[发明专利]一种基于分位数回归的风电功率概率预测方法

说明书

本发明公开了一种基于分位数回归的风电功率概率预测方法，步骤1：针对所有原始风电功率序列sⁱ(n)分别进行CEEMDAN分解；步骤2：对CEEMDAN分解后风电序列数据进行归一化处理；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；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。此方法可以得到比点预测更多的有用信息,实现了对未来风电功率完整概率分布的预测。

技术领域

本发明涉及一种基于分位数回归的风电功率概率预测方法。

背景技术

随着风电在电网中比例的提高，风电的随机性、波动性等缺点也被逐步放大，在大规模发展风电的情况下给电网带来了巨大挑战。提前精确的预测风电功率，可以更好的指导电网发电、调度等工作，以及针对风电爬坡和其他对电网具有较大威胁的风电事件来做好预防和消除工作。

目前短期风电功率预测在国内外都已有大量研究，在统计学习模型中风电功率预测又分为点预测(确定性预测)和区间预测(不确定性预测)，目前点预测的预测方法主要包含支持向量机、时间序列、神经网络等。

然而确定性预测不能对风电功率不确定性做出定量描述。在含风电的电网规划、运行和安全稳定分析领域中需要对风电的波动区间有一个较为精确的估计，仅仅得到单个点的预测值是不够的，不确定性预测都需假设先验分布，而人为的选择分布对结果有很大影响，找到合适的先验分布比较困难。

因此，有必要设计一种新的风电功率概率预测方法。

发明内容

本发明所要解决的技术问题是提供一种基于分位数回归的风电功率概率预测方法，此方法可以得到比点预测更多的有用信息，实现了对未来风电功率完整概率分布的预测。

发明的技术解决方案如下：

一种基于分位数回归的风电功率概率预测方法，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；空洞卷积神经网络分位数回归模型的核心就是空洞因果卷积神经网络。

Adam随机梯度下降法为现有成熟技术。

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。

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(b)为余量。

EMD经验模态分解的具体分解过程为现有技术；

对原始风电功率进行CEEMDAN分解的具体分解方法如下：

1)将所有原始风电功率序列sⁱ(n)分别进行EMI)分解，然后将得到的所有模态分量求和平均得到第一个模态分量余下唯一余量r₁(n)；

其中