[发明专利]一种基于自适应双层优化的风电功率非参数区间预测方法

说明书

本发明公开了一种基于自适应双层优化的风电功率非参数区间预测方法，属于可再生能源概率预测领域。该方法结合极限学习机和分位数回归对预测区间进行建模，构成下层优化问题；以区间锐度为目标自适应调节预测区间对应的分位水平，构成上层优化问题。利用原始‑对偶内点算法，实现了预测模型高效可靠的训练。该方法无需依赖风电功率概率分布的先验性假设，突破了传统概率预测对于区间分位水平的中心对称限制，显著提升了预测区间的可靠性及锐度，为高比例风电电力系统的运行、控制提供重要参考。

技术领域

本发明涉及一种基于自适应双层优化的风电功率非参数区间预测方法，属于可再生能源概率预测领域。

背景技术

当前，以化石燃料为主要一次能源的用能结构引发了气候变暖、空气污染、过度开采等问题，由于风能具有清洁、经济、可再生、适宜大规模开发的优势，世界各国正大力发展风力发电，风电装机总量逐年攀升。然而，伴随着风电渗透率的不断提高，风电的随机性、波动性和间歇特性难以准确量化，对电力系统的冲击日益显著，威胁电力系统的安全稳定运行。因此，准确的风电功率预测为电力系统运行决策提供着至关重要的支撑。

由于传统的确定性点预测难以量化预测结果的不确定性，概率预测受到广泛关注。概率预测的预测结果通常具有概率密度、分位数或预测区间等概率量度的形式，其中，预测区间能够以一定的置信度包含预测对象的真实值，被广泛应用于电力系统的机组组合、经济调度、备用量化和稳定控制中。参数化概率预测依赖于对概率分布的先验性假设，难以适应具有非平稳、异方差特性的风电功率预测。非参数概率预测的主流方法包括核密度估计、分位数回归以及机器学习等，已有研究大多对预测区间的对称性进行限制，规定区间左右端点在概率意义上关于中位数对称，即称为中心预测区间(centralprediction interval)。对于呈现非对称、厚尾特性的风电概率分布，中心预测区间在区间宽度上通常较为保守，进而提高了电力系统鲁棒运行与控制的潜在成本。

发明内容

为了解决背景技术中的总结的问题，本发明提供了一种基于自适应双层优化的风电功率非参数区间预测方法，该方法无需对风电概率分布做出先验假设，允许解除中心区间的限制，自适应调节预测区间的分位水平，在保证概率可靠性的前提下提升预测区间的锐度。

为了实现上述目的，本发明采用了如下的技术方案：一种基于自适应双层优化的风电功率非参数区间预测方法，该方法的下层优化问题是基于极限学习机的分位数回归风电预测区间模型，是将分位数回归(quantile regression,QR)和极限学习机(extremelearning machine，ELM)结合，对风电功率的预测区间进行建模，构成双层优化问题的下层模型；上层优化问题是以最小化区间长度为目标的分位水平自适应调节模型，是通过对预测区间的锐度评估，引导分位水平的自适应调节，构成双层优化问题的上层模型；在将双层问题转化为单层双线性最优化问题后，利用原始-对偶算法实现双层模型的求解与预测模型的训练，同步优化网络权重及分位水平，在保证概率可靠性的前提下提升预测区间的锐度。

(1)双层优化模型

下层问题将对应分位水平的检验函数(check function)之和作为极限学习机的损失函数，在对风电功率的时间序列进行标准化后，计及分位数的单调性约束和风电功率的极值约束，通过以下优化模型对预测区间进行建模：

式中，ω_α为α分位数对应的极限学习机输出层权重，α和为预测区间端点对应的分位水平；为训练集时标集合；y_t为时标t下的风电功率真实值；为时标t下的风电功率α分位数估计值，也是极限学习机的输出值；