[发明专利]一种基于PRELM的短期风电功率区间预测方法

权利要求书

1.一种基于PRELM的短期风电功率区间预测方法，其特征在于，包括如下步骤：

S1，输入原始风电数据，建立AVMD算法，通过AVMD算法对原始风电数据的序列进行分解，得到设定个数的子序列，通过分类规则将分解后的子序列分类为三类序列成分；

S2，通过PRELM预测方法建立备选区间预测模型，通过对备选区间预测模型进行训练，获得区间预测模型；

S3，通过区间预测模型对三类序列成分进行预测，获得三类预测区间；

S4，通过将三类预测区间上下界分别进行叠加，生成风电功率预测区间。

2.根据权利要求1所述的一种基于PRELM的短期风电功率区间预测方法，其特征在于，步骤S1中所述的建立AVMD算法的过程如下：

步骤一，输入原始风电数据；

步骤二，通过VMD对原始风电数据进行分解，计算分解后的子序列间的相关系数，并确定当前最大相关系数，根据相关系数确定初始化分解个数K为2；

不同子序列间相关系数定义如下：

式中，x(n)、y(n)为不同子序列，N为样本个数；

步骤三，判断当前最大相关系数是否大于相关系数的阈值，若判断结果为否，则返回步骤二中，并令K＝K+1；若判断结果为是，则取分解个数为：K＝K-1；

步骤四，初始化PSO的各参数，每个PSO粒子的代表惩罚参数α的潜在解，通过如下步骤进行迭代：

(1)通过步骤三确定的分解个数K以及每个PSO粒子所对应的惩罚参数α，通过VMD对原始风电数据进行分解，得到设定个数的子序列；

(2)通过SE算法计算分解后的子序列的SE值，通过适应度函数计算每个PSO粒子的适应度，其数学表达式如下：

式中，SE(i)代表第i个序列的SE值；

(3)更新PSO粒子局部达到设定值以及全局达到设定值，更新粒子位置和速度进行迭代；

(4)判断是否满足收敛条件，若判断结果为否，则返回步骤(1)；若判断结果为是，则输出VMD在达到设定值的参数下的分解序列以及子序列的SE值，执行步骤(5)；

(5)根据分类规则，将子序列分为总体趋势类、循环类以及噪声类的序列成分，然后将其输出；

其中，通过相关系数法确定VMD分解个数K，通过SE对各子序列进行熵值计算，以所有子序列的SE值之和最小化为目标函数，通过PSO迭代得到VMD的惩罚参数α，形成AVMD算法。

3.根据权利要求1所述的一种基于PRELM的短期风电功率区间预测方法，其特征在于，所述的分类规则如下：

设置趋势类阈值P1：μ1*SE和噪声类阈值P2：μ2*SE；其中，SE为原始序列的SE值，μ₁为趋势类阈值权重，μ₂为噪声类阈值权重；

将SE值＜趋势类阈值P₁的子序列归类趋势类；将P₁＜SE值＜P₂的子序列归类循环类；将P₂＜SE值的子序列归为噪声类。

4.根据权利要求1所述的一种基于PRELM的短期风电功率区间预测方法，其特征在于，步骤S2中所述的PRELM预测方法的构建过程如下：

在ELM的基础上构建新的目标函数：

s.t.h(x_i)β＝y_i-e_i,i＝1,...,N

其中N是训练样本，x_i,代表模型输入数据，y_i,代表模型输出数据，e_i是模型误差，δ是全局误差因子，γ、C是正则化参数，β是输出层权重矩阵；

通过构造拉格朗日函数对上式进行求解：

α为拉格朗日乘子，可以求得：

H为隐藏层输出矩阵，I为单位矩阵，Y为输出矩阵。则β的数学表达式如下：

通过如下公式得到PRELM的预测结果：

x_i表示模型输入数据，ω_i表示输入层权重，b_i表示隐藏层偏置，g()表示激活函数。