一种基于复合分位数回归的海上风电功率概率预测方法与流程

1.本发明涉及新能源发电和智能电网技术，具体是一种基于复合分位数回归的海上风电功率概率预测方法。


背景技术：

2.风能相比于传统火力等发电形式具有清洁可再生的特点，具有可持续性。风电作为一种环境友好型的电能，其运行维护和发电成本均比较低，占用的场占地少，开发规模灵活可变，具备较好的规模化开发条件和商业化发展前景。目前，风电技术已经成为了认可度最高、发展最快、技术最成熟的可再生能源发电技术之一。
3.在“双碳”目标下，风电已经成为包括中国在内的众多国家能源低碳乃至零碳转型的核心路径。我国海上风能资源充足，可利用海域面积超过300万平方公里，未来，随着技术进步和度电成本下降，海上风电发展空间巨大。相比陆上风电的不稳定性，海上风电跟陆上风电比有明显优势，一方面，海上风电不占陆上资源；另一方面，在同样的地理位置，海上风机有效发电小时数比陆上风机高出20％至70％。
4.虽然风能因其可再生、无污染、成本低等显著优点具有较高的开发价值，但是却很难做到高效、经济、安全利用。传统火力发电的大小完全依赖于燃料投入，可以根据电力系统的调度指令在较大的范围内对其输出功率进行快速有效的控制以应对负荷的实时变化，但是风电的输出具有较强的随机性与不可控性，风电的出力也是不能够随意控制的，根据不同的时间段、气象条件等变化。随着风电装机容量在电力系统中的比例越来越高，对电力系统而言，风电发电并网带来的挑战的原因主要是其多变性与不确定性。针对风电出力的不确定性问题，研究风电功率概率预测技术是重要的解决途径。
5.目前，概率区间预测主要采用的是基于参数化模型的概率区间预测。预测区间的构建基于两部分：点预测和不确定性分析。在点预测结束后，假设风电功率预测误差满足某种分布，如β分布，正态分布等，然后根据预先假设的分布情况计算预测误差，再加上点预测值构成区间上下界限的计算。然而，实际风电功率波动大、复杂性强，很难确定实际的误差分布情况。
6.非参数化建模是解决上述问题的有效方法，其中最高效、应用最广泛的方法为分位数回归模型。因此，基于分位数回归模型的概率区间预测方法也越来越受技术人员重视，传统的线性分位数回归方法在统计学回归分析中常用于做回归分析和预测。为了改进传统的分位数回归模型，目前包括将极限学习机模型用于改进分位数回归方法，将线性模型改进为非线性模型。预测区间的综合性能评价指标为预测区间综合评分，该指标综合考虑了预测区间可靠度和敏锐度，然而传统的分位数回归模型仅考虑预测区间的可靠度优化，缺乏对敏锐度的关注，因此，将敏锐度优化策略引入分位数回归模型，改进预测区间性能，具有重大意义。


技术实现要素：

7.发明目的：为进一步的提高风电功率预测区间的质量，本发明提供一种基于复合分位数回归的海上风电功率概率预测方法。
8.为解决上述技术问题，本发明所述的基于复合分位数回归的海上风电功率概率预测方法，包括如下步骤：
9.(1)对数据进行处理，初始化极限学习机模型的输入层至隐含层的系数和隐含层的阈值，预测额定置信区间，导入经过归一化处理的历史风电功率时间序列，构建样本；
10.(2)构建复合分位数回归模型，将敏锐度指标优化引入传统分位数回归的代价函数，结合可靠度优化，组成复合指标；
11.所述的复合分位数回归模型代价函数如下：
[0012][0013]
其中，α为置信度，和为过渡变量，λ为调节系数，该代价函数基于线性规划方法完成优化；
[0014]
(3)通过调节系数平衡复合指标中可靠度和敏锐度的权重，调节预测区间性能，并根据训练集预测区间性能，优化该调节系数；
[0015]
(4)根据最优调节系数，进行复合分位数回归模型的输出系数优化，完成训练，并通过风电功率时间序列，输出预测区间。
[0016]
进一步的，步骤(1)中，针对数据进行处理，即初始化极限学习机模型的输入层至隐含层的系数和隐含层的阈值，预测额定置信区间，导入经过归一化处理的历史风电功率时间序列，构建样本具体包括如下步骤：
[0017]
(1.1)依次初始化极限学习机的隐含层系数和阈值；
[0018]
(1.2)设置分位数回归模型的边界分位数百分比，使得上分位数百分比减去下分位数百分比为置信区间百分比；
[0019]
(1.3)将历史风电功率时间序列导入且序列归一化处理；
[0020]
(1.4)构建时间序列的输入输出样本集，其表达式如下：
[0021][0022]
其中，xi和yi均为风电功率值，分别为第i组样本的输入和输出量，s为样本个数。
[0023]
进一步的，步骤(2)构建复合分位数回归模型中，引入的分位数回归敏锐度如下：
[0024][0025]
其中，g()为敏锐度优化项，t是样本总数，g()为极限学习机输出，和w
α
分别为上下分位数百分比和α的输出系数；
[0026]
所述复合分位数回归模型代价函数满足如下条件约束：
[0027][0028]
0≤g(x
t
,w
α
)≤1
[0029]-|β
α,j
|≤w
α,j
≤|β
α,j
|
[0030][0031][0032]
其中，y
t
为实测值。
[0033]
进一步的，步骤(3)中，通过调节系数平衡复合指标中可靠度和敏锐度的权重，调节预测区间性能，并根据训练集预测区间性能，优化该调节系数，具体包括如下步骤：
[0034]
(3.1)根据调节系数值完成复合分位数回归模型的优化，计算训练集预测区间；
[0035]
(3.2)计算预测区间的可靠度，如下：
[0036]
|ace|＝|picp-pinc|
[0037]
其中，|ace|为预测区间覆盖偏差，为衡量预测区间可靠度的指标，picp为预测区间覆盖实测值的百分比，pinc为额定置信度。
[0038]
(3.3)计算预测区间的综合性能，如下：
[0039][0040][0041][0042]
其中，为预测区间综合评分，综合评价预测区间的性能；为各点评分；为预测区间宽度；和分别为预测区间的上、下分位数。
[0043]
进一步的，步骤(4)中，根据最优调节系数，进行复合分位数回归模型的输出系数优化，完成训练，并通过风电功率时间序列，输出预测区间，具体包括如下步骤：
[0044]
(4.1)根据预测区间调节系数优化结果，基于训练集输入样本集，运用线性规划方法对复合分位数回归模型进行优化，计算最优输出系数，完成模型训练；
[0045]
(4.2)导入测试样本的输入，根据已训练好的模型计算预测区间。
[0046]
有益效果：与现有技术相比，本发明其预测区间性能明显优于传统基于分位数回归模型的预测模型，且具有较好的可靠度和综合性能，例如条件分位数是基于聚类理论的，本发明可适用于海上风电数据，海上风电比陆地上的出力比例高。
附图说明
[0047]
图1为本发明的方法流程示意图；
[0048]
图2为调节系数与预测区间性能关系图；
[0049]
图3为本发明春季风电功率数据90％置信度下超前1小时预测区间图；
[0050]
图4为本发明夏季风电功率数据90％置信度下超前1小时预测区间图；
[0051]
图5为本发明秋季风电功率数据90％置信度下超前1小时预测区间图；
[0052]
图6为本发明冬季风电功率数据90％置信度下超前1小时预测区间图。
具体实施方式
[0053]
为了详细的说明本发明所公开的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。
[0054]
本发明提供的一种基于复合分位数回归的海上风电功率概率预测方法，可以适用于负荷、风电/光伏出力等其他范围与领域。
[0055]
本发明的预测模型流程图如图1所示，其实施例步骤主要如下：
[0056]
(1)对数据进行处理，即初始化极限学习机模型的输入层至隐含层的系数和隐含层的阈值，预测额定置信区间，导入经过归一化处理的历史风电功率时间序列，构建样本；
[0057]
(2)构建复合分位数回归模型，将敏锐度指标优化引入传统分位数回归的代价函数，结合可靠度优化，组成复合指标；
[0058]
(3)通过调节系数平衡复合指标中可靠度和敏锐度的权重，调节预测区间性能，并根据训练集预测区间性能，优化该调节系数；
[0059]
(4)根据最优调节系数，进行复合分位数回归模型的输出系数优化，完成训练，并通过风电功率时间序列，输出预测区间。
[0060]
所述步骤1具体包括模型参数初始化和数据的预处理和导入两个子步骤，其中模型参数初始化的具体方法为：
[0061]
步骤1.11：初始化极限学习机的隐含层系数和阈值；
[0062]
步骤1.12：根据置信区间，设置分位数回归模型的上下分位数值。
[0063]
数据的预处理的具体方法为：
[0064]
步骤1.21：将风电功率数据导入且时间序列归一化；
[0065]
步骤1.22：构建时间序列的输入输出样本集其中，xi和yi均为风电功率，分别为第i组样本输入和实测值，s为样本数。
[0066]
所述步骤2具体为构建复合分位数回归模型，将敏锐度指标优化引入传统分位数回归的代价函数，结合可靠度优化，组成复合指标具体方法为：
[0067]
步骤2.1：引入的分位数回归敏锐度如下：
[0068][0069]
其中，g()为敏锐度优化项，t是样本总数，g()为极限学习机输出，和w
α
分别为上下分位数百分比和α的输出系数；
[0070]
步骤2.2：复合分位数回归模型代价函数如下：
[0071][0072]
其中，α为置信度，和为过渡变量，λ为调节系数，该代价函数基于线性规划方法完成优化；
[0073]
步骤2.3：上述代价函数满足如下条件约束：
[0074]
[0075]
0≤g(x
t
,w
α
)≤1
[0076]-|β
α,j
|≤w
α,j
≤|β
α,j
|
[0077][0078][0079]
其中，y
t
为实测值。
[0080]
所述步骤3具体为通过调节系数平衡复合指标中可靠度和敏锐度的权重，调节预测区间性能，并根据训练集预测区间性能，优化该调节系数，具体方法为：
[0081]
步骤3.1：根据调节系数值完成复合分位数回归模型的优化，计算训练集预测区间；
[0082]
步骤3.2：计算预测区间的可靠度，如下：
[0083]
|ace|＝|picp-pinc|
[0084]
其中，|ace|为预测区间覆盖偏差，为衡量预测区间可靠度的指标，picp为预测区间覆盖实测值的百分比，pinc为额定置信度。
[0085]
步骤3.3：计算预测区间的综合性能，如下：
[0086][0087][0088][0089]
其中，为预测区间综合评分，综合评价预测区间的性能；为各点评分；为预测区间宽度；和分别为预测区间的上、下分位数。
[0090]
所述步骤4具体为根据最优调节系数，进行复合分位数回归模型的输出系数优化，完成训练，并通过风电功率时间序列，输出预测区间，具体包括如下步骤：
[0091]
步骤4.1：根据预测区间调节系数优化结果，基于训练集输入样本集，运用线性规划方法对复合分位数回归模型进行优化，计算最优输出系数，完成模型训练；
[0092]
步骤4.2：导入测试样本的输入，根据已训练好的模型计算预测区间。
[0093]
为了使本领域技术人员更加理解本发明所述技术方案，也验证本发明方法的有效性，下面以实际风电场功率为例做详细介绍。将本发明复合分位数回归模型(cqr)与现有的方法对比，包括基于自助采样法的极限学习机模型(belm)、分位数回归模型(qr)，线性分位数回归模型(lqr)。
[0094]
我国某海上风电场功率时间序列用来验证模型超短期概率区间预测性能，数据分辨率为15分钟，进行超前1小时风电功率概率预测，数据采用2019年来自一年四季的十五天风电功率时间序列。每组算例测试取15天的数据，前11天的数据用作训练，最后4天的数据用作测试。
[0095]
评价区间预测性能一般观察两个指标，区间平均覆盖偏差(ace)和评分(score)。
ace计算方法如下：
[0096]
|ace|＝|picp-pinc|
[0097]
其中，picp为实际区间覆盖率，pinc为额定置信度，ace数值是越接近0越好。
[0098]
覆盖偏差接近0的同时，区间宽度应尽量窄，计算公式如下：
[0099][0100]
其中，为区间置信区间α下第i个预测值的宽度，平均区间宽度(aw)表示了预测区间的敏锐程度，和分别为i个样本对应的区间上、下边界。
[0101]
区间综合评分考虑了区间覆盖率偏差和区间宽度两个因素，计算公式如下：
[0102][0103][0104]
为区间综合得分，数值为负数，数值越接近0说明预测区间综合性能越好。对于评价预测区间的指标，主要看区间综合得分，平均覆盖偏差一般用来参考区间覆盖性能，即覆盖度需接近额定置信度能证明预测区间具有较好的可靠度。
[0105]
图2为1月中15天风电功率训练集数据的不同调节系数与预测区间性能的关系。预测区间综合评分(intervalscore)、覆盖度(picp)与调节系数(regulationcoefficient)数值关系如图所示。图中，置信度为90％，预测尺度为超前1小时，调节系数分辨率为0.01，如图所示λ＝0.06时，预测区间性能最优。基于此训练结果，以分位数回归模型做参考，包括lqr和qr，性能对比如表1所示。
[0106]
表1一月数据测试结果
[0107][0108]
预测区间性能对比如表1所示，本发明提出的cqr具有最好的预测区间综合性能，具有最优的敏锐度和较好的可靠度，验证了所提出模型的有效性。
[0109]
表2四季数据测试结果
[0110]
[0111]
表2反映本发明提出的方法与几种经典方法的算例测试对比，采用的15天的数据组分别来自2019年4月、7月、10月和1月，测试预测模型在不同季节的性能。综合性能为评价预测区间的决定性指标，同时结合区间覆盖的准确度，来全面地比较概率预测的结果。不同置信度下各月份数据的测试结果显示，本发明方法得到的预测区间具有最好的性能。
[0112]
图3至图6显示四个季节置信区间90％、超前一小时的预测效果，数据归一化之后使用。可以看出风电功率的时间序列是变化复杂的，参数化建模很难准确估计误差的分布，以准确给出预测区间。从图中可以看出，本发明方法构建的区间有较好的预测效果。综上所述，本发明可实现高质量的风电功率超短期预测区间，可用于实际工程应用。