CN104915736A - 基于改进熵权法提高风电功率组合预测精度的方法 - Google Patents

Abstract

基于改进熵权法提高风电功率组合预测精度的方法，属于风电技术领域，其特征在于基于改进熵权法提高风电功率组合预测精度的方法，对传统熵权法进行了改进，并用来计算风电功率组合预测模型的权重，基于改进熵权法的风电功率组合预测精度的方法在单一预测方法只可以提供风电功率预测的基本信息基础上，通过改进熵权法来确定单一预测方法中预测信息的权重，从而得到一个更为合理的风电功率组合预测模型，包括三个步骤：基于改进熵权法的风电功率组合预测模型求解步骤、滚动式权重调整手段和算例分析。基于改进熵权法提高风电功率组合预测精度的方法预测结果非常接近真实值，预测结果有效，预测精度高，可操作性强。

Description

基于改进熵权法提高风电功率组合预测精度的方法

技术领域

本发明涉及一种基于改进熵权法提高风电功率组合预测精度的方法，属于风电技术领域。

背景技术

风资源作为一种天然能源，可谓取之不尽、用之不竭。既无需大量的开采和运输成本，又具有零污染的特点，是一种典型的可持续循环、可持续再生的廉价型清洁能源。随着科技的高速发展，在材料、设备、软件等领域取得的成果为新型风电机组的开发研制做出了巨大贡献，使其建造成本大幅度降低，同时风力发电大规模开发的规模效益也进一步降低了风电成本。但其本身具有波动性、间歇性、低能量密度等特性，因此需要加强对风电功率预测的研究。国内外学者对风电功率预测方法进行了大量的研究：文献(Guo Z，Zhao W，Lu H，etal.，2012)提出了一种基于人工神经网络的改进经验模态分解(EMD)方法来进行预测，模型的预测精度较好；文献(刘爱国，薛云涛，胡江鹭，等，2015)采用遗传算法来优化该模型的核函数参数、核函数类型和惩罚因子等，提出了GA-SVM模型，提高了模型参数组合优化选择的效率和预测精度；文献(张维杰，田建艳，王芳，等.2014)建立了一种改进的RJP模糊神经网络风电功率预测模型，首先以椭圆基函数作为隶属度函数，扩展其接收域，然后采用模糊C-均值聚类来确定其中心值，最后引入了惯性项来加快网络的收敛速度，得到了较好的预测效果。上述预测方法都采用单一的预测模型。按国家能源局的有关规定(国家能源局关于印发风电场功率预测预报管理暂行办法的通知[EB/OL].2011)，风电功率实时预报要求每隔15min滚动的上报未来15min至4h的风电功率预测数据，可见对于风电功率的实时预测，每天需要进行96次预测，每次预测的数据量(步数)为16个。单一预测模型目前常用的有KNN法、线性回归法和滑动平均法。KNN(K-Nearest Neighbor)法也称k最邻近法，对于一个待分类的样本序列，系统将在训练集中找到k个最相近的邻居序列，并将这k个邻居的类别作为该待分类样本的候选类别。计算此样本序列与k个邻居之间的相似度，并作为各候选类别的权重，然后利用预先设定的阈值，就能够得到该样本的最终分类进而来进行预测(杨茂，贾云彭，穆钢，等，2014)。线性回归法是一种较为经典的回归分析法，该方法通过建模，将下一时刻的预测值表示为当前及历史值的线性组合，并通过最小二乘法等确定回归系数。滑动平均法通过将当前建模域内所有数据的均值作为下一时刻的预测值来进行预测。经过滑动平均处理后，可滤掉建模域内数据中的频繁随机起伏，呈现出平滑的变化趋势。单一预测模型会导致某些测量点出现较大误差，因此采用组合预测法成为一种研究趋势。目前已经有很多学者开始了组合预测的研究，如等权平均组合预测法、最优权系数法、回归组合法等。通常，很多计算权重的方法在权重被确定后就不会再改变，或者不会轻易的改变，而是一直被用于预测，如等权重法和传统的BP网络权重训练法等。基于等权重法的风电功率组合预测模型：组合预测法最早是由Bates和Granger提出的，其实质是综合利用单一模型的信息，并选择适当的权重得出组合预测模型(赵文清，朱永利，张小奇，2008)。组合预测有两种基本形式：等权重组合预测和不等权组合预测。其中，等权重组合预测即为将基于各预测方法得到的预测值按相同的权重组合成新的预测值模型，如式(1)所示；不等权重组合预测即为利用适当的权重计算模型来赋予各预测值不同的权重。这两种形式的原理完全相同，只是在权重的选取上有所区别，大量的经验发现不等权重组合预测模型的精度往往更高。

$P_{\mathrm{yc}}\left(i\right)=\frac{P_{\mathrm{cx}}\left(i\right)+P_{\mathrm{xx}}\left(i\right)+P_{\mathrm{hd}}\left(i\right)}{3}---\left(1\right)$

但由于风具有随机性，使得风电功率也具有随机波动的特性，大量的研究发现随着时间的推移，恒不变权重越来越显得不适应，应该进行调整(杨秀媛，肖洋，陈树勇，2005)。

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。采用单一预测模型进行预测时，都会有各自的优势和劣势。因此如何更好地提高风电功率预测精度就成为急需解决的技术难题。所以，为了更好地提高风电功率预测精度，利用吉林西部某风电场实测数据进行算例分析，提出基于改进熵权法的风电功率组合预测方法，并同时采用滚动式权重，以此来实现对单一预测模型的互补，通过对时间段T内任一时刻的风电功率进行实时预测，确定评价指标，对熵权定义，改进熵权的计算，预测周期T内其他时刻的风电功率构建基于改进熵权法的风电功率组合预测模型，发明一种基于改进熵权法提高风电功率组合预测精度的方法是必要的。

发明内容

为了克服如何更好地提高风电功率预测精度的难题，本发明提供了一种基于改进熵权法提高风电功率组合预测精度的方法，该基于改进熵权法提高风电功率组合预测精度的方法首先设计实验方案，利用吉林西部某风电场实测数据进行算例分析，提出基于改进熵权法的风电功率组合预测方法，并同时采用滚动式权重，以此来实现对单一预测模型的互补，通过对时间段T内任一时刻的风电功率进行实时预测，确定评价指标，对熵权定义，改进熵权的计算，预测周期T内其他时刻的风电功率构建基于改进熵权法的风电功率组合预测模型，达到提供一种基于数据的、满足更好地提高实时预测精度要求的风电功率多步滚动实时预测方法的目的。

基于改进熵权法提高风电功率组合预测精度的方法的技术方案包括以下步骤：

首先基于改进熵权法的风电功率组合预测模型求解步骤具体内容如下：

(1)对时间段T内任一时刻的风电功率进行实时预测。

分别采用N个预测方法对时段T内各时点t(t＝1，2，…，T)的风电功率进行多步滚动预测，得到的预测值为

$p_j^{\mathrm{tn}}(n=\mathrm{1,2},...,N;j=1,...,16)---\left(2\right)$

其中j代表预测步数，n代表各预测方法。

(2)评价指标的确定

熵权的获得是建立在评价矩阵的基础之上的。在一个具有b个评价对象，m个评估指标的评估体系中，评价对象相对于评估指标的评价矩阵为

$A=\left|\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1m}\\ a_{21}& a_{22}& ...& a_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{b1}& a_{b2}& ...& a_{\mathrm{bm}}\end{array}\right|---\left(3\right)$

评价矩阵A需要经过标准化处理。

因此，由于多步滚动预测一次需要预测16步，即一次预测需要给出16个时点的预测值，故利用三种单一预测方法分别进行一次多步滚动预测，并将此次预测得到的各步预测值作为评价指标，构成评价矩阵：

$A={\left[p_j^n\right]}_{n\×j}---\left(4\right)$

其中，为基于第n个预测方法进行第j步预测时得到的预测值，A需进行标准化处理。

(3)熵权的定义

根据评价矩阵中的评价指标，将得到的第j个评价指标的熵定义为：

$H_j=-\frac{1}{\ln n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{p}_j^k\ln p_j^k,(j=\mathrm{1,2},...,m)---\left(5\right)$

式中，当 $p_j^k=0$ 时， $p_j^k\ln p_j^k=0.$

在熵的基础上，第j个评价指标的熵权定义为

${\mathrm{\ω}}_j=\frac{1-H_j}{m-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{H}_j},(j=\mathrm{1,2},...,m)---\left(6\right)$

(4)改进熵权的计算

由于传统熵权法在计算熵值H_j→1的指标权重时，其微小的变化将引起熵权成倍数变化。对此，本发明提出了改进熵权法：

${\mathrm{\&omega;}}_j=\left\{\begin{array}{c}(1-\stackrel{\&OverBar;}{H}){\mathrm{\&omega;}}_{0j}+\stackrel{\&OverBar;}{H}{\mathrm{\&omega;}}_{3j},H_j<1\\ 0,H_j=0\end{array}\right.---\left(7\right)$

${\mathrm{\&omega;}}_{0j}=\frac{1-H_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}(1-H_j)}---\left(8\right)$

${\mathrm{\&omega;}}_{3j}=\frac{1+\stackrel{\&OverBar;}{H}-H_j}{\underset{k=1,H_k\&NotEqual;1}{\overset{n}{\mathrm{\&Sigma;}}}(1+\stackrel{\&OverBar;}{H}-H_k)}---\left(9\right)$

式中，ω_j是第j个指标的权重；H_j是第j个指标的熵值；是所有不为1的熵值的平均值。

(5)预测周期T内其他时刻的风电功率

对于预测周期T内的各个预测时刻，可重复第(2)到第(5)步骤逐一求取，从而得到预测周期T内各时刻的风电功率预测值，如下：

$P_j=\mathrm{\&Sigma;}{\mathrm{\&omega;}}_j^n{p}_j^n---\left(10\right)$

式中，P_j为最终预测值；为某一次多步滚动预测中，第n个预测方法在第j步预测时的改进熵权值；为某一次多步滚动预测中，第n个预测方法在第j步预测时的风电功率预测值。

其次滚动式权重调整手段具体为：(1)设已知建模域内所有时刻风电功率的实际值P(t-iΔt)，i＝0，1，2…N，因此建模域内的历史数据数量为N+1，利用各预测方法得到风电功率的预测值j＝1，2…16，j为多步预测的步数。即为改进熵权法模型中的根据基于改进熵权法的风电功率组合预测模型求解步骤(1)到(5)即可求得最终预测值(2)随着时间的推移，在得到t+Δt时刻风电功率的真实值P(t+Δt)后，建模域内的风电功率数据变为P(t+Δt)和P(t-iΔt)，i＝0，1，2…N-1。此时再利用各预测方法得到风电功率的预测值j＝1，2…16。此时即为改进熵权法模型中的再利用改进熵权法求得最终的预测值依此类推。这样就可以实现对权重的不断更新，使各权重值能够反映出风电功率的最新变化，从而提高了预测精度。

最后是算例分析：本发明以吉林省某电场的实测数据进行分析，该电场的总装机容量为400.5MW；风机台数为267台；每台风机的额定容量为1.5MW；采样的时间为2012年8月1日至8月30日，数据采样间隔为15min；预测方式采用多步滚动预测模式；预测结果评价指标选为国家能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价。整场267台机组总的风电功率时序图如说明书附图中的图1所示。表1为任取某日，对整场267台机组风电功率利用各单一预测方法进行预测时的评价指标统计表。其中，将KNN法、线性回归法、滑动平均法、等权重组合预测法和改进熵权组合预测法分别记为方法1、方法2、方法3、方法4和方法5。将方法5的预测结果与方法1、方法2和方法3进行比较知，方法5的准确率和合格率均高于其他单一预测模型，全天预测结果均方根误差也均低于其余单一预测模型。综上，本发明所提出的预测模型的预测精度要高于另外三种单一预测模型，说明了基于改进熵权法的风电功率组合预测模型的有效性。将方法5的预测结果与方法4进行比较，发现方法5的精度也高于方法4，由此证明了本发明所提出的滚动式权重相对于恒定权重的优越性。说明书附图中的图2给出了改进熵权法组合模型全天各时刻，各单一预测方法的权值。由表1知，各单一预测模型的精度由高到低的顺序为：方法3、方法2、方法1。与图2结果对比发现，并不是整体预测精度高的单一预测模型的权重就一直高。

本发明基于改进熵权法提高风电功率组合预测精度的方法的有益效果为：对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。采用单一预测模型进行预测时，都会有各自的优势和劣势，为了更好地提高风电功率预测精度，本发明提出了基于改进熵权法的风电功率组合预测方法，并同时采用滚动式权重，以此来实现对单一预测模型的互补，通过算例分析得出以下结论：(1)基于改进熵权法提高风电功率组合预测精度的方法以吉林省西部某风电场的实测数据为例进行分析，改进熵权组合预测法预测的全天预测结果均方根误差为11.17％，优于单一预测模型预测的全天预测结果均方根误差22.38％、15.57％、13.83％和等权重组合预测法的全天预测结果均方根误差12.07％，说明了其在对风电功率进行预测时的有效性；(2)在组合预测方法中，采用滚动式权重模式时的预测精度要优于恒权重时的预测精度，这是由于滚动式权重可以实现对权重的不断更新，使各权重值能够反映出风电功率的最新变化，从而提高了预测精度；(3)并不是整体预测精度高的单一预测模型在组合预测中的权重就一直高。基于改进熵权法提高风电功率组合预测精度的方法预测结果非常接近真实值，预测结果有效，预测精度高，可操作性强。

附图说明

图1为基于改进熵权法提高风电功率组合预测精度的方法的2012年8月测得的整场机组风电功率时序图。

图2为基于改进熵权法提高风电功率组合预测精度的方法的改进熵权法组合模型全天各时刻各单一预测方法的权值图。图中I表示KNN法的权值、II表示线性回归法的权值、III表示滑动平均法的权值。

具体实施方式

风电功率的组合预测模型实质上是一个信息融合的过程，而加权融合法在理论上已被证明是满足KULL-BACK信息融合准则的最优方法(陈宁，沙倩，汤奕，等，2012)。本发明对传统熵权法进行了改进，并用来计算风电功率组合预测模型的权重。单一预测方法只可以提供风电功率预测的基本信息，而基于改进熵权法的风电功率组合预测模型则可以在此基础上，通过改进熵权法来确定单一预测方法中预测信息的权重，从而得到一个更为合理的风电功率组合预测模型。下面利用附图和实施例对本发明的基于改进熵权法提高风电功率组合预测精度的方法进行详细说明。

实施例一

本发明的基于改进熵权法提高风电功率组合预测精度的方法，其特征在于，基于改进熵权法提高风电功率组合预测精度的方法包括以下步骤：

1.改进熵权法组合预测模型求解步骤

在预测评价的过程中，有两个问题是比较关键的：一个是评价矩阵(一般为模糊矩阵)；另一个是各个评价指标在综合处理过程中的权重。对于指标权重的确定，一般是根据专家的判断或由经验来确定，此时称为主观权重；也有根据信息熵确定的，此时称为熵权，又称为客观权重，也有学者将两者结合使用，称为混合权重。

基于改进熵权法的风电功率组合预测模型求解步骤如下：

(1)对时间段T内任一时刻的风电功率进行实时预测。

分别采用N个预测方法对时段T内各时点t(t＝1，2，…，T)的风电功率进行多步滚动预测，得到的预测值为

$p_j^{\mathrm{tn}}(n=\mathrm{1,2},...,N;j=1,...,16)---\left(2\right)$

其中j代表预测步数，n代表各预测方法。

(2)评价指标的确定

熵权的获得是建立在评价矩阵的基础之上的。在一个具有b个评价对象，m个评估指标的评估体系中，评价对象相对于评估指标的评价矩阵为

$A=\left|\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1m}\\ a_{21}& a_{22}& ...& a_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{b1}& a_{b2}& ...& a_{\mathrm{bm}}\end{array}\right|---\left(3\right)$

评价矩阵A需要经过标准化处理。

因此，由于多步滚动预测一次需要预测16步，即一次预测需要给出16个时点的预测值，故利用三种单一预测方法分别进行一次多步滚动预测，并将此次预测得到的各步预测值作为评价指标，构成评价矩阵：

$A={\left[p_j^n\right]}_{n\&times;j}---\left(4\right)$

其中，为基于第n个预测方法进行第j步预测时得到的预测值，A需进行标准化处理。

(3)熵权的定义

根据评价矩阵中的评价指标，将得到的第j个评价指标的熵定义为：

$H_j=-\frac{1}{\ln n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_j^k\ln p_j^k,(j=\mathrm{1,2},...,m)---\left(5\right)$

式中，当 $p_j^k=0$ 时， $p_j^k\ln p_j^k=0.$

在熵的基础上，第j个评价指标的熵权定义为

${\mathrm{\&omega;}}_j=\frac{1-H_j}{m-\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{H}_j},(j=\mathrm{1,2},...,m)---\left(6\right)$

(4)改进熵权的计算

由于传统熵权法在计算熵值H_j→1的指标权重时，其微小的变化将引起熵权成倍数变化(欧阳森，石怡理，2013)。对此，本发明提出了改进熵权法：

${\mathrm{\&omega;}}_j=\left\{\begin{array}{c}(1-\stackrel{\&OverBar;}{H}){\mathrm{\&omega;}}_{0j}+\stackrel{\&OverBar;}{H}{\mathrm{\&omega;}}_{3j},H_j<1\\ 0,H_j=0\end{array}\right.---\left(7\right)$

${\mathrm{\&omega;}}_{0j}=\frac{1-H_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}(1-H_j)}---\left(8\right)$

${\mathrm{\&omega;}}_{3j}=\frac{1+\stackrel{\&OverBar;}{H}-H_j}{\underset{k=1,H_k\&NotEqual;1}{\overset{n}{\mathrm{\&Sigma;}}}(1+\stackrel{\&OverBar;}{H}-H_k)}---\left(9\right)$

式中，ω_j是第j个指标的权重；H_j是第j个指标的熵值；是所有不为1的熵值的平均值。

(5)预测周期T内其他时刻的风电功率

对于预测周期T内的各个预测时刻，可重复第(2)到第(5)步骤逐一求取，从而得到预测周期T内各时刻的风电功率预测值，如下：

$P_j=\mathrm{\&Sigma;}{\mathrm{\&omega;}}_j^n{p}_j^n---\left(10\right)$

式中，P_j为最终预测值；为某一次多步滚动预测中，第n个预测方法在第j步预测时的改进熵权值；为某一次多步滚动预测中，第n个预测方法在第j步预测时的风电功率预测值。

2.滚动式权重

通常，很多计算权重的方法在权重被确定后就不会再改变，或者不会轻易的改变，而是一直被用于预测，如等权重法和传统的BP网络权重训练法等。但由于风具有随机性，使得风电功率也具有随机波动的特性，大量的研究发现随着时间的推移，恒不变权重越来越显得不适应，应该进行调整(杨秀媛，肖洋，陈树勇，2005)。鉴于此问题，本发明提出滚动式权重调整手段，在多步滚动预测模式下进行实时预测时，本发明采用的单一预测模型分别为：KNN法、线性回归法和滑动平均法。滚动式权重调整手段具体为：

1)设已知建模域内所有时刻风电功率的实际值P(t-iΔt)，i＝0，1，2…N，因此建模域内的历史数据数量为N+1，利用各预测方法得到风电功率的预测值j＝1，2…16，j为多步预测的步数。即为改进熵权法模型中的根据基于改进熵权法的风电功率组合预测模型求解步骤(1)到(5)即可求得最终预测值

2)随着时间的推移，在得到t+Δt时刻风电功率的真实值P(t+Δt)后，建模域内的风电功率数据变为P(t+Δt)和P(t-iΔt)，i＝0，1，2…N-1。此时再利用各预测方法得到风电功率的预测值j＝1，2…16。此时即为改进熵权法模型中的再利用改进熵权法求得最终的预测值依此类推。

这样就可以实现对权重的不断更新，使各权重值能够反映出风电功率的最新变化，从而提高了预测精度。

3.算例分析

本发明以吉林省某电场的实测数据进行分析，该电场的总装机容量为400.5MW；风机台数为267台；每台风机的额定容量为1.5MW；采样的时间为2012年8月1日至8月30日，数据采样间隔为15min；预测方式采用多步滚动预测模式(严干贵，王东，杨茂，等，2013)；预测结果评价指标选为国家能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价(国家能源局关于印发风电场功率预测预报管理暂行办法的通知[EB/OL]，2011)。整场267台机组总的风电功率时序图如说明书附图中的图1所示。

表1为任取某日，对整场267台机组风电功率利用各单一预测方法进行预测时的评价指标统计表。其中，将KNN法、线性回归法、滑动平均法、等权重组合预测法和改进熵权组合预测法分别记为方法1、方法2、方法3、方法4和方法5。

将方法5的预测结果与方法1、方法2和方法3进行比较知，方法5的准确率和合格率均高于其他单一预测模型，全天预测结果均方根误差也均低于其余单一预测模型。综上，本发明所提出的预测模型的预测精度要高于另外三种单一预测模型，说明了基于改进熵权法的风电功率组合预测模型的有效性。

将方法5的预测结果与方法4进行比较，发现方法5的精度也高于方法4，由此证明了本发明所提出的滚动式权重相对于恒定权重的优越性。

表1 风电功率预测结果评价指标

Tab.1 Evaluation index of prediction results

说明书附图中的图2给出了改进熵权法组合模型全天各时刻，各单一预测方法的权值。由表1知，各单一预测模型的精度由高到低的顺序为：方法3、方法2、方法1。与图2结果对比发现，并不是整体预测精度高的单一预测模型的权重就一直高。

本发明提出了基于改进熵权法的风电功率组合预测模型，并采取了滚动式权重的模式，通过算例分析得出以下结论：

(1)基于改进熵权法的组合预测模型的预测精度优于单一预测模型，说明了其在对风电功率进行预测时的有效性；

(2)在组合预测方法中，采用滚动式权重模式时的预测精度要优于恒权重时的预测精度，这是由于滚动式权重可以实现对权重的不断更新，使各权重值能够反映出风电功率的最新变化，从而提高了预测精度；

(3)并不是整体预测精度高的单一预测模型在组合预测中的权重就一直高。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书其等效物界定。

Claims (4)

1.基于改进熵权法提高风电功率组合预测精度的方法，对传统熵权法进行了改进，并用来计算风电功率组合预测模型的权重，基于改进熵权法的风电功率组合预测精度的方法在单一预测方法只可以提供风电功率预测的基本信息基础上，通过改进熵权法来确定单一预测方法中预测信息的权重，从而得到一个更为合理的风电功率组合预测模型，其特征在于：基于改进熵权法提高风电功率组合预测精度的方法以吉林省西部某风电场的实测数据为例进行分析，改进熵权组合预测法预测的全天预测结果均方根误差为11.17％，优于单一预测模型预测的全天预测结果均方根误差22.38％、15.57％、13.83％和等权重组合预测法的全天预测结果均方根误差12.07％，说明了其在对风电功率进行预测时的有效性；基于改进熵权法提高风电功率组合预测精度的方法包括三个步骤：基于改进熵权法的风电功率组合预测模型求解步骤、滚动式权重调整手段和算例分析。

2.根据权利要求1所述的基于改进熵权法提高风电功率组合预测精度的方法，其特征在于所述的基于改进熵权法的风电功率组合预测模型求解步骤具体内容如下：

(1)对时间段T内任一时刻的风电功率进行实时预测

分别采用N个预测方法对时段T内各时点t(t＝1，2，…，T)的风电功率进行多步滚动预测，得到的预测值为

$p_j^{\mathrm{tn}}(n=\mathrm{1,2},...,N;j=1,...,16)---\left(2\right)$

其中j代表预测步数，n代表各预测方法；

(2)评价指标的确定

熵权的获得是建立在评价矩阵的基础之上的；在一个具有b个评价对象，m个评估指标的评估体系中，评价对象相对于评估指标的评价矩阵为

$A=\left|\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1m}\\ a_{21}& a_{22}& ...& a_{2m}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ a_{b1}& a_{b2}& ...& a_{\mathrm{bm}}\end{array}\right|---\left(3\right)$

评价矩阵A需要经过标准化处理；

因此，由于多步滚动预测一次需要预测16步，即一次预测需要给出16个时点的预测值，故利用三种单一预测方法分别进行一次多步滚动预测，并将此次预测得到的各步预测值作为评价指标，构成评价矩阵：

$A={\left[p_j^n\right]}_{n\&times;j}---\left(4\right)$

其中，为基于第n个预测方法进行第j步预测时得到的预测值，A需进行标准化处理；

(3)熵权的定义

根据评价矩阵中的评价指标，将得到的第j个评价指标的熵定义为：

$H_j=-\frac{1}{1\mathrm{n\; n}}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{p}_j^k\ln p_j^k,(j=\mathrm{1,2},...,m)---\left(5\right)$

式中，当 $p_j^k=0$ 时， $p_j^k\ln p_j^k=0;$

在熵的基础上，第j个评价指标的熵权定义为

${\mathrm{\&omega;}}_j=\frac{1-H_j}{m-\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{H}_j},(j=\mathrm{1,2},...,m)---\left(6\right)$

(4)改进熵权的计算

由于传统熵权法在计算熵值H_j→1的指标权重时，其微小的变化将引起熵权成倍数变化；对此，本发明提出了改进熵权法：

${\mathrm{\&omega;}}_j=\left\{\begin{array}{c}(1-\stackrel{\&OverBar;}{H}){\mathrm{\&omega;}}_{0j}+\stackrel{\&OverBar;}{H}{\mathrm{\&omega;}}_{3j},H_j<1\\ 0,H_j=0\end{array}\right.---\left(7\right)$

${\mathrm{\&omega;}}_{0j}=\frac{1-H_j}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}(1-H_j)}---\left(8\right)$

${\mathrm{\&omega;}}_{3j}=\frac{1+\stackrel{\&OverBar;}{H}-H_j}{\underset{k=1,H_k}{\overset{n}{\mathrm{\&Sigma;}}}(1+\stackrel{\&OverBar;}{H}-H_k)}---\left(9\right)$

式中，ω_j是第j个指标的权重；H_j是第j个指标的熵值；是所有不为1的熵值的平均值；

(5)预测周期T内其他时刻的风电功率

对于预测周期T内的各个预测时刻，可重复第(2)到第(5)步骤逐一求取，从而得到预测周期T内各时刻的风电功率预测值，如下：

$P_j=\mathrm{\&Sigma;}{\mathrm{\&omega;}}_j^n{p}_j^n---\left(10\right)$

式中，P_j为最终预测值；为某一次多步滚动预测中，第n个预测方法在第j步预测时的改进熵权值；为某一次多步滚动预测中，第n个预测方法在第j步预测时的风电功率预测值。

3.根据权利要求1所述的基于改进熵权法提高风电功率组合预测精度的方法，其特征在于所述的滚动式权重调整手段具体内容如下：

(1)设已知建模域内所有时刻风电功率的实际值P(t-iΔt)，i＝0，1，2…N，因此建模域内的历史数据数量为N+1，利用各预测方法得到风电功率的预测值j＝1，2…16，j为多步预测的步数；即为改进熵权法模型中的根据基于改进熵权法的风电功率组合预测模型求解步骤(1)到(5)即可求得最终预测值(2)随着时间的推移，在得到t+Δt时刻风电功率的真实值P(t+Δt)后，建模域内的风电功率数据变为P(t+Δt)和P(t-iΔt)，i＝0，1，2…N-1；此时再利用各预测方法得到风电功率的预测值j＝1，2…16；此时即为改进熵权法模型中的再利用改进熵权法求得最终的预测值依此类推；这样就可以实现对权重的不断更新，使各权重值能够反映出风电功率的最新变化，从而提高了预测精度。

4.根据权利要求1所述的基于改进熵权法提高风电功率组合预测精度的方法，其特征在于所述的算例分析具体内容为：本发明以吉林省某电场的实测数据进行分析，该电场的总装机容量为400.5MW；风机台数为267台；每台风机的额定容量为1.5MW；采样的时间为2012年8月1日至8月30日，数据采样间隔为15min；预测方式采用多步滚动预测模式；预测结果评价指标选为国家能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价；整场267台机组总的风电功率时序图如说明书附图中的图1所示；表1为任取某日，对整场267台机组风电功率利用各单一预测方法进行预测时的评价指标统计表；其中，将KNN法、线性回归法、滑动平均法、等权重组合预测法和改进熵权组合预测法分别记为方法1、方法2、方法3、方法4和方法5；将方法5的预测结果与方法1、方法2和方法3进行比较知，方法5的准确率和合格率均高于其他单一预测模型，全天预测结果均方根误差也均低于其余单一预测模型；综上，本发明所提出的预测模型的预测精度要高于另外三种单一预测模型，说明了基于改进熵权法的风电功率组合预测模型的有效性；将方法5的预测结果与方法4进行比较，发现方法5的精度也高于方法4，由此证明了本发明所提出的滚动式权重相对于恒定权重的优越性；说明书附图中的图2给出了改进熵权法组合模型全天各时刻，各单一预测方法的权值；由表1知，各单一预测模型的精度由高到低的顺序为：方法3、方法2、方法1；与图2结果对比发现，并不是整体预测精度高的单一预测模型的权重就一直高。