[发明专利]一种基于分位数回归的风电功率概率预测方法

权利要求书

1.一种基于分位数回归的风电功率概率预测方法，其特征在于，包括以下步骤：

步骤1：针对所有原始风电功率序列sⁱ(n)分别进行CEEMDAN分解(即自适应白噪声的完整经验模态分解)；

步骤2：对CEEMDAN分解后风电序列数据进行归一化处理；

以CEEMDAN分解并归一化的风电序列数据作为训练数据；

步骤3：对模型进行训练，得到未来一段时间各个时刻风电功率在不同分位数下的预测值；

将归一化处理后的数据输入到空洞卷积神经网络分位数回归模型(QRDCC)进行训练，采用Adam随机梯度下降法在不同分位数条件下对空洞因果卷积神经网络参数进行求解，得出未来一段时间各个时刻风电功率在不同分位数下的预测值；

步骤4：对每个时刻的预测值采用核密度估计方法得到各个概率密度分布实现了对未来风电功率完整概率分布的预测。

2.根据权利要求1所述的基于分位数回归的风电功率概率预测方法，其特征在于，步骤1中：

原始风电序列被分解为：

为第k次求和平均后的模态分量；r(n)为余量。

3.根据权利要求1所述的基于分位数回归的风电功率概率预测方法，其特征在于，步骤3中，将空洞卷积神经网络分位数回归模型代价函数转化为如下式所示的分位数回归的目标函数

其中N为样本量，W，b分别为空洞卷积神经网络的权重和偏置集合，Y_i为风电功率实际值，X_i为输入的风电功率样本值，f(X_i，W，b)表示风电功率预测值，分位数τ∈(0，1)，i|Y_i≥f(X_i，W，b)表示第i个响应变量实际值大于等于线性回归估计值；

ρ_τ(u)＝u[τ-I(u＜0)]为分位回归领域的损失函数，I(·)为示性函数；

将参数估计看作下式所示的优化问题，其中W，b是空洞卷积神经网络的权重、偏置集合，并用Adma随机梯度下降法求解该优化问题；

当τ在0到1之间连续取值时，不断优化和调整W和b使上式取得最小值，以此来使模型学习海量输入数据与不同分位数条件下短期负荷的非线性隐含关系(该隐含关系可以用f(X_i，W，b)表示)，最后基于学习到的非线性隐含关系得到不同分位数条件下负荷值的最优估计值

4.根据权利要求1所述的基于分位数回归的风电功率概率预测方法，其特征在于，步骤4中，核密度估计KDE(Kernel density estimation)是一种用于概率密度函数的非参数估计方法；其核密度估计如下式所示

其中K(·)为核函数，核函数需要满足非负、积分为1的性质；核函数采用高斯核函数，有：

h是窗宽；

N是样本点的数量。