一種短期風(fēng)電功率組合概率預(yù)測方法
【專利摘要】本發(fā)明公開了一種短期風(fēng)電功率組合概率預(yù)測方法，包括：構(gòu)建每個(gè)前瞻時(shí)段的各單項(xiàng)概率預(yù)測模型。將支持向量機(jī)和線性回歸預(yù)測得到的點(diǎn)預(yù)測結(jié)果假設(shè)為符合weibull分布和gauss分布的概率結(jié)果，應(yīng)用經(jīng)驗(yàn)方法統(tǒng)計(jì)得到所假設(shè)各分布的形狀參數(shù)。構(gòu)建每個(gè)前瞻時(shí)段的擴(kuò)展BMA模型。將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述各單項(xiàng)概率預(yù)測模型，得到各單項(xiàng)預(yù)測風(fēng)電功率條件概率密度函數(shù)，利用擴(kuò)展BMA模型將其組合預(yù)測得到風(fēng)電功率組合概率密度函數(shù)。本模型可以根據(jù)不同風(fēng)場數(shù)據(jù)的特點(diǎn)自適應(yīng)地得到任意形式的分布形式，可有效降低模型分布形式的選擇帶來的模型誤差，真正做到預(yù)測模型的普適性。
【專利說明】
一種短期風(fēng)電功率組合概率預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及新能源發(fā)電過程中風(fēng)電功率預(yù)測技術(shù)領(lǐng)域，特別是涉及一種短期風(fēng)電 功率組合概率預(yù)測方法。
【背景技術(shù)】
[0002] 由于風(fēng)電隨機(jī)性和波動(dòng)性的存在，大規(guī)模風(fēng)電并網(wǎng)對電力系統(tǒng)運(yùn)行造成很大影 響，如系統(tǒng)的穩(wěn)定性和電能質(zhì)量，因此風(fēng)力發(fā)電被認(rèn)為是不可調(diào)度的。風(fēng)功率不確定性預(yù)測 是解決這些問題、提高電力系統(tǒng)風(fēng)電并網(wǎng)能力的一種有效工具。
[0003] 最優(yōu)決策與預(yù)測分布的分位數(shù)直接相關(guān)結(jié)論的證明，為風(fēng)力發(fā)電的不確定性預(yù)測 被應(yīng)用到電力系統(tǒng)運(yùn)行提供了理論基礎(chǔ)。在隨機(jī)優(yōu)化的幫助下，風(fēng)電出力的不確定性信息 已被用于滿足相關(guān)決策問題的要求、風(fēng)電機(jī)組的交易策略以及考慮到風(fēng)力發(fā)電的不確定性 后的能源存儲(chǔ)大小和風(fēng)電站優(yōu)化調(diào)度。這些研究表明，不確定性預(yù)測的應(yīng)用使風(fēng)力發(fā)電的 利用率大大增加。概率預(yù)測是最常用的不確定性表示。不同的決策情況需要不同的分位數(shù) 或者預(yù)測區(qū)間，可以通過預(yù)測完整的概率密度函數(shù)(PDF)來滿足需求的靈活性。
[0004] 典型的風(fēng)電功率概率密度預(yù)測方法多為單項(xiàng)預(yù)測方法，通常根據(jù)數(shù)據(jù)從多種假設(shè) 模型中選擇一種作為最優(yōu)預(yù)測模型。然而，任何一種單項(xiàng)預(yù)測方法均有其固有的局限性，且 只適用于部分風(fēng)場，目前還沒有一種概率預(yù)測方法可以適用于所有風(fēng)場。因此，所選擇的單 項(xiàng)預(yù)測模型對現(xiàn)有數(shù)據(jù)來說不一定是最優(yōu)模型。其他合理的模型也可以針對樣本數(shù)據(jù)給出 不同的預(yù)測結(jié)果，這些合理的模型就是預(yù)測結(jié)果不確定性的來源。然而，應(yīng)用以上的典型方 法，認(rèn)為單一模型是"最好"的，忽略了這種預(yù)測不確定性的來源，從而低估了不確定性。而 組合預(yù)測方法能夠綜合多種相同預(yù)測水平的單項(xiàng)方法的優(yōu)勢，得到不同情況下各種單項(xiàng)預(yù) 測方法優(yōu)勢互補(bǔ)的預(yù)測方法，從而降低單個(gè)預(yù)測模型中隨機(jī)因素的影響，以提高預(yù)測精度。
[0005] 現(xiàn)有方法或者將多個(gè)單點(diǎn)預(yù)測值進(jìn)行加權(quán)平均，再對其組合誤差進(jìn)行統(tǒng)計(jì)得到誤 差的PDF，此方法主要是對單點(diǎn)預(yù)測值進(jìn)行組合;或者利用組合方法預(yù)測得到風(fēng)速風(fēng)向，再 利用風(fēng)機(jī)功率曲線得到風(fēng)電功率的PDF?，F(xiàn)實(shí)中，這一轉(zhuǎn)換誤差是相對較大的。現(xiàn)有的組合 概率預(yù)測模型均假設(shè)了單項(xiàng)模型符合相同分布的參數(shù)預(yù)測，這與現(xiàn)實(shí)中的實(shí)際問題有所偏 差。在現(xiàn)實(shí)問題中，預(yù)測目標(biāo)量的分布可能隨著時(shí)空的變化趨向于不同的分布，有些甚至不 符合某種分布。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的就是為了解決上述難題，提供了一種短期風(fēng)電功率組合概率預(yù)測方 法，該方法能夠解決現(xiàn)有風(fēng)電功率預(yù)測技術(shù)中存在的或者選擇單一模型作為最優(yōu)預(yù)測模 型、或者組合多種確定性預(yù)測模型、或者組合同分布單項(xiàng)預(yù)測模型等問題。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明的具體方案如下：
[0008] -種短期風(fēng)電功率組合概率預(yù)測方法，包括：
[0009] 構(gòu)建每個(gè)前瞻時(shí)段的SBL(Sparse Bayesian Learning，稀疏貝葉斯學(xué)習(xí)）單項(xiàng)預(yù) 測模型和KDE(Kernel Density Estimation，核密度估計(jì))單項(xiàng)預(yù)測模型；
[0010] 構(gòu)建每個(gè)前瞻時(shí)段的單項(xiàng)gauss分布預(yù)測模型，構(gòu)建SVM(Support Vector Machine，支持向量機(jī))預(yù)測模型，利用經(jīng)驗(yàn)法統(tǒng)計(jì)得到gauss分布函數(shù)的方差值；
[0011 ] 構(gòu)建每個(gè)前瞻時(shí)段的單項(xiàng)weibull分布預(yù)測模型，構(gòu)建LR(Linear Regression，線 性回歸)預(yù)測模型，利用經(jīng)驗(yàn)法統(tǒng)計(jì)得到weibull分布函數(shù)的形狀參數(shù)k;
[0012] 利用訓(xùn)練數(shù)據(jù)樣本，將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SBL預(yù)測模型，得到每 個(gè)前瞻時(shí)段的單項(xiàng)風(fēng)電功率預(yù)測條件概率密度函數(shù)正態(tài)分布函數(shù)P(y |M〇 ;
[0013] 利用訓(xùn)練數(shù)據(jù)樣本，將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述KDE預(yù)測模型，得到每 個(gè)前瞻時(shí)段的單項(xiàng)風(fēng)電功率預(yù)測條件概率密度函數(shù)KDE函數(shù)p(y|M 2);
[0014] 利用訓(xùn)練數(shù)據(jù)樣本，將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SVM預(yù)測模型，得到每 個(gè)前瞻時(shí)段的風(fēng)電功率預(yù)測值E3,結(jié)合所述經(jīng)驗(yàn)統(tǒng)計(jì)得到的gauss函數(shù)的方差值，得到每個(gè) 前瞻時(shí)段的單項(xiàng)風(fēng)電功率預(yù)測條件概率密度函數(shù)gauss函數(shù)p(y |M3);
[0015] 利用訓(xùn)練數(shù)據(jù)樣本，將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述LR預(yù)測模型，得到每 個(gè)前瞻時(shí)段的風(fēng)電功率預(yù)測值E4,結(jié)合經(jīng)驗(yàn)統(tǒng)計(jì)法得到的形狀參數(shù)k對所述比例參數(shù)λ進(jìn)行 修正，得到修正后的比例參數(shù)λ，從而得到每個(gè)前瞻時(shí)段的單項(xiàng)風(fēng)電功率預(yù)測條件概率密度 函數(shù)weibull函數(shù)p(y |Μ4);
[0016] 構(gòu)建擴(kuò)展ΒΜΑ模型，將上述SBL單項(xiàng)預(yù)測模型、KDE單項(xiàng)模型、SVM預(yù)測模型以及LR預(yù) 測模型得到的概率密度函數(shù)進(jìn)行組合，得到未來時(shí)段的風(fēng)電功率值的目標(biāo)量y的概率密度 函數(shù)；
[0017] 利用訓(xùn)練樣本數(shù)據(jù)訓(xùn)練擴(kuò)展BMA模型得到模型權(quán)值參數(shù)，以概率精度指標(biāo)值最小 為目標(biāo)函數(shù)，對模型權(quán)值參數(shù)進(jìn)行優(yōu)化，得到最終的風(fēng)電功率組合概率預(yù)測結(jié)果。
[0018] 將所述4種單項(xiàng)預(yù)測方法概率預(yù)測模型得到的條件概率密度函數(shù)pblMihpb M2)、p (y | M3)和p (y | M4)通過加權(quán)平均得到最終的組合概率密度函數(shù)，求解各權(quán)值參數(shù)；
[0019] 將風(fēng)電功率的分布預(yù)測所需要的數(shù)據(jù)輸入所述擴(kuò)展BMA模型，將風(fēng)電功率的分布 預(yù)測所需要的數(shù)據(jù)輸入各單項(xiàng)概率預(yù)測模型，得到每個(gè)單項(xiàng)模型在前瞻時(shí)段的預(yù)測條件概 率密度函數(shù)，通過將所述權(quán)值參數(shù)和各單項(xiàng)預(yù)測條件概率密度函數(shù)代入公式
，預(yù)測得到最終的風(fēng)電功率組合概率密度函數(shù)。
[0020] 優(yōu)選地，構(gòu)建每個(gè)前瞻時(shí)段的SBL單項(xiàng)預(yù)測模型，包括：
[0021]利用風(fēng)速歷史數(shù)據(jù)和對應(yīng)的風(fēng)電場輸出功率的歷史數(shù)據(jù)作為樣本對SBL進(jìn)行訓(xùn) 練，得到SBL模型權(quán)重系數(shù)，形成每個(gè)前瞻時(shí)段的SBL預(yù)測模型。
[0022]優(yōu)選地，構(gòu)建每個(gè)前瞻時(shí)段的KDE單項(xiàng)預(yù)測模型，包括：
[0023]利用風(fēng)速歷史數(shù)據(jù)和對應(yīng)的風(fēng)電場輸出功率的歷史數(shù)據(jù)作為樣本對KDE進(jìn)行訓(xùn) 練，得到KDE模型帶寬參數(shù)，形成每個(gè)前瞻時(shí)段的KDE預(yù)測模型。
[0024]優(yōu)選地，構(gòu)建每個(gè)前瞻時(shí)段的gauss分布單項(xiàng)預(yù)測模型，包括：
[0025]構(gòu)建每個(gè)前瞻時(shí)段的SVM預(yù)測模型，利用風(fēng)速歷史數(shù)據(jù)和對應(yīng)的風(fēng)電場輸出功率 的歷史數(shù)據(jù)作為樣本對SVM進(jìn)行訓(xùn)練，得到SVM模型權(quán)重系數(shù)，形成每個(gè)前瞻時(shí)段的SVM預(yù)測 模型。
[0026]利用經(jīng)驗(yàn)法對風(fēng)電功率歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，得到gauss分布函數(shù)的方差值。
[0027] 優(yōu)選地，構(gòu)建每個(gè)前瞻時(shí)段的weibull分布單項(xiàng)預(yù)測模型，包括：
[0028] 構(gòu)建每個(gè)前瞻時(shí)段的LR預(yù)測模型，利用風(fēng)速歷史數(shù)據(jù)和對應(yīng)的風(fēng)電場輸出功率的 歷史數(shù)據(jù)作為樣本對LR進(jìn)行訓(xùn)練，得到LR模型權(quán)重系數(shù)，形成每個(gè)前瞻時(shí)段的LR預(yù)測模型。 [0029]利用經(jīng)驗(yàn)法對風(fēng)電功率歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，得到weibull分布的形狀參數(shù)k。
[0030]優(yōu)選地，構(gòu)建每個(gè)前瞻時(shí)段的擴(kuò)展BMA預(yù)測模型，包括：
[0031 ]利用所述4種單項(xiàng)預(yù)測模型，以測試樣本的目標(biāo)時(shí)段風(fēng)速數(shù)據(jù)和距離所述目標(biāo)時(shí) 段最近三個(gè)時(shí)段的風(fēng)電場輸出功率數(shù)據(jù)作為輸入，得到所述訓(xùn)練樣本的每個(gè)前瞻時(shí)段的風(fēng) 電功率預(yù)測條件概率密度函數(shù)MylMOdblifchpblMsWPpblMj;
[0032]將所述4種單項(xiàng)模型概率預(yù)測結(jié)果進(jìn)行加權(quán)平均得到組合概率密度預(yù)測結(jié)果，組 合公式為：
[0034]優(yōu)選地，采用極大似然估計(jì)方法初步模型的權(quán)值參數(shù)，包括：
[0035]利用用極大似然估計(jì)初步求解（W 1，W 2，…，w k )。似然函數(shù)為
[0036]利用求解最大似然函數(shù)的常用方法EM方法求解所述似然函數(shù)。
[0039]優(yōu)選地，以24小時(shí)的概率指標(biāo)連續(xù)排名概率得分(CRPS)平均值最小為目標(biāo)函數(shù)， 采用PS0方法進(jìn)一步優(yōu)化所述權(quán)值參數(shù)，包括：
[0042] 目標(biāo)函數(shù)為min Crps
?，由于目標(biāo)函數(shù)解析式 較復(fù)雜，難以解析的求解最優(yōu)參數(shù)。采用粒子群算法對參數(shù)進(jìn)行尋優(yōu)，Wk參數(shù)范圍定為以極 大似然估計(jì)結(jié)果為中心的小范圍區(qū)間，α此處取值為0.05。
[0043] 優(yōu)選地，將風(fēng)電功率的分布預(yù)測所需要的數(shù)據(jù)輸入所述各單項(xiàng)概率預(yù)測模型，包 括：
[0044] 將所述預(yù)測目標(biāo)時(shí)段風(fēng)速風(fēng)向數(shù)據(jù)、所述風(fēng)電功率預(yù)測值和距離所述預(yù)測目標(biāo)時(shí) 段最近三個(gè)時(shí)段的誤差數(shù)據(jù)輸入所述各單項(xiàng)概率預(yù)測模型。
[0045] 優(yōu)選地，在第4種單項(xiàng)概率預(yù)測模型中，利用所述LR預(yù)測均值和所述經(jīng)驗(yàn)統(tǒng)計(jì)法得 到的形狀參數(shù)計(jì)算得到we ibul 1分布預(yù)測的另一重要參數(shù)比例參數(shù)，包括：
[0046] 利用所述形狀參數(shù)k和所述LR預(yù)測模型得到的均值E4，
比例參數(shù)λ進(jìn)行計(jì)算。
[0047]優(yōu)選地，將所述數(shù)值風(fēng)速數(shù)據(jù)的橫縱坐標(biāo)形式轉(zhuǎn)換為風(fēng)速向量形式，即風(fēng)速幅值 和風(fēng)向角度，進(jìn)一步對其進(jìn)行歸一化，且采用五點(diǎn)三次平滑濾波方法對所有樣本數(shù)據(jù)進(jìn)行 濾波處理。
[0048]由以上技術(shù)方案可見，本發(fā)明實(shí)施例公開了一種短期風(fēng)電功率組合概率預(yù)測方 法，包括，在貝葉斯模型平均(BMA)方法的基礎(chǔ)上，將ΒΜΑ所組合的單項(xiàng)模型采用不同形式的 概率函數(shù)表示，包括:gaUSS、 weibull函數(shù)以及核密度估計(jì)函數(shù)，并且以24小時(shí)前瞻時(shí)段內(nèi) 的CRPS平均值作為目標(biāo)函數(shù)，對模型參數(shù)進(jìn)行進(jìn)一步優(yōu)化。本文選用的稀疏貝葉斯(SBL)模 型和核密度估計(jì)模型，均以目標(biāo)時(shí)段的風(fēng)速風(fēng)向數(shù)據(jù)作為輸入，對目標(biāo)時(shí)段的風(fēng)電功率概 率密度函數(shù)直接進(jìn)行預(yù)測。此外，為了達(dá)到組合預(yù)測的效果，將支持向量機(jī)和線性回歸預(yù)測 得到的點(diǎn)預(yù)測結(jié)果分別假設(shè)為符合為gauss分布和weibull分布的概率結(jié)果，應(yīng)用經(jīng)驗(yàn)方法 統(tǒng)計(jì)得到所假設(shè)各分布的形狀參數(shù)。點(diǎn)預(yù)測值結(jié)合經(jīng)驗(yàn)方法得到的形狀參數(shù)，得到最終的 概率密度預(yù)測結(jié)果。綜上，本模型所用單項(xiàng)模型概率密度函數(shù)符合不同分布，包括SBL模型 得到的Gaussian函數(shù)、核密度估計(jì)的概率結(jié)果、經(jīng)驗(yàn)法擴(kuò)展得到的gauss函數(shù)和weibull函 數(shù)四種概率函數(shù)。本模型可以根據(jù)不同風(fēng)場數(shù)據(jù)的特點(diǎn)自適應(yīng)地得到任意形式的分布形 式，可有效降低模型分布形式的選擇帶來的模型誤差，真正做到預(yù)測模型的普適性。
【附圖說明】
[0049] 圖1為本發(fā)明實(shí)施例提供的一種短期風(fēng)電功率組合概率密度預(yù)測方法的流程示意 圖；
[0050] 圖2為本發(fā)明實(shí)施例提供的構(gòu)建每個(gè)前瞻時(shí)段的gauss分布預(yù)測模型的步驟圖； [0051]圖3為本發(fā)明實(shí)施例提供的構(gòu)建每個(gè)前瞻時(shí)段的weibull分布預(yù)測模型的步驟圖； [0052]圖4為本發(fā)明實(shí)施例提供的前瞻24h風(fēng)電功率概率密度曲線與真實(shí)值展示圖；
[0053]圖 5(a)-圖 5(f)為本發(fā)明實(shí)施例提供的1:00,5:00,9:00,13:00,17:00,21:00 的風(fēng) 電功率預(yù)測概率密度與真實(shí)值展示圖；
[0054]圖6為本發(fā)明實(shí)施例提供的前瞻24小時(shí)風(fēng)電功率預(yù)測區(qū)間與真實(shí)值對比圖。
【具體實(shí)施方式】：
[0055] 下面結(jié)合附圖對本發(fā)明進(jìn)行詳細(xì)說明：
[0056] 為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明中的技術(shù)方案，下面將結(jié)合本發(fā)明實(shí) 施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施 例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通 技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù) 的范圍。
[0057] SVM是在VC維理論和經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的基礎(chǔ)上提出的一種新型學(xué)習(xí)機(jī)器，其 最大的特點(diǎn)是采用少數(shù)支持向量代表整個(gè)樣本集，改變了傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，具 有很好的泛化能力，另外，SVM在處理非線性問題，通過將非線性問題映射到高維空間轉(zhuǎn)化 為線性問題，從而巧妙的解決了反復(fù)計(jì)算問題，有效的克服了維數(shù)災(zāi)難以及局部極小問題。 SVM回歸的思想是通過一個(gè)非線性映射供，將數(shù)據(jù)映射到高維特征空間H，并在這個(gè)空間進(jìn) 行線性回歸，具體為，給定k個(gè)樣本數(shù)據(jù)，其值為{xk，yk}，其中xke Rn為η維向量，yke R為相應(yīng) 的輸出變量，SVM通過引入損失函數(shù)來解決回歸問題，一般采用h =/(λ') = (執(zhí)M.VO + &， 識(shí):i" ω eRn來估計(jì)輸出值，式中，ω為權(quán)重向量，b為偏置項(xiàng)，可以通過解凸最優(yōu)化問 題得到ω和b。通常用核函數(shù)K替代內(nèi)積計(jì)算：
，式中 為不等于0的拉格朗日乘子。
[0058] SBL理論，由Tipping于2000年在SVM的基礎(chǔ)上提出，與SVM采用結(jié)構(gòu)風(fēng)險(xiǎn) 最小化原則不同，SBL采用了貝葉斯推理方法，這一變化不僅使SBL具有更好的稀疏特性， 而且使其具有概率預(yù)測的能力。稀疏貝葉斯學(xué)習(xí)機(jī)預(yù)測模型可表示為：
，式中：y〇utput為待預(yù)測隨機(jī)變量;Xinput為輸入向量;Xi為訓(xùn) 練樣本中的輸入向量;K( ·)為核函數(shù)，在回歸預(yù)測中可采用高斯核函數(shù)形式;Μ為訓(xùn)練樣本 總數(shù)；ε為誤差項(xiàng)，服從正態(tài)分布同）為權(quán)重系數(shù)，在稀疏貝葉斯學(xué)習(xí)機(jī)中被 看作隨機(jī)變量，并假設(shè)其先驗(yàn)分布為容易看出，當(dāng)式所述學(xué)習(xí)機(jī)訓(xùn)練完成時(shí)，對 于任意給定的輸入向量，均可得到被預(yù)測量的概率密度函數(shù)。學(xué)習(xí)機(jī)的訓(xùn)練過程，則是根據(jù) 貝葉斯原則對參數(shù)》=[￥()，'\￥1，~，'\?]1'、超參(1=[€[()，€[1，一，(^1] 1'以及〇2的后驗(yàn)分布進(jìn)行推斷 的過程，即可表示為p(w，a，02 |y)，其中，y=[yi，y2，···，yM]T。然而，由于對全部參數(shù)進(jìn)行貝葉 斯推斷計(jì)算復(fù)雜，在實(shí)際計(jì)算過程中，超參a與σ 2是通過對聯(lián)合分布的極大似然估計(jì)得到 的，表示為αΜΡ與。進(jìn)而，可以利用貝葉斯推斷得到w的后驗(yàn)分布為其中：
[0061 ] φ = [ φ (Χ1)，φ (χ2)，…，φ (XM) ]??；
[0062] Φ (xi) = [1 ,Κ(χι,χι), ··· ,Κ(χι,χμ)]τ；
[0063] A =diag(a〇，ai，."ctM)。
[0064] 在得到w及ε的后驗(yàn)分布后，帶入式（1)即完成了稀疏貝葉斯學(xué)習(xí)機(jī)的訓(xùn)練過程^而 實(shí)際上，由于y?t put仍然服從正態(tài)分布，可直接寫出其均值與方差為:與
[0065] σΙφιι1 ^σΙιρ+φ(χ?ιψιιΙ)τ?φ{(diào)χ?ιψιιι) 〇
[0066] KDE是在概率論中用來估計(jì)未知的密度函數(shù)，屬于非參數(shù)檢驗(yàn)方法之一，由 Rosenblatt(1955)和Emanuel Parzen(1962)提出。對于數(shù)據(jù)χι，Χ2, · · .，χη，核密度估計(jì)的形
。這是一個(gè)加權(quán)平均，是一個(gè)加權(quán)平均，而核函數(shù)Κ( ·)是一個(gè) 權(quán)函數(shù)，核函數(shù)的形狀和值域控制著用來估計(jì)f(x)在點(diǎn)X的值時(shí)所用數(shù)據(jù)點(diǎn)的個(gè)數(shù)和利用 的程度，直觀來看，核密度估計(jì)的好壞依賴于核函數(shù)和帶寬h的選取。
[0067] LR是利用數(shù)理統(tǒng)計(jì)中回歸分析，來確定兩種或兩種以上變量間相互依賴的定量關(guān) 系的一種統(tǒng)計(jì)分析方法，運(yùn)用十分廣泛。其表達(dá)形式為y=w'x+e，e為誤差服從均值為0的正 態(tài)分布。
[0068] 經(jīng)驗(yàn)統(tǒng)計(jì)方法是根據(jù)用于評(píng)估分布與數(shù)據(jù)的擬合度，估計(jì)百分位數(shù)并比較不同的 樣本分布。
[0069] BMA是一種組合來自不同來源的預(yù)測分布結(jié)果的方法。BMA預(yù)測得到的組合概率密 度函數(shù)(PDF)是以多個(gè)單項(xiàng)預(yù)測概率密度函數(shù)為核心的加權(quán)平均函數(shù)，其以后驗(yàn)概率作為 權(quán)重對所有可能的單項(xiàng)概率預(yù)測模型進(jìn)行加權(quán)平均(后驗(yàn)概率表示單項(xiàng)預(yù)測模型真實(shí)描述 實(shí)際過程的概率）。這些權(quán)重可反映每個(gè)單項(xiàng)預(yù)測模型對組合預(yù)測結(jié)果的相對貢獻(xiàn)，也可以 在有大量單項(xiàng)預(yù)測模型的情況下作為選擇較優(yōu)單項(xiàng)模型的基礎(chǔ)?；谟?xùn)練數(shù)據(jù)/，根據(jù)BMA 模型，由1(個(gè)概率模型^2、一、11(組合得到的目標(biāo)量7的概率密度函數(shù)可描述為
。其中，P (Mk | yT)為有訓(xùn)練數(shù)據(jù)yT得到 的模型Mk為正確的擬合模型的后驗(yàn)概率，可作為模型Mk在組合模型中的權(quán)值系數(shù)，用來反映 模型也對訓(xùn)練數(shù)據(jù)的擬合程度。p(y|Mk)是由第k個(gè)模型Mk單獨(dú)預(yù)測得到的目標(biāo)值y的條件概 率密度函數(shù)。原始BMA模型為靜態(tài)預(yù)測模型，2005年Rafter等人將其擴(kuò)展為動(dòng)態(tài)預(yù)測模型， 主要用于氣象數(shù)據(jù)(如風(fēng)速、溫度、海平面氣壓等等)預(yù)測，每個(gè)氣象站作為一個(gè)單項(xiàng)預(yù)測模 型，綜合多個(gè)氣象站對目標(biāo)量的點(diǎn)預(yù)測結(jié)果得到更準(zhǔn)確的未來時(shí)段的風(fēng)電功率值的目標(biāo)量 y以及目標(biāo)量的概率密度函數(shù)，為：
，其中，fk表示第k個(gè)單項(xiàng) 模型對目標(biāo)量的預(yù)測值;gk(y | fk)表示基于預(yù)測值fk的目標(biāo)量％的條件概率密度函數(shù)。所有 單項(xiàng)模型根據(jù)預(yù)測目標(biāo)量的特點(diǎn)選取概率密度函數(shù)的形式，但是對于同一目標(biāo)量采用相同 的分布形式。如用于溫度和海平面氣壓預(yù)測時(shí)，假設(shè)單項(xiàng)概率密度函數(shù)符合均值為線性函 數(shù)a k+bkyk、標(biāo)準(zhǔn)差為〇的高斯分布。其中yk為第k個(gè)氣象站預(yù)測得到的目標(biāo)量點(diǎn)預(yù)測值。線性 函數(shù)系數(shù)由各氣象站預(yù)測歷史數(shù)據(jù)以及歷史真實(shí)值應(yīng)用線性回歸得到，標(biāo)準(zhǔn)差σ應(yīng)用EM方 法得到。
[0070] 本實(shí)施例將基于上述SBL、KDE、SVM、LR、經(jīng)驗(yàn)統(tǒng)計(jì)法以及ΒΜΑ方法，對未來1 -48h，的 風(fēng)電功率概率密度函數(shù)進(jìn)行預(yù)測，其中，時(shí)間分辨率為lh。本實(shí)施例由構(gòu)建單項(xiàng)模型預(yù)測模 型、構(gòu)建組合預(yù)測模型以及風(fēng)電功率組合概率密度函數(shù)預(yù)測3部分組成，并通過分步預(yù)測對 多時(shí)段的風(fēng)電功率進(jìn)行預(yù)測。在具體預(yù)測過程，首先，通過SBL及KDE單項(xiàng)預(yù)測模型對風(fēng)電功 率概率密度函數(shù)進(jìn)行預(yù)測；其次，通過SVM預(yù)測模型對假設(shè)符合gauss分布的風(fēng)電功率均值 進(jìn)行預(yù)測，結(jié)合經(jīng)驗(yàn)統(tǒng)計(jì)法得到的gauss分布的方差；進(jìn)而，通過LR預(yù)測模型對假設(shè)符合 Weibull分布的風(fēng)電功率均值進(jìn)行預(yù)測，結(jié)合經(jīng)驗(yàn)統(tǒng)計(jì)法得到的weibull分布的形狀參數(shù)k， 得到weibull分布的比例參數(shù)1;最后，應(yīng)用求得權(quán)值參數(shù)的擴(kuò)展BMA模型將各單項(xiàng)模型得到 的概率密度函數(shù)進(jìn)行組合得到最后的風(fēng)電功率組合概率密度函數(shù)。并且本實(shí)施例中以全球 能源預(yù)測比賽(GEFC0M)的十個(gè)不同風(fēng)電場數(shù)據(jù)為例對方法進(jìn)行驗(yàn)證，證明本實(shí)施例方法的 有效性。
[0071] 參見圖1，為本發(fā)明實(shí)施例提供的一種短期風(fēng)電功率組合概率預(yù)測方法的流程示 意圖，該方法包括：
[0072] 步驟101:構(gòu)建每個(gè)前瞻時(shí)段的各單項(xiàng)概率預(yù)測模型。
[0073] 所用樣本數(shù)據(jù)包含風(fēng)速、風(fēng)向信息，在構(gòu)建每個(gè)前瞻時(shí)段的單項(xiàng)概率預(yù)測模型時(shí)， 兩者均為風(fēng)電場輸出功率的主要影響因素，因此本實(shí)施例中，采用風(fēng)速、風(fēng)向歷史數(shù)據(jù)和對 應(yīng)的風(fēng)電場輸出功率的歷史數(shù)據(jù)作為樣本對各單項(xiàng)概率預(yù)測模型進(jìn)行訓(xùn)練，形成每個(gè)前瞻 時(shí)段的單項(xiàng)概率預(yù)測模型。
[0074] 樣本數(shù)據(jù)的處理：
[0075] 所述風(fēng)速歷史數(shù)據(jù)包括風(fēng)電場的風(fēng)速相量橫縱坐標(biāo)，此處為了模型的應(yīng)用方便將 其轉(zhuǎn)換為風(fēng)速向量形式，即風(fēng)速的幅值和風(fēng)向角度，經(jīng)驗(yàn)證表明將數(shù)據(jù)歸一化有利于數(shù)據(jù) 規(guī)律的統(tǒng)計(jì)，因此對風(fēng)速幅值和風(fēng)向角度進(jìn)行歸一化處理。
[0076] 在樣本數(shù)據(jù)的測量中，會(huì)不可避免的引入錯(cuò)誤點(diǎn)、冗余點(diǎn)以及掃描環(huán)境所帶來的 測量噪聲等，這些點(diǎn)對統(tǒng)計(jì)模型的建立會(huì)帶來很大影響，為了更好的提取數(shù)據(jù)樣本中的特 征數(shù)據(jù)，進(jìn)行數(shù)據(jù)濾波，將這些錯(cuò)誤點(diǎn)等進(jìn)行去除。此處采用五點(diǎn)三次濾波方法對風(fēng)速、風(fēng) 向以及對應(yīng)的風(fēng)電功率樣本數(shù)據(jù)進(jìn)行濾波處理，以提高所建立統(tǒng)計(jì)模型的精確度。
[0077] 在構(gòu)建每個(gè)前瞻時(shí)段的SBL和KDE預(yù)測模型時(shí)，利用所述SBL和KDE預(yù)測模型，以測 試樣本的目標(biāo)時(shí)段風(fēng)速、風(fēng)向數(shù)據(jù)和距離所述目標(biāo)時(shí)段最近三個(gè)時(shí)段的風(fēng)電場輸出功率數(shù) 據(jù)作為輸入，得到所述測試樣本的每個(gè)前瞻時(shí)段的風(fēng)電功率預(yù)測概率密度函數(shù)。
[0078]在構(gòu)建每個(gè)前瞻時(shí)段的gauss分布預(yù)測模型時(shí)，具體包括如下步驟：
[0079]步驟201:利用所述SVM預(yù)測模型，以測試樣本的目標(biāo)時(shí)段風(fēng)速、風(fēng)向數(shù)據(jù)和距離所 述目標(biāo)時(shí)段最近三個(gè)時(shí)段的風(fēng)電場輸出功率數(shù)據(jù)作為輸入，得到所述測試樣本的每個(gè)前瞻 時(shí)段的風(fēng)電功率預(yù)測目標(biāo)值，即所假設(shè)gauss分布的均值。
[0080]步驟202:利用所述經(jīng)驗(yàn)統(tǒng)計(jì)方法，以歷史風(fēng)電功率數(shù)據(jù)為樣本，得到gauss分布的 方差。
[0081 ]在構(gòu)建每個(gè)前瞻時(shí)段的weibull分布預(yù)測模型時(shí)，具體包括如下步驟：
[0082]步驟301:利用所述LR預(yù)測模型，以測試樣本的目標(biāo)時(shí)段風(fēng)速、風(fēng)向數(shù)據(jù)和距離所 述目標(biāo)時(shí)段最近三個(gè)時(shí)段的風(fēng)電場輸出功率數(shù)據(jù)作為輸入，得到所述測試樣本的每個(gè)前瞻 時(shí)段的風(fēng)電功率預(yù)測目標(biāo)值，即所假設(shè)weibull分布的均值E 4。
[0083] 步驟302:利用所述經(jīng)驗(yàn)統(tǒng)計(jì)方法，以歷史風(fēng)電功率數(shù)據(jù)為樣本，得到weibull分布 的形狀參數(shù)k。
[0084] 步驟102:構(gòu)建每個(gè)前瞻時(shí)段的擴(kuò)展BMA模型。
[0085] 針對風(fēng)電功率數(shù)據(jù)進(jìn)行預(yù)測，并無傳統(tǒng)BMA模型所需的各氣象站預(yù)測模型所得到 的目標(biāo)量預(yù)測數(shù)據(jù)。因此，此處采用其他不同的單項(xiàng)模型對風(fēng)電功率概率密度函數(shù)進(jìn)行預(yù) 測，且所用單項(xiàng)模型概率密度函數(shù)符合不同分布，形成進(jìn)一步擴(kuò)展的BMA方法對符合不同分 布的單項(xiàng)模型進(jìn)行組合。
[0086] 在現(xiàn)有的風(fēng)電功率預(yù)測方法中，直接對目標(biāo)時(shí)段的風(fēng)電功率概率密度函數(shù)預(yù)測的 并不多。因此，此方法中單項(xiàng)預(yù)測模型的選取是一個(gè)難點(diǎn)。此處選用近年來研究較多、預(yù)測 效果較好且計(jì)算相對較簡單的稀疏貝葉斯(SBL)模型和核密度估計(jì)模型。這兩種方法均以 目標(biāo)時(shí)段的風(fēng)速風(fēng)向數(shù)據(jù)作為輸入，對目標(biāo)時(shí)段的風(fēng)電功率概率密度函數(shù)直接進(jìn)行預(yù)測。 此外為了達(dá)到組合預(yù)測的效果，本文借鑒raftery的方法，將支持向量機(jī)和線性回歸預(yù)測得 到的點(diǎn)預(yù)測結(jié)果分別假設(shè)為符合為gauss分布和weibull分布的概率結(jié)果，應(yīng)用經(jīng)驗(yàn)方法統(tǒng) 計(jì)得到所假設(shè)各分布的形狀參數(shù)。針對weibull分布，結(jié)合點(diǎn)預(yù)測值與經(jīng)驗(yàn)方法得到的形狀 參數(shù)，計(jì)算得到weibull分布的另一重要參數(shù)比例參數(shù)。
[0087]利用訓(xùn)練樣本構(gòu)建擴(kuò)展BMA模型，以所述訓(xùn)練樣本中的目標(biāo)時(shí)段風(fēng)速、風(fēng)向數(shù)據(jù)和 距離所述目標(biāo)時(shí)段最近三個(gè)時(shí)段的風(fēng)電場輸出功率數(shù)據(jù)作為輸入，預(yù)測得到所述4種單項(xiàng) 概率模型在每個(gè)前瞻時(shí)段的風(fēng)電功率條件概率密度函數(shù)數(shù)
IM4)。將所述單項(xiàng)概率預(yù)測結(jié)果代入組名
[0088 ]應(yīng)用極大似然估計(jì)初步求解(W1，W2，…，WK )。似然函數(shù)為：
[0090]其中，Θ為所有的參數(shù)集合。
[0091]利用EM方法對似然函數(shù)進(jìn)行求解。
[0092]步驟一（E step):
[0096] 以24小時(shí)前瞻時(shí)段內(nèi)的CRPS平均值最小為目標(biāo)函數(shù)，進(jìn)一步優(yōu)化模型參數(shù)。
[0097] CRPS 定義：
[0100] 其中，τ = 24。
[0101] 目標(biāo)函數(shù)為:min CRPS。
[0102] 約束條件：
[0105] 目標(biāo)函數(shù)解析式較復(fù)雜，難以解析的求解最優(yōu)參數(shù)。采用粒子群算法對參數(shù)進(jìn)行 尋優(yōu)，參數(shù)范圍定為以極大似然估計(jì)結(jié)果為中心的小范圍區(qū)間，α此處取值為0.05。
[0106] 步驟103:將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述各單項(xiàng)概率預(yù)測模型，得到各單 項(xiàng)預(yù)測風(fēng)電功率條件概率密度函數(shù)，利用擴(kuò)展ΒΜΑ模型將其組合預(yù)測得到風(fēng)電功率組合概 率密度函數(shù)。
[0107] 將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SBL和KDE預(yù)測模型，得到這兩個(gè)單項(xiàng)預(yù)測 模型每個(gè)前瞻時(shí)段的風(fēng)電功率概率密度函數(shù)。
[0108] 將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SVM預(yù)測模型，得到gauss分布單項(xiàng)預(yù)測模 型每個(gè)前瞻時(shí)段的風(fēng)電功率均值，結(jié)合所述經(jīng)驗(yàn)分布發(fā)得到的方差值，得到符合gauss分布 的風(fēng)電功率概率密度函數(shù)。
[0109] 將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SVM預(yù)測模型，得到weibull分布單項(xiàng)預(yù)測 模型每個(gè)前瞻時(shí)段的風(fēng)電功率均值E4,結(jié)合所述經(jīng)驗(yàn)分布發(fā)得到的形狀參數(shù)，利用公式
得到we i bu 11分布的另一重要參數(shù)比例參數(shù)λ，結(jié)合所述we i bu 11分布的比例 參數(shù)和形狀參數(shù)，得到符合weibull分布的風(fēng)電功率概率密度函數(shù)。
[0110] 將4種單項(xiàng)模型預(yù)測得到的風(fēng)電功率條件概率密度函數(shù)代入擴(kuò)展BMA模型公式
得到目標(biāo)時(shí)段的風(fēng)電功率概率密度函數(shù)。 ，
[0111] 利用上述提供的組合預(yù)測方法，本實(shí)施例利用全球能源預(yù)測比賽的十個(gè)風(fēng)場數(shù) 據(jù)，包括風(fēng)速、風(fēng)向和風(fēng)電功率歷史數(shù)據(jù)，模擬進(jìn)行前瞻T(T = 24)小時(shí)的風(fēng)電功率預(yù)測，進(jìn) 行有效性驗(yàn)證。
[0112] 首先將樣本分為訓(xùn)練集和驗(yàn)證集兩部分，分別含有1000和500個(gè)樣本，然后，利用 訓(xùn)練集數(shù)據(jù)對每個(gè)前瞻時(shí)段訓(xùn)練構(gòu)建4種單項(xiàng)概率預(yù)測模型，利用每個(gè)單項(xiàng)概率預(yù)測模型 對訓(xùn)練集樣本進(jìn)行模擬預(yù)測，得到4種單項(xiàng)風(fēng)電功率概率密度預(yù)測結(jié)果;其后，將訓(xùn)練集產(chǎn) 生的每個(gè)前瞻時(shí)段的4種單項(xiàng)風(fēng)電功率概率密度預(yù)測結(jié)果應(yīng)用擴(kuò)展ΒΜΑ模型進(jìn)行組合，先用 ΕΜ方法對模型參數(shù)初步求解，再以24小時(shí)前瞻時(shí)段內(nèi)的CRPS平均值最小為目標(biāo)函數(shù)，對模 型參數(shù)進(jìn)一步優(yōu)化，構(gòu)建每個(gè)前瞻時(shí)段的擴(kuò)展ΒΜΑ模型；最后，對所述驗(yàn)證集中的數(shù)據(jù)進(jìn)行 預(yù)測，最終得到關(guān)于所述驗(yàn)證集樣本的每個(gè)前瞻時(shí)段的風(fēng)電功率組合概率密度函數(shù)。
[0113] 下面是關(guān)于確定性預(yù)測精度和概率預(yù)測結(jié)果的預(yù)測效果分析：
[0114] 首先，ΝΜΑΕ是最基本的風(fēng)電功率預(yù)測模型的確定性結(jié)果評(píng)價(jià)指標(biāo)，如下式所示：
[0116] Ν表示數(shù)據(jù)總數(shù);:F；1表示i時(shí)刻的實(shí)際測量數(shù)據(jù)；#表示i時(shí)刻的預(yù)測數(shù)據(jù);ΥΝ表示 風(fēng)場的額定裝機(jī)容量。
[0117] 10個(gè)風(fēng)場24小時(shí)的ΝΜΑΕ指標(biāo)值（％ )如表一所示。由表可知，確定性預(yù)測效果隨著 預(yù)測時(shí)段的增加而變化，且10個(gè)風(fēng)場的確定性預(yù)測效果相似，表明了本模型的普適性。多方 法求解的10個(gè)風(fēng)場的24小時(shí)平均ΝΜΑΕ指標(biāo)值（％ )對比如表二所示。由表可知，相較傳統(tǒng)ΒΜΑ 模型和所組合的每種單項(xiàng)預(yù)測模型，本實(shí)施方法的確定性預(yù)測效果更好。
[0118] 表一10個(gè)風(fēng)場24小時(shí)的ΝΜΑΕ指標(biāo)值（％ )
[0122]
[0123] 其次，直觀的展示了本發(fā)明的方法的預(yù)測概率密度曲線與預(yù)測區(qū)間，說明本發(fā)明 方法在概率預(yù)測效果方面的合理性。
[0124] 為直觀說明預(yù)測效果，圖4直觀展示了前瞻24小時(shí)（2012年2月17日）的預(yù)測風(fēng)電功 率概率密度曲線以及實(shí)測值和預(yù)測均值。從圖中可看出，預(yù)測得到的風(fēng)電功率概率密度曲 線是非參數(shù)且時(shí)變的。圖5(a)-圖5(f)分別展示了其中1 :00、5:00、9:00、13:00、17:00、21: 〇〇的預(yù)測概率密度曲線和置信水平為80%的預(yù)測區(qū)間，其中，圓圈表示風(fēng)電功率實(shí)際值，星 號(hào)為80%置信區(qū)間的上下限值。由圖可看出，實(shí)測值均落在預(yù)測結(jié)果的80%置信區(qū)間內(nèi)，并 且可以直觀看出組合概率密度曲線綜合了所有單項(xiàng)預(yù)測結(jié)果的銳度和點(diǎn)預(yù)測準(zhǔn)確度優(yōu)勢， 概率密度曲線隨著時(shí)間變化做出相應(yīng)的調(diào)整，以達(dá)到最優(yōu)。圖6展示了前瞻24小時(shí)的10%-90%預(yù)測置信區(qū)間，可以看到，預(yù)測區(qū)間隨著時(shí)間的變化而變化，且真實(shí)值大多數(shù)落到了 80 %置信區(qū)間內(nèi)，表明本方法有較高的區(qū)間預(yù)測準(zhǔn)確度。
[0125] 通過上述采用確定性精度以及對預(yù)測概率密度函數(shù)和預(yù)測區(qū)間的展示，表明本實(shí) 施例方法可通過組合符合不同分布的單項(xiàng)模型概率密度函數(shù)得到有效的風(fēng)電功率概率密 度函數(shù)，且可以根據(jù)不同風(fēng)場數(shù)據(jù)的特點(diǎn)自適應(yīng)地得到任意形式的分布形式，可有效降低 模型分布形式的選擇帶來的模型誤差，真正做到預(yù)測模型的普適性。
[0126] 需要說明的是，在本文中，術(shù)語"包括"、"包含"或者其任何其他變體意在涵蓋非排 他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而 且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有 的要素。
[0127] 上述雖然結(jié)合附圖對本發(fā)明的【具體實(shí)施方式】進(jìn)行了描述，但并非對本發(fā)明保護(hù)范 圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不 需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。
【主權(quán)項(xiàng)】
1. 一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，包括： (1) 利用訓(xùn)練樣本數(shù)據(jù)，分別構(gòu)建每個(gè)前瞻時(shí)段的SBL單項(xiàng)預(yù)測模型和KDE單項(xiàng)模型；構(gòu) 建每個(gè)前瞻時(shí)段的gauss分布模型和SVM預(yù)測模型；構(gòu)建每個(gè)前瞻時(shí)段的weibull分布模型 以及每個(gè)前瞻時(shí)段的LR預(yù)測模型； (2) 將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)分別輸入所述SBL單項(xiàng)預(yù)測模型和KDE單項(xiàng)模型，得 到兩種單項(xiàng)預(yù)測模型每個(gè)前瞻時(shí)段的預(yù)測風(fēng)電功率概率密度函數(shù)，分別為gauss函數(shù)和KDE 函數(shù)； 將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SVM預(yù)測模型，得到每個(gè)前瞻時(shí)段的風(fēng)電功率 預(yù)測均值以及預(yù)測條件概率密度函數(shù)gauss函數(shù)； 將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述LR預(yù)測模型，得到每個(gè)前瞻時(shí)段的風(fēng)電功率預(yù) 測均值以及預(yù)測條件概率密度函數(shù)weibull函數(shù)； (3) 構(gòu)建擴(kuò)展BMA模型，將上述SBL單項(xiàng)預(yù)測模型、KDE單項(xiàng)模型、SVM預(yù)測模型以及LR預(yù) 測模型得到的概率密度函數(shù)進(jìn)行組合，得到未來時(shí)段的風(fēng)電功率值的目標(biāo)量y的概率密度 函數(shù)； 利用訓(xùn)練樣本數(shù)據(jù)訓(xùn)練擴(kuò)展BMA模型得到模型權(quán)值參數(shù)，以概率精度指標(biāo)值最小為目 標(biāo)函數(shù)，對模型權(quán)值參數(shù)進(jìn)行優(yōu)化，得到最終的風(fēng)電功率組合概率預(yù)測結(jié)果。2. 根據(jù)權(quán)利要求1所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，構(gòu)建每個(gè) 前瞻時(shí)段的SBL單項(xiàng)預(yù)測模型，包括： 利用風(fēng)速歷史數(shù)據(jù)和對應(yīng)的風(fēng)電場輸出功率的歷史數(shù)據(jù)作為樣本對SBL進(jìn)行訓(xùn)練，得 到SBL模型權(quán)重系數(shù)，形成每個(gè)前瞻時(shí)段的SBL單項(xiàng)預(yù)測模型。3. 根據(jù)權(quán)利要求1所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，構(gòu)建每個(gè) 前瞻時(shí)段的KDE單項(xiàng)預(yù)測模型，包括： 利用風(fēng)速歷史數(shù)據(jù)和對應(yīng)的風(fēng)電場輸出功率的歷史數(shù)據(jù)作為樣本對KDE模型進(jìn)行訓(xùn) 練，得到KDE模型帶寬參數(shù)，形成每個(gè)前瞻時(shí)段的KDE單項(xiàng)預(yù)測模型。4. 根據(jù)權(quán)利要求1所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，構(gòu)建每個(gè) 前瞻時(shí)段的單項(xiàng)gauss分布預(yù)測模型，包括： 構(gòu)建每個(gè)前瞻時(shí)段的單項(xiàng)SVM預(yù)測模型，利用風(fēng)速歷史數(shù)據(jù)和對應(yīng)的風(fēng)電場輸出功率 的歷史數(shù)據(jù)作為樣本對SVM進(jìn)行訓(xùn)練，得到SVM模型權(quán)重系數(shù)，形成每個(gè)前瞻時(shí)段的SVM預(yù)測 模型。5. 根據(jù)權(quán)利要求1所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，構(gòu)建每個(gè) 前瞻時(shí)段的單項(xiàng)weibull分布預(yù)測模型，包括： 構(gòu)建每個(gè)前瞻時(shí)段的單項(xiàng)LR預(yù)測模型，利用風(fēng)速歷史數(shù)據(jù)和對應(yīng)的風(fēng)電場輸出功率的 歷史數(shù)據(jù)作為樣本對LR模型進(jìn)行訓(xùn)練，得到LR模型參數(shù)，形成每個(gè)前瞻時(shí)段的LR預(yù)測模型。6. 根據(jù)權(quán)利要求1所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，所述步驟 (2)中，將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SVM預(yù)測模型，得到每個(gè)前瞻時(shí)段的風(fēng)電功 率均值預(yù)測結(jié)果E 3,利用經(jīng)驗(yàn)方法統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)得到所構(gòu)建gauss分布函數(shù)的方差參數(shù)4， 得到SVM預(yù)測模型預(yù)測時(shí)段的概率密度預(yù)測結(jié)果gauss概率密度函數(shù)。7. 根據(jù)權(quán)利要求1所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，所述步驟 (2)中，將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述LR預(yù)測模型，得到每個(gè)前瞻時(shí)段的風(fēng)電功率 均值預(yù)測結(jié)果E4,利用經(jīng)驗(yàn)方法統(tǒng)計(jì)訓(xùn)練數(shù)據(jù)得到所構(gòu)建weibull分布函數(shù)的形狀參數(shù)k， 根據(jù)預(yù)測結(jié)果E4和形狀參數(shù)k計(jì)算weibull分布的比例參數(shù)λ;根據(jù)所述形狀參數(shù)k和比例參 數(shù)λ，得到LR預(yù)測模型在預(yù)測時(shí)段的概率密度預(yù)測結(jié)果weibull函數(shù)。8. 根據(jù)權(quán)利要求1所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，所述步驟 (3)中， 由SBL單項(xiàng)預(yù)測模型M1、KDE單項(xiàng)模型M2、SVM預(yù)測模型M3和LR預(yù)測模型M4組合得到的未 來時(shí)段的風(fēng)電功率值的目標(biāo)量y的概率密度函數(shù)具體為：其中，P(Mk|yT)為由訓(xùn)練樣本數(shù)據(jù)yT得到的模型Mk為正確的擬合模型的后驗(yàn)概率，作為 模型Mk在組合模型中的權(quán)值系數(shù)wk，用來反映模型Mk對訓(xùn)練數(shù)據(jù)的擬合程度p(y|M k)是由第 k個(gè)模型Mk單獨(dú)預(yù)測得到的目標(biāo)值y的條件概率密度函數(shù)。9. 根據(jù)權(quán)利要求1所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，所述步驟 (3)中，利用極大似然估計(jì)方法對擴(kuò)展BMA模型權(quán)值參數(shù)進(jìn)行求解，利用粒子群法對擴(kuò)展BMA 模型權(quán)值參數(shù)進(jìn)行優(yōu)化。10. 根據(jù)權(quán)利要求9所述的一種短期風(fēng)電功率組合概率預(yù)測方法，其特征在于，以概率 評(píng)價(jià)指標(biāo)Crps值最小作為目標(biāo)函數(shù)，利用粒子群法對模型權(quán)值參數(shù)進(jìn)行優(yōu)化： 目標(biāo)函數(shù)為 ±其中Ft,n(y)為前瞻t時(shí)段的第η次預(yù)測給出的風(fēng)電功率累積分布函數(shù);yt,η為前瞻t時(shí)段的第 η次實(shí)驗(yàn)的風(fēng)電功率測量值;p代表以裝機(jī)容量為基準(zhǔn)值標(biāo)么化的風(fēng)電功率隨機(jī)變量;N表示 驗(yàn)證集樣本每個(gè)時(shí)段內(nèi)的預(yù)測樣本數(shù)。 約束條件為》1-?< % < %?和=1; 其中，權(quán)值參數(shù)Wk參數(shù)范圍定為以極大似然估計(jì)結(jié)果為中心的小范圍區(qū)間，α為常數(shù)。
【文檔編號(hào)】H02J3/00GK105868853SQ201610182801
【公開日】2016年8月17日
【申請日】2016年3月28日
【發(fā)明人】楊明, 林優(yōu), 韓學(xué)山
【申請人】山東大學(xué)