CN103955779A - 一种风电功率爬坡事件概率场景预测方法 - Google Patents

Abstract

本发明涉及一种风电功率爬坡事件概率场景预测方法，通过构建计及累积密度函数和高阶矩自相关函数的多目标适应度函数实现了分布特征一致性和时序特征一致性。基于多目标适应度函数的遗传算法对概率生成模型参数进行迭代寻优，得到大量预测场景，并通过场景捕捉带内挖掘出的爬坡事件概率特征评价该预测方法。选取国外某风场实际数据进行算例计算和统计分析，结果表明多目标函数较单目标函数的统计结果更为精确，而且该概率场景预测方法可以较准确地估计出爬坡事件的特征量，证明了该方法的正确性，可为概率场景生成方法和爬坡事件预测模型提供指导。

Description

一种风电功率爬坡事件概率场景预测方法

技术领域

本发明涉及一种风电功率的预测方法，尤其是涉及一种风电功率爬坡事件概率场景预测方法。

背景技术

风力发电的不确定性导致其并网过程中对电网的安全稳定构成威胁，甚至产生严重损失。风电功率在短时间内出现较大幅度的上升或下降极易形成所谓的风电功率“爬坡事件”，风电功率爬坡事件在风电管理调度方面尤为重要，大幅度的风电出力变化需要通过调节电网中传统发电机组出力来弥补，如使用电网辅助服务或者限制和削减风电出力的爬坡率，而这些措施对电网运行造成较大程度的损失。爬坡事件预测研究是解决这一问题的有效措施，有助于电网调度部门提前制定风电并网方案和辅助决策。

事实上国外学者早已将风电功率爬坡事件作为热点问题来研究，尤其是以斯坦福大学Sevlian博士和新南威尔士大学Cutler博士为代表，将该问题推向新的研究高度。Sevlian定义了一种与任一爬坡事件定义相关联的记分函数族，通过动态规划递归算法遍历所有发生的爬坡事件，从而建立新的概率统计模型描述爬坡事件各相关特征，为爬坡事件的预测研究提供理论依据和挖掘算法；Culter首次从工程应用角度预测爬坡事件，评估了WPPT(Wind Power Prediction Tool)和MesoLAPS(Mesoscale Limited AreaPrediction System)系统预测爬坡事件的能力，认为该事件属于风电交易和电网运营管理中的突发事件。

与之相反，国内对风电功率爬坡事件的研究处于刚刚起步的阶段。东南大学的王颖等人按照国家风电并网标准提出一种新的爬坡事件数学表达式，结合风储联合优化控制和风电功率预测数据抑制爬坡事件的发生，但关于真正预测爬坡事件的研究较少涉及；山东大学的戚永志等人提出采用预防控制、爬坡控制和恢复控制的爬坡事件有限度控制基本框架，但侧重于爬坡控制方法研究，对预测控制的初步探索使得该文未能确定预防控制的最佳降出力额度和方法。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种能够有效生成爬坡事件预测场景，挖掘场景内的爬坡事件，能较准确地估计爬坡事件的特征量，具有实用性和鲁棒性的一种风电功率爬坡事件概率场景预测方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种风电功率爬坡事件概率场景预测方法，其特征在于：包括以下步骤，

步骤1，采用人工神经网络生成风电功率的概率生成模型，即将若干个当前时刻和历史时刻的风电功率数据和一个下一时刻的风电功率值作为模型输入变量，将下一时刻某个风电功率值出现的概率作为模型输出变量，建立人工神经网络概率生成模型；

步骤2，基于步骤1所建立的概率生成模型，采用改进的遗传算法求解模型参数，首先在该模型的基础上根据输入输出参数个数确定遗传算法个体的长度，个体通过多目标适应度函数(包括累积密度函数适应度值和高阶矩自相关函数适应度值)计算个体适应度值，进而通过选择、交叉和变异操作找到最优适应度值对应的个体，最终确定模型的最优参数；

步骤3，基于步骤1所建立的概率生成模型和步骤2求解出的模型参数，采样得到足够多的预测场景和场景捕捉带，使用爬坡事件挖掘算法得到特征量的所有场景预测值并进行统计分析，即得到爬坡事件特征量的预测估计值。

本发明使用基于多目标适应度函数的改进遗传算法对模型参数进行寻优，构建计及累积密度函数和高阶矩自相关函数的多目标适应度函数，采用累积密度函数表征预测值与实际值的分布特征一致性，高阶矩自相关函数表征预测值与实际值的时序特征一致性，从而生成大量的概率场景，采用预测场景内挖掘出的爬坡事件概率特征评价预测模型。

在上述风电功率爬坡事件场景预测方法，所述的步骤1包括以下子步骤，设当前时刻为t，输入变量X包含有n+1个输入量，其中n个当前时刻(t时刻)和历史风电功率数据(t-1时刻，…，t-n+2时刻和t-n+1时刻)，1个下一时刻(t+1时刻)可能的风电功率值；输出变量O为下一时刻第m个风电功率值出现的概率

步骤1.1，网络初始化。根据系统输入输出序列 $\left(X\right|O)=(X_{t-n+1},X_{t-n+2},...,X_{t-1},X_t,{\tilde{X}}_{t+1,m}|p_{{\tilde{X}}_{t+1},m})$ 确定网络输入层节点数n+1个，隐含层节点数l个，输出层节点数1个，初始化输入层、隐含层和输出层神经元之间的连接权值参数ω_ij和ω_jk，初始化隐含层阈值参数α和输出层阈值参数β，给定学习速率和神经元激励函数；

步骤1.2，隐含层输出计算。根据输入变量X，输入层和隐含层间连接权值ω_ij以及隐含层阈值参数α，计算隐含层输出H；

$\begin{array}{cc}{h}_j=f(\underset{i=1}{\overset{n+1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_i-{\mathrm{\α}}_j)& j=\mathrm{1,2},...,l\end{array}$

式中，l为隐含层节点数；f为隐含层激励函数，该函数表达方式有多种，文中该函数取为：

$f\left(x\right)=\frac{1}{(1+e^{-x})}$

步骤1.3，输出层输出计算。根据隐含层输出H，连接权值参数ω_jk和阈值参数β，计算神经网络输出的下一时刻第m个风电功率的概率值设该概率值的总体为则有：

$\begin{array}{cc}{p}_{{\tilde{X}}_{t+1,m}}=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{h}_j{\mathrm{\ω}}_{\mathrm{jk}}-b_k& k=1,b_1=\mathrm{\β}\end{array}$

$P_{{\tilde{X}}_{t+1}}=\{p_{{\tilde{X}}_{t+1,1}},p_{{\tilde{X}}_{t+\mathrm{1,2}}},...,p_{{\tilde{X}}_{t+1,m}},...,p_{{\tilde{X}}_{t+1,M}}\},\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{p}_{{\tilde{X}}_{t+1,m}}=1$

在上述风电功率爬坡事件场景预测方法，所述步骤2包括以下子步骤，

步骤2.1，种群初始化，在人工神经网络概率生成模型的基础上根据输入输出参数个数确定遗传算法个体的长度，每个个体均为一个实数串，即采用实数编码方法。个体由输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值参数4部分组成。一个个体包含了人工神经网络全部权值和阈值参数，且对应于一个确定的人工神经网络概率生成模型；

步骤2.2，构建一组多目标适应度值：

步骤2.2.1，构建累积密度函数(cumulative density function,CDF)适应度值F₁，建立预测输出CDF曲线和期望输出CDF曲线之间的误差绝对值作为个体CDF适应度值。由步骤1得到的第m个风电功率采样值对应的概率值p_m，逆向使用拉丁超立方分层采样法可以得到随机变量的整体累积分布：即：

$O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_{{\tilde{X}}_{t+1,i}}$

已知t+1时刻有M个可能的风电功率预测值，预测输出CDF曲线的生成方法为：将曲线O_cdf的横轴分成M-1个等间距不重叠区间(区间宽度为1/(M-1))，每个采样点的概率值已由人工神经网络概率生成模型得到，由累积密度函数的定义可得第m个风电功率采样值对应的累积密度函数值：

$O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m}\right)=O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m-1}\right)+p_{{\tilde{X}}_{t+1,m}}$

步骤2.2.2，构建高阶矩自相关函数适应度值F₂，由于即使当预测输出与期望输出的CDF分布完全相同，其概率纸检验的结果显示预测输出的CDF分布也未必服从期望输出的CDF分布，在算法的迭代过程中需要考虑高阶矩自相关函数值作为适应度值以建立随机数列的时序相关性，使得产生的随机数列能够更多地保持真实风电功率历史序列的高阶矩特性；

步骤2.2.3，构建一组多目标适应度值，包含有累积密度函数适应度值F₁和高阶矩自相关函数适应度值F₂，分别建立预测输出CDF曲线和期望输出CDF曲线、预测输出和期望输出高阶矩自相关函数之间的误差绝对值之和作为个体适应度值F(认为两目标适应度值有相同的权重)，即：

F＝F₁(Y_cdf,O_cdf)+F₂(Y_corr,O_corr)

式中，Y_cdf为统计海量历史数据得到的真实风电功率的期望输出CDF，O_cdf为由人工神经网络概率生成模型得到随机数列的预测输出CDF；Y_corr为真实风电功率的期望输出高阶矩自相关函数，O_corr为由人工神经网络概率生成模型得到随机数列的预测输出高阶矩自相关函数值。

步骤2.2.4，重复步骤2.2.1到步骤2.2.3，使用遗传算法反复迭代计算每一代的多目标适应度值，直到迭代得到满足阈值要求的最小适应度值，取此时对应的种群个体作为模型参数的最优解，即：

minF＝F₁(Y_cdf,O_cdf)+F₂(Y_corr,O_corr)

F₁＝∑|Y_cdf-O_cdf|    。

F₂＝∑|Y_corr-O_corr|

在上述风电功率爬坡事件场景预测方法，所述步骤3包括以下子步骤，

步骤3.1，采样得到一组足够长度的随机数列，作为一个场景，重复该场景生成过程足够多(假设一万次)，形成概率场景捕捉带；

步骤3.2，根据步骤3.1形成的概率场景捕捉带，利用爬坡事件挖掘算法，求取爬坡时间特征量的预测估计值。

因此，本发明具有如下优点：能够有效预测爬坡事件发生的概率，具有较强的鲁棒性和实用性，采用多目标函数作为适应度的方法，计及了历史数据的分布特征和时序性，比仅采用单一目标函数的方法统计结果更为精确。

附图说明

附图1是本发明的人工神经网络概率生成模型框图。

附图2是本发明的模型参数求解流程图。

附图3a是本发明中t+1时刻随机数列生成的CDF曲线示意图。

附图3b是本发明中预测与期望CDF迭代曲线示意图。

附图4a是本发明中CDF曲线示意图。

附图4b是本发明中CDF曲线概率纸检验图。

附图5是本发明的二阶矩自相关函数迭代示意图。

附图6是本发明的概率场景预测模型结构图。

附图7是本发明的某时段内挖掘的爬坡事件图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本发明涉及一种风电功率爬坡事件概率场景预测方法。由于风力发电的不确定性导致其并网过程中对电网的安全稳定构成威胁，甚至产生严重损失。风电功率爬坡事件在风电管理调度方面尤为重要，大幅度的风电出力变化需要通过调节电网中传统发电机组出力来弥补，如使用电网辅助服务或者限制和削减风电出力的爬坡率，而这些措施对电网运行造成较大程度的损失。爬坡事件预测研究是解决这一问题的有效措施，有助于电网调度部门提前制定风电并网方案和辅助决策。本发明提出基于ANN概率生成模型的爬坡事件场景预测方法，建立ANN概率生成模型并使用基于多目标适应度函数的改进遗传算法对模型参数进行寻优，构建计及累积密度函数和高阶矩自相关函数的多目标适应度函数，采用累积密度函数表征预测值与实际值的分布特征一致性，高阶矩自相关函数表征预测值与实际值的时序特征一致性，从而生成大量的概率场景，采用预测场景内挖掘出的爬坡事件概率特征评价预测模型。

数据取自美国邦纳韦尔电力局，共有184000个风电功率采样点，每30秒进行一次采样，采样时间从2005年1月1日到2006年12月31日，风场额定容量24MW，且所用数据均为以该额定容量为基准值标幺化后的数据。

实施案例提供的风电功率爬坡事件概率场景预测方法可采用计算机软件程序实现自动运行流程。实施案例的流程所含步骤如下：

步骤1，采用人工神经网络(ANN)生成风电功率的概率生成模型，即将若干个当前时刻和历史时刻的风电功率数据和一个下一时刻可能的风电功率值作为模型输入变量，将下一时刻某个风电功率值出现的概率作为模型输出变量，建立ANN概率生成模型。

而且，步骤1包括以下子步骤，

步骤1.1，网络初始化。根据系统输入输出序列 $\left(X\right|O)=(X_{t-n+1},X_{t-n+2},...,X_{t-1},X_t,{\tilde{X}}_{t+1,m}|p_{{\tilde{X}}_{t+1},m})$ 确定网络输入层节点数n+1个，隐含层节点数l个，输出层节点数1个，初始化输入层、隐含层和输出层神经元之间的连接权值参数ω_ij和ω_jk，初始化隐含层阈值参数α和输出层阈值参数β，给定学习速率和神经元激励函数；

步骤1.2，隐含层输出计算。根据输入变量X，输入层和隐含层间连接权值ω_ij以及隐含层阈值参数α，计算隐含层输出H；

$\begin{array}{cc}{h}_j=f(\underset{i=1}{\overset{n+1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_i-{\mathrm{\α}}_j)& j=\mathrm{1,2},...,l\end{array}$

式中，l为隐含层节点数；f为隐含层激励函数，该函数表达方式有多种，文中该函数取为：

$f\left(x\right)=\frac{1}{(1+e^{-x})}$

步骤1.3，输出层输出计算。根据隐含层输出H，连接权值参数ω_jk和阈值参数β，计算神经网络输出的下一时刻第m个风电功率的概率值设该概率值的总体为则有：

$\begin{array}{cc}{p}_{{\tilde{X}}_{t+1,m}}=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{h}_j{\mathrm{\ω}}_{\mathrm{jk}}-b_k& k=1,b_1=\mathrm{\β}\end{array}$

$P_{{\tilde{X}}_{t+1}}=\{p_{{\tilde{X}}_{t+1,1}},p_{{\tilde{X}}_{t+\mathrm{1,2}}},...,p_{{\tilde{X}}_{t+1,m}},...,p_{{\tilde{X}}_{t+1,M}}\},\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{p}_{{\tilde{X}}_{t+1,m}}=1$

式中，下一时刻有M个可能的风电功率预测值。

步骤2，基于步骤1所建立的概率生成模型，采用改进的遗传算法求解模型参数，首先在该模型的基础上根据输入输出参数个数确定遗传算法个体的长度，个体通过本发明提出的多目标适应度函数(包括累积密度函数适应度值和高阶矩自相关函数适应度值)计算个体适应度值，进而通过选择、交叉和变异操作找到最优适应度值对应的个体，最终确定模型的最优参数。

而且，步骤2包括以下子步骤，

步骤2.1，种群初始化，在ANN概率生成模型的基础上根据输入输出参数个数确定遗传算法个体的长度，每个个体均为一个实数串，即采用实数编码方法。个体由输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值参数4部分组成。一个个体包含了ANN全部权值和阈值参数，且对应于一个确定的ANN概率生成模型；

步骤2.2，构建一组多目标适应度值：

步骤2.2.1，构建累积密度函数(cumulative density function,CDF)适应度值F₁，建立预测输出CDF曲线和期望输出CDF曲线之间的误差绝对值作为个体CDF适应度值。由步骤1得到的第m个风电功率采样值对应的概率值p_m，逆向使用拉丁超立方分层采样法可以得到随机变量的整体累积分布：即：

$O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_{{\tilde{X}}_{t+1,i}}$

已知t+1时刻有M个可能的风电功率预测值，预测输出CDF曲线的生成方法为：将曲线O_cdf的横轴分成M-1个等间距不重叠区间(区间宽度为1/(M-1))，每个采样点的概率值已由ANN概率生成模型得到，由累积密度函数的定义可得第m个风电功率采样值对应的累积密度函数值：

$O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m}\right)=O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m-1}\right)+p_{{\tilde{X}}_{t+1,m}}$

步骤2.2.2，构建高阶矩自相关函数适应度值F₂，由于即使当预测输出与期望输出的CDF分布完全相同，其概率纸检验的结果显示预测输出的CDF分布也未必服从期望输出的CDF分布，在算法的迭代过程中需要考虑高阶矩自相关函数值作为适应度值以建立随机数列的时序相关性，使得产生的随机数列能够更多地保持真实风电功率历史序列的高阶矩特性；

步骤2.2.3，构建一组多目标适应度值，包含有累积密度函数适应度值F₁和高阶矩自相关函数适应度值F₂，分别建立预测输出CDF曲线和期望输出CDF曲线、预测输出和期望输出高阶矩自相关函数之间的误差绝对值之和作为个体适应度值(认为两目标适应度值有相同的权重)，即：

minF＝F₁(Y_cdf,O_cdf)+F₂(Y_corr,O_corr)

F₁＝∑|Y_cdf-O_cdf|

F₂＝∑|Y_corr-O_corr|

式中，Y_cdf为统计海量历史数据得到的真实风电功率的期望输出CDF，O_cdf为由ANN概率生成模型得到随机数列的预测输出CDF；Y_corr为真实风电功率的期望输出高阶矩自相关函数，O_corr为由ANN概率生成模型得到随机数列的预测输出高阶矩自相关函数值。

步骤3，基于步骤1所建立的概率生成模型和步骤2求解出的模型参数，采样得到足够多的预测场景和场景捕捉带，使用爬坡事件挖掘算法得到特征量的所有场景预测值并进行统计分析，即得到爬坡事件特征量的概率估计值，与历史实际数据挖掘到的爬坡事件特征量实际值进行比较，评价爬坡事件预测模型的性能。

而且，步骤3包括以下子步骤，

步骤3.1，采样得到一组足够长度的随机数列，作为一个场景，重复该场景生成过程足够多(假设一万次)，形成概率场景捕捉带；

步骤3.2，根据步骤3.1形成的概率场景捕捉带，利用爬坡事件挖掘算法，求取爬坡时间特征量的概率估计值，根据历史数据实际样本，利用爬坡事件挖掘算法，求取爬坡时间特征量的实际估计值，将两者进行比较从而评价爬坡事件预测模型。定义表征爬坡特征量的预测值与实际值之间误差关系的两个指标，归一化绝对平均误差(normalized mean absolute error,NMAE)和均方根误差(root mean square error,RMSE)，其表达式如下：

$\mathrm{NMAE}(\%)=\frac{1}{\mathrm{NS}}\underset{t=1}{\overset{\mathrm{NS}}{\mathrm{\Σ}}}\frac{|\mathrm{RP}\left(t\right)-\mathrm{RPF}\left(t\right)|}{P_N}\×100$

$\mathrm{RMSE}=\sqrt{\frac{1}{\mathrm{NS}}\underset{t=1}{\overset{\mathrm{NS}}{\mathrm{\Σ}}}{[\mathrm{RP}\left(t\right)-\mathrm{RPF}\left(t\right)]}^2}$

式中，RP(t)和RPF(t)分别表示t时刻爬坡事件特征量的实际值和预测值；P_N表示风机(场)的额定容量；NS表示一定时间范围内的采样点数。需要说明的是，与传统风电功率预测误差指标不同，此处的两个指标是建立在统计爬坡事件各特征量误差的基础上，评价对象是针对爬坡事件特征的预测效果。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种风电功率爬坡事件概率场景预测方法，其特征在于：包括以下步骤，

步骤1，采用人工神经网络生成风电功率的概率生成模型，即将若干个当前时刻和历史时刻的风电功率数据和一个下一时刻的风电功率值作为模型输入变量，将下一时刻某个风电功率值出现的概率作为模型输出变量，建立人工神经网络概率生成模型；

步骤2，基于步骤1所建立的概率生成模型，采用改进的遗传算法求解模型参数，首先在该模型的基础上根据输入输出参数个数确定遗传算法个体的长度，个体通过多目标适应度函数计算个体适应度值，进而通过选择、交叉和变异操作找到最优适应度值对应的个体，最终确定模型的最优参数；

步骤3，基于步骤1所建立的概率生成模型和步骤2求解出的模型参数，采样得到足够多的预测场景和场景捕捉带，使用爬坡事件挖掘算法得到特征量的所有场景预测值并进行统计分析，即得到爬坡事件特征量的预测估计值。

2.根据权利要求1所述风电功率爬坡事件场景预测方法，其特征在于：所述的步骤1基于以下定义：当前时刻为t，输入变量X包含有n+1个输入量，其中n个当前时刻和历史风电功率数据，一个下一时刻的风电功率值；输出变量O为下一时刻第m个风电功率值出现的概率包括以下子步骤：

步骤1.1，网络初始化：即根据系统输入输出序列 $\left(X\right|O)=(X_{t-n+1},X_{t-n+2},...,X_{t-1},X_t,{\tilde{X}}_{t+1,m}|p_{{\tilde{X}}_{t+1},m})$ 确定网络输入层节点数n+1个，隐含层节点数l个，输出层节点数1个，初始化输入层、隐含层和输出层神经元之间的连接权值参数ω_ij和ω_jk，初始化隐含层阈值参数α和输出层阈值参数β，给定学习速率和神经元激励函数；

步骤1.2，隐含层输出计算：根据输入变量X，输入层和隐含层间连接权值ω_ij以及隐含层阈值参数α，计算隐含层输出H，基于以下公式：

$\begin{array}{cc}{h}_j=f(\underset{i=1}{\overset{n+1}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_i-{\mathrm{\α}}_j)& j=\mathrm{1,2},...,l\end{array}$

式中，l为隐含层节点数；f为隐含层激励函数，取

$f\left(x\right)=\frac{1}{(1+e^{-x})};$

步骤1.3，输出层输出计算：根据隐含层输出H，连接权值参数ω_jk和阈值参数β，计算神经网络输出的下一时刻第m个风电功率的概率值设该概率值的总体为则有：

$\begin{array}{cc}{p}_{{\tilde{X}}_{t+1,m}}=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{h}_j{\mathrm{\ω}}_{\mathrm{jk}}-b_k& k=1,b_1=\mathrm{\β}\end{array}$

$P_{{\tilde{X}}_{t+1}}=\{p_{{\tilde{X}}_{t+1,1}},p_{{\tilde{X}}_{t+\mathrm{1,2}}},...,p_{{\tilde{X}}_{t+1,m}},...,p_{{\tilde{X}}_{t+1,M}}\},\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{p}_{{\tilde{X}}_{t+1,m}}=1.$

3.根据权利要求2所述风电功率爬坡事件概率场景预测方法，其特征在于：所述步骤2包括以下子步骤，

步骤2.1，种群初始化，在人工神经网络概率生成模型的基础上根据输入输出参数个数确定遗传算法个体的长度，每个个体均为一个实数串，即采用实数编码方法，个体由输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值参数4部分组成；一个个体包含了人工神经网络全部权值和阈值参数，且对应于一个确定的ANN概率生成模型；

步骤2.2，构建一组多目标适应度值，并使用遗传算法反复迭代计算直到迭代得到满足阈值要求的最小适应度值后得到最优解，具体包括以下子步骤：

步骤2.2.1，构建累积密度函数适应度值F₁，建立预测输出CDF曲线和期望输出CDF曲线之间的误差绝对值作为个体CDF适应度值，由步骤1得到的第m个风电功率采样值对应的概率值p_m，逆向使用拉丁超立方分层采样法可以得到随机变量的整体累积分布：即：

$O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m}\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_{{\tilde{X}}_{t+1,i}}$

已知t+1时刻有M个风电功率预测值，预测输出CDF曲线的生成方法为：将曲线O_cdf的横轴分成M-1个等间距不重叠区间，其中区间宽度为1/(M-1)，每个采样点的概率值已由人工神经网络概率生成模型得到，由累积密度函数的定义可得第m个风电功率采样值对应的累积密度函数值：

$O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m}\right)=O_{\mathrm{cdf}}\left({\tilde{X}}_{t+1,m-1}\right)+p_{{\tilde{X}}_{t+1,m}}$

步骤2.2.2，构建高阶矩自相关函数适应度值F₂，由于即使当预测输出与期望输出的CDF分布完全相同，其概率纸检验的结果显示预测输出的CDF分布也未必服从期望输出的CDF分布，在算法的迭代过程中需要考虑高阶矩自相关函数值作为适应度值以建立随机数列的时序相关性，使得产生的随机数列能够更多地保持真实风电功率历史序列的高阶矩特性；

步骤2.2.3，构建一组多目标适应度值，包含有累积密度函数适应度值F₁和高阶矩自相关函数适应度值F₂，分别建立预测输出CDF曲线和期望输出CDF曲线、预测输出和期望输出高阶矩自相关函数之间的误差绝对值之和作为个体适应度值F，定义两目标适应度值有相同的权重，即：

F＝F₁(Y_cdf,O_cdf)+F₂(Y_corr,O_corr)

式中，Y_cdf为统计海量历史数据得到的真实风电功率的期望输出CDF，O_cdf为由ANN概率生成模型得到随机数列的预测输出CDF；Y_corr为真实风电功率的期望输出高阶矩自相关函数，O_corr为由ANN概率生成模型得到随机数列的预测输出高阶矩自相关函数值；

步骤2.2.4，重复步骤2.2.1到步骤2.2.3，使用遗传算法反复迭代计算每一代的多目标适应度值，直到迭代得到满足阈值要求的最小适应度值，取此时对应的种群个体作为模型参数的最优解，即：

minF＝F₁(Y_cdf,O_cdf)+F₂(Y_corr,O_corr)

F₁＝∑|Y_cdf-O_cdf|    。

F₂＝∑|Y_corr-O_corr|

4.根据权利要求1所述超短期风电功率滑动预测方法，其特征在于：所述步骤3包括以下子步骤，

步骤3.1，采样得到一组足够长度的随机数列，作为一个场景，重复该场景生成过程足够多，定义为一万次，形成概率场景捕捉带；

步骤3.2，根据步骤3.1形成的概率场景捕捉带，利用爬坡事件挖掘算法，求取爬坡时间特征量的预测估计值。