[发明专利]一种风电功率爬坡事件概率场景预测方法

摘要

本发明涉及一种风电功率爬坡事件概率场景预测方法，通过构建计及累积密度函数和高阶矩自相关函数的多目标适应度函数实现了分布特征一致性和时序特征一致性。基于多目标适应度函数的遗传算法对概率生成模型参数进行迭代寻优，得到大量预测场景，并通过场景捕捉带内挖掘出的爬坡事件概率特征评价该预测方法。选取国外某风场实际数据进行算例计算和统计分析，结果表明多目标函数较单目标函数的统计结果更为精确，而且该概率场景预测方法可以较准确地估计出爬坡事件的特征量，证明了该方法的正确性，可为概率场景生成方法和爬坡事件预测模型提供指导。

主权项

一种风电功率爬坡事件概率场景预测方法，其特征在于：包括以下步骤，步骤1，采用人工神经网络生成风电功率的概率生成模型，即将若干个当前时刻和历史时刻的风电功率数据和一个下一时刻的风电功率值作为模型输入变量，将下一时刻某个风电功率值出现的概率作为模型输出变量，建立人工神经网络概率生成模型；步骤2，基于步骤1所建立的概率生成模型，采用改进的遗传算法求解模型参数，首先在该模型的基础上根据输入输出参数个数确定遗传算法个体的长度，个体通过多目标适应度函数计算个体适应度值，进而通过选择、交叉和变异操作找到最优适应度值对应的个体，最终确定模型的最优参数；包括以下子步骤，步骤2.1，种群初始化，在人工神经网络概率生成模型的基础上根据输入输出参数个数确定遗传算法个体的长度，每个个体均为一个实数串，即采用实数编码方法，个体由输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值参数4部分组成；一个个体包含了人工神经网络全部权值和阈值参数，且对应于一个确定的ANN概率生成模型；步骤2.2，构建一组多目标适应度值，并使用遗传算法反复迭代计算直到迭代得到满足阈值要求的最小适应度值后得到最优解，具体包括以下子步骤：步骤2.2.1，构建累积密度函数适应度值F1，建立预测输出CDF曲线和期望输出CDF曲线之间的误差绝对值作为个体CDF适应度值，由步骤1得到的第m个风电功率采样值对应的概率值pm，逆向使用拉丁超立方分层采样法可以得到随机变量的整体累积分布：即：Ocdf(X~t+1,m)=Σi=1mpX~t+1,i]]>已知t+1时刻有M个风电功率预测值，预测输出CDF曲线的生成方法为：将曲线Ocdf的横轴分成M‑1个等间距不重叠区间，其中区间宽度为1/(M‑1)，每个采样点的概率值已由人工神经网络概率生成模型得到，由累积密度函数的定义可得第m个风电功率采样值对应的累积密度函数值：Ocdf(X~t+1,m)=Ocdf(X~t+1,m-1)+pX~t+1,m]]>步骤2.2.2，构建高阶矩自相关函数适应度值F2，由于即使当预测输出与期望输出的CDF分布完全相同，其概率纸检验的结果显示预测输出的CDF分布也未必服从期望输出的CDF分布，在算法的迭代过程中需要考虑高阶矩自相关函数值作为适应度值以建立随机数列的时序相关性，使得产生的随机数列能够更多地保持真实风电功率历史序列的高阶矩特性；步骤2.2.3，构建一组多目标适应度值，包含有累积密度函数适应度值F1和高阶矩自相关函数适应度值F2，分别建立预测输出CDF曲线和期望输出CDF曲线、预测输出和期望输出高阶矩自相关函数之间的误差绝对值之和作为个体适应度值F，定义两目标适应度值有相同的权重，即：F＝F1(Ycdf,Ocdf)+F2(Ycorr,Ocorr)式中，Ycdf为统计海量历史数据得到的真实风电功率的期望输出CDF，Ocdf为由ANN概率生成模型得到随机数列的预测输出CDF；Ycorr为真实风电功率的期望输出高阶矩自相关函数，Ocorr为由ANN概率生成模型得到随机数列的预测输出高阶矩自相关函数值；步骤2.2.4，重复步骤2.2.1到步骤2.2.3，使用遗传算法反复迭代计算每一代的多目标适应度值，直到迭代得到满足阈值要求的最小适应度值，取此时对应的种群个体作为模型参数的最优解，即：minF=F1(Ycdf,Ocdf)+F2(Ycorr,Ocorr)F1=Σ|Ycdf-Ocdf|F2=Σ|Ycorr-Ocorr|;]]>步骤3，基于步骤1所建立的概率生成模型和步骤2求解出的模型参数，采样得到足够多的预测场景和场景捕捉带，使用爬坡事件挖掘算法得到特征量的所有场景预测值并进行统计分析，即得到爬坡事件特征量的预测估计值。