1.一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yi(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=[(eit)n×4]T[(eit)n×4]
其中,eit表示第i种预测模型在第t时刻的预测误差,即eit=y(t)-yi(t),y(t)为t时刻风电功率的实测值,与yi(t)的预测时刻相对应;
计算误差信息矩阵E的代数余子式Y4×4,再将代数余子式Y4×4每列的元素求和,得到矩阵M1×4;
根据矩阵M1×4判断4种预测模型的冗余度,如果矩阵M1×4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。
2.根据权利要求1所述的一种风电功率超短期预测方法,其特征在于,所述的步骤(4)中建立基于IOWA算子的优化模型的具体步骤为;
(2.1)、将优选预测模型预测时刻的前M个时刻的预测精度求均值pit,并将此均值作为下一时刻IOWA算子中的诱导值;
其中,i=1,2,…,m,m表示优选预测模型种类;t=1,2,…,N,N表示预测总时刻;pij为第i种预测模型在第j时刻的预测精度;
(2.2)、构造诱导矩阵YD;
其中,(pmN,ymN)中pmN和ymN分别表示第m种优选预测模型在第N时刻的预测精度和预测值;
(2.3)、将诱导矩阵YD每一列按照诱导值pit从大到小的顺序排序,得到诱导有序矩阵YX:
(2.4)、令优选预测模型中每个单项预测模型的权重系数为L=(l1,l2,…,lm),其中l1+l2+…+lm=1;
利用诱导有序矩阵YX计算IOWA算子yiowa-t;
其中,p′-index(it)将m种单项预测模型第t时刻预测精度序列p1t,p2t,…,pmt按从大到小的顺序排列的第i个大的预测精度的下标,即yp′-index(it)对应的序列是{yp′-index(it),y′1t,y′2t,…,y′mt};
将IOWA算子yiowa-t带入以Wheil不等系数建立的基于IOWA算子的优化模型;
最后通过此优化模型,求取最优权重系数矩阵L。