[发明专利]基于核极限学习机分位数回归的风电功率区间预测方法

说明书

本发明公开了一种基于核极限学习机分位数回归的风电功率区间预测方法，包括：采集风电场输出功率与风速数据；数据进行简单处理，删去不合理的数据；构建核极限学习机分位数回归模型；利用粒子群算法优化核极限学习机分位数回归参数并确定回归模型；带入测试数据得到风电功率预测区间。本发明有效地将分位数回归原理和核极限学习机模型结合，通过粒子群算法搜索寻优获得最优的模型参数，能够有效地把握风电功率中的不确定信息，进而得到较好的预测结果，能够为风电并入的安全稳定运行提供依据。

技术领域

本发明属于风电功率预测技术领域，特别地涉及一种基于核极限学习机分位数回归的风电功率区间预测方法。

背景技术

风能作为无污染、可再生的新能源已经得到了广泛应用，但是由于风具有很强的随机性和波动性，随着风力发电在电网中的占比不断提高，风力发电本身的随机性和波动性会导致电网的波动，不利于电网的安全稳定运行。为了电网的安全稳定运行，我们需要对风电功率做出准确预测，对风能发电的功率进行准确地预测能够减小电网的调度压力，能够使得电网接受更多的风电。传统点预测的方法因为容易受到天气、风速、风向以及电机等因素的影响，预测结果的误差浮动比较大，所以获得的预测结果往往可靠性比较低，难以为电力规划提供有效的决策信息。

基于此，研究者们寻求能定量反映风电功率不确定性的新的预测形式，其中区间预测方法可以提供的是未来风电功率可能位于的区间，在某一置信水平下使实际值尽可能落在由预测区间上、下限确定的区间内。确定了风电功率的波动区间就能够为电力规划的决策者在进行风险评估和决策分析时提供更多有效的信息。然而目前的大部分区间预测是基于分析预测误差的概率分布进行区间估计，其预测性能依赖于点预测的误差，而且误差遵循的概率分布形式及其参数确定存在困难。

发明内容

本发明为克服现有预测方法可靠性低，而且计算复杂、参数难于确定等不足，提出了一种基于核极限学习机分位数回归的风电功率区间预测方法，包括如下步骤：

步骤1：采集风电场原始数据组成原始数据集D＝{(w₁，p₁)(w₂，p₂)…(w_i，p_i)}，w_i为第i时刻的风速，p_i为第i时刻的功率，并进行数据处理；

步骤2、将数据分为训练样本和测试样本，将处理后的数据的训练样本按照1:1的比例分配为建模集和优化集，利用训练数据样本构建基于粒子群算法的核极限学习机分位数回归模型：

式(1)中为核极限学习机，Ω_EML为核矩阵，k为核函数，设定为RBF核：k(a，b)＝exp(-||a-b||)²/σ，训练数据建模集的w_i构成核极限学习机中核函数k中的x₁到x_N，x为训练数据优化集的w_i，Ω_EML(i，j)＝k(x_i，x_j)，O为预测目标值向量，由训练数据建模集的p_i组成；C为惩罚参数；y(x)为回归模型的输出，分别输出区间上下限U(x)，L(x)。

步骤3、根据分位数回归和预测区间覆盖概率(PI coverage probability，PICP)确定适应度函数，利用粒子群算法根据适应度函数优化核极限学习机中的参数C、σ以及模型(1)中的β。

步骤4、将得到的最优目标参数C、σ以及β带入到(1)式的核极限学习机分位数回归模型，带入测试数据，输出风电功率预测区间上限和下限。

对数据的处理包括将风电场的原始数据按时间顺序排序，删除其中的缺值点，停机点及限功率点，删除不合理的数据点。

核函数k也可为线性核函数和多项式核函数。