【技术实现步骤摘要】
本专利技术属于新能源发电预测领域，具体涉及一种考虑弃风数据识别的自适应集成超短期风电预测方法。
技术介绍
1、相较于一次能源，风电、光伏等可再生能源具有环境友好且可持续性的优点。但由于大气系统的混沌属性，风电等新能源出力具有高不确定性、强波动性的特征，严重影响了电力系统的安全稳定运行。因此，开展精确度高的风电功率预测，对于风电场运维、电力网络调度、电力交易具有重要意义。传统单一模型的风电功率预测方法的输出面临高随机性、稳定性差的缺点，难以应对实际多元条件下风电功率的预测。而传统组合模型通常直接平均集成几种基模型，并未考虑基模型预测精度的差异性。
技术实现思路
1、本专利技术的目的是提供一种为电力系统实时调度提供数据支撑的考虑弃风数据识别的自适应集成超短期风电预测方法。本专利技术为多模型自适应集成的风电功率预测方法，集中了多个基模型的优点，具有较高的泛化能力。
2、为达到上述目的，本专利技术采用的技术方案是：
3、一种考虑弃风数据识别的自适应集成超短期风电预测方法，用于实时预测风电场的出力情况，所述的考虑弃风数据识别的自适应集成超短期风电预测方法包括以下步骤：
4、步骤1：基于改进横纵四分位法开展弃风数据的识别和剔除：将风速及其对应的风电功率数据按照风电功率从小到大排序，将风电功率区间划分为nh份，得到nh个风速数据子集合，对每个子集合应用横向四分位法剔除异常数据；然后，将应用横向四分位法剔除异常数据后的风速及其对应的风电功率数据按照风速从小到大排
5、步骤2：构建多个风电功率基预测模型并训练：分别构建基于极限学习机、极限梯度提升和长短期记忆神经网络的风电功率基预测模型；根据预测的提前时间尺度自适应选取基预测模型输入特征，划分训练集、验证集和测试集开展训练。
6、步骤3：风电功率自适应集成预测：各个基预测模型训练完毕之后，依据验证集的均方根误差给各个基预测模型自适应赋予权重，各个基预测模型分别开展预测，多个基预测模型的输出进行加权集成得到风电功率预测结果。
7、上述技术方案中，进一步地，所述步骤1中，改进横纵四分位法的计算公式为：
8、iq＝q(q3)-q(q1)
9、[l,h]＝[q(q1)-1.5iq,q(q3)+1.5iq]
10、d1＝{ri∈do|l≤ri(j)≤h}
11、d2＝{ri∈d1|ri(j)≤h}
12、其中，do为排序之后的数据集合，q(q1)和q(q3)分别为do在标称分位水平q1和q3下的分位数，iq为四分位距，h和l分别为异常值的上下限，ri为do中的第i个元素，j为四分位法筛选特征的序号，d1为横向四分位法剔除异常数据得到的数据集合，d2为纵向四分位法处理后的数据集合。
13、对剔除异常数据后的数据集合中的风电功率数据和风速数据进行归一化，计算方法如下：
14、
15、其中，p为某一特征的原始数据，pmax为该特征原始数据的最大值，p1为该特征归一化后的结果。
16、进一步地，所述步骤2中，构建基于极限学习机的风电功率基预测模型，具体为：
17、极限学习机的网络模型为：
18、
19、其中，模型输入层、隐含层、输出层的神经元个数分别是n、p、m，xj为极限学习机模型的输入，bi，βi为第i个隐含层神经元的偏置及权重，ωi＝[ωi1,ωi2,...,ωin]t为极限学习机的输入权重，oj＝[oj1,oj2,...,ojm]t表示极限学习机的输出结果。
20、极限学习机的损失函数为：
21、e(θ)＝||hβ-t||
22、其中，θ＝{ωi,bi,βi}，h为隐含层的输出矩阵，β为输出权重，t为输出期望矩阵。极限学习机的训练过程可转化为求解以下线性方程：
23、hβ＝t
24、β＝h-1t
25、式中，h-1为矩阵h的moore-penrose广义逆。求解该线性方程较快获得全局最优解，避免复杂的梯度计算和参数迭代，模型具有可解释性。
26、构建基于极限梯度提升的风电功率基预测模型，具体为：
27、极限梯度提升的预测结果是每棵决策树输出的累加和，假设存在m棵决策树，其模型输出的预测结果为：
28、
29、式中，为模型的预测输出，fm()为第m棵树，m为树的数量，xi为第i个样本。
30、模型目标函数如下：
31、
32、
33、式中：n1为输入的个数，为训练的损失函数，为树的复杂度ω(fm)求和的正则项。t为叶子结点的数目，wj为第j个叶子结点的分数，λ和γ为正则项超参数。
34、在t次迭代之后，对目标函数进行泰勒展开，更新如下：
35、
36、其中，gi和hi分别为的一阶导数和二阶导数。目标函数改写为关于wj的函数xw：
37、
38、由上式可知，目标函数为关于wj的二次函数，得到最优和目标函数xw如下：
39、
40、
41、其中，gj＝∑gi，hj＝∑hi
42、构建基于长短期记忆神经网络的风电功率基预测模型，具体为：
43、lstm单元内部的更新过程如下：
44、ft＝σ(wf[ht-1,rt]+bf)
45、
46、
47、其中：rt为输入向量；ft，it，ot分别对应遗忘门，输入门和输出门；为记忆单元临时状态量；ht为隐藏层输出值；ct为记忆单元状态量；wf，wc，wi，wo分别为对应的权重矩阵；bf，bc，bi，bo分别为对应的偏置量；σ为sigmoid激活函数；⊙表示按元素相乘。
48、进一步地，所述步骤2中，根据预测的提前时间尺度自适应选取基预测模型输入特征，具体为：
49、考虑风速特征的预测误差，设置临界提前时间t1，若预测提前时间小于t1时，为避免风速预测误差干扰，以历史风电功率构造预测模型特征输入，若预测提前时间大于等于t1，则以历史风电功率与预测风速特征共同构造预测模型的特征输入。
50、进一步地，所述步骤3中，各基预测模型自适应集成，计算方法为：
51、
52、
53、
54、其中，为基预测模型在验证集上的第i个输出，yi为验证集上第i个电力负荷真实值，nv为验证集元素的数量，nm为基预测模型的数量，ej、μj分别为第j个基预测模型在验证集上的均方根误差以及权重，qj(rt)为第j个基预测模型的输出结果，qf(rt)为集成预测结果。
55、在多元条件下对风电功率预测本文档来自技高网...
【技术保护点】
1.一种考虑弃风数据识别的自适应集成超短期风电预测方法，用于预测风电场出力的情况，其特征在于：所述考虑弃风数据识别的自适应集成超短期风电预测方法包括以下步骤：
2.根据权利要求1所述的考虑弃风数据识别的自适应集成超短期风电预测方法，其特征在于，所述步骤1中，改进横纵四分位法的计算公式为：
3.根据权利要求1所述的考虑弃风数据识别的自适应集成超短期风电预测方法，其特征在于，所述步骤2中，根据预测的提前时间尺度自适应选取基预测模型输入特征，具体方法为：考虑风速特征的预测误差，设置临界提前时间t1，若预测提前时间小于t1时，为避免风速预测误差干扰，以历史风电功率构造预测模型特征输入，若预测提前时间大于等于t1，则以历史风电功率与预测风速特征共同构造预测模型的特征输入。
4.根据权利要求1所述的考虑弃风数据识别的自适应集成超短期风电预测方法，其特征在于，所述步骤3中，将多个基预测模型的输出进行加权集成得到风电功率预测结果，具体计算公式为：
【技术特征摘要】
1.一种考虑弃风数据识别的自适应集成超短期风电预测方法，用于预测风电场出力的情况，其特征在于：所述考虑弃风数据识别的自适应集成超短期风电预测方法包括以下步骤：
2.根据权利要求1所述的考虑弃风数据识别的自适应集成超短期风电预测方法，其特征在于，所述步骤1中，改进横纵四分位法的计算公式为：
3.根据权利要求1所述的考虑弃风数据识别的自适应集成超短期风电预测方法，其特征在于，所述步骤2中，根据预测的提前时间尺度自适应...
【专利技术属性】
技术研发人员：万灿，孙浩，陈燕惠，王晨旭，彭琰，梅府贤，马骏超，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。