[发明专利]一种风电功率预测方法

说明书

技术领域

本发明涉及功率预测领域，更具体涉及一种风电功率预测方法。

背景技术

由于环境污染和能源短缺问题日趋严重，风电以其资源丰富、清洁无污染、实际占地少、可再生性等优势受到广泛关注。但是，风能作为一种不稳定的能源，具有随机性、间歇性和不可控性。随着风电的发展，风电场的穿透功率的不断加大，并网风电增加了电力系统调度计划制定的难度。

由于目前我国风电功率预测系统的不健全，缺少一些基础数据，加之精确度不足，对风电功率的精确预测非常困难，因此风电并网后无法准确制定系统的调度计划，也无法安排合理的运行方式。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何精确预测风电网络的输出电功率。

(二)技术方案

为了解决上述技术问题，本发明提供了一种风电功率预测方法，所述方法包括以下步骤：

S1、收集样本数据，并对所述样本数据进行修正和归一化处理；

S2、利用经过修正和归一化处理的所述样本数据建立BP神经网络模型，并对所述BP神经网络模型进行训练，得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及训练过程中所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列；

S3、根据所述步骤S2得到的所述相对误差序列，建立马尔科夫链误差修正模型；

S4、输入待预测值所需的输入参数数据，根据所述BP神经网络模型，利用所述第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算输出功率的初始预测值；利用所述马尔科夫链误差修正模型计算所述输出功率初始预测值对应的计算相对误差状态；

S5、将所述输出功率的初始预测值与与其对应的所述计算相对误差状态结合，计算得到修正功率。

优选地，所述BP神经网络模型包括输入层、隐含层和输出层；

所述隐含层输出为：

其中，f为所述隐含层的激励函数，L_j为所述隐含层第j个节点的输出，W_ij为所述输入层第i个节点和所述隐含层第j个节点之间的第一初始权值，b_j为所述输入层和所述隐含层第j个节点之间的第一初始阈值，x_i为输入层第i个节点的输入，n为所述输入层的节点数；

所述输出层输出为：

其中，f为所述输出层的激励函数，O_k为所述输出层第K个节点的输出，W_jk为所述隐含层第j个节点和所述输出层第k个节点之间的第二初始权值，b_k为所述所述隐含层和所述输出层第k个节点之间的第二初始阈值，为l为所述隐含层的节点数；

所述BP神经网络模型的学习误差为：

其中，y_k为修正和归一化处理的所述样本数据，m为所述输出层的节点数，E为所述BP神经网络模型的学习误差。

优选地，所述步骤S2中，对所述BP神经网络模型进行训练，得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列的具体过程为：

S21、所述第二初始权值、第二初始阈值分别按照下式得到更新增量：

其中，η为初始学习速率；

S22、所述第一初始权值、第一初始阈值分别按照下式得到更新增量：

S24、所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值分别按照下式进行更新：

w_ij(t+1)＝w_ij(t)+Δw_ij(t)(8)

w_jk(t+1)＝w_jk(t)+Δw_jk(t)(9)

b_j(t+1)＝b_j(t)+Δb_j(t)(10)

b_k(t+1)＝b_k(t)+Δb_k(t)(11)；

S25、利用所述步骤S24得到更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值以及公式(1)、(2)计算所述输出层的输出值，结合公式(3)计算所述学习误差；