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

技术特征：
1.一种基于复合分位数回归的海上风电功率概率预测方法，其特征在于，包括如下步骤：(1)导入经过归一化处理的历史风电功率时间序列构建样本数据，包括对数据进行处理，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；(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；所述的复合分位数回归模型代价函数如下：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；(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；(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。2.如权利要求1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，其特征在于，步骤(1)中，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：(1.1)依次初始化极限学习机的隐含层系数和阈值；(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；(1.3)将历史风电功率时间序列导入且序列归一化处理；(1.4)构建时间序列的输入输出样本集，其表达式如下：其中，x
i
和y
i
均为风电功率，分别为第i组样本的输入和输出量，s为样本个数。3.如权利要求1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，其特征在于，步骤(2)构建的复合分位数回归模型中，引入的分位数回归敏锐度如下所示：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；所述复合分位数回归模型代价函数满足如下条件约束：0≤g(x
t
,w
α
)≤1-|β
α,j
|≤w
α,j
≤|β
α,j
|
其中，y
t
为实测值。4.如权利要求1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，其特征在于，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：(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；(3.2)计算预测区间的可靠度，计算表达式如下所示：|ace|＝|picp-pinc|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；(3.3)计算预测区间的综合性能，计算过程如下所示：性能，计算过程如下所示：性能，计算过程如下所示：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。5.如权利要求1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，其特征在于，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：(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；(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。

技术总结
本发明公开了一种基于复合分位数回归的海上风电功率概率预测方法，该方法首先分析概率预测区间评价指标，基于该指标的预测区间改进策略，且综合考虑预测区间的可靠度、敏锐度；然后分析预测区间评价指标，计及可靠度、敏锐度，提出复合分位数回归模型，通过调节系数优化预测指标之间的权重，进一步提高预测区间性能，完成预测区间综合性能优化；最后输入风电功率时间序列，实现超短期概率预测。算例测试表明，本发明的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，能提供高质量的概率预测区间。率预测区间。率预测区间。


技术研发人员：魏佳 鉴庆之 李文升 张栋梁 刘晓明 孙东磊 袁振华 赵龙 汪湲 杜鹏 田鑫 杨思 高效海 王男 张辉 程佩芬 杜欣烨 孙永辉 周衍
受保护的技术使用者：国家电网有限公司 河海大学
技术研发日：2021.09.10
技术公布日：2022/1/6