基于粒子群—BP神经网络的风电功率区间预测方法

摘要

本发明涉及一种基于粒子群—BP神经网络的风电功率区间预测方法，该方法采用BP神经网络进行风电功率区间预测，将风电功率的历史数据作为预测模型的输入向量，输出值{Y₁,Y₂}分别表示未来时间节点风电功率预测输出的区间上下限，由BP神经网络的权值和阈值构成粒子群PSO算法中的维度为2的飞行粒子，通过调整网络权值与阈值以满足预测模型的可靠性要求，依照给定的优化目标函数搜索最优粒子。本发明引入描述区间信息的指标，建立风电功率区间预测的综合优化目标，采用粒子群算法对BP神经网络进行参数优化，利用BP神经网络的多输出特性实现风电功率的短期区间预测，为电网决策提供依据。本发明的技术方案如下。

主权项

一种基于粒子群—BP神经网络的风电功率区间预测方法，该方法采用BP神经网络进行风电功率区间预测，将风电功率的历史数据作为预测模型的输入向量，输出值{Y₁,Y₂}分别表示未来时间节点风电功率预测输出的区间上下限，由BP神经网络的权值和阈值构成粒子群PSO算法中的维度为2的飞行粒子，通过调整网络权值与阈值以满足预测模型的可靠性要求，依照给定的优化目标函数搜索最优粒子，具体如下：设归一化的风电功率时间序列为X＝[x₁,x₂,…,x_n]，U_i与L_i为t＝i时刻区间预测的上限和下限，N_t为选取用于计算区间参数的样本容量，置信概率为θ＝100(1‑α)％，ω为PSO算法中的飞行粒子，即BP神经网络权值和阈值的参数向量，为实现对风电功率预测区间的合理化描述，采用描述区间信息的指标构成风电功率区间预测的优化目标函数，即PSO算法的适应度函数，各个指标如下：1)覆盖概率覆盖概率是指实际值落入预测区间内的概率，对于容量为N_t的预测样本集，实际值x_i落入预测区间[L_i,U_i]的概率应不小于θ＝100(1‑α)％，预测区间的覆盖概率PICP计算公式为：2)区间平均带宽考虑预测区间的平均带宽PINAW，降低因预测区间的上下限接近其极限值所带来的过完备风险，对于归一化的风电功率时间序列，PINAW通过下式计算：3)平均中心误差为评估实际值在预测区间内的分布均匀度，考虑预测区间的平均中心误差PIACE，即区间中值与实际输出值之间的偏差，计算公式为：4)优化目标函数风电功率区间预测的要求是尽可能高的预测覆盖概率，同时又有尽可能小的区间平均带宽与平均中心误差，建立风电功率区间预测参数综合优化目标函数：F(ω)＝PINAW·(1+k·λ(PICP)·e^PIACE)其中k为非负常数，称为惩罚参数,将风电功率区间预测问题转化为如下含约束的优化问题：Min:F(ω)s.t.θ≤PICP(ω)≤100％ 。