一种风电功率超短期预测方法与流程

技术特征：

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。

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p_it，并将此均值作为下一时刻IOWA算子中的诱导值；

$p_{it}=\frac{1}{M}\underset{j=t-M}{\overset{t-1}{\Σ}}{p}_{ij}$

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；p_ij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，(p_mN,y_mN)中p_mN和y_mN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p_it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,…,l_m)，其中l₁+l₂+…+l_m＝1；

利用诱导有序矩阵YX计算IOWA算子y_iowa-t；

$\begin{array}{c}{y}_{iowa-t}={\mathrm{IOWA}}_L(\<p_{1t}^{\′},y_{1t}^{\′}\>,\<p_{2t}^{\′},y_{2t}^{\′}\>\mathrm{...}\<p_{mt}^{\′},y_{mt}^{\′}\>)\\ =\underset{i=1}{\overset{m}{\Σ}}{l}_i{y}_{p^{\′}-index\left(it\right)}\\ =l_1{y}_{1t}^{\′}+l_2{y}_{2t}^{\′}+\mathrm{...}+l_m{y}_{mt}^{\′}\end{array}$

其中，p′-index(it)将m种单项预测模型第t时刻预测精度序列p_1t,p_2t,…,p_mt按从大到小的顺序排列的第i个大的预测精度的下标，即y_{p′-index(it)}对应的序列是{y_{p′-index(it)}，y′_1t,y′_2t,…,y′_mt}；

将IOWA算子y_iowa-t带入以Wheil不等系数建立的基于IOWA算子的优化模型；

$\left\{\begin{array}{c}{\mathrm{min\μ}}_{iowa}=\frac{\sqrt{\underset{t=1}{\overset{N}{\Σ}}{(x_t-\underset{i=1}{\overset{m}{\Σ}}{l}_i{y}_{p^{\′}-index\left(it\right)})}^2}}{\sqrt{\underset{t=1}{\overset{N}{\Σ}}{y_t}^2}+\sqrt{\underset{t=1}{\overset{N}{\Σ}}{\left(\underset{i=1}{\overset{m}{\Σ}}{l}_i{y}_{p^{\′}-index\left(it\right)}\right)}^2}}\\ \begin{array}{cc}s.t.& \underset{i=1}{\overset{m}{\Σ}}{l}_i=1,l_i\≥0\end{array}\end{array}\right.$

最后通过此优化模型，求取最优权重系数矩阵L。