一种基于相对误差熵值法的风电短期功率预测方法

摘要

本发明公开了一种基于相对误差熵值法的风电短期功率预测方法，包括以下步骤：步骤1，获取历史数据并做预处理生成各种训练样本：步骤2，动态选择训练样本建立贝叶斯神经网络、误差反馈加权时间序列及风电预测无偏灰色verhulst预测模型；步骤3，分别采用三个预测模型对预测日前10天连续预测；步骤4，分别统计由步骤3所得每组预测数据的相对误差，计算每组相对误差的熵值与变异程度系数，计算权重系数；步骤5，采用三个预测模型分别对预测日进行风电功率预测，获得三组预测数据；步骤6，将权重系数与步骤5得到的三组预测数据组合预测，获得风电短期功率预测结果。本发明解决了组合预测权重系数确定问题，能够提高风电功率预测精度。

主权项

一种基于相对误差熵值法的风电短期功率预测方法，其特征在于包括以下步骤： 步骤1，获取风电天气与风电输出功率历史数据，对所述历史数据进行预处理生成各种训练样本： 步骤2，动态选择训练样本形成样本集，选用不同的样本集以分别建立贝叶斯神经网络、误差反馈加权时间序列及风电预测无偏灰色verhulst三个预测模型； 建立误差反馈加权时间序列预测模型的步骤是： ⑴设风电功率序列为y₁,...y_t，加权移动平均数为： 式中，M_tw为t期加权移动平均数，w_i为y_t‑i+1的权数； ⑵利用加权移动平均数做预测，预测公式为： ⑶先计算序列中各预测值与实际值的相对误差，再计算总的平均相对误差： 建立风电预测无偏灰色verhulst预测模型的步骤是： ⑴设风电历史数据原始序列X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)),X⁽¹⁾为X⁽⁰⁾的1‑AGO序列，Y⁽¹⁾为X⁽¹⁾的倒数生成序列Y⁽¹⁾＝(y⁽¹⁾(1),y⁽¹⁾(2),...,y⁽¹⁾(n))，y⁽¹⁾(k)＝1/x⁽¹⁾(k),k＝1,2,...,n；则风电预测无偏灰色Verhulst预测模型为： ⑵用最小二乘法求解灰参数 式中， ⑶将灰参数代入时间函数，则其中，k＝2,3，…，n ⑷计算x⁽⁰⁾(t)与之差及相对误差：q(x)＝e⁽⁰⁾(t)/x⁽⁰⁾(t) ⑸利用风电预测无偏灰色Verhulst预测模型进行预测 步骤3，分别采用贝叶斯神经网络预测模型、风电预测无偏灰色verhulst预测模型及误差反馈加权时间序列预测模型对预测日前一段时间连续预测，各获得一组预测数据； 步骤4，分别统计由步骤3所得的每组预测数据的相对误差，获得三组相对误差，计算每组相对误差的熵值与变异程度系数，分别计算得到三个预测模型的权重系数；分别确定三个预测模型的权重系数的步骤是： ⑴计算第j个预测模型在第t时刻的相对误差的比重p_jt： 式中，e_jt为预测相对误差，预测模型数目k为3，n为10；⑵计算第j个预测模型的预测相对误差的熵值： ⑶计算第j个预测模型的预测相对误差的变异程度系数D_jD_j＝1‑H_j⑷计算第j个预测模型的权重系数W_j式中，k为预测模型数，步骤5，采用三个预测模型分别对预测日进行风电功率预测，获得三组预测数据； 步骤6，将步骤4得到的权重系数与步骤5得到的三组预测数据进行组合预测，获得风电短期功率预测结果。