[发明专利]一种风电功率爬坡事件间接预测方法

权利要求书

1.一种风电功率爬坡事件间接预测方法，其特征在于：采集风速数据，通过计算实时风速数据与历史风速数据的相似离度搜寻预测段的相似风速曲线，将搜寻所得的相似风速曲线段的风速数据及其对应的风电功率构成相似样本簇，引入自适应的布谷鸟算法对极限学习机模型的隐节点参数和输出阀值进行优化选取，通过极限学习机模型输出风电功率，通过对预测风电功率中的爬坡事件检测完成爬坡事件的间接预测。

2.根据权利要求1所述的风电功率爬坡事件间接预测方法，其特征在于：所述的通过计算相似离度搜寻预测段的相似风速曲线，相似离度计算式为：

其中：

式中C_xy为相似离度，D_xy为值相似系数；S_xy为形相似系数，n为数据个数，x_i为预测当天测试风速，y_i为需要搜索的历史风速，z_i测试集风速序列和待搜索历史风速序列对应项之差，E_xy为测试集风速序列和待搜索历史风速序列对应项的均值。

3.根据权利要求1所述的风电功率爬坡事件间接预测方法，其特征在于：所述的通过极限学习机模型输出风电功率，包括以下内容：建立ELM网络数学模型，将所述相似样本簇作为训练样本集，输出层f(α)为：

对隐含层具有L个隐节点的N个训练样本集(α_i，γ_i)，利用ELM网络数学模型，使ELM网络输出的误差趋于0，使(a_i，b_i，β_i)满足a_i为隐节点的输入权值系数矩阵，b_i为对应节点的偏置，β_i为隐节点的输出权值系数矩阵，g(a_i·α_i+b_i)为激活函数。

4.根据权利要求1所述的风电功率爬坡事件间接预测方法，其特征在于：所述的引入自适应的布谷鸟算法对极限学习机模型的隐节点参数和输出阀值进行优化选取，包括以下步骤：

(1)给定一个CS参数，保留上一代最优的鸟巢位置依照搜索鸟巢位置l_i，并根据式：

判别是否更新当前鸟巢位置l_i；式中，为步长参数，为点对点乘法；L(λ)则表示Lévy飞行搜索路径，服从Lévy分布；为保留的上一代最优的鸟巢位置，l_i为搜索得到的鸟巢位置，fitness()为适应度函数；

(2)由获取变异后鸟巢的位置V_i，并将其作为此时ELM的隐节点数；式中，V_i为采取变异策略后鸟巢的位置，F∈[0，1]为变异因子；Φ_best为此时最优鸟巢位置，Φⁱ_rk(k＝1，2，3，4)为种群中随机选取的个体；

(3)通过计算样本数据的RMSE作为适应度值，并根据判别式进行判别是否需要更新，判别式为：

式中，为下一个可能更新的最优鸟巢位置，l_i为步骤(1)结束后得到的当前鸟巢位置，V_i为当前采取变异策略后鸟巢的位置，fitness()为适应度函数。

(4)产生随机数rand，计算发现鸟巢的概率P_a，并比较rand和P_a的大小，若rand＞P_a，则随机选取鸟巢的位置，并替换旧鸟巢较差的位置，反之不进行改变；若达到迭代终止条件，则终止搜索，反之返回步骤(4)。

5.根据权利要求1所述的风电功率爬坡事件间接预测方法，其特征在于：所述的通过对预测风电功率中的爬坡事件检测完成爬坡事件的间接预测，是结合爬坡定义和检测算法，对预测功率中的爬坡事件进行间接预测。