CN108460501B - 一种基于组合模型的风力电站输出功率预测方法 - Google Patents

Abstract

本发明提出了一种基于组合模型的风力电站输出功率预测方法。本发明根据风力电站历史统计数据以一小时为单位，建立历史风力数据时间序列以及历史风电功率时间序列；根据归一化原则计算归一化历史风力数据时间序列以及归一化历史风电功率时间序列；根据归一化历史风力数据时间序列以及归一化历史风电功率时间序列计算互信息时间序列并得到最佳归一化历史风电功率时间序列；将最佳归一化历史风电功率时间序列进行小波变换；根据小波变换后最佳归一化历史风电功率时间序列建立支持向量机的核函数模型，通过改进权重的粒子群算法求解优化模型的参数；根据优化支持向量机的核函数模型构建预测模型。与现有技术相比，本发明提高了预测精度。

Description

一种基于组合模型的风力电站输出功率预测方法

技术领域

本发明属于风力发电技术领域，尤其涉及一种基于组合模型的风力电站输出功率预测方法。

背景技术

在中国能源的生产与消费结构中,煤炭以及一些能源混合物一直占主导地位,这种格局在比较长的一段时间内不会改变。长期以来，令人担忧的气候变化迹象以及能源产量的不足等有关问题使得国际社会不得不重视这些问题并寻找一些可再生的新能源替代传统能源，比如，太阳能、风能、生物质能、地热能、水能和海洋能。不同类型的可再生能源已开始受到相当的关注，尤其风力发电是近年来应用最广泛的可再生能源之一。然而，大多数可再生能源的间歇性使得人们对可再生能源领域电力部门转型的安全性感到不满。改进的预测方法可以提高电力安全性并实现资源的有效利用。

风能在全球的地位越来越重要，而风力驱动的电力资源在电力系统的规划和运行中变得越来越重要。随着全球经济的发展，风能市场也迅速发展起来。自2004年以来，全球风力发电能力翻了一番，2006年至2007年间，全球风能发电装机容量扩大27％。2007年已有9万兆瓦，这一数字到2010年将是16万兆瓦。预计未来20-25年内，世界风能市场每年将递增25％。随着技术进步和环保事业的发展，风能发电在商业上将完全可以与燃煤发电竞争。

风能作为能源具有间歇性，将风电并入电网需要提前至少一到两天估计风电场的预期功率。短期风电预测是能源部门非常重要的研究领域，因为系统运营商必须处理来自增加的风电装机容量的重要波动电量。由于风力发电的随机特性，其整合负责引入更多的变异性，波动性和系统运行的不确定性，这使得所有生产资源的适当管理变得复杂。

发明内容

针对上述出现的问题和不足，本发明提出了一种基于组合模型的风力电站输出功率预测方法，设计了一种通过战略组合优于单个模型的综合方法来提高发电输出功率预测的精度，实现风电并入电网高效，稳定的调度运行。

该预测方法包含以下步骤：

步骤1：根据风力电站历史统计数据以一小时为单位，建立历史风力数据时间序列以及历史风电功率时间序列；

步骤2：根据归一化原则计算归一化历史风力数据时间序列以及归一化历史风电功率时间序列；

步骤3：根据归一化历史风力数据时间序列以及归一化历史风电功率时间序列计算互信息时间序列，根据互信息时间序列得到最佳归一化历史风电功率时间序列；

步骤4：将最佳归一化历史风电功率时间序列进行小波变换；

步骤5：根据小波变换后最佳归一化历史风电功率时间序列建立支持向量机的核函数模型，通过支持向量机的核函数模型建立优化模型，并通过改进权重的粒子群算法求解优化模型的参数；

步骤6：根据优化高斯核函数的核系数以及优化惩罚系数结合支持向量机的核函数模型构建预测模型；

作为优选，步骤1中所述历史风力数据时间序列为：

X＝{x₁,x₂,…,x_N}

其中，N为历史风力数据时间序列的长度；

步骤1中所述历史风电功率时间序列为：

Y＝{y₁,y₂,…,y_N}

其中，N为历史风力数据时间序列的长度；

作为优选，步骤2中所述归一化历史风力数据时间序列为：

其中，N为历史风力数据时间序列的长度，X为历史风力数据时间序列，X(i^*)为历史风力数据时间序列的第i^*个元素，

为归一化历史风力数据时间序列，X^*(i^*)为归一化历史风力数据时间序列的第i^*个元素，N为历史风力数据时间序列的长度，x_min为历史风力数据时间序列X的最小值，x_max为历史风力数据时间序列X的最大值；

作为优选，步骤2中所述归一化历史风电数据时间序列为：

其中，N为历史风力数据时间序列的长度，Y为历史风电数据时间序列，

Y(j^*)为历史风电数据时间序列的第j^*个元素，

为归一化历史风电数据时间序列，Y^*(j^*)为归一化历史风电数据时间序列的第j^*个元素，N为历史风电数据时间序列的长度，y_min为历史风电数据时间序列Y的最小值，y_max为历史风电数据时间序列Y的最大值；

作为优选，步骤3中所述互信息时间序列为：

其中，N为历史风力数据时间序列的长度，P(X(i^*))为历史风力数据时间序列的第i^*个元素的分布概率，P(Y(j^*))为历史风电数据时间序列的第j^*个元素的分布概率，P(X(i^*),Y(j^*))为历史风力数据时间序列的第i^*个元素与历史风电数据时间序列的第j^*个元素的联合概率；

步骤3中所述得到最佳归一化历史风电功率时间序列为将互信息时间序列MI(i^*,j^*)i^*∈[1,N],j^*∈[1,N]中选择符合MI(i^*,j^*)＞1/N的所有元素，进一步得到优化互信息时间序列

将优化互信息时间序列中归一化历史风电功率时间序列按照从大到小排序得到最佳归一化历史风电功率时间序列为：

其中，M为最佳归一化历史风电功率时间序列的长度，

M<N；

作为优选，步骤4中所述小波变换为最佳归一化历史风电时间序列

分别通过第一带通滤波器、第二带通滤波器、第三带通滤波器以及第四带通滤波器分解得到小波变换后最佳归一化历史风电功率时间序列f₁、f₂、f₃以及f₄。

小波变换后最佳归一化历史风电功率时间序列为：

其中，k为分解的频段数，

为最佳归一化历史风电功率时间序列中的第S_k(i_k)个元素，

为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素；

作为优选，步骤5中所述支持向量机的核函数模型为：

k∈[1,4],i_k∈[1,M/4],j_k∈[1,M/4]

其中，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素，f_k(j_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第j_k个元素，k为分解的频段数，σ_k为小波变换后最佳归一化历史风电功率时间序列f_k中高斯核的核参数；

步骤5中所述优化模型为：

k∈[1,4],i_k∈[1,M/4],j_k∈[1,M/4]

其中，

为小波变换后最佳归一化历史风电功率时间序列f_k的第i_k个拉格朗日乘子，C_k为小波变换后最佳归一化历史风电功率时间序列f_k的惩罚系数，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素，f_k(j_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第j_k个元素，k为分解的频段数；

步骤5中所述改进权重的粒子群算法求解为：

i∈[1,popsize],t∈[1,maxgen],k∈[1,4]

其中，popsize为种群规模，maxgen为最大进化代数，k为分解的频段数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i在搜索空间中的位置,

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i在搜索空间中的速度，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i在搜索空间中的位置,

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i在搜索空间中的速度，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的局部最优位置，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的全局最优位置，

为为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的高斯核函数的核系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的惩罚系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第一权重系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第二权重系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第三权重系数；

第一权重系数至第三权重系数分别为：

其中，N(0,1)是随机高斯变量，τ_k为小波变换后最佳归一化历史风电功率时间序列f_k的权重常数，k为分解的频段数；

小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的全局最优位置

其中，N(0,1)是随机高斯变量，ε_k为小波变换后最佳归一化历史风电功率时间序列f_k的全局常数，k为分解的频段数；

步骤5中所述通过改进权重的粒子群算法进行maxgen迭代优化求解得到：

X_g,k＝[σ_g,k,C_g,k]

其中，σ_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化高斯核函数的核系数，C_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化惩罚系数；

作为优选，步骤6中所述预测模型为：

k∈[1,4],i_k∈[1,M/4],e_k∈[1,M/4]

其中，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素，

为预测小波变换后最佳归一化历史风电功率时间序列

中的第e_k个元素，k为分解的频段数，σ_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化高斯核函数的核系数。

与现有技术相比，本发明的优点为：

考虑了风力的随机性和不平稳性问题，选用互信息MI来消除选择风力系列作为输入的随机性，增加了方法的稳健性并有助于减少最终的预测误差；

在优化方法上，选用了比传统粒子群算法PSO更具有适应性的改进型粒子群优化算法EPSO对支持向量机的关键参数进行寻优；

考虑了时间序列中的非平稳性，采用了小波变换WT对数据集合进行处理，从而降低了集合的噪声而不会降级。

附图说明

图1：本发明方法流程图；

图2：本发明实施例中小波变换的水平分解模型图；

图3：本发明实施例中改进权重的粒子群算法求解寻优流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1至图3介绍本发明的实施例。本发明实施例的技术方案为一种基于组合模型的风力电站输出功率预测方法，具体包括以下步骤：

步骤1：根据风力电站历史统计数据以一小时为单位，建立历史风力数据时间序列以及历史风电功率时间序列；

步骤1中所述历史风力数据时间序列为：

X＝{x₁,x₂,…,x_N}

其中，N＝80为历史风力数据时间序列的长度；

步骤1中所述历史风电功率时间序列为：

Y＝{y₁,y₂,…,y_N}

其中，N＝80为历史风力数据时间序列的长度；

步骤2：根据归一化原则计算归一化历史风力数据时间序列以及归一化历史风电功率时间序列；

步骤2中所述归一化历史风力数据时间序列为：

其中，N＝80为历史风力数据时间序列的长度，X为历史风力数据时间序列，X(i^*)为历史风力数据时间序列的第i^*个元素，

为归一化历史风力数据时间序列，X^*(i^*)为归一化历史风力数据时间序列的第i^*个元素，N＝80为历史风力数据时间序列的长度，x_min为历史风力数据时间序列X的最小值，x_max为历史风力数据时间序列X的最大值；

步骤2中所述归一化历史风电数据时间序列为：

其中，N＝80为历史风力数据时间序列的长度，Y为历史风电数据时间序列，Y(j^*)为历史风电数据时间序列的第j^*个元素，

为归一化历史风电数据时间序列，Y^*(j^*)为归一化历史风电数据时间序列的第j^*个元素，N＝80为历史风电数据时间序列的长度，y_min为历史风电数据时间序列Y的最小值，y_max为历史风电数据时间序列Y的最大值；

步骤3：根据归一化历史风力数据时间序列以及归一化历史风电功率时间序列计算互信息时间序列，根据互信息时间序列得到最佳归一化历史风电功率时间序列；

步骤3中所述互信息时间序列为：

其中，N＝80为历史风力数据时间序列的长度，P(X(i^*))为历史风力数据时间序列的第i^*个元素的分布概率，P(Y(j^*))为历史风电数据时间序列的第j^*个元素的分布概率，P(X(i^*),Y(j^*))为历史风力数据时间序列的第i^*个元素与历史风电数据时间序列的第j^*个元素的联合概率；

步骤3中所述得到最佳归一化历史风电功率时间序列为将互信息时间序列MI(i^*,j^*)i^*∈[1,N],j^*∈[1,N]中选择符合MI(i^*,j^*)＞1/N的所有元素，进一步得到优化互信息时间序列

将优化互信息时间序列中归一化历史风电功率时间序列按照从大到小排序得到最佳归一化历史风电功率时间序列为：

其中，M＝60为最佳归一化历史风电功率时间序列的长度

步骤4：将最佳归一化历史风电功率时间序列进行小波变换；

步骤中所述的小波变换为最佳归一化历史风电时间序列

分别通过第一带通滤波器、第二带通滤波器、第三带通滤波器以及第四带通滤波器分解得到小波变换后最佳归一化历史风电功率时间序列f₁、f₂、f₃以及f₄。

小波变换后最佳归一化历史风电功率时间序列为：

其中，k为分解的频段数，

为最佳归一化历史风电功率时间序列中的第S_k(i_k)个元素，

为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素；

步骤5：根据小波变换后最佳归一化历史风电功率时间序列建立支持向量机的核函数模型，通过支持向量机的核函数模型建立优化模型，并通过改进权重的粒子群算法求解优化模型的参数；

步骤5中所述支持向量机的核函数模型为：

k∈[1,4],i_k∈[1,M/4],j_k∈[1,M/4]

其中，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素，f_k(j_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第j_k个元素，k为分解的频段数，σ_k为小波变换后最佳归一化历史风电功率时间序列f_k中高斯核的核参数；

步骤5中所述优化模型为：

k∈[1,4],i_k∈[1,M/4],j_k∈[1,M/4]

其中，

为小波变换后最佳归一化历史风电功率时间序列f_k的第i_k个拉格朗日乘子，C_k为小波变换后最佳归一化历史风电功率时间序列f_k的惩罚系数，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素，f_k(j_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第j_k个元素，k为分解的频段数；

步骤5中所述改进权重的粒子群算法求解为：

i∈[1,popsize],t∈[1,maxgen],k∈[1,4]

其中，popsize＝20为种群规模，maxgen＝100为最大进化代数，k为分解的频段数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i在搜索空间中的位置,

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i在搜索空间中的速度，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i在搜索空间中的位置,

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i在搜索空间中的速度，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的局部最优位置，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的全局最优位置，

为为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的高斯核函数的核系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的惩罚系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第一权重系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第二权重系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第三权重系数；

第一权重系数至第三权重系数分别为：

其中，N(0,1)是随机高斯变量，τ_k为小波变换后最佳归一化历史风电功率时间序列f_k的权重常数，k为分解的频段数；

小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的全局最优位置

其中，N(0,1)是随机高斯变量，ε_k为小波变换后最佳归一化历史风电功率时间序列f_k的全局常数，k为分解的频段数；

步骤5中所述通过改进权重的粒子群算法进行maxgen＝100迭代优化求解得到：

X_g,k＝[σ_g,k,C_g,k]

其中，σ_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化高斯核函数的核系数，C_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化惩罚系数。

步骤6：根据优化高斯核函数的核系数以及优化惩罚系数结合支持向量机的核函数模型构建预测模型；

步骤6中所述预测模型为：

k∈[1,4],i_k∈[1,M/4],e_k∈[1,M/4]

其中，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素，

为预测小波变换后最佳归一化历史风电功率时间序列

中的第e_k个元素，k为分解的频段数，σ_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化高斯核函数的核系数。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于组合模型的风力电站输出功率预测方法，其特征在于，包括以下步骤：

步骤1：根据风力电站历史统计数据以一小时为单位，建立历史风力数据时间序列以及历史风电数据时间序列；

步骤2：根据归一化原则计算归一化历史风力数据时间序列以及归一化历史风电数据时间序列；

步骤3：根据归一化历史风力数据时间序列以及归一化历史风电数据时间序列计算互信息时间序列，根据互信息时间序列得到最佳归一化历史风电功率时间序列；

步骤4：将最佳归一化历史风电功率时间序列进行小波变换；

步骤5：根据小波变换后最佳归一化历史风电功率时间序列建立支持向量机的核函数模型，通过支持向量机的核函数模型建立优化模型，并通过改进权重的粒子群算法求解优化模型的参数；

步骤6：根据优化高斯核函数的核系数以及优化惩罚系数结合支持向量机的核函数模型构建预测模型；

步骤3中所述互信息时间序列为：

其中，N为历史风力数据时间序列的长度，P(X(i^*))为历史风力数据时间序列的第i^*个元素的分布概率，P(Y(j^*))为历史风电数据时间序列的第j^*个元素的分布概率，P(X(i^*),Y(j^*))为历史风力数据时间序列的第i^*个元素与历史风电数据时间序列的第j^*个元素的联合概率；

步骤3中所述得到最佳归一化历史风电功率时间序列为将互信息时间序列MI(i^*,j^*)i^*∈[1,N],j^*∈[1,N]中选择符合MI(i^*,j^*)＞1/N的所有元素，进一步得到优化互信息时间序列

将优化互信息时间序列中归一化历史风电功率时间序列按照从大到小排序得到最佳归一化历史风电功率时间序列为：

其中，M为最佳归一化历史风电功率时间序列的长度，

M<N；

步骤5中所述支持向量机的核函数模型为：

k∈[1,4],i_k∈[1,M/4],j_k∈[1,M/4]

其中，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素，f_k(j_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第j_k个元素，k为分解的频段数，σ_k为小波变换后最佳归一化历史风电功率时间序列f_k中高斯核的核参数；

步骤5中所述优化模型为：

k∈[1,4],i_k∈[1,M/4],j_k∈[1,M/4]

其中，

为小波变换后最佳归一化历史风电功率时间序列f_k的第i_k个拉格朗日乘子，C_k为小波变换后最佳归一化历史风电功率时间序列f_k的惩罚系数，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素，f_k(j_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第j_k个元素，k为分解的频段数；

步骤5中所述改进权重的粒子群算法求解为：

i∈[1,popsize],t∈[1,maxgen],k∈[1,4]

其中，popsize为种群规模，maxgen为最大进化代数，k为分解的频段数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i在搜索空间中的位置,

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i在搜索空间中的速度，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i在搜索空间中的位置,

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i在搜索空间中的速度，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的局部最优位置，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的全局最优位置，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的高斯核函数的核系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t次迭代粒子i的惩罚系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第一权重系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第二权重系数，

为小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的第三权重系数；

第一权重系数至第三权重系数分别为：

其中，N(0,1)是随机高斯变量，τ_k为小波变换后最佳归一化历史风电功率时间序列f_k的权重常数，k为分解的频段数；

小波变换后最佳归一化历史风电功率时间序列f_k中第t+1次迭代粒子i的全局最优位置

其中，N(0,1)是随机高斯变量，ε_k为小波变换后最佳归一化历史风电功率时间序列f_k的全局常数，k为分解的频段数；

步骤5中所述通过改进权重的粒子群算法进行maxgen迭代优化求解得到：

X_g,k＝[σ_g,k,C_g,k]

其中，σ_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化高斯核函数的核系数，C_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化惩罚系数。

2.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法，其特征在于，步骤1中所述历史风力数据时间序列为：

X＝{x₁,x₂,…,x_N}

其中，N为历史风力数据时间序列的长度；

步骤1中所述历史风电数据时间序列为：

Y＝{y₁,y₂,…,y_N}

其中，N为历史风力数据时间序列的长度。

3.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法，其特征在于，

步骤2中所述归一化历史风力数据时间序列为：

其中，N为历史风力数据时间序列的长度，X为历史风力数据时间序列，X(i^*)为历史风力数据时间序列的第i^*个元素，

为归一化历史风力数据时间序列，X^*(i^*)为归一化历史风力数据时间序列的第i^*个元素，N为历史风力数据时间序列的长度，x_min为历史风力数据时间序列X的最小值，x_max为历史风力数据时间序列X的最大值；

步骤2中所述归一化历史风电数据时间序列为：

其中，N为历史风力数据时间序列的长度，Y为历史风电数据时间序列，Y(j^*)为历史风电数据时间序列的第j^*个元素，

为归一化历史风电数据时间序列，Y^*(j^*)为归一化历史风电数据时间序列的第j^*个元素，N为历史风力数据时间序列的长度，y_min为历史风电数据时间序列Y的最小值，y_max为历史风电数据时间序列Y的最大值。

4.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法，其特征在于，步骤4中所述小波变换为最佳归一化历史风电时间序列

分别通过第一带通滤波器、第二带通滤波器、第三带通滤波器以及第四带通滤波器分解得到小波变换后最佳归一化历史风电功率时间序列f₁、f₂、f₃以及f₄；

小波变换后最佳归一化历史风电功率时间序列为：

其中，k为分解的频段数，

为最佳归一化历史风电功率时间序列中的第S_k(i_k)个元素，

为小波变换后最佳归一化历史风电功率时间序列f_k中的第i_k个元素。

5.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法，其特征在于，步骤6中所述预测模型为：

k∈[1,4],i_k∈[1,M/4],e_k∈[1,M/4]

其中，f_k(i_k)为小波变换后最佳归一化历史风电功率时间序列f_k中的第ik个元素，

为预测小波变换后最佳归一化历史风电功率时间序列

中的第e_k个元素，k为分解的频段数，σ_g,k为小波变换后最佳归一化历史风电功率时间序列f_k的优化高斯核函数的核系数。

Images