短期风电功率区间概率预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN104571262A(43)申请公布日2015.04.29(21)申请号201510024662.7(22)申请日2015.01.16(71)申请人江南大学地址214122江苏省无锡市滨湖区蠡湖大道1800号(72)发明人沈艳霞陆欣陈杰谢广喜(51)Int.Cl.G06F1/00(2006.01)G06N3/02(2006.01)权利要求书1页说明书3页附图2页(54)发明名称短期风电功率区间概率预测方法(57)摘要本发明公开一种短期风电功率区间概率预测方法，包括：获取风电场若干历史风电功率作为样本集；结合预测区间覆盖概率、预测区间带宽均方根和平均偏移量构建优化准则；建立基于人工蜂群神经网络的短期风电功率区间预测模型，通过人工蜂群算法对优化准则进行寻优更新神经网络权值阈值；根据最优权值阈值建立神经网络，对待预测风电功率进行区间预测；对历史风电功率进行状态划分，建立马尔科夫链预测模型，计算各状态状态转移概率；通过马尔科夫链状态转移概率结合区间预测对风电功率区间预测，对预测区间内数值点计算概率。本发明在短期风电功率区间预测的同时考虑了区间内数值点概率分布，为优化系统提供依据。CN104571262ACN104571262A权利要求书1/1页1.一种短期风电功率区间概率预测方法，其特征在于，包括以下步骤：步骤1：获取风电场历史风电功率数据；步骤2：结合预测区间覆盖概率δPISCP、预测区间带宽均方根ψMRPI和平均偏移量φMO构建优化准则ΤCWCC；步骤3：建立基于人工蜂群神经网络的短期风电功率区间预测模型，通过人工蜂群算法对优化准则进行寻优更新神经网络权值阈值；步骤4：根据最优权值阈值建立神经网络，对待预测风电功率进行区间预测；步骤5：对历史风电功率进行状态划分，建立马尔科夫链预测模型，计算各状态转移概率；步骤6：通过马尔科夫链状态转移概率结合区间预测对风电功率区间预测，对预测区间内数值点计算概率。2.根据权利要求1所述的短期风电功率区间概率预测方法，其特征在于，所述的步骤2中结合预测区间覆盖概率δPISCP、预测区间带宽均方根ψMRPI和平均偏移量φMO构建优化准则ΤCWCC，包括以下计算步骤：式中：N为样本总数，ζi为实际风电功率，Li为预测下界，Ui为预测上界，μ为(1-α)置信水平的置信区间，η为δPISCP未达到置信区间μ时的惩罚量，λ为平均偏移量的惩罚项系数。3.根据权利要求1所述的短期风电功率区间概率预测方法，其特征在于，所述的步骤6中计算马尔科夫链状态转移概率并结合风电功率预测区间，对预测区间内各状态数值点计算概率。2CN104571262A说明书1/3页短期风电功率区间概率预测方法技术领域[0001]本发明属于电力系统技术领域，具体涉及一种短期风电功率区间概率预测方法。背景技术[0002]风能是一种理想的洁净能源。随着风电装机容量不断增加，风电所具有的间隙性和不确定性给电力系统的稳定运行和电网调度带来新的挑战。实现风电功率的准确预测对电力系统的功率平衡、经济调度和设备安全具有重要意义。不仅可以优化备用容量、降低电网运行成本，更可以减小风电对电网的冲击，提高电网运行的可靠性。风电功率预测方法一般可分为2类：一是利用数值天气预报,建立预测模型将天气数据转换成风电功率输出；二是基于历史数据进行预测，分为统计方法和学习方法。其中统计方法包括时间序列法、灰色预测法和卡尔曼滤波法，学习方法包括神经网络、支持向量机等智能方法。[0003]目前风电功率预测普遍为单一的点预测，而风电出力受湍流、风轮机状态和背景噪声等诸多不确定因素的影响，单一的点预测无法准确反映其中的不确定性因素。因此，需要进行风电功率区间预测。在区间预测的基础上，通过马尔科夫链状态转移概率对预测区间内数值点进行计算分析，为优化系统提供依据。发明内容[0004]针对现有技术存在的上述问题，本发明提出了一种短期风电功率区间概率预测方法。[0005]本发明包含以下步骤：[0006]步骤1：获取风电场历史风电功率数据；[0007]步骤2：结合预测区间覆盖概率δPISCP、预测区间带宽均方根ψMRPI和平均偏移量φMO构建优化准则ΤCWCC；[0008]步骤3：建立基于人工蜂群神经网络的短期风电功率区间预测模型，通过人工蜂群算法对优化准则进行寻优更新神经网络权值阈值；[0009]步骤4：根据最优权值阈值建立神经网络，对待预测风电功率进行区间预测；[0010]步骤5：对历史风电功率进行状态划分，建立马尔科夫链预测模型，计算各状态转移概率；[0011]步骤6：通过马尔科夫链状态转移概率结合区间预测对风电功率区间预测，对预测区间内数值点计算概率。[0012]通过本发明方法对风电功率区间进行预测，并对区