[发明专利]一种短期风电功率组合概率预测方法

权利要求书

1.一种短期风电功率组合概率预测方法，其特征在于，包括：

(1)利用训练样本数据，分别构建每个前瞻时段的稀疏贝叶斯学习单项预测模型和核密度估计单项预测模型；构建每个前瞻时段的高斯分布预测模型和支持向量机预测模型；构建每个前瞻时段的韦伯分布预测模型以及每个前瞻时段的线性回归预测模型；

(2)将风电功率预测所需要的数据分别输入所述稀疏贝叶斯学习单项预测模型和核密度估计单项预测模型，得到两种单项预测模型每个前瞻时段的预测风电功率概率密度函数，分别为高斯函数和核密度估计函数；

将风电功率预测所需要的数据输入所述支持向量机预测模型，得到每个前瞻时段的风电功率预测均值以及预测条件概率密度函数高斯函数；

将风电功率预测所需要的数据输入所述线性回归预测模型，得到每个前瞻时段的风电功率预测均值以及预测条件概率密度函数韦伯函数；

(3)构建扩展BMA模型，将上述稀疏贝叶斯学习单项预测模型、核密度估计单项预测模型、支持向量机预测模型以及线性回归预测模型得到的概率密度函数进行组合，得到未来时段的风电功率值的目标量y的概率密度函数；

由稀疏贝叶斯学习单项预测模型M1、核密度估计单项预测模型M2、支持向量机预测模型M3和线性回归预测模型M4组合得到的未来时段的风电功率值的目标量y的概率密度函数具体为：

$p\left(y\right|M_1,...,M_K)=\underset{k=1}{\overset{K}{\Σ}}p\left(y\right|M_k)p\left(M_k\right|y^T)=\underset{k=1}{\overset{K}{\Σ}}p\left(y\right|M_k)w_k,K=1,2,3,4;$

其中，p(M_k|y^T)为由训练样本数据y^T得到的模型M_k为正确的拟合模型的后验概率，作为模型M_k在组合模型中的权值系数w_k，用来反映模型M_k对训练数据的拟合程度，p(y|M_k)是由第k个模型M_k单独预测得到的目标值y的条件概率密度函数；

利用训练样本数据训练扩展BMA模型得到模型权值参数，以概率精度指标值最小为目标函数，对模型权值参数进行优化，得到最终的风电功率组合概率预测结果。

2.根据权利要求1所述的一种短期风电功率组合概率预测方法，其特征在于，构建每个前瞻时段的稀疏贝叶斯学习单项预测模型，包括：

利用风速历史数据和对应的风电场输出功率的历史数据作为样本对稀疏贝叶斯学习进行训练，得到稀疏贝叶斯学习模型权重系数，形成每个前瞻时段的稀疏贝叶斯学习单项预测模型。