基于改进熵权法提高风电功率组合预测精度的方法
【技术领域】
[0001] 本发明涉及一种基于改进熵权法提高风电功率组合预测精度的方法，属于风电技 术领域。
【背景技术】
[0002] 风资源作为一种天然能源，可谓取之不尽、用之不竭。既无需大量的开采和运输 成本，又具有零污染的特点，是一种典型的可持续循环、可持续再生的廉价型清洁能源。随 着科技的高速发展，在材料、设备、软件等领域取得的成果为新型风电机组的开发研制做出 了巨大贡献，使其建造成本大幅度降低，同时风力发电大规模开发的规模效益也进一步降 低了风电成本。但其本身具有波动性、间歇性、低能量密度等特性，因此需要加强对风电功 率预测的研宄。国内外学者对风电功率预测方法进行了大量的研宄：文献（Guo Z，Zhao W， Lu H，et al.，2012)提出了一种基于人工神经网络的改进经验模态分解（EMD)方法来进行 预测，模型的预测精度较好；文献（刘爱国，薛云涛，胡江鹭，等，2015)采用遗传算法来优化 该模型的核函数参数、核函数类型和惩罚因子等，提出了 GA-SVM模型，提高了模型参数组 合优化选择的效率和预测精度；文献（张维杰，田建艳，王芳，等.2014)建立了一种改进的 RJP模糊神经网络风电功率预测模型，首先以椭圆基函数作为隶属度函数，扩展其接收域， 然后采用模糊C-均值聚类来确定其中心值，最后引入了惯性项来加快网络的收敛速度，得 到了较好的预测效果。上述预测方法都采用单一的预测模型。按国家能源局的有关规定 (国家能源局关于印发风电场功率预测预报管理暂行办法的通知[EB/0L]. 2011)，风电功 率实时预报要求每隔15min滚动的上报未来15min至4h的风电功率预测数据，可见对于风 电功率的实时预测，每天需要进行96次预测，每次预测的数据量（步数）为16个。单一预 测模型目前常用的有KNN法、线性回归法和滑动平均法。KNN(K-Nearest Neighbor)法也称 k最邻近法，对于一个待分类的样本序列，系统将在训练集中找到k个最相近的邻居序列， 并将这k个邻居的类别作为该待分类样本的候选类别。计算此样本序列与k个邻居之间的 相似度，并作为各候选类别的权重，然后利用预先设定的阈值，就能够得到该样本的最终分 类进而来进行预测（杨茂，贾云彭，穆钢，等，2014)。线性回归法是一种较为经典的回归分 析法，该方法通过建模，将下一时刻的预测值表示为当前及历史值的线性组合，并通过最小 二乘法等确定回归系数。滑动平均法通过将当前建模域内所有数据的均值作为下一时刻的 预测值来进行预测。经过滑动平均处理后，可滤掉建模域内数据中的频繁随机起伏，呈现出 平滑的变化趋势。单一预测模型会导致某些测量点出现较大误差，因此采用组合预测法成 为一种研宄趋势。目前已经有很多学者开始了组合预测的研宄，如等权平均组合预测法、最 优权系数法、回归组合法等。通常，很多计算权重的方法在权重被确定后就不会再改变，或 者不会轻易的改变，而是一直被用于预测，如等权重法和传统的BP网络权重训练法等。基 于等权重法的风电功率组合预测模型：组合预测法最早是由Bates和Granger提出的，其 实质是综合利用单一模型的信息，并选择适当的权重得出组合预测模型（赵文清，朱永利， 张小奇，2008)。组合预测有两种基本形式：等权重组合预测和不等权组合预测。其中，等 权重组合预测即为将基于各预测方法得到的预测值按相同的权重组合成新的预测值模型， 如式（1)所示；不等权重组合预测即为利用适当的权重计算模型来赋予各预测值不同的权 重。这两种形式的原理完全相同，只是在权重的选取上有所区别，大量的经验发现不等权重 组合预测模型的精度往往更高。
[0003]
[0004] 但由于风具有随机性，使得风电功率也具有随机波动的特性，大量的研宄发现 随着时间的推移，恒不变权重越来越显得不适应，应该进行调整（杨秀媛，肖洋，陈树勇， 2005)〇
[0005] 对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行 的重要手段。采用单一预测模型进行预测时，都会有各自的优势和劣势。因此如何更好地 提高风电功率预测精度就成为急需解决的技术难题。所以，为了更好地提高风电功率预测 精度，利用吉林西部某风电场实测数据进行算例分析，提出基于改进熵权法的风电功率组 合预测方法，并同时采用滚动式权重，以此来实现对单一预测模型的互补，通过对时间段T 内任一时刻的风电功率进行实时预测，确定评价指标，对熵权定义，改进熵权的计算，预测 周期T内其他时刻的风电功率构建基于改进熵权法的风电功率组合预测模型，发明一种基 于改进熵权法提高风电功率组合预测精度的方法是必要的。
【发明内容】
[0006] 为了克服如何更好地提高风电功率预测精度的难题，本发明提供了一种基于改进 熵权法提高风电功率组合预测精度的方法，该基于改进熵权法提高风电功率组合预测精度 的方法首先设计实验方案，利用吉林西部某风电场实测数据进行算例分析，提出基于改进 熵权法的风电功率组合预测方法，并同时采用滚动式权重，以此来实现对单一预测模型的 互补，通过对时间段T内任一时刻的风电功率进行实时预测，确定评价指标，对熵权定义， 改进熵权的计算，预测周期T内其他时刻的风电功率构建基于改进熵权法的风电功率组合 预测模型，达到提供一种基于数据的、满足更好地提高实时预测精度要求的风电功率多步 滚动实时预测方法的目的。
[0007] 基于改进熵权法提高风电功率组合预测精度的方法的技术方案包括以下步骤：
[0008] 首先基于改进熵权法的风电功率组合预测模型求解步骤具体内容如下：
[0009] (1)对时间段T内任一时刻的风电功率进行实时预测。
[0010] 分别采用N个预测方法对时段T内各时点t(t = 1，2，…，T)的风电功率进行多 步滚动预测，得到的预测值为巧"：
[0011] p'j'(n = 1,2,···, N;j = 1,---,16) (2)
[0012] 其中j代表预测步数，η代表各预测方法。
[0013] (2)评价指标的确定
[0014] 熵权的获得是建立在评价矩阵的基础之上的。在一个具有b个评价对象，m个评 估指标的评估体系中，评价对象相对于评估指标的评价矩阵为
[0015]
(3)
[0016] 评价矩阵A需要经过标准化处理。
[0017] 因此，由于多步滚动预测一次需要预测16步，即一次预测需要给出16个时点的预 测值，故利用三种单一预测方法分别进行一次多步滚动预测，并将此次预测得到的各步预 测值乂作为评价指标，构成评价矩阵：
[0018]
(4)
[0019] 其中，乂为基于第η个预测方法进行第j步预测时得到的预测值，A需进行标准化 处理。
[0020] ⑶熵权的定义
[0021] 根据评价矩阵中的评价指标，将得到的第j个评价指标的熵定义为：
[0022]
[0023] 式中，当;7) = O时，4 InZ = O。
[0024] 在熵的基础上，第j个评价指标的熵权定义为
[0025]
[0026] (4)改进j：商权的计算
[0027] 由于传统熵权法在计算熵值Hj^ 1的指标权重时，其微小的变化将引起熵权成倍 数变化。对此，本发明提出了改进熵权法：
[0028]
[0029]
[0030]
[0031] 式中，是第j个指标的权重是第j个指标的熵值；豆是所有不为1的熵值 的平均值。
[0032] (5)预测周期T内其他时刻的风电功率
[0033] 对于预测周期T内的各个预测时刻，可重复第（2)到第（5)步骤逐一求取，从而得 到预测周期T内各时刻的风电功率预测值，如下：
[0034]
(10)
[0035] 式中，Pj为最终预测值； <为某一次多步滚动预测中，第η个预测方法在第j步预 测时的改进熵权值；以为某一次多步滚动预测中，第η个预测方法在第j步预测时的风电功 率预测值。
[0036] 其次滚动式权重调整手段具体为：（1)设已知建模域内所有时刻风电功率的实际 值P(t_i Λ t)，i = 0,1，2…N，因此建模域内的历史数据数量为N+1，利用各预测方法得到风 电功率的预测值户,(? + _/Δ〇, j = 1，2…16，j为多步预测的步数。总(? + _/Δ〇即为改进熵权法 模型中的，，根据基于改进熵权法的风电功率组合预测模型求解步骤（1)到（5)即可求得 最终预测值+ （2)随着时间的推移，在得到t+At时刻风电功率的真实值P(t+At) 后，建模域内的风电功率数据变为P(t+At)和P(t-iAt)，i = 0，1，2…N-1。此时再利用 各预测方法得到风电功率的预测值Λ(〖 + Δ? + )Δ?)，j = 1，2··· 16。此时>"(? + Δ? + 7_Δ?)即为 改进熵权法模型中的乂，再利用改进熵权法求得最终的预测值户(? + Δ? + _/·Δ〇。依此类推。这 样就可以实现对权重的不断更新，使各权重值能够反映出风电功率的最新变化，从而提高 了预测精度。
[0037] 最后是算例分