CN109272156A - 一种超短期风电功率概率预测方法 - Google Patents

Abstract

本发明公开了一种超短期风电功率概率预测方法，采集风电场的历史数据，得到训练样本集；根据影响因素的历史数据生成输入变量，得到样本集；利用小波分析将样本集进行小波分解与小波系数重构，得到小波样本集；利用极限学习机对每一个小波样本集进行模型参数的训练，得到小波的极限学习机预测模型，将测试集带入网络得到小波超短期点预测值，将各小波的极限学习机模型训练误差与点预测值进行存储相加并取平均值，得到经过小波分解之后模型的真实误差与点预测值，对模型的真实误差进行高斯分布参数估计，得到小波模型训练误差的高斯分布函数，应置信度要求结合点预测值即可求出小波的超短期概率预测区间。

Description

一种超短期风电功率概率预测方法

技术领域

本发明涉及一种基于小波分析与极限学习机的超短期风电功率概率预测方法，对风电功率进行概率区间预测，属于新能源消纳技术领域。

背景技术

当前，全球的经济快速发展，能源结构向着低碳、清洁的新能源方向发展，风能作为新能源中的重要组成部分，一直受到全球的重视。这些年的风电技术不停的发展，我国的风电装机容量持续增加，风力发电慢慢成为水电、火电之后的第三大电力来源。

在风能利用的过程中也凸显出来很多问题，比如风具有很强的随机性与不稳定性，这使得风力发出来的电能是个未知之数，如果突然并入电网，会对电网的稳定运行造成严重的影响，对于风能的利用，一直以来受到风此属性因素的很大限制，因此，需要对未来的风电功率进行预测研究，以促进风能的消纳。对于风电功率的预测分为超短期、短期、中期、长期风电预测。超短期一般的时限为4小时以内，对未来四小时以内的风功率进行预测。

传统的点预测技术虽能给调度提供一个确切的值，但并不能很准确的预测出未来的风功率，会产生一定的误差，给调度增加了困难，因此迫切的需要对风能进行概率预测研究，目前，对风电功率区间预测的研究仍在不断发展之中，预测方法主要分为两大类：第一类是启发式学习算法，通过学习历史数据的规律，预测风电功率的上限和下限。如：神经网络法、基于分为点回归理论的支持向量机回归法、基于粒子群与极限学习机法进行概率区间预测。第二类是统计方法，基于风电功率的概率分布函数，计算在满足给定置信度水平下，风电功率可能落入区间的上限和下限。如基于Beta分布的风电功率预测误差区间的估计方法、变形的高斯方法模型方法、基于经验分布模型与风参数回归方法进行概率区间预测。然而，具体操作时，如果所给的数据比较活跃，使得预测模型难以适应时，可能会造成模型预测精度降低。因此，选择合适的数据分析处理方法，对于提高建模的效率和预测的精度有着非常重要的意义。

发明内容

发明目的：本发明针对现有技术中超短期风电功率概率预测存在的不足，提供了一种基于小波分析与极限学习机的超短期风电功率概率预测方法。本发明利用小波变换能将高低频信号处时间细分的能力，可以聚焦到信号任意的细节处，增加了预测结果的精度，改善了预测模型的泛化能力。

技术方案：一种基于小波分析与极限学习机的超短期风电功率概率预测方法，包括以下步骤：

1)提取风电场的影响风电功率概率预测的特征和影响因素，形成历史风电场数据向量，得到样本集[x₁,x₂,x₃,x₄,...x₁₅,y]，其中y为预测时刻对应的风电功率值，即风电功率超短期点预测模型的输出变量；模型所选变量的时间尺度为15分钟，x₁,x₂,x₃,x₄,...x₈为风电场预测时刻之前两小时内的历史风功率值，x₉,x₁₀,x₁₁,x₁₂,...x₁₄为风电场预测时刻之前两小时内的历史风速值，x₁₅为预测时刻所对应的天气类型。

2)对样本集[x₁,x₂,x₃,x₄,...x₁₅,y]进行数据预处理，对于功率值不大于零的值以相邻的数据替换，将[x₁,x₂,x₃,x₄,...x₁₅]作为模型的输入列向量，y作为模型的输出变量；

3)对样本集作一级小波分解并重构小波系数，分别得到两个小波样本集[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]，[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]，并将两个小波样本集划分为训练集与测试集并作零均值归一化；

4)设定极限学习机预测模型的隐含层个数为38，使用小波样本训练集[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]对预测模型的网络参数进行训练，得到极限学习机的预测模型，并将小波样本训练集的输入向量代入极限学习机预测网络进行测试，求出小波样本[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]下的模型训练误差T₁；

5)将[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]小波样本下的测试样本输入向量代入4)中训练好的预测模型，得到第一个小波样本的预测结果为y’；

6)设定极限学习机预测模型的隐含层个数为38，使用小波样本训练集[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]对极限学习机预测模型进行网络参数训练，得到极限学习机预测模型，并将小波样本训练集的输入向量代入网络进行测试，求出小波样本[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]下的模型训练误差T₂；

7)将[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]小波下的测试样本输入向量带入6)中已经训练好的预测模型，得到第二个小波样本的预测结果为y”；

8)将步骤(4)、(6)中的模型训练误差进行相加，得到整个预测模型下的模型误差T，并对T作95％置信度下高斯分布参数估计，得到误差在高斯分布下的均值与方差；

9)将小波预测结果y’与y”进行相加取均值，得到整个预测模型的最终预测结果y”’；

10)结合正态分布表，得到95％置信度下风电超短期概率预测的区间：

Q＝y”’±1.96*δ；

其中，Q为概率预测区间的上下限；δ为模型误差在高斯分布下方差。

有益效果：与现有技术相比，本发明利用小波分析与极限学习机相结合方法，既能够对信号的细节处进行聚焦分析，同时包含数据点预测与概率预测模型的建立、误差分析等方法，不仅使得模型在处理信号方面更加的精致，而且提高了预测的精度同时增强了预测方法的泛化能力。

附图说明

图1为本发明的基于小波分析与极限学习机的超短期风电功率概率预测方法的工作流程图；

图2为本发明的基于小波分析与极限学习机的超短期风电功率点预测值与真实值仿真图；

图3为本发明的基于小波分析与极限学习机的超短期风电功率概率区间预测仿真图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，一种基于小波分析与极限学习机的超短期风电功率概率预测方法，具体步骤如下：

1)对风电场数据进行分析研究，提取跟风电功率数据密切相关的特征，采集风电场的历史风电功率、历史风速以及天气类型数据向量，得到训练样本集[x₁,x₂,x₃,x₄,...x₁₅,y]，其中y为预测时刻对应的风电功率值，即模型的输出变量；模型所选变量的时间尺度为15分钟，x₁,x₂,x₃,x₄,...x₈为风电场预测时刻之前两小时内的历史风功率值，x₉,x₁₀,x₁₁,x₁₂,...x₁₄为风电场预测时刻之前两小时内的历史风速值，x₁₅为预测时刻所对应的天气类型。

2)对训练样本集进行缺失数据删除之后，利用小波分析算法，对数据进行平稳化处理的具体步骤如下：首先利用Mallat算法对[x₁,x₂,x₃,x₄,...x₁₅,y]各列向量进行高频、低频两级分解，式中：H为低通滤波器，G为高通滤波器，j为最大尺度分辨率，c_j为信号在分辨率2^-j下的低频分量，d_j为信号在分辨率2^-j下的高频分量，c₀为[x₁,x₂,x₃,x₄,...x₁₅,y]中的各列向量；并且对高低频信号进行重构，c_j＝H^*c_j+1+G^*d_j+1,j＝1,0，式中：H^*为H的对偶算子，G^*为G的对偶算子，对c₁、d₁各自做重构，得出重构的低频信号与高频信号，从而得到两个小波训练样本集[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]，[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]，最后将两个小波样本训练集数与验证集数分别划分为960与48，并且作零均值归一化处理。

3)对ELM网络进行初始化设置，根据模型确定输入层节点数为15、隐含层节点数38，初始化输入层与隐含层的权值w_ij，隐含层与输出层的权值w_jk，隐含层阀值a，输入层阀值b，给定学习速率和神经元激励函数。则对于训练样本数为960的小波样本[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]，有38个隐层节点的ELM的模型为:

式中：α_i为输入层到第i个隐层节点的输入权重；β_i为第i个隐层节点到输出层的输出权重；b_i为第i个隐含层节点的偏置；o_j为第j个随机样本对应的网络预测输出值，x_j表示输入层的结点值，g为隐含层激励函数，本发明选函数为：

4)根据网络预测输出o和期望输出y，计算网络预测误差e，e_k＝y_k-o_k,k＝1,2,……,960，式中：y_k为第k个样本的期望输出，o_k为第k个样本的网络预测输出。存在α_i，β_i和b_i使得||e_k||→0，求出对应的ELM网络输出权重，完成对ELM网络的训练。将小波样本[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]对应测试集的输入变量带入ELM网络，将得到的测试集输出值与测试集输出真实值作差，得到ELM的模型误差为T₁。

5)将小波样本[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]对应的验证集样本输入变量带入训练好的ELM网络，得到风功率的预测值为y’。

6)根据步骤3)、4)、5)方法建立小波样本[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]的ELM预测模型，得到小波样本[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]下的模型误差T₂以及风功率的预测值y”。将两个小波样本下的模型误差T₁、T₂以及风功率的预测值y’、y”进行叠加，得到整个样本下最终的模型误差T与风功率预测值y”’。

7)对模型误差T作高斯分布假设，采用最大似然估计方法得到模型误差的均值为方差为其中d₁,d₂,d₃,...,d_n为模型的误差向量，结合正态分布表，可知在置信度为95％下功率的置信区间为Q＝y”’±1.96*δ。

至此，利用上述小波分析与ELM结合的方法便可实现风电功率超短期概率预测。

为了验证本发明方法的有效性，对西北的某风电场进行案例分析，采取该风电场内历史风电功率值与历史风速值及其对应的天气类型作为模型的特征变量，选取预测点之前风电场的数据作为训练集，再对训练集样本划分测试集与验证集，用来建立预测模型以及检验预测效果，使用本发明的小波分析与ELM方法下的仿真结果分别如图2、3所示，并且将点预测结果以及概率区间与现有的一些方法下的结果分析比较如表1所示。

结合图2、3中各曲线的特点以及表1中的概率区间预测的各项指标的结果可以得出以下结论：(1)本发明方法比单一的ELM方法与BP方法下的点预测精度高，说明了本方法具有较高的点预测精度；(2)可信度R指标绝对值越小则对应的可信度越高，对应的与单一的ELM方法以及BP方法进行比较，本发明方法下风电功率概率区间预测的可信度指标绝对值最小，具有较高的可信度。综上所述，本发明方法对于风电功率超短期概率预测具有较好预测效果。

表1三种方法风电功率超短期概率预测效果比较

Claims (5)

1.一种基于小波分析与极限学习机的超短期风电功率概率预测方法，其特征在于，包括以下步骤：

(1)分析并提取风电场的影响风电功率概率预测的特征和影响因素，形成历史风电场数据向量，得到样本集[x₁,x₂,x₃,x₄,...x₁₅,y]，其中y为预测时刻对应的风电功率值，即模型的输出变量；

(2)对样本集[x₁,x₂,x₃,x₄,...x₁₅,y]进行数据预处理,将[x₁,x₂,x₃,x₄,...x₁₅]作为模型的输入列向量，y作为模型的输出变量；

(3)对样本集作一级小波分解并重构小波系数，分别得到两个小波样本集[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]，[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]，并将两个小波样本集划分为训练集与测试集并作归一化；

(4)设定极限学习机预测模型的隐含层个数，使用小波样本训练集[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]对预测模型的网络参数进行训练，得到极限学习机的预测模型，并将小波样本训练集的输入向量代入网络进行测试，求出小波样本[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]下的模型训练误差T₁；

(5)将[x₁ ¹,x₂ ¹,x₃ ¹,x₄ ¹,...x₁₅ ¹,y¹]小波样本下的测试样本输入向量代入(4)中已经训练好的预测模型，得到第一个小波样本的预测结果为y’；

(6)设定极限学习机预测模型的隐含层个数，使用小波样本训练集[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]对极限学习机预测模型进行网络参数训练，得到极限学习机预测模型，并将小波样本训练集的输入向量代入网络进行测试，求出小波样本[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]下的模型训练误差T₂；

(7)将[x₁ ²,x₂ ²,x₃ ²,x₄ ²,...x₁₅ ²,y²]小波下的测试样本输入向量带入(6)中已经训练好的预测模型，得到第二个小波样本的预测结果为y”；

(8)将步骤(4)、(6)中的模型训练误差进行相加，得到整个预测模型下的模型误差T，并对T作95％置信度下高斯分布参数估计，得到误差在高斯分布下的均值与方差；

(9)将小波预测结果y’与y”进行相加取均值，得到整个预测模型的最终预测结果y”’；

(10)结合正态分布表，得到95％置信度下风电超短期概率预测的区间：

Q＝y”’±1.96*δ；

其中，Q为概率预测区间的上下限；δ为模型误差在高斯分布下方差。

2.如权利要求1所述的基于小波分析与极限学习机的超短期风电功率概率预测方法，其特征在于，步骤(1)所述的特征和影响因素包括：输出向量中每个风功率值之前风电场的历史风功率值，输出向量中每个风功率值之前风电场的历史风速值，输出向量中每个风功率值时所对应的天气类型。

3.如权利要求1所述的基于小波分析与极限学习机的超短期风电功率概率预测方法，其特征在于，模型所选变量的时间尺度为15分钟，x₁,x₂,x₃,x₄,...x₈为风电场预测时刻之前两小时内的历史风功率值，x₉,x₁₀,x₁₁,x₁₂,...x₁₄为风电场预测时刻之前两小时内的历史风速值，x₁₅为预测时刻所对应的天气类型。

4.如权利要求1所述的基于小波分析与极限学习机的超短期风电功率概率预测方法，其特征在于，步骤(2)中对样本集[x₁,x₂,x₃,x₄,...x₁₅,y]进行数据预处理，对于功率值不大于零的值以相邻的数据替换。

5.如权利要求1所述的基于小波分析与极限学习机的超短期风电功率概率预测方法，其特征在于，步骤(4)、(6)所述的极限学习机预测模型的隐含层的个数设定为38。