[发明专利]一种基于相对误差熵值法的风电短期功率预测方法

说明书

技术领域

本发明涉及一种风电短期功率预测方法，特别是涉及一种基于相对误差熵值法的风电短期功率预测方法。

背景技术

风能是一种可再生、清洁的能源，现今风力发电主要利用的是近地风能。近地风具有波动性、间歇性、低能量密度等特点，因而导致风电功率也是波动的。大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。因此，需要对风电场的发电功率进行预测，但是，风电功率波动性较大，风电预测准确率较低。

目前，组合预测法是提高风电预测精度的一个有效方法。其基本思路是：将几种预测方法所得的预测结果，选取适当的权重进行加权平均以提高预测的精度，组合预测方法集结了多种单一模型所包含的信息，进行最优组合，而权重系数的确定是组合预测的关键。

权重系数的确定方法主要有最优组合方法和非最优组合方法两类。最优组合方法根据某种准则构造目标函数，在一定的约束条件下求解目标函数，从而得出组合的权重系数；非最优组合方法根据各单项预测模型误差的变异程度来确定权重系数，即单项预测模型误差变异程度越大，其权重系数应越小，单项预测模型误差的变异程度越小，其权重系数应越大。这两种方法得到了广泛的应用，但仍存在以下缺陷：⑴最优组合方法所构造的目标函数，其求解过程非常复杂，非负权数的强约束使得求解的权数并非最优解；⑵组合预测的基本思想是将已有信息结集，达到充分利用已有信息的目的，显然，这两种方法均没有体现出这种基本思想；⑶权重系数是否应归一化仍存在争议，权重系数归一化问题对风电预测精度会产生影响。

因此，如何确定组合预测权重系数，确保组合预测的准确性以提高风电预测精度是风电预测行业亟待解决的技术难题。

发明内容

本发明的目的在于提供一种操作简单、能够充分体现组合预测基本思想、可以提高风电功率预测精度的基于相对误差熵值法的风电短期功率预测方法。

本发明的上述目的通过如下的技术方案来实现：一种基于相对误差熵值法的风电短期功率预测方法，其特征在于包括以下步骤：

步骤1，获取风电天气与风电输出功率历史数据，对所述历史数据进行预处理生成各种训练样本：

步骤2，动态选择训练样本形成样本集，选用不同的样本集以分别建立贝叶斯神经网络、误差反馈加权时间序列及风电预测无偏灰色verhulst三个预测模型；

步骤3，分别采用贝叶斯神经网络预测模型、风电预测无偏灰色verhulst预测模型及误差反馈加权时间序列预测模型对预测日前一段时间连续预测，各获得一组预测数据；

步骤4，分别统计由步骤3所得的每组预测数据的相对误差，获得三组相对误差，计算每组相对误差的熵值与变异程度系数，分别计算得到三个预测模型的权重系数；

步骤5，采用三个预测模型分别对预测日进行风电功率预测，获得三组预测数据；

步骤6，将步骤4得到的权重系数与步骤5得到的三组预测数据进行组合预测，获得风电短期功率预测结果。

本发明解决了组合预测权重系数确定问题，组合预测是从信息的充分利用角度建立起来的，而本发明基于相对误差熵值法，信息熵能很好的度量信息量的多少。因此，本发明能够提高风电功率预测精度，对提高风电功率预测精度具有重要的应用价值。

作为本发明的一种实施方式，在所述步骤3中，所述预测日前一段时间为7～14天。优选值为10天。

作为本发明的一种改进，在所述步骤2中，在构建贝叶斯神经网络预测模型的过程中，采用正则化方法提高其泛化能力，误差性能函数为：