一种基于HMM的超短期功率预测方法及系统技术方案

本发明专利技术公开了一种基于HMM的超短期功率预测方法及系统，属于电力预测技术领域，方法包括：获取历史短期预测功率数据与历史实际功率数据之间标准化后的误差分布；判断误差分布是否满足高斯分布；在满足高斯分布的情况下，分别采用ORPC超短期算法、BP神经网络、GRNN神经网络和ELM极限学习机进行短期功率预测，得到不同短期预测方法对应的短期预测功率数据；采用马尔可夫模型，得到未来n步转移概率矩阵，得到不同短期预测方法对应的下一时刻超短期预测功率值和第4小时超短期预测功率值；在下一时刻，比较计算出的超短期预测功率值与实际功率的偏差；确定出与实际功率偏差最小的超短期预测功率值，将相应的第4小时超短期预测功率值进行上报。值进行上报。值进行上报。

【技术实现步骤摘要】
一种基于HMM的超短期功率预测方法及系统


[0001]本专利技术属于电力预测
，具体涉及一种基于HMM的超短期功率预测方法及系统。

技术介绍

[0002]光伏发电和风力发电作为可再生能源发电方式的重要形式，具有清洁、无污染、可持续的优点，发展前景极为广阔。由于受到诸多因素影响，光伏发电和风力发电的发电功率具有波动性、随机性和间歇性的特点，准确的电力预测对于确定合理的调度计划和确保电网安全、经济运行具有重要意义。
[0003]现有的光伏发电功率预测方法多依赖于历史观测资料，发电功率的预测准确性低，难以确定合理的调度计划，对电网安全造成影响。

技术实现思路

[0004]为了解决现有的光伏发电功率预测方法多依赖于历史观测资料，发电功率的预测准确性低，难以确定合理的调度计划，对电网安全造成影响的技术问题，本专利技术提供一种基于HMM的超短期功率预测方法及系统。
[0005]第一方面
[0006]本专利技术提供一种基于HMM的超短期功率预测方法，包括：
[0007]S101：获取历史短期预测功率数据与历史实际功率数据之间标准化后的误差分布；
[0008]S102：判断误差分布是否满足高斯分布；
[0009]S103：在不满足高斯分布的情况下，采用线性外推的方式直接进行第4小时超短期功率预测；
[0010]S104：在满足高斯分布的情况下，分别采用ORPC超短期算法、BP神经网络、GRNN神经网络和ELM极限学习机进行短期功率预测，得到不同短期预测方法对应的短期预测功率数据；
[0011]S105：采用马尔可夫模型，得到未来n步转移概率矩阵，并根据n步转移概率矩阵，得到不同短期预测方法对应的下一时刻超短期预测功率值和第4小时超短期预测功率值；
[0012]S106：在下一时刻，比较通过ORPC超短期算法、BP神经网络、GRNN神经网络和ELM极限学习机计算出的超短期预测功率值与实际功率的偏差；
[0013]S107：确定出与实际功率偏差最小的超短期预测功率值，以及超短期预测功率值所采用的短期预测方法，将采用相同短期预测方法计算出的第4小时超短期预测功率值进行上报。
[0014]可选地，S101具体包括：
[0015]S1011：获取历史短期预测功率数据、历史实际功率数据、电站的装机容量，通过误差标准化公式，计算预测误差e
i
：
[0016][0017]其中，e
i
表示第i时刻的预测误差，P
ri
表示第i时刻的实际功率值，P
pi
表示第i时刻的短期预测功率值，cap表示电站的装机容量；
[0018]S1012：根据预测误差e
i
，输出误差分布。
[0019]可选地，S103具体包括：
[0020]在不满足高斯分布的情况下，基于当前实际功率与当前短期预测功率，采用线性外推的方式直接进行第4小时超短期功率预测：
[0021][0022]其中，P
pi
表示第i时刻的短期预测功率值，P
p0
表示当前时刻的短期预测功率值，P
r0
表示当前时刻的实际功率值，每隔10分钟作为一个预测点，4小时共包括24个预测点。
[0023]可选地，在S104之前，基于HMM的超短期功率预测方法还包括：
[0024]S104A：对历史实际功率数据进行变分模态分解，得到多个具有不同中心频率和有限带宽的子信号；
[0025]S104B：去除子信号中的噪声信号；
[0026]S104C：对剩余的子信号进行重构，得到变分模态分解后的历史实际功率数据。
[0027]可选地，S105具体包括：
[0028]S1051：对短期预测功率数据进行离散化，选取状态变量数为n，等间隔的划分短期预测功率数据，定义每个区间的功率平均值当前状态的功率表征，以得到隐藏状态{S0，S1，
…
S
n
‑1，S
n
}；
[0029]S1052：计算转移概率：
[0030]P
i,j
＝{S
n+1
＝j|S
n
＝i,S
n
‑1＝i
‑
1,
…
,S0＝i0}
[0031]其中，P
i,j
表示未来状态j在当前假设状态i下的概率，i和j表示随机变量在状态空间中的状态；
[0032]S1053：将转移概率排列为一步转移概率矩阵：
[0033][0034]根据一步转移概率矩阵，计算下一时刻超短期预测功率值和n步转移概率矩阵：
[0035]Π(t,t+n)＝Π
n
(t,t+1)；
[0036]S1055：根据n步转移概率矩阵得到第4小时超短期预测功率值；
[0037]S1056：分别对通过ORPC超短期算法、BP神经网络、GRNN神经网络和ELM极限学习机得到的短期功率预测数据使用S1051至S1056，得到不同短期预测方法对应的下一时刻超短
期预测功率值和第4小时超短期预测功率值。
[0038]第二方面
[0039]本专利技术提供一种基于HMM的超短期功率预测系统，包括：
[0040]获取模块，用于获取历史短期预测功率数据与历史实际功率数据之间标准化后的误差分布；
[0041]判断模块，用于判断误差分布是否满足高斯分布；
[0042]线性外推模块，用于在不满足高斯分布的情况下，采用线性外推的方式直接进行第4小时超短期功率预测；
[0043]短期预测模块，用于在满足高斯分布的情况下，分别采用ORPC超短期算法、BP神经网络、GRNN神经网络和ELM极限学习机进行短期功率预测，得到不同短期预测方法对应的短期预测功率数据；
[0044]超短期预测模块，用于采用马尔可夫模型，得到未来n步转移概率矩阵，并根据n步转移概率矩阵，得到不同短期预测方法对应的下一时刻超短期预测功率值和第4小时超短期预测功率值；
[0045]比较模块，用于在下一时刻，比较通过ORPC超短期算法、BP神经网络、GRNN神经网络和ELM极限学习机计算出的超短期预测功率值与实际功率的偏差；
[0046]上报模块，用于确定出与实际功率偏差最小的超短期预测功率值，以及超短期预测功率值所采用的短期预测方法，将采用相同短期预测方法计算出的第4小时超短期预测功率值进行上报。
[0047]可选地，获取模块具体用于：
[0048]获取历史短期预测功率数据、历史实际功率数据、电站的装机容量，通过误差标准化公式，计算预测误差e
i
：
[0049][0050]其中，e
i
表示第i时刻的预测误差，P
ri
表示第i时刻的实际功率值，P
pi
表示第i时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HMM的超短期功率预测方法，其特征在于，包括：S101：获取历史短期预测功率数据与历史实际功率数据之间标准化后的误差分布；S102：判断所述误差分布是否满足高斯分布；S103：在不满足高斯分布的情况下，采用线性外推的方式直接进行第4小时超短期功率预测；S104：在满足高斯分布的情况下，分别采用ORPC超短期算法、BP神经网络、GRNN神经网络和ELM极限学习机进行短期功率预测，得到不同短期预测方法对应的短期预测功率数据；S105：采用马尔可夫模型，得到未来n步转移概率矩阵，并根据所述n步转移概率矩阵，得到不同短期预测方法对应的下一时刻超短期预测功率值和第4小时超短期预测功率值；S106：在下一时刻，比较通过所述ORPC超短期算法、所述BP神经网络、所述GRNN神经网络和所述ELM极限学习机计算出的超短期预测功率值与实际功率的偏差；S107：确定出与所述实际功率偏差最小的超短期预测功率值，以及所述超短期预测功率值所采用的短期预测方法，将采用相同短期预测方法计算出的第4小时超短期预测功率值进行上报。2.根据权利要求1所述的基于HMM的超短期功率预测方法，其特征在于，所述S101具体包括：S1011：获取历史短期预测功率数据、历史实际功率数据、电站的装机容量，通过误差标准化公式，计算预测误差e
i
：其中，e
i
表示第i时刻的预测误差，P
ri
表示第i时刻的实际功率值，P
pi
表示第i时刻的短期预测功率值，cap表示电站的装机容量；S1012：根据所述预测误差e
i
，输出误差分布。3.根据权利要求1所述的基于HMM的超短期功率预测方法，其特征在于，所述S103具体包括：在不满足高斯分布的情况下，基于当前实际功率与当前短期预测功率，采用线性外推的方式直接进行第4小时超短期功率预测：其中，P
pi
表示第i时刻的短期预测功率值，P
p0
表示当前时刻的短期预测功率值，P
r0
表示当前时刻的实际功率值，每隔10分钟作为一个预测点，4小时共包括24个预测点。4.根据权利要求1所述的基于HMM的超短期功率预测方法，其特征在于，在所述S104之前，还包括：S104A：对所述历史实际功率数据进行变分模态分解，得到多个具有不同中心频率和有限带宽的子信号；S104B：去除所述子信号中的噪声信号；S104C：对剩余的所述子信号进行重构，得到变分模态分解后的历史实际功率数据。5.根据权利要求1所述的基于HMM的超短期功率预测方法，其特征在于，所述S105具体
包括：S1051：对所述短期预测功率数据进行离散化，选取状态变量数为n，等间隔的划分短期预测功率数据，定义每个区间的功率平均值当前状态的功率表征，以得到隐藏状态{S0，S1，
…
S
n
‑1，S
n
}；S1052：计算转移概率：P
i,j
＝{S
n+1
＝j|S
n
＝i,S
n
‑1＝i
‑
1,
…
,S0＝i0}其中，P
i,j
表示未来状态j在当前假设状态i下的概率，i和j表示随机变量在状态空间中的状态；S1053：将所述转移概率排列为一步转移概率矩阵：S1054：根据所述一步转移概率矩阵，计算下一时刻超短期预测功率值和n步转移概率矩阵：Π(t,t+n)＝Π
n
(t,t+1)；S1055：根据所述n步转移概率矩阵得到第4小时超短期预测功率值；S1056：分别对通过ORPC超短期算法、BP神经网络、GRNN神经网络和ELM极限学习机得到的短期功率预测数据使用S1051至S1056，得到不同短期预测方法对应的下一时刻超短期预测功率值和第4小时超短...

【专利技术属性】
技术研发人员：李凌，卓毅鑫，胡甲秋，黄馗，詹厚剑，秦意茗，唐健，蒙文川，饶志，杨再敏，宋美洋，刘鲁宁，郭炜，
申请(专利权)人：南方电网能源发展研究院有限责任公司北京东润环能科技股份有限公司，
类型：发明
国别省市：