[发明专利]基于可微成本函数的超短期风电功率区间预测方法、装置

说明书

本发明公开的基于可微成本函数的超短期风电功率区间预测方法、装置、存储介质和计算机设备，通过预测引擎的未知参数和约束条件来构造可微成本函数，并通过带精英策略的非支配排序的遗传算法(Non‑dominated sorting Genetic Algorithm II，NSGA‑II)作为元启发式优化算法，对该可微成本函数进行双层优化，使得优化过程不依赖初始值；并且，优化后可确定未知参数对应的输出权值，以及可微成本函数的目标函数值，既能够获得高质量的风电功率预测区间模型，又能够通过输出权值和目标函数值对NSGA‑II算法的非支配集进行更新，以构建帕累托前集，作为风电功率预测区间模型的预测结果，使得预测结果的准确度较高。

技术领域

本发明涉及新能源发电技术领域，尤其涉及一种基于可微成本函数的超短期风电功率区间预测方法、装置、存储介质和计算机设备。

背景技术

风电功率预测区间(Wind Power Prediction Interval，WPPI)模型是一种通用的概率模型，广泛应用于各种决策任务中。成本函数和预测引擎是WPPI模型的两个主要组成部分。在优化过程中，采用定制的成本函数对预测引擎进行训练，找出未知参数，这是获得高质量WPPI模型的必要步骤。可靠性水平(Reliability Level，RL)和锐度是成本函数的主要模块，也是关键的评估因素。RL测量构建的WPPI包围未来实际风电功率值的概率，而锐度衡量WPPI的上下限与实际风电功率值的偏差。因此，具有高RL和锐度的WPPI模型有助于风电与电力系统的经济可靠集成。

目前，各类研究中提出的成本函数大都是不可微的，因此WPPI模型必须采用启发式优化技术来寻找预测引擎中的大量参数。而启发式优化过程可能会导致局部最优，同时高度依赖初始值，独立运行的结果可能彼此不同，使得WPPI模型的预测准确率较低，且随着预测引擎大小的增加，优化问题的规模会显著扩大。

发明内容

本发明的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中WPPI模型的启发式优化过程会导致局部最优，同时高度依赖初始值，独立运行的结果可能彼此不同，使得WPPI模型的预测准确率较低的技术缺陷。

本发明实施例提供了一种基于可微成本函数的超短期风电功率区间预测方法，包括：

获取预设时间段内的风电功率历史数据，并对所述风电功率历史数据进行提取和重构后得到输入向量，将所述输入向量输入到风电功率预测区间模型的预测引擎，确定所述预测引擎的未知参数和约束条件；

利用所述预测引擎的未知参数和约束条件构造可微成本函数，并通过NSGA-II算法对所述可微成本函数进行双层优化，确定所述未知参数对应的输出权值，以及所述可微成本函数的目标函数值；

根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新，并通过更新后的非支配集构建帕累托前集，将所述帕累托前集作为所述风电功率预测区间模型的预测结果。

可选地，对所述风电功率历史数据进行提取和重构后得到输入向量的步骤之前，还包括：

对所述风电功率历史数据进行预处理，检测所述风电功率历史数据中的缺口，并对所述缺口进行修复，将修复后的风电功率历史数据进行去趋势化处理；

对去趋势化处理后的风电功率历史数据进行归一化处理，得到训练数据。

可选地，对所述风电功率历史数据进行提取和重构后得到输入向量的步骤，包括：

获取训练数据，将所述训练数据划分为训练集和验证集，并通过状态空间表示法将所述训练集中的训练数据映射到嵌入空间，得到输入向量；

所述输入向量表示为：X_n＝[y_{(n-1)-(D-1)τ} L y_(n-1)-τ y_(n-1)]_1×D；