本发明涉及风电功率预测，尤其涉及一种基于风速波动划分的自适应权重风电功率组合预测模型。
背景技术：
1、随着全球能源需求的不断增长和对可再生能源的重视，风能作为一种环境友好、可持续的能源形式，以其使用清洁，成本较低，取用不尽的优点，已经成为最具商业潜力、最具活力的可再生能源之一。然而，风力发电受天气变化的影响很大，导致发电具有高度的间歇性和波动性，这给电网的运行和规划带来了挑战。因此，风电功率预测的准确性对于提高风电消纳能力、电网运行的稳定性和经济性都有重要意义。
2、单一预测模型例如时间序列法、灰色模型方法、人工神经网络、支持向量机和极限学习机等，由于风电功率时间序列具有非线性强和非平稳性高的特点，难以对短期风电功率进行非常准确的预测。
3、因此，如何提供一种可以降低气象因素对风机出力的影响和单一模型预报的局限性的预测方法成为本领域技术人员需要解决的问题。
技术实现思路
1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于风速波动划分的自适应权重风电功率组合预测模型，结合多种预测算法，训练多种单一的预测模型，并针对这些模型引入权重因子的概念，将其联系到一起，形成组合的预测模型；此预测模型得出的预测结果较单一预测模型得出的结果，精度有所提高。
2、为了实现上述目的，本发明采用了如下技术方案：
3、一种基于风速波动划分的自适应权重风电功率组合预测模型，包括如下步骤：
4、s1、采集风电历史数据，并对其数据进行归一化处理到(0，1)区间内；接着计算风电场输出功率与各气象因素数据的皮尔逊相关系数，确定预测模型的输入特征；
5、s2、对处理完成的风电历史数据集进行横、纵向划分，包括以下步骤：
6、s2.1、对数据集按风速波动的定义进行两次横向划分，第一次横向划分的对象为整个数据集，根据风速波动的定义将数据集划分为其他风速波动过程和风速大波动过程；第二次横向划分的对象为风速大波动过程，根据风速的升降特性将风速大波动的数据集进一步划分为上升风、波动风以及下降风；经过两次划分将数据集按风速划分为四类；
7、s2.2、对数据集按时间序列进行纵向划分，划分为训练集、测试集以及预测集；
8、s3、求取风电功率预测模型的权重因子矩阵，包括以下步骤：
9、s3.1、选取四种风电功率预测效果好的算法，以训练集的数据为样本，训练得到四种单一的风电功率预测模型；
10、s3.2、利用s3.1中得到的单一模型对测试集数据进行预测，得到四种不同的预测结果；
11、s3.3、利用s2.1中的横向划分方法，将测试集的风电功率真实值以及s3.1中得到的四种预测结果进行划分，得到不同种类的风速波动的风电功率数据集；
12、s3.4、对于每种风速波动的数据集提出四个不同权重因子(对应四种单一模型得到的风电功率预测值)，并用以下公式求取得到一个新的预测值：
13、
14、式中，r为某种风速波动数据集的新的预测值，r1、r2、r3、r4分别为某种风速波动数据集的四种单一预测模型得到的预测值，ω1、ω2、ω3、ω4分别为某种风速波动数据集的四个不同权重因子(对应四种单一模型得到的风电功率预测值)；
15、s3.5、对于四种风速波动数据集，分别重复s3.4所述的内容，得到四种风速波动数据集各自的权重因子，并得出四组新的预测结果，将该预测结果按照时间序列排序得到一个新的完整的预测结果；
16、s3.6、将s3.5得到的新的预测结果与真实值比较，得到其平均绝对误差mae，并以min平均绝对误差mae为目标，进行权重因子的参数寻优，得到最优的权重因子取值；
17、s4、将上述的风速波动划分方法以及得到的权重因子矩阵组合到一起，可以得到一种新的风电功率预测方法，即得到基于风速波动划分的自适应权重风电功率组合预测模型；
18、s5、对于预测集predict，先利用s2.1中的风速波动划分方法将测试集的数据分为其他风速波动、上升风速波动、波动风波动以及下降风波动四类；再利用s4中得到的组合预测模型进行预测，得到短期风电功率预测结果。
19、优选地，在s2中，横、纵向的数据划分方法，具体步骤如下：
20、横向划分进行两次：第一次划分根据风速波动的定义，风速从小于某风速阈值ε1经过若干个波峰至下一次再到达该风速阈值ε2的过程，以风速的最大幅值vmax为衡量指标，将风速波动划分为两大类；其中，对于ε1≤vmax≤ε2的波动过程判定为其他风速波动；对于ε2≤vmax≤1的波动过程判定为风速大波动过程；第二次划分针对风速大波动过程，将其再次划分成三个可研究的波动过程；其中，风速大波动从局部最小值开始到设定风速阈值ε3阶段判定为上升风阶段；从风速阈值ε3经过若干个波峰直到最后一次重新到达风速阈值认定为波动风阶段；从风速阈值ε3到风速局部最小值为下降风阶段；
21、纵向划分：按照时间序列，将前80％的数据作为训练集train，用作单一预测模型的训练；将中间15％的数据作为测试集test，用作权重因子的求取；将最后的5％作为预测集predict，用作风电功率预测。
22、优选地，在s3中，利用训练集和测试集求取自适应权重因子矩阵，具体步骤如下：
23、对于训练集train，选取四种预测效果好的算法，训练并得到四种单一的预测模型，并且在测试集上进行测试，得到四种预测结果；
24、对于测试集test，先利用s2中的风速波动划分方法将测试集的数据分为其他风速波动、上升风速波动、波动风波动以及下降风波动四类；再利用s3.1中得到的四种单一预测模型对测试集数据分别进行预测，得到四种预测结果；以其他风速波动的数据集为例，记四种预测结果分别为r11、r12、r13、r14，再分别赋予四种预测值一个权重因子，记作ω11、ω12、ω13、ω14，利用四种预测结果和各自的权重因子形成一种新的组合预测模型，其预测的结果表达式如下：
25、
26、其他三类风速波动的数据同理预设权重因子ω21、ω22、ω23、ω24、ω31、ω32、ω33、ω34、ω41、ω42、ω43、ω44，组成一个4*4的权重因子矩阵ω，并得到预测结果r2、r3、r4，再将其按时间序列重新组合到一起得到一组完整的新的预测结果r，然后求出该预测结果与真实值之间的平均绝对误差mae，最后以min平均绝对误差mae为目标函数，采用原子轨道搜索aos算法求取最优的权重因子矩阵ω，形成一个完整的组合预测模型；
27、
28、与现有技术相比，本发明具有以下有益效果：
29、1、本发明充分利用气象信息，尤其是风速；与传统的时序预测模型相比，引入了风速波动划分的概念，针对不同风速波动阶段，采取不同策略，从而建立更加精准的预测输出模型。
30、2、本发明结合多种预测算法，训练多种单一的预测模型，并针对这些模型引入权重因子的概念，将其联系到一起，形成组合的预测模型。此预测模型得出的预测结果较单一预测模型得出的结果，精度有所提高。
31、3、本发明针对不同风速波动阶段的特性，提出了一种自适应的权重因子策略，即对不同的风速波动阶段引入不同的权重因子。这种基于风速波动划分的含自适应权重因子的短期风电功率组合预测模型，可以使预测精度进一步提高。
1.一种基于风速波动划分的自适应权重风电功率组合预测模型，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于风速波动划分的自适应权重风电功率组合预测模型，其特征在于，在s2中，横、纵向的数据划分方法，具体步骤如下：
3.根据权利要求1所述的一种基于风速波动划分的自适应权重风电功率组合预测模型，其特征在于，在s3中，利用训练集和测试集求取自适应权重因子矩阵，具体步骤如下：
