带来严峻的挑战。短期风电功率预测精度的提高，将有助于电力系统调度部门合理安排调度计划，有效减轻风电对整个电网的影响。

目前，用于风电功率预测的方法可以分为两大类：一种是基于物理模型的方法，该方法考虑了环境地形、粗糙度等信息，根据数字天气预报等相关数据获得预测结果；另外一种是基于已有的风速、风电功率等历史数据，建立风速或风电功率的预测模型，其中，有的需要对单个风电机组进行预测，再叠架得到整场功率，虽然预测精度高，但运算量大，预测速度慢；有的需要直接对整场功率进行预测，其运算量较小，预测速度快，缺点是预测精度低。因此，实有必要寻找一种能够兼顾预测速度和预测精度的风电功率预测技术。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种短期风电功率预测系统及方法，通过采用卡尔曼滤波算法对风速进行滤波处理，然后进行相空间重构确定风速序列的延时时间和嵌入维数，接着构建Elman神经网络结构，选取训练样本，建立预测模型并预测出风速，然后将风速输入功率曲线，转化成功率，实现了提高预测精度的目的。

为达上述及其它目的，本发明提出一种短期风电功率预测方法，包括如下步骤：

步骤一，采用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳；

步骤二，对经预处理后的数据进行相空间重构，并确定延时时间和嵌入维数；

步骤三，利用Elman神经网络建立风速预测模型，预测出风速；

步骤四，根据一功率转化公式，将风速转换为功率，输出预测功率值。

进一步地，预处理步骤包括如下步骤：

（1）P_k=P₀，X_k=X₀；

（2）状态一步预测， ${\tilde{X}}_{k,k-1}={\mathrm{\φ}}_{k,k-1}{\tilde{X}}_{k-1,k-1},$

协方差进行一步预测， $P_{k,k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T;$

（3）量测的预测， ${\tilde{Z}}_{k,k-1}=H_k{\tilde{X}}_{k,k-1},$

信息协方差， $S_k=H_k{P}_{k,k-1}{H}_k^T+R_k;$

（4）新息， $v\left(k\right)=Z_k-{\tilde{Z}}_{k,k-1},$

增益， $K_k=P_{k,k-1}{H}_k^T{(H_k{P}_{k,k-1}{H}_k^T+R_k)}^{-1};$

（5）状态方程更新， ${\tilde{X}}_k={\tilde{X}}_{k,k-1}+K_k(Z_k-H_k{\tilde{X}}_{k,k-1}),$

协方差方程更新, $P_k=(E-K_k{H}_k)P_{k,k-1}{(E-K_k{H}_k)}^T+K_k{R}_k{K}_k^T;$

（6）判断是否满足设定条件，返回步骤2）

进一步地，在步骤二中，利用互信息商法确定延时时间和G-P算法确定嵌入维数。

进一步地，步骤三包括如下步骤：

（1）初始化各层权值；

（2）输入样本，并将数据归一化处理，即将样本数据线性变化，使其归一到[-1 1]之间，作为网络训练的数据集合；

（3）计算输入层输出；

（4）计算隐含层输出x(k)=f(w³·x^c(k)+w¹·u(k-1)+b1)，其中u（k-1）为输入层输入、xc（k）承接层反馈向量和阀值b1；

（5）计算输出层输出y(k)=g(w²·x(k)+b2)，其中x（k）为隐含层输出，b2为阀值；

（6）计算承接层输出x^c(k)=x(k-1)，并反馈到隐含层；

（7）计算网络误差；

（8）更新权值；

（9）判断是否满足设定条件，返回步骤（3）。

进一步地，该功率转换公式为：

其中，v为风速，V_cutout为风机接入风速上限，V_cutin为风机接入风速下限。

为达到上述目的，本发明还提供一种短期风电功率预测系统，至少包括：

预处理模组，利用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳；

相空间重构模组，对数据进行相空间重构，并确定延时时间和嵌入维数；

风速预测模型建立模组，利用Elman神经网络建立风速预测模型，预测出风速；

功率转化模组，根据一功率转化公式，将风速转换为功率，输出预测功率值。

进一步地，该预处理模组采用如下步骤对风速数据进行预处理：

（1）P_k=P₀，X_k=X₀；

（2）状态一步预测， ${\tilde{X}}_{k,k-1}={\mathrm{\φ}}_{k,k-1}{\tilde{X}}_{k-1,k-1},$

协方差进行一步预测， $P_{k,k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T;$

（3）量测的预测， ${\tilde{Z}}_{k,k-1}=H_k{\tilde{X}}_{k,k-1},$

信息协方差， $S_k=H_k{P}_{k,k-1}{H}_k^T+R_k;$

（4）新息， $v\left(k\right)=Z_k-{\tilde{Z}}_{k,k-1},$

增益， $K_k=P_{k,k-1}{H}_k^T{(H_k{P}_{k,k-1}{H}_k^T+R_k)}^{-1};$

（5）状态方程更新， ${\tilde{X}}_k={\tilde{X}}_{k,k-1}+K_k(Z_k-H_k{\tilde{X}}_{k,k-1}),$

协方差方程更新， $P_k=(E-K_k{H}_k)P_{k,k-1}{(E-K_k{H}_k)}^T+K_k{R}_k{K}_k^T;$

（6）判断是否满足设定条件，返回步骤2）。

进一步地，该相空间重构模组利用互信息商法确定延时时间和G-P算法确定嵌入维数。

进一步地，该风速预测模型建立模组利用如下步骤建立风速预测模型：

（1）初始化各层权值；

（2）输入样本，并将数据归一化处理，即将样本数据线性变化，使其归一到[-11]之间，作为网络训练的数据集合；

（3）计算输入层输出；

（4）计算隐含层输出x(k)=f(w³·x^c(k)+w¹·u(k-1)+b1)，其中u（k-1）为输入层输入、xc（k）承接层反馈向量和阀值b1；

（5）计算输出层输出y(k)=g(w²·x(k)+b2)，其中x（k）为隐含层输出，b2为阀值；

（6）计算承接层输出x^c(k)=x(k-1)，并反馈到隐含层；

（7）计算网络误差；

（8）更新权值；

（9）判断是否满足设定条件，返回步骤3）。

进一步地，该功率转换公式为：

其中，v为风速，V_cutout为风机接入风速上限，V_cutin为风机接入风速下限。

与现有技术相比，本发明一种短期风电功率预测系统及方法首先利用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳。然后进行相空间重构，经多次试验，并利用互信息商法确定延时时间τ=4和嵌入维数m=6，然后利用Elman神经网络建立预测模型，并预测出风速，然后将风速输入功率曲线，转化成功率。最后，经过多次试验表明，相比现有技术，本发明的预测精度有了明显提高。

附图说明

图1为本发明一种短期风电功率预测方法的步骤流程图；

图2为本发明一种短期风电功率预测方法的预测过程总体流程图；

图3为本发明一种短期风电功率预测系统的系统架构图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为本发明一种短期风电功率预测方法的步骤流程图。如图1所示，本发明一种短期风电功率预测方法，包括如下步骤：

步骤101，采用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳。

步骤102，对数据进行相空间重构，经过多次matlab仿真试验，并利用互信息商法确定延时时间τ=4和G-P算法确定嵌入维数m=6。

步骤103，利用Elman神经网络建立风速预测模型，预测出风速。

步骤104，根据一功率转化公式，将风速转换为功率，输出预测功率值。具体地，按照下面的功率转换公式将风速转化为功率，输出预测功率值。

图2为本发明一种短期风电功率预测方法的预测过程总体流程图。以下将配合图1及图2通过一具体实施例对本发明做进一步描述。

步骤101，采用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳

一、卡尔曼算法数学描述

假设第k时刻被估计状态X_k受噪声序列W_k-1驱动，驱动机理由下述状态方程描述：

X_k=φ_k,k-1X_k-1+Γ_k-1W_k,k-1（1）

对X_k的量测满足线性关系，量测方程为：

Z_k=H_kX_k+V_k（2）

其中φ_k,k-1为k-1时刻到k时刻的一步转移矩阵；Γ_k-1为系统噪声驱动矩阵；H_k为量测阵；V_k为量测噪声驱动序列；W_k，k-1为系统激励噪声序列。

同时满足W_k和V_k满足E[W_k]=0，E[V_k]=0

$E\left\{\left[\begin{array}{c}{V}_k\\ W_k\end{array}\right]\left[V_j^T{W}_j^T\right]\right\}=\left[\begin{array}{c}{Q}_{k}0\\ 0R_k\end{array}\right]{\mathrm{\δ}}_{k,j}---\left(3\right)$

其中Q_k为系统噪声序列的方差阵，假设为非负定阵；R_k为量测噪声序列的方差阵，假定为正定阵。

满足上述条件，Kalman（卡尔曼）滤波算法如下：

状态一步预测：

${\tilde{X}}_{k,k-1}={\mathrm{\φ}}_{k,k-1}{\tilde{X}}_{k-1,k-1}---\left(4\right)$

状态估计：

${\tilde{X}}_k={\tilde{X}}_{k,k-1}+K_k(Z_k-H_k{\tilde{X}}_{k,k-1})---\left(5\right)$

滤波增益：

$K_k=P_{k,k-1}{H}_k^T{(H_k{P}_{k,k-1}{H}_k^T+R_k)}^{-1}---\left(6\right)$

协方差的一步预测：

$P_{k,k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T---\left(7\right)$

协方差估计：

$P_k=(E-K_k{H}_k)P_{k,k-1}{(E-K_k{H}_k)}^T+K_k{R}_k{K}_k^T---\left(8\right)$

二、卡尔曼算法实施步骤：

（1）P_k=P₀，X_k=X₀；

（2）状态一步预测： ${\tilde{X}}_{k,k-1}={\mathrm{\φ}}_{k,k-1}{\tilde{X}}_{k-1,k-1},$

协方差进行一步预测： $P_{k,k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T;$

（3）量测的预测： ${\tilde{Z}}_{k,k-1}=H_k{\tilde{X}}_{k,k-1},$

信息协方差: $S_k=H_k{P}_{k,k-1}{H}_k^T+R_k;$

（4）新息： $v\left(k\right)=Z_k-{\tilde{Z}}_{k,k-1}$

增益： $K_k=P_{k,k-1}{H}_k^T{(H_k{P}_{k,k-1}{H}_k^T+R_k)}^{-1}$

（5）状态方程更新： ${\tilde{X}}_k={\tilde{X}}_{k,k-1}+K_k(Z_k-H_k{\tilde{X}}_{k,k-1})$

协方差方程更新： $P_k=(E-K_k{H}_k)P_{k,k-1}{(E-K_k{H}_k)}^T+K_k{R}_k{K}_k^T$

（6）判断是否满足设定条件，返回步骤2）

步骤102，对数据进行相空间重构，经过多次matlab仿真试验，并利用互信息商法确定延时时间τ=4和G-P算法确定嵌入维数m=6。

步骤103，利用Elman神经网络建立风速预测模型，预测出风速。

一Elman网络学习算法

神经网络训练的任务是通过学习算法不断地调整网络的权值和阈值，使网络的输出与期望的误差达到最小。

Elman神经网络的非线性状态空间表达式为

$\left\{\begin{array}{c}y\left(k\right)=g(w^2\·x\left(k\right)+b2)\\ x\left(k\right)=f(w^3\·x^c\left(k\right)+w^1\·u(k-1)+b1)\\ x^c\left(k\right)=x(k-1)\end{array}\right.---\left(9\right)$

其中W¹，W²，W³分别为输入层到隐含层，隐含层到输出层，承接层到隐含层的权值矩阵。f函数、g函数分别为输出层单元和隐层单元的激发函数组成的非线性向量函数。u（k-1）为网络输入，x(k)为隐含层输出，x^c（k）为反馈向量，y（k）网络输出，b1,b2分别为隐含层和输出层的阈值。f(·)为隐含层神经元的传递函数，采用tansig函数，g(·)为输出层传递函数，采用purelin函数。

二Elman神经网络算法实现步骤：

（1）初始化各层权值；

（2）输入样本，并将数据归一化处理，即将样本数据线性变化，使其归一到[-1 1]之间，作为网络训练的数据集合；

（3）计算输入层输出；

（4）计算隐含层输出x(k)=f(w³·x^c(k)+w¹·u(k-1)+b1)，其中u（k-1）为输入层输入、xc（k）承接层反馈向量和阀值b1；

（5）计算输出层输出y(k)=g(w²·x(k)+b2)，其中x（k）为隐含层输出，b2为阀值；

（6）计算承接层输出x^c(k)=x(k-1)，并反馈到隐含层；

（7）计算网络误差；

（8）更新权值；

（9）判断是否满足设定条件，返回步骤3）。

步骤104，根据一功率转化公式，将风速转换为功率，输出预测功率值。具体地，按照下面的功率转换公式将风速转化为功率，输出预测功率值。

其中，v为风速，V_cutout为风机接入风速上限，V_cutin为风机接入风速下限。

图3为本发明一种短期风电功率预测系统的系统架构图。如图3所示，本发明一种短期风电功率预测系统，至少包括：预处理模组301、相空间重构模组302、风速预测模型建立模组303以及功率转换模组304。

其中，预处理模组301利用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳。具体地，

一、卡尔曼算法数学描述

假设第k时刻被估计状态X_k受噪声序列W_k-1驱动，驱动机理由下述状态方程描述：

X_k=φ_k,k-1X_k-1+Γ_k-1W_k,k-1

对X_k的量测满足线性关系，量测方程为：

Z_k=H_kX_k+V_k

其中Γ_k-1为k-1时刻到k时刻的一步转移矩阵；φ_k,k-1为系统噪声驱动矩阵；H_k为量测阵；V_k为量测噪声驱动序列；W_k，k-1为系统激励噪声序列。

同时满足W_k和V_k满足E[W_k]=0，E[V_k]=0

$E\left\{\left[\begin{array}{c}{V}_k\\ W_k\end{array}\right]\left[V_j^T{W}_j^T\right]\right\}=\left[\begin{array}{c}{Q}_{k}0\\ 0R_k\end{array}\right]{\mathrm{\δ}}_{k,j}$

其中Q_k为系统噪声序列的方差阵，假设为非负定阵；R_k为量测噪声序列的方差阵，假定为正定阵。

满足上述条件，Kalman（卡尔曼）滤波算法如下：

状态一步预测：

${\tilde{X}}_{k,k-1}={\mathrm{\φ}}_{k,k-1}{\tilde{X}}_{k-1,k-1}$

状态估计：

${\tilde{X}}_k={\tilde{X}}_{k,k-1}+K_k(Z_k-H_k{\tilde{X}}_{k,k-1})$

滤波增益：

$K_k=P_{k,k-1}{H}_k^T{(H_k{P}_{k,k-1}{H}_k^T+R_k)}^{-1}$

协方差的一步预测：

$P_{k,k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T$

协方差估计：

$P_k=(E-K_k{H}_k)P_{k,k-1}{(E-K_k{H}_k)}^T+K_k{R}_k{K}_k^T$

二、卡尔曼算法实施步骤：

（1）P_k=P₀，X_k=X₀；

（2）状态一步预测： ${\tilde{X}}_{k,k-1}={\mathrm{\φ}}_{k,k-1}{\tilde{X}}_{k-1,k-1},$

协方差进行一步预测： $P_{k,k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T;$

（3）量测的预测： ${\tilde{Z}}_{k,k-1}=H_k{\tilde{X}}_{k,k-1},$

信息协方差: $S_k=H_k{P}_{k,k-1}{H}_k^T+R_k;$

（4）新息： $v\left(k\right)=Z_k-{\tilde{Z}}_{k,k-1}$

增益： $K_k=P_{k,k-1}{H}_k^T{(H_k{P}_{k,k-1}{H}_k^T+R_k)}^{-1}$

（5）状态方程更新： ${\tilde{X}}_k={\tilde{X}}_{k,k-1}+K_k(Z_k-H_k{\tilde{X}}_{k,k-1})$

协方差方程更新： $P_k=(E-K_k{H}_k)P_{k,k-1}{(E-K_k{H}_k)}^T+K_k{R}_k{K}_k^T$

（6）判断是否满足设定条件，返回步骤2）

相空间重构模组302，对数据进行相空间重构，经过多次matlab仿真试验，并利用互信息商法确定延时时间τ=4和G-P算法确定嵌入维数m=6。

风速预测模型建立模组303利用Elman神经网络建立风速预测模型，预测出风速。具体如下：

一Elman网络学习算法

神经网络训练的任务是通过学习算法不断地调整网络的权值和阈值，使网络的输出与期望的误差达到最小。

Elman神经网络的非线性状态空间表达式为

$\left\{\begin{array}{c}y\left(k\right)=g(w^2\·x\left(k\right)+b2)\\ x\left(k\right)=f(w^3\·x^c\left(k\right)+w^1\·u(k-1)+b1)\\ x^c\left(k\right)=x(k-1)\end{array}\right.$

其中W¹，W²，W³分别为输入层到隐含层，隐含层到输出层，承接层到隐含层的权值矩阵。f函数、g函数分别为输出层单元和隐层单元的激发函数组成的非线性向量函数。u（k-1）为网络输入，x(k)为隐含层输出，x^c（k）为反馈向量，y（k）网络输出，b1,b2分别为隐含层和输出层的阈值。f(·)为隐含层神经元的传递函数，采用tansig函数，g(·)为输出层传递函数，采用purelin函数。

二Elman神经网络算法实现步骤：

（1）初始化各层权值；

（2）输入样本，并将数据归一化处理，即将样本数据线性变化，使其归一到[-11]之间，作为网络训练的数据集合；

（3）计算输入层输出；

（4）计算隐含层输出x(k)=f(w³·x^c(k)+w¹·u(k-1)+b1)，其中u（k-1）为输入层输入、xc（k）承接层反馈向量和阀值b1；

（5）计算输出层输出y(k)=g(w²·x(k)+b2)，其中x（k）为隐含层输出，b2为阀值；

（6）计算承接层输出x^c(k)=x(k-1)，并反馈到隐含层；

（7）计算网络误差；

（8）更新权值；

（9）判断是否满足设定条件，返回步骤3）。

功率转化模组304根据一功率转化公式，将风速转换为功率，输出预测功率值。在本发明较佳实施例中，功率转换公式为：

其中，v为风速，V_cutout为风机接入风速上限，V_cutin为风机接入风速下限。

综上所述，本发明一种短期风电功率预测系统及方法首先利用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳。然后进行相空间重构，经多次试验，并利用互信息商法确定延时时间τ=4和嵌入维数m=6，然后利用Elman神经网络建立预测模型，并预测出风速，然后将风速输入功率曲线，转化成功率。最后，经过多次试验表明，相比现有技术，本发明的预测精度有了明显提高。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (10)

1.一种短期风电功率预测方法，包括如下步骤：

步骤一，采用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳；

步骤二，对经预处理后的数据进行相空间重构，并确定延时时间和嵌入维数；

步骤三，利用Elman神经网络建立风速预测模型，预测出风速；

步骤四，根据一功率转化公式，将风速转换为功率，输出预测功率值。

2.如权利要求1所述的一种短期风电功率预测方法，其特征在于，预处理步骤包括如下步骤：

（1）进行初始化，P_k=P₀，X_k=X₀；

（2）状态一步预测， ${\tilde{X}}_{k,k-1}={\mathrm{\φ}}_{k,k-1}{\tilde{X}}_{k-1,k-1},$

协方差进行一步预测， $P_{k,k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T;$

（3）量测的预测， ${\tilde{Z}}_{k,k-1}=H_k{\tilde{X}}_{k,k-1},$

信息协方差， $S_k=H_k{P}_{k,k-1}{H}_k^T+R_k;$

（4）新息， $v\left(k\right)=Z_k-{\tilde{Z}}_{k,k-1},$

增益， $K_k=P_{k,k-1}{H}_k^T{(H_k{P}_{k,k-1}{H}_k^T+R_k)}^{-1};$

（5）状态方程更新， ${\tilde{X}}_k={\tilde{X}}_{k,k-1}+K_k(Z_k-H_k{\tilde{X}}_{k,k-1}),$

协方差方程更新, $P_k=(E-K_k{H}_k)P_{k,k-1}{(E-K_k{H}_k)}^T+K_k{R}_k{K}_k^T;$

（6）判断是否满足设定条件，返回步骤2）

3.如权利要求1所述的一种短期风电功率预测方法，其特征在于：在步骤二中，利用互信息商法确定延时时间和G-P算法确定嵌入维数。

4.如权利要求1所述的一种短期风电功率预测方法，其特征在于，步骤三包括如下步骤：

（1）初始化各层权值；

（2）输入样本，并将数据归一化处理，即将样本数据线性变化，使其归一到[-11]之间，作为网络训练的数据集合；

（3）计算输入层输出；

（4）计算隐含层输出x(k)=f(w³·x^c(k)+w¹·u(k-1)+b1)，其中u（k-1）为输入层输入、xc（k）承接层反馈向量和阀值b1；

（5）计算输出层输出y(k)=g(w²·x(k)+b2)，其中x（k）为隐含层输出，b2为阀值；

（6）计算承接层输出x^c(k)=x(k-1)，并反馈到隐含层；

（7）计算网络误差；

（8）更新权值；

（9）判断是否满足设定条件，返回步骤3）。

5.如权利要求1所述的一种短期风电功率预测方法，其特征在于，该功率转换公式为：

其中，v为风速，V_cutout为风机接入风速上限，V_cutin为风机接入风速下限。

6.一种短期风电功率预测系统，至少包括：

预处理模组，利用卡尔曼算法对风速数据进行预处理，使数据变得光滑平稳；

相空间重构模组，对数据进行相空间重构，并确定延时时间和嵌入维数；

风速预测模型建立模组，利用Elman神经网络建立风速预测模型，预测出风速；

功率转化模组，根据一功率转化公式，将风速转换为功率，输出预测功率值。

7.如权利要求6所述的一种短期风电功率预测系统，其特征在于，该预处理模组采用如下步骤对风速数据进行预处理：

（1）P_k=P₀，X_k=X₀；

（2）状态一步预测， ${\tilde{X}}_{k,k-1}={\mathrm{\φ}}_{k,k-1}{\tilde{X}}_{k-1,k-1},$

协方差进行一步预测， $P_{k,k-1}={\mathrm{\φ}}_{k,k-1}{P}_{k-1}{\mathrm{\φ}}_{k,k-1}^T+{\mathrm{\Γ}}_{k-1}{Q}_{k-1}{\mathrm{\Γ}}_{k-1}^T;$

（3）量测的预测， ${\tilde{Z}}_{k,k-1}=H_k{\tilde{X}}_{k,k-1},$

信息协方差， $S_k=H_k{P}_{k,k-1}{H}_k^T+R_k;$

（4）新息， $v\left(k\right)=Z_k-{\tilde{Z}}_{k,k-1},$

增益， $K_k=P_{k,k-1}{H}_k^T{(H_k{P}_{k,k-1}{H}_k^T+R_k)}^{-1};$

（5）状态方程更新， ${\tilde{X}}_k={\tilde{X}}_{k,k-1}+K_k(Z_k-H_k{\tilde{X}}_{k,k-1}),$

协方差方程更新， $P_k=(E-K_k{H}_k)P_{k,k-1}{(E-K_k{H}_k)}^T+K_k{R}_k{K}_k^T;$

（6）判断是否满足设定条件，返回步骤2）。

8.如权利要求6所述的一种短期风电功率预测系统，其特征在于：该相空间重构模组利用互信息商法确定延时时间和G-P算法确定嵌入维数。

9.如权利要求6所述的一种短期风电功率预测系统，其特征在于，该风速预测模型建立模组利用如下步骤建立风速预测模型：

（1）初始化各层权值；

（2）输入样本，并将数据归一化处理，即将样本数据线性变化，使其归一到[-11]之间，作为网络训练的数据集合；

（3）计算输入层输出；

（4）计算隐含层输出x(k)=f(w³·x^c(k)+w¹·u(k-1)+b1)，其中u（k-1）为输入层输入、xc（k）承接层反馈向量和阀值b1；

（5）计算输出层输出y(k)=g(w²·x(k)+b2)，其中x（k）为隐含层输出，b2为阀值；

（6）计算承接层输出x^c(k)=x(k-1)，并反馈到隐含层；

（7）计算网络误差；

（8）更新权值；

（9）判断是否满足设定条件，返回步骤3）。

10.如权利要求6所述的一种短期风电功率预测系统，其特征在于，该功率转换公式为：

其中，v为风速，V_cutout为风机接入风速上限，V_cutin为风机接入风速下限。

Images