一种风电功率超短期预测方法

摘要

本发明公开了一种风电功率超短期预测方法，利用GA‑BP神经网络、支持向量机、小波神经网络和ARMA时间序列4种单项预测模型的前几个时刻的预测精度均值作为预测时刻风电功率的诱导值，解决了预测时刻诱导值未知的问题；再采用误差信息矩阵进行冗余度分析，然后利用Theil不等系数建立基于IOWA算子的优化模型，通过分析和实测风电功率预测数据表明：结合Theil不等系数和诱导有序加权算数平均算子(IOWA)的组合模型能有效提高风电功率预测精度，增强了风电并网的稳定性和经济性。

主权项

一种风电功率超短期预测方法，其特征在于，包括以下步骤：(1)、从风电场SCADA系统中提取风电功率历史数据序列；(2)、将GA‑BP神经网络模型、小波神经网络模型、支持向量机(SVM)模型和自回归滑动平均(ARMA)模型作为风电功率超短期预测模型，再将风电功率历史数据序列分别导入到4种预测模型，得到4组预测期风电功率序列y_i(t)，其中t＝1,2,…,n，i＝1,2,…,4；(3)、构建误差信息矩阵E，对4种预测模型进行冗余度分析，确定出参加组合的优选预测模型：E＝[(e_it)_n×4]^T[(e_it)_n×4]其中，e_it表示第i种预测模型在第t时刻的预测误差，即e_it＝y(t)‑y_i(t)，y(t)为t时刻风电功率的实测值，与y_i(t)的预测时刻相对应；计算误差信息矩阵E的代数余子式Y_4×4，再将代数余子式Y_4×4每列的元素求和，得到矩阵M_1×4；根据矩阵M_1×4判断4种预测模型的冗余度，如果矩阵M_1×4的第i列元素为非正，则第i列对应的第i种预测模型为冗冗余模型，剔除所有冗余模型后，得到优选预测模型；(4)、基于优选预测模型，利用Theil不等系数建立基于IOWA算子的优化模型，再利用该模型求取最优权重系数矩阵L；(5)、将最优权重系数矩阵L和待预测数据带入IOWA算子，得到风功率预测结果。