[发明专利]一种计及风速预报可信度的风电集群功率超短期预测方法

权利要求书

1.一种计及风速预报可信度的风电集群功率超短期预测方法，其特征在于，包括如下步骤：

步骤1、初始化模型参数，导入归一化之后的历史风电功率时间序列；

步骤2、逐一计算区域中风速预报与风电场功率的去趋势偏相关性系数；

步骤3、根据偏相关性系数与确定性预测精度，将风电场按照相关性排序，确定最小误差的低相关性电场数量，并将相应低相关性电场作为低风速预报可信度的风电场，其余风电场作为高风速预报可信度的风电场，实现高、低风速预报可信度的风电子集群划分；

步骤4、分别对风电子集群数据进行确定性预测建模，并分别预测风电子集群功率，求和得到风电集群功率预测值。

2.如权利要求1所述的计及风速预报可信度的风电集群功率超短期预测方法，其特征在于，步骤1中，初始化模型参数，导入归一化之后的历史风电功率时间序列具体包括如下步骤：

步骤11、依次初始化极限学习机的隐含层系数和阈值；

步骤12、将风电功率数据导入且序列归一化处理；

步骤13、构建时间序列的输入输出样本集。

3.如权利要求2所述的计及风速预报可信度的风电集群功率超短期预测方法，其特征在于，步骤13中，构建时间序列的输入输出样本集，其表达式D如下：

式中，x_i和t_i均为历史功率数值，分别为第i组样本的输入和实测值，S为样本个数。

4.如权利要求1所述的计及风速预报可信度的风电集群功率超短期预测方法，其特征在于，步骤2中，逐一计算区域中风速预报与风电场功率的去趋势偏相关性系数，具体包括如下步骤：

步骤21、风电功率或风速时间序列重构为：

式中，x_j(s)为第s个风速预测值或风电功率实测值；j代表针对风速或者风电功率的分析；

步骤22、基于滑动平均计算消除时间序列整体变化趋势带来的影响，计算如下：

式中，为第i个滑动平均值；ww为消除趋势的计算窗口宽度；

步骤23、时间序列的协方差V²(j₁,j₂)计算如下：

式中，j₁和j₂分别代表了风速和功率的时间序列选取；协方差矩阵V²为

步骤24、互相关性系数ρ(j₁,j₂)计算如下：

互相关性系数矩阵ρ为

步骤25、引入偏相关性系数以提高相关性分析的准确性，去趋势偏相关性系数ρ_p计算如下：

依次计算风电场的去趋势偏相关性系数，为风电场的风速预报可信度分析奠定基础。

5.如权利要求1所述的计及风速预报可信度的风电集群功率超短期预测方法，其特征在于，步骤3中，预测误差计算如下：

式中，N_p为测试集样本总数；y_i和f(x_i)分别为功率实测值和预测值；MAE为平均绝对值误差；RMSE为均方根误差。

6.如权利要求1所述的计及风速预报可信度的风电集群功率超短期预测方法，其特征在于，步骤4中，高可信度或低可信度的风电子集群功率预测值计算如下：

式中，x_i为第i个样本的输入；f^(j)(x_i)表示基于风电子集群功率建立的第j个极限学习机的输出，h_j表示相应极限学习机权重系数；N_c则表示多极限学习机组中极限学习机的个数。

7.如权利要求6所述的计及风速预报可信度的风电集群功率超短期预测方法，其特征在于，最小二乘法为最常用的误差估计代价函数，以均方根误差为误差指标，然而，该代价函数易受异常误差值的影响，将平均绝对值引入指标计算，组成Huber代价函数，可以降低异常值的影响，提高模型的鲁棒性，基于Huber的代价函数如下：

式中，t_i和f(x_i)分别为实测值和多极限学习机组的预测值；δ为切换L1范数和L2范数代价函数的阈值。