[发明专利]一种贝叶斯网络预测模型的风电功率区间预测方法

摘要

本发明公开了一种贝叶斯网络预测模型的风电功率区间预测方法，根据经过预处理得到的预测风速和实际功率数据，建立具有相关性的贝叶斯网络关系，计算比较得到区间变化幅值参数βHigh和βLow的变化范围，运用遗传优化算法通过优化适应度值得到最优区间变化幅值βHigh_best和βHigh_best，带回贝叶斯网络模型之后带入测试数据得到风功率预测区间，通过各项评价指标评价预测结果。不仅能得到预测风电功率的变化波动范围，还能有效评估其可靠性，为电力调度决策提供有效参考。

主权项

1.一种贝叶斯网络预测模型的风电功率区间预测方法，其特征在于，所述预测方法包括以下步骤：步骤1：获取风电场数据采集与监视控制系统中的实际风速和功率数据，由风速与功率的相关性对数据按季节进行处理，将数据分为训练样本和测试样本；步骤2：在训练样本数据中，将当前时刻的功率及下一时刻的风速数据序列作为贝叶斯网络模型的网络节点，将下一时刻的功率数据序列作为模型的父节点，根据各变量之间的相关关系搭建贝叶斯网络模型，得到下一时刻风功率的概率分布和初始概率性区间；步骤3：定义区间上下限变化幅值参数βHigh和βLow为遗传算法待优化参数，确定其变化的区间范围，对遗传算法中的种群进行初始化，包括：设定种群规模、生成随机初始种群和设定合适的交叉概率及变异概率，需优化的区间上下限变化幅值参数βHigh和βLow的变化范围为种群个体参数变化范围；步骤4：确定适应度函数，根据评价指标预测区间覆盖率和评价指标滑动预测区间带宽均方根构建遗传算法的优化目标函数宽度覆盖准则，对遗传优化算法的适应度值进行遗传寻优，每次更新种群得到新的遗传优化算法适应度值后，通过多次迭代选择、交叉、变异得到区间上下限最优变化幅值参数βHigh_best和βLow_best；步骤5：将根据步骤4寻优得到的区间上下限最优变化幅值βHigh_best和βLow_best分别代入贝叶斯网络模型和测试样本，输出即为风电功率预测区间，最后再使用步骤4中的评价指标来评价得到的预测区间。