[发明专利]一种贝叶斯网络预测模型的风电功率区间预测方法

权利要求书

1.一种贝叶斯网络预测模型的风电功率区间预测方法，其特征在于，所述预测方法包括以下步骤：

步骤1：获取风电场数据采集与监视控制系统中的实际风速和功率数据，由风速与功率的相关性对数据按季节进行处理，将数据分为训练样本和测试样本；所述步骤1具体包括以下步骤：

步骤101：数据预处理，以一定时间间隔采集所述数据采集与监视控制系统中一一对应的所述实际风速与功率数据，按时间顺序排序并根据季节区分数据序列，删除所述实际风速与功率数据中的零点、缺值点、停机点及限功率点；

步骤102：数据再处理，根据初步处理的所述实际风速及功率数据，绘制风功率曲线，根据功率曲线，分别按照风速、功率进行分段，运用莱茵达法则去除每个风速、功率段内误差超过标准的风速和功率值，以此得到一组具有强相关性的数据；

步骤103：将不同季节内的数据分为所述训练样本和测试样本；

步骤2：在训练样本数据中，将当前时刻的功率及下一时刻的风速数据序列作为贝叶斯网络模型的网络节点，将下一时刻的功率数据序列作为模型的父节点，根据各变量之间的相关关系搭建贝叶斯网络模型，得到下一时刻风功率的概率分布和初始概率性区间；所述步骤2具体包括以下步骤：

步骤201：在训练样本数据中，功率数据序列构成P＝[p₁,p₂,...,p_M]，风速数据序列构成S＝[s₁,s₂,...,s_M]，p_i为第i个时刻的风电功率数据，s_i为第i个时刻的风速数据，1≤i≤M，M为训练样本数据的时刻点总数，将当前时刻的功率数据p_i及下一时刻的风速数据s_i+1分别作为所述贝叶斯网络模型的网络节点，将下一时刻的功率数据序列p_i+1作为模型的父节点，根据各变量之间的相关关系搭建贝叶斯网络模型；

步骤202：根据贝叶斯网络模型要求将联合概率分布边缘化，从而得到各个网络节点所对应父节点的条件概率表P(p_i+1|p_i,s_i+1)，以此得到所述贝叶斯网络模型中所需的相关参数，来描述变量间的相互影响程度；

步骤203：搭建所述贝叶斯网络模型，由节点和有向边构成一个有向无环图，节点代表模型随机变量，有向边代表变量间的条件依赖关系，构建形成网络结构；

步骤204：将步骤202中的条件概率表代入步骤203中的所述贝叶斯网络模型，得到p_i+1节点的概率分布，该概率分布曲线上最高峰值点对应的功率区间为待预测时刻i+1的初始预测区间，记为U₁＝[u_low u_high]；

步骤3：定义区间上下限变化幅值参数β_High和β_Low为遗传算法待优化参数，确定其变化的区间范围，对遗传算法中的种群进行初始化，包括：设定种群规模、生成随机初始种群和设定合适的交叉概率及变异概率，需优化的区间上下限变化幅值参数β_High和β_Low的变化范围为种群个体参数变化范围；

步骤4：确定适应度函数，根据评价指标预测区间覆盖率和评价指标滑动预测区间带宽均方根构建遗传算法的优化目标函数宽度覆盖准则，对遗传优化算法的适应度值进行遗传寻优，每次更新种群得到新的遗传优化算法适应度值后，通过多次迭代选择、交叉、变异得到区间上下限最优变化幅值参数β_{High_best}和β_{Low_best}；所述步骤4具体包括以下步骤：

步骤401：根据所述评价指标预测区间覆盖概率和预测区间带宽均方根构建所述种群的优化目标函数宽度覆盖准则T_cwc，作为遗传算法优化的适应度值，如公式(2)和(3)：

其中μ是(1-α)的置信水平，η是所述预测区间覆盖率δ_PICP未达到置信水平μ时的惩罚项系数；

所述预测区间覆盖率表示实际测量值即预测目标值p_i落在预测区间上下限内的概率；其中N为预测样本数，c_i为布尔量，如果预测目标值p_i位于区间预测上下限之间，则c_i＝1，否则c_i＝0；

所述预测区间带宽均方根其中ζ_i为实际风电功率，U_i为预测上界，L_i为预测下界，定义u_middle＝(u_high+u_low)/2，U_i和L_i分别按U_i＝u_middle*β_High(k)和L_i＝u_middle*β_Low(k)计算获得，β_High(k)和β_Low(k)对应为第k次迭代的最优区间上下限变化幅值参数；

步骤402：通过轮盘赌理进行选择过程，定义f_m为第m个个体适应度函数的倒数，按照公式(4)，依次累计个体的f_m，得到个体适应度累计值s_m，最后的个体N_p的适应度累计值记为读入一个适应度累计值s_m，随机在区间内产生均匀分布的随机数R，如果有S_m大于或等于R，则个体m入选构成的新种群，如果S_m小于R，该个体不被选择进入新种群，重复以上步骤直至选择操作后所选个体数目满足种群规模要求；

ΔS_m＝S_m-S_m-1＝f_m (4)

式中，f_m为第m个个体的适应度值倒数，f_m越大，ΔS_i的距离越大，随机数落在这个区间的可能性越大，第m个个体被选中的机会越多；

步骤403：所述交叉是指将选择后的种群中的个体随机成对作为父代，对父代以交叉概率P_c概率进行交换，产生随机数r₁∈[0，1]，如果r₁＜P_c则发生交换，从父代的染色体中选取随机一点为交叉点，交换交叉点之后的基因，获得子代；如果父代未发生交换，则由父代直接产生子代；

所述变异是指对子代中的每一个体，以自适应变异概率P_m进行变异，产生随机数r₂∈[0，1]，如果r₂＜P_m则发生变异，对该个体的染色体中的任意一个基因位进行变异，得到新的种群；

步骤404：对产生的新一代群体重新进行所述评价、选择、交叉和变异，经过循环往复，使群体中最优个体的适应度不断减小，当满足迭代次数k＝k_max或是相邻两代的最优个体适应度之差σ＜1*10^-5的条件时，则迭代过程收敛，得到区间上下限最优变化幅值参数β_{High_best}和β_{Low_best}；

步骤5：将根据步骤4寻优得到的区间上下限最优变化幅值β_{High_best}和β_{Low_best}分别代入贝叶斯网络模型和测试样本，输出即为风电功率预测区间，最后再使用步骤4中的评价指标来评价得到的预测区间。