[发明专利]一种基于最优权系数的风电功率组合预测方法

权利要求书

1.一种基于最优权系数的风电功率组合预测方法，其特征在于，包括以下步骤：

步骤1：采集连续历史风电功率数据，并对采集的数据进行归一化处理；

步骤2：对归一化处理后的数据采用ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机分别建立风电功率预测模型，将四个预测模型叠加得到组合预测模型；

步骤3：构建组合预测模型的误差信息矩阵E：

E＝[(e_it)_4×n][(e_it)_4×n]^T

其中，e_it表示第i种预测模型在第t时刻的预测误差：e_it＝y(t)-y_i(t),t＝1,2,…,n,i＝1,2,…,4；y(t)为t时刻实测的风电功率值，y_i(t)表示第i种预测模型在t时刻的预测值；

步骤4：令组合预测模型中每个模型的权重系数为L＝(l₁,l₂,l₃,l₄)_4×1，组合预测模型的表达式如下：

y^*(t)＝l₁y₁(t)+l₂y₂(t)+l₃y₃(t)+l₄y₄(t)

其中，l₁+l₂+l₃+l₄＝1，y₁,y₂,y₃,y₄分别代表ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机风电功率预测模型t时刻的预测值；

步骤5：将步骤3中的组合预测模型的误差信息矩阵代入组合预测模型的表达式，按照公式求解最优权重系数；

其中，R＝(1,1,…,1)_4×1；

步骤6：将步骤5获得的最优权重系数代入组合预测模型表达式中，得到最优组合预测模型，将待预测的数据输入最优组合预测模型完成风电功率预测。

2.根据权利要求1所述的方法，其特征在于，所述ARIMA时间序列风电功率预测模型是经过一阶差分变换、模型参数估计和模型定阶来确定自回归过程AR(p)、移动平均过程MA(q)的取值。

3.根据权利要求2所述的方法，其特征在于，选用参数为ARIMA(2,1,4)的ARIMA时间序列风电功率预测模型。

4.根据权利要求1所述的方法，其特征在于，所述BP神经网络风电功率预测模型是按照均方根误差RMSE最小化原则，确定BP神经网络风电功率预测模型的隐含层节点数；

使用K-均值聚类方法确定RBF神经网络风电功率预测模型的聚类中心个数；

所述BP神经网络风电功率预测模型和RBF神经网络风电功率预测模型的输入层节点个数、输入层与隐含层之间的连接边权重以及隐含层与输出层之间的连接边权重由Matlab的神经网络模型工具箱在模型训练中自动获得。

5.根据权利要求4所述的方法，其特征在于，所述BP神经网络风电功率预测模型的隐含层节点数量为9；

所述RBF神经网络风电功率预测模型的聚类中心个数设定为18个；

所述BP神经网络风电功率预测模型和RBF神经网络风电功率预测模型的输入节点个数均为6。

6.根据权利要求1所述的方法，其特征在于，所述支持向量回归机风电功率预测模型选用RBF核函数，各学习参数采用粒子群算法进行自适应学习获得。

7.根据权利要求6所述的方法，其特征在于，所述核函数中各参数的取值分别为惩罚系数C＝8.572，不敏感损失系数ε＝0.229，核参数σ＝0.211。