[发明专利]一种风电功率预测方法

摘要

本发明公开了一种风电功率预测方法，所述方法包括以下步骤收集样本数据并进行处理；利用处理后的样本数据建立BP神经网络模型，对BP神经网络模型进行训练，得到最终的权值、阈值以及预测值相对于样本值的相对误差序列；根据训练完毕的权值、阈值求得输出功率的初始预测值；根据相对误差的序列，利用马尔科夫链误差修正模型计算输出功率的初始预测值对应的计算相对误差状态；将输出功率的初始预测值与其对应的计算相对误差状态结合，计算得到修正功率。该方法进一步提高风电功率预测的准确度，为含有风力发电的电网制定日发电计划和安全经济调度提供准确的风电功率预测值。

主权项

一种风电功率预测方法，其特征在于，所述方法包括以下步骤：S1、收集样本数据，并对所述样本数据进行修正和归一化处理；S2、利用经过修正和归一化处理的所述样本数据建立BP神经网络模型，并对所述BP神经网络模型进行训练，得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及训练过程中所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列；S3、根据所述步骤S2得到的所述相对误差序列，建立马尔科夫链误差修正模型；S4、将待预测值所需的输入参数数据输入所述BP神经网络模型，利用所述第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算输出功率的初始预测值；利用所述马尔科夫链误差修正模型计算所述输出功率初始预测值对应的计算相对误差状态；S5、将所述输出功率的初始预测值与与其对应的所述计算相对误差状态结合，计算得到修正功率；所述BP神经网络模型包括输入层、隐含层和输出层；所述隐含层输出为：Lj=f(Σi=1nwjixi+bj),j=1,2,...,l---(1)]]>其中，f为所述隐含层的激励函数，Lj为所述隐含层第j个节点的输出，Wij为所述输入层第i个节点和所述隐含层第j个节点之间的第一初始权值，bj为所述输入层和所述隐含层第j个节点之间的第一初始阈值，xi为输入层第i个节点的输入，n为所述输入层的节点数；所述输出层输出为：Ok=f(Σj=1lLjwjk+bk),k=1,2,...,m---(2)]]>其中，f为所述输出层的激励函数，Ok为所述输出层第K个节点的输出，Wjk为所述隐含层第j个节点和所述输出层第k个节点之间的第二初始权值，bk为所述隐含层和所述输出层第k个节点之间的第二初始阈值，l为所述隐含层的节点数；所述BP神经网络模型的学习误差为：E=12Σk=1m(Ok-yk)2---(3)]]>其中，yk为修正和归一化处理的所述样本输出参数数据，m为所述输出层的节点数，E为所述BP神经网络模型的学习误差；所述步骤S2中，对所述BP神经网络模型进行训练，得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列的具体过程为：S21、所述第二初始权值、第二初始阈值分别按照下式得到更新增量：Δwjk=-η∂E∂wjk---(4)]]>Δbk=-η∂E∂bk---(5)]]>其中，η为初始学习速率；S22、所述第一初始权值、第一初始阈值分别按照下式得到更新增量：Δwij=-η∂E∂wij---(6)]]>Δbj=-η∂E∂bj---(7)]]>S24、所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值分别按照下式进行更新：wij(t+1)＝wij(t)+Δwij(t)  (8)wjk(t+1)＝wjk(t)+Δwjk(t)  (9)bj(t+1)＝bj(t)+Δbj(t)  (10)bk(t+1)＝bk(t)+Δbk(t)  (11)；S25、利用所述步骤S24得到更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值以及公式(1)、(2)计算所述输出层的输出值，结合公式(3)计算所述学习误差；S6、若所述学习误差小于或等于设定误差，或所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值的更新次数超过设定迭代次数，则训练结束，最后一次利用公式(8)、(9)、(10)、(11)得到的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值为第一训练权值、第一训练阈值、第二训练权值、第二训练阈值，并利用下面公式计算所述相对误差APE：APE=y(t)-O(t)y(t)*100%---(12)]]>其中，y(t)为修正和归一化处理的所述样本数据，O(t)为所述BP神经网络模型的训练预测值；所述BP神经网络模型的训练预测值为利用公式(1)、(2)以及第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算的所述输出层的输出值；否则，回到步骤S21。