一种基于PRELM的短期风电功率区间预测方法与流程

一种基于prelm的短期风电功率区间预测方法
技术领域
1.本发明涉及风电功率预测领域，具体是一种基于prelm的短期风电功率区间预测方法。


背景技术：

2.近年来，风电等可再生能源快速发展，风力发电量迅速增长。然而，由于气候、地形、发电设备等诸多因素的影响，造成了风力发电具有典型的间歇性和不确定性等特点，这给电力系统规划以及电网的安全稳定运带来了巨大的挑战。然而，传统点预测属于确定性预测，这很难定量描述风电功率预测存在的不确定性。风电时间序列是非平稳具有高度不确定性的。在一些风电高渗透率地区，电网运行调度需要对风电不确定性进行精确估计，点预测难以满足需求。相比于确定性预测，区间预测能得到更多有用的信息。同时，由于受天气、地域等因素的影响，风电序列是非平稳含有大量噪声的复杂序列。在构建预测模型之前将时间序列进行适当的分解能有效提升预测效果。已有分解方法存在对阈值敏感、模态混叠问题。因此，考虑风电数据内在特性，增强预测模型抗噪声能力，进一步提高预测效率和鲁棒性，进行短期风电功率区间预测研究具有重要意义。准确的风电预测在电网安全、电力调度运行以及电力市场中十分重要。


技术实现要素：

3.鉴于上述技术缺点，本发明提供了一种基于prelm的短期风电功率区间预测方法。
4.为实现上述发明目的，本发明的技术方案如下：
5.一种基于prelm的短期风电功率区间预测方法，包括如下步骤：
6.s1，输入原始风电数据，建立avmd算法，通过avmd算法对原始风电数据的序列进行分解，得到设定个数的子序列，通过分类规则将分解后的子序列分类为三类序列成分；
7.s2，通过prelm预测方法建立备选区间预测模型，通过对备选区间预测模型进行训练，获得区间预测模型；
8.s3，通过区间预测模型对三类序列成分进行预测，获得三类预测区间；
9.s4，通过将三类预测区间上下界分别进行叠加，生成风电功率预测区间。
10.作为优选的，步骤s1中的vmd、相关系数法、se和pso算法形成avmd算法的过程如下：
11.步骤一，输入原始风电数据，初始化k＝2；
12.步骤二，通过vmd对原始风电数据进行分解，计算分解后的子序列间的相关系数，并确定当前最大相关系数；
13.不同子序列间相关系数定义如下：
[0014][0015]
式中，x(n)、y(n)为不同子序列，n为样本个数；
[0016]
步骤三，判断当前最大相关系数是否大于相关系数的阈值，若判断结果为否，则返回步骤二中，并令k＝k 1；若判断结果为是，则取分解个数为：k＝k
‑
1；
[0017]
步骤四，初始化pso的各参数，每个pso粒子的代表惩罚参数α的潜在解，通过如下步骤进行迭代：
[0018]
(1)通过步骤三确定的分解个数k以及每个pso粒子所对应的惩罚参数α，通过vmd对原始风电数据进行分解，得到设定个数的子序列；
[0019]
(2)通过se算法计算分解后的子序列的se值，通过适应度函数计算每个pso粒子的适应度，其数学表达式如下：
[0020][0021]
式中，se(i)代表第i个序列的se值；
[0022]
(3)更新pso粒子局部达到设定值以及全局达到设定值，更新粒子位置和速度进行迭代；
[0023]
(4)判断是否满足收敛条件，若判断结果为否，则返回步骤(1)；若判断结果为是，则输出vmd在达到设定值的参数下的分解序列以及子序列的se值，执行步骤(5)；
[0024]
(5)根据分类规则，将子序列分为总体趋势类、循环类以及噪声类的序列成分，然后将其输出；
[0025]
其中，通过相关系数法确定vmd分解个数k，通过se对各子序列进行熵值计算，以所有子序列的se值之和最小化为目标函数，通过pso迭代得到vmd的惩罚参数α，形成avmd算法。
[0026]
作为优选的，分类规则如下：
[0027]
设置趋势类阈值p1：μ1。se和噪声类阈值p2：μ2。se；其中，se为原始序列的se值，μ1为趋势类阈值权重，μ2为噪声类阈值权重；
[0028]
将se值＜趋势类阈值p1的子序列归类趋势类；将p1＜se值＜p2的子序列归类循环类；将p2＜se值的子序列归为噪声类，一般这些高se的序列包含了大量噪声成分，这是主要产生预测误差的部分。
[0029]
作为优选的，vmd的分解方法如下：
[0030]
通过hilbert变换对各模态函数进行处理，然后在其中加入一个指数项，从而将其频谱转换到相应基带：
[0031][0032]
式中，δ(t)为dirac分布，k＝1,2,
…
，k为分量的个数，*代表卷积运算，u
k
为第k个分量，ω
k
代表第k个分量中心频率；
[0033]
通过高斯平滑法计算各模态信号带宽，构造带约束的变分问题，其数学表达式如下：
[0034][0035]
式中，f为原始信号；
[0036]
结合二次罚项因子与拉格朗日乘子将带约束的变分问题转化为无约束的变分问题，所得拉格朗日的数学表达式如下：
[0037][0038]
式中，λ为拉格朗日乘法算子，通过交替乘子方向法对λ
n 1
、进行更新；
[0039]
通过帕萨瓦尔傅里叶等距变换，将每个模态转换到频域，其数学表达式如下：
[0040][0041]
用ω
‑
ω
k
替代式中的第一项ω，得到二次优化问题的解，其数学表达式如下：
[0042][0043]
同理，得到中心频率的更新公式：
[0044][0045]
vmd算法流程如下：
[0046]
1)初始化{λ1}和n；
[0047]
2)更新u
k
和ω
k
；
[0048]
3)更新λ；
[0049][0050]
判断是否收敛，若收敛则停止迭代，得到k个分解结果，如不收敛则n加1返回到步骤2)继续迭代，
[0051]
[0052]
作为优选的，prelm预测方法的构建过程如下：
[0053]
elm是一种新型的单隐层前馈神经网络机器学习算法，由于其网络结构简单、参数较少等因素，具有计算速度快、泛化能力强的优点；elm由输出层、隐藏层和输出层三层网络结构组成。不同于传统神经网络，elm在输入层和隐含层之间的权重矩阵和阈值是随机生成的，在训练过程中这些参数是固定不变的，从而提升了计算能力；
[0054]
elm模型可以表示为：
[0055][0056]
x
i
表示模型输入数据，ω
i
表示输入层权重，b
i
表示隐藏层偏置，g()表示激活函数，一般是sigmoid函数，β
i
表示输出层权重，表示elm输出结果，可以进一步表示为：
[0057][0058]
上式可以简写为：
[0059]
y＝hβ
[0060]
y表示elm输出层的目标值，通过以下计算可以得到β：
[0061]
β＝h

y
[0062]
h 为moore
‑
penrose广义逆矩阵，
[0063]
elm只考虑经验风险最小化，预测模型存在过拟合风险，并且对存在离群值的样本进行训练时，泛化能力不足；因此，在建立预测模型时，要同时考虑经验风险最小化和结构风险最小化，通过在elm中加入正则化系数的方式，能提升elm性能，
[0064]
针对含有非高斯噪声和离群点的风电数据的建模问题，采用了一种新颖的prelm，与传统的elm方法目标函数不同，本文所提方法构造了一个新的目标函数，使建模误差的均值和方差最小。因此，所采用的方法考虑了建模误差分布。然后对这种新的目标函数给出了一种求解方法在elm的基础上构建新的目标函数：
[0065][0066]
s.t.h(x
i
)β＝y
i
‑
e
i
,i＝1,...,n
[0067]
其中n是训练样本，e
i
是模型误差，δ是全局误差因子，γ、c是正则化参数；
[0068]
通过构造拉格朗日函数对上式进行求解：
[0069][0070]
求得：
[0071][0072]
则β的数学表达式如下：
[0073][0074]
通过如下公式得到prelm的预测结果：
[0075][0076]
作为优选的，步骤s2中的通过对备选区间预测模型进行训练，获得区间预测模型，其步骤如下：
[0077]
利用prelm构建预测区间，输入为风电数据以及天气数据等影响风电的关键因素的数据,用x
i
表示。输出为各个置信度所对应的预测区间，所用方法可以直接生成设定置信度下的预测区间
[0078][0079]
其中，i表示第i个数据样本，j表示由第二节方法处理后产生的第j个子序列，表示在置信度为100％(1
‑
α)对应的区间下界，表示所对应的区间上界，数据样本由d以下等式表示：
[0080][0081]
x
i,j
表示prelm的输入，由风电数据，天气数据等相关数据组成，y
i,j
表示实际风电数据，为prelm的输出，n表示训练样本数量；
[0082]
对得到的不同成分序列采用构建区间预测模型，步骤如下：
[0083]
s31，将原始风电数据划分为训练集和测试集，并对训练集进行归一化处理，确定输出层数据，按照下式处理训练集的输出数据，将原始数据进行小幅波动形成训练集的初始输出区间上下界，将原始数据y
i
减小20％，即y
i
(1
‑
20％)作为训练输出区间的下界，将原始数据y
i
增大20％，即y
i
(1 20％)作为训练输出区间的上界：
[0084]
i＝[y
i
(1
‑
20％),y
i
(1 20％)]
[0085]
其中，i表示预测区间；
[0086]
s32，初始化prelm和pso的参数建立备选区间训练模型，构建cec(区间评价指标)作为备选区间预测模型训练过程的适应度函数，通过cec更新pso的信息进行迭代；
[0087]
s33，判断迭代是否终止，若不满足设定的迭代次数，则返回步骤s32；若满足设定的迭代次数，则得到训练后的区间预测模型；
[0088]
s34，通过测试集对训练后的区间预测模型进行验证，获得区间预测模型；在得到趋势成分和循环成分以及噪声成分的预测区间后，将各成分的预测区间上下界分别叠加即可得到最终整体最优预测区间，最后计算相关指标来评估预测结果。
[0089]
作为优选的，步骤s32中cec的构建过程如下：
[0090]
区间的可靠性反映了实际风电值与预测区间的关系，通过预测区间覆盖率picp计算预测区间可靠性，其数学表达式如下：
[0091]
[0092][0093]
n表示数据样本数量，θ
i,j
是一个布尔量，当实际值在预测区间内时记为1，否则记为0；
[0094]
额定区间置信度pinc代表着覆盖率的一个标准，记为100(1
‑
α)％，其数学表达式所示：
[0095][0096]
对于构造的区间，其覆盖率与额定区间置信度之间接近程度用平均覆盖率误差ace表示：
[0097]
ace＝picp
‑
pinc
[0098]
如果只考虑区间覆盖率也不能生成最优的区间，因为随着区间覆盖率的增加区间宽度也会增加，太宽的预测区间不能再实际应用中得到应用。所以还要考虑区间清晰度区，区间平均带宽pinaw由以下式子表示：
[0099][0100]
式中的n为样本数量，r为预测目标的范围，当区间宽度越小并且覆盖率高时才能生成最优区间；
[0101]
在某些情况下，不同预测区间拥有相差不大的picp和pinaw时，但是不在区间内的目标值偏离区间上界或下界的程度却不同，为了体现这些目标值偏离区间的程度，引入awd，其数学表达式如下：
[0102][0103][0104]
当实际值包含于区间内时，awd为0，当实际值低于区间下界或者实际值高于区间上界时，相对偏离区间越多awd越大，反之越小，对n个样本所产生的区间求均值，如下所示：
[0105][0106]
其中，r
a
用于处理awd归一化；
[0107]
通过对预测区间可靠性指标、预测区间宽度指标以及预测区间偏差的考虑建立cec，其数学表达式如下：
[0108]
cec＝pinaw γe
‑
ηace
λawd,η＞0；
[0109]
此处
[0110][0111]
这里的ε是一个大于零的常数，λ是awd权重系数，一般取值很小，采用三个不同指标项加权的方式，避免了pinaw接近于0导致无法得到最优区间的问题。
[0112]
本发明的有益效果是：本发明提出avmd算法和区间预测模型建立方法。能够在一定置信水平下生成可能波动的风电区间，具有更好的可靠性，能够为电力系统运行调度提供更多的决策信息，同时在电力市场中有广阔的应用前景，具有实用性。
附图说明
[0113]
图1为；本发明提供的自适应分解流程图；
[0114]
图2为；本发明提供的原始风电功率时间序列图；
[0115]
图3为；本发明提供的风电功率分解图；
[0116]
图4为；本发明提供的风电功率序列分类图；
[0117]
图5为；本发明提供的风电功率预测结果图；
[0118]
图6为；本发明提供的流程示意图。
具体实施方式
[0119]
下面结合本发明的附图1
‑
6，对本发明实施例中的技术方案进行清楚、完整地描述，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0120]
如图1、6所示，针对风电具有较强非线性和非平稳性的特点，在构建预测模型之前将风电数据进行自适应分解，并且将具有不同特征的子序列进行分类。为了提高到vmd分解序列的效果，避免人为凭借经验选取重要参数带来的影响。首先，采用相关系数法确定vmd的分解个数。然后经过se对各子序列进行计算，以所有子序列se值之和为目标函数，利用pso寻优得到vmd惩罚参数，形成avmd算法。在此基础上，将原始风电序列分解为多个子序列。最后根据各子序列以及原始序列的se值，按照分类规则将序列分为三类成分。
[0121]
该方法具体步骤如下：
[0122]
1)输入原始风电数据，初始化k＝2。
[0123]
2)采用vmd将原始风电序列进行分解，计算各个子序列间的相关系数，并确定当前最大相关系数。
[0124]
3)判断当前最大相关系数是否大于最大相关系数阈值。若否，则返回步骤2)，并k＝k 1。若是，则取分解个数为：k＝k
‑
1。
[0125]
4)初始化粒子群各参数。每个粒子的代表惩罚参数α的潜在解。以下步骤进行迭代寻优：
[0126]
a)基于步骤三确定的分解个数k以及每个粒子的所对应的惩罚参数α，使用vmd将原始风电序列分解。
[0127]
b)用se算法计算分解后的每个序列的熵值。以下式作为适应度函数计算每个粒子的适应度。
[0128][0129]
c)更新粒子局部最优以及全局最优。更新粒子位置和速度,进行迭代寻优。
[0130]
d)判断是否满足收敛条件。若否，则返回步骤a)。若是，输出vmd在最优参数下的分解序列，以及各序列的se值，执行下一步。
[0131]
5)根据分类规则，将各子序列分为三类，分别是总体趋势类、循环类以及噪声类，然后将其输出。
[0132]
如图2所示，改图为实际风力发电数据。其中选取从2006年夏季6月13日至2006年7月25日每隔15分钟采集的4000组数据用于示例。
[0133]
如图3所示，基于混合变分模态分解、相关系数、样本熵和粒子群优化算法的数据预处理方法，将原始风电序列自适应地分解为多个子序列。
[0134]
首先，使用基于相关系数的方法确定vmd分解个数k。然后，以所有子序列的se之和最小为目标函数，使用pso、se确定惩罚因子α。最后，根据所得最优参数k和α将原始风电序列进行分解。
[0135]
不同子序列间相关系数定义如下：
[0136][0137]
式中，x(n)、y(n)为不同子序列，n为样本个数。粒子群优化目标函数为：
[0138][0139]
式中，k代表子序列的个数，se(i)代表第i个序列的样本熵值。
[0140]
如图4所示，分类规则如下：设置趋势类阈值p1：μ1。se(original)和噪声类阈值p2：μ2。se(original)。其中，se(original)为原始序列的se值，μ1和μ2分别为趋势类阈值和噪声类阈值权重。表2展示了三种不同成分划分规则。
[0141]
表2子序列划分规则表
[0142][0143]
将se值低于趋势类阈值p1的子序列归类趋势类，其反映了原始序列的大致趋势；将se值高于p1低于p2的子序列归类循环类，此序列反映了原始风电序列的周期成分；se超过p2的子序列归为噪声类，一般这些高se的序列包含了大量噪声成分，这是主要产生预测误差的部分。
[0144]
区间预测模型构造流程如下：
[0145]
s31，将原始风电数据划分为训练集和测试集，并对训练集进行归一化处理，确定
输出层数据，按照下式处理训练集的输出数据，将原始数据进行小幅波动形成训练集的初始输出区间上下界，将原始数据y
i
减小20％，即y
i
(1
‑
20％)作为训练输出区间的下界，将原始数据y
i
增大20％，即y
i
(1 20％)作为训练输出区间的上界：
[0146]
i＝[y
i
(1
‑
20％),y
i
(1 20％)]
[0147]
其中，i表示预测区间；
[0148]
s32，初始化prelm和pso的参数建立备选区间训练模型，构建cec(区间评价指标)作为备选区间预测模型训练过程的适应度函数，通过cec更新pso的信息进行迭代；
[0149]
s33，判断迭代是否终止，若不满足设定的迭代次数，则返回步骤s32；若满足设定的迭代次数，则得到训练后的区间预测模型；
[0150]
s34，通过测试集对训练后的区间预测模型进行验证，获得区间预测模型；在得到趋势成分和循环成分以及噪声成分的预测区间后，将各成分的预测区间上下界分别叠加即可得到最终整体最优预测区间，最后计算相关指标来评估预测结果。
[0151]
如图5所示，采用本文所提的预测模型所构造的区间有较高的覆盖率，大部分实际测量值都落在预测区间的上下界中；预测区间的上下界与实际值存在相似的波动趋势，这说明本文所采用的的预测模型能够很好的刻画风电数据的动态特征；并且实际值多数处于预测区间的中间位置，没有出现严重偏差。尽管在预测序列的后半段出现了较大的波动，所构造的预测区间也能满足需求。这对于电力系统的调度运行能提供更可靠的裕度，以及为电力市场提供更多的信息。
[0152]
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。