基于改進熵權(quán)法提高風(fēng)電功率組合預(yù)測精度的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于改進熵權(quán)法提高風(fēng)電功率組合預(yù)測精度的方法，屬于風(fēng)電技 術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 風(fēng)資源作為一種天然能源，可謂取之不盡、用之不竭。既無需大量的開采和運輸 成本，又具有零污染的特點，是一種典型的可持續(xù)循環(huán)、可持續(xù)再生的廉價型清潔能源。隨 著科技的高速發(fā)展，在材料、設(shè)備、軟件等領(lǐng)域取得的成果為新型風(fēng)電機組的開發(fā)研制做出 了巨大貢獻，使其建造成本大幅度降低，同時風(fēng)力發(fā)電大規(guī)模開發(fā)的規(guī)模效益也進一步降 低了風(fēng)電成本。但其本身具有波動性、間歇性、低能量密度等特性，因此需要加強對風(fēng)電功 率預(yù)測的研宄。國內(nèi)外學(xué)者對風(fēng)電功率預(yù)測方法進行了大量的研宄：文獻（Guo Z，Zhao W， Lu H，et al.，2012)提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的改進經(jīng)驗?zāi)B(tài)分解（EMD)方法來進行 預(yù)測，模型的預(yù)測精度較好；文獻（劉愛國，薛云濤，胡江鷺，等，2015)采用遺傳算法來優(yōu)化 該模型的核函數(shù)參數(shù)、核函數(shù)類型和懲罰因子等，提出了 GA-SVM模型，提高了模型參數(shù)組 合優(yōu)化選擇的效率和預(yù)測精度；文獻（張維杰，田建艷，王芳，等.2014)建立了一種改進的 RJP模糊神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測模型，首先以橢圓基函數(shù)作為隸屬度函數(shù)，擴展其接收域， 然后采用模糊C-均值聚類來確定其中心值，最后引入了慣性項來加快網(wǎng)絡(luò)的收斂速度，得 到了較好的預(yù)測效果。上述預(yù)測方法都采用單一的預(yù)測模型。按國家能源局的有關(guān)規(guī)定 (國家能源局關(guān)于印發(fā)風(fēng)電場功率預(yù)測預(yù)報管理暫行辦法的通知[EB/0L]. 2011)，風(fēng)電功 率實時預(yù)報要求每隔15min滾動的上報未來15min至4h的風(fēng)電功率預(yù)測數(shù)據(jù)，可見對于風(fēng) 電功率的實時預(yù)測，每天需要進行96次預(yù)測，每次預(yù)測的數(shù)據(jù)量（步數(shù)）為16個。單一預(yù) 測模型目前常用的有KNN法、線性回歸法和滑動平均法。KNN(K-Nearest Neighbor)法也稱 k最鄰近法，對于一個待分類的樣本序列，系統(tǒng)將在訓(xùn)練集中找到k個最相近的鄰居序列， 并將這k個鄰居的類別作為該待分類樣本的候選類別。計算此樣本序列與k個鄰居之間的 相似度，并作為各候選類別的權(quán)重，然后利用預(yù)先設(shè)定的閾值，就能夠得到該樣本的最終分 類進而來進行預(yù)測（楊茂，賈云彭，穆鋼，等，2014)。線性回歸法是一種較為經(jīng)典的回歸分 析法，該方法通過建模，將下一時刻的預(yù)測值表示為當(dāng)前及歷史值的線性組合，并通過最小 二乘法等確定回歸系數(shù)?；瑒悠骄ㄍㄟ^將當(dāng)前建模域內(nèi)所有數(shù)據(jù)的均值作為下一時刻的 預(yù)測值來進行預(yù)測。經(jīng)過滑動平均處理后，可濾掉建模域內(nèi)數(shù)據(jù)中的頻繁隨機起伏，呈現(xiàn)出 平滑的變化趨勢。單一預(yù)測模型會導(dǎo)致某些測量點出現(xiàn)較大誤差，因此采用組合預(yù)測法成 為一種研宄趨勢。目前已經(jīng)有很多學(xué)者開始了組合預(yù)測的研宄，如等權(quán)平均組合預(yù)測法、最 優(yōu)權(quán)系數(shù)法、回歸組合法等。通常，很多計算權(quán)重的方法在權(quán)重被確定后就不會再改變，或 者不會輕易的改變，而是一直被用于預(yù)測，如等權(quán)重法和傳統(tǒng)的BP網(wǎng)絡(luò)權(quán)重訓(xùn)練法等?；?于等權(quán)重法的風(fēng)電功率組合預(yù)測模型：組合預(yù)測法最早是由Bates和Granger提出的，其 實質(zhì)是綜合利用單一模型的信息，并選擇適當(dāng)?shù)臋?quán)重得出組合預(yù)測模型（趙文清，朱永利， 張小奇，2008)。組合預(yù)測有兩種基本形式：等權(quán)重組合預(yù)測和不等權(quán)組合預(yù)測。其中，等 權(quán)重組合預(yù)測即為將基于各預(yù)測方法得到的預(yù)測值按相同的權(quán)重組合成新的預(yù)測值模型， 如式（1)所示；不等權(quán)重組合預(yù)測即為利用適當(dāng)?shù)臋?quán)重計算模型來賦予各預(yù)測值不同的權(quán) 重。這兩種形式的原理完全相同，只是在權(quán)重的選取上有所區(qū)別，大量的經(jīng)驗發(fā)現(xiàn)不等權(quán)重 組合預(yù)測模型的精度往往更高。
[0003]
[0004] 但由于風(fēng)具有隨機性，使得風(fēng)電功率也具有隨機波動的特性，大量的研宄發(fā)現(xiàn) 隨著時間的推移，恒不變權(quán)重越來越顯得不適應(yīng)，應(yīng)該進行調(diào)整（楊秀媛，肖洋，陳樹勇， 2005)〇
[0005] 對風(fēng)電場輸出功率進行精確的預(yù)測是保證含大規(guī)模風(fēng)電電力系統(tǒng)安全穩(wěn)定運行 的重要手段。采用單一預(yù)測模型進行預(yù)測時，都會有各自的優(yōu)勢和劣勢。因此如何更好地 提高風(fēng)電功率預(yù)測精度就成為急需解決的技術(shù)難題。所以，為了更好地提高風(fēng)電功率預(yù)測 精度，利用吉林西部某風(fēng)電場實測數(shù)據(jù)進行算例分析，提出基于改進熵權(quán)法的風(fēng)電功率組 合預(yù)測方法，并同時采用滾動式權(quán)重，以此來實現(xiàn)對單一預(yù)測模型的互補，通過對時間段T 內(nèi)任一時刻的風(fēng)電功率進行實時預(yù)測，確定評價指標(biāo)，對熵權(quán)定義，改進熵權(quán)的計算，預(yù)測 周期T內(nèi)其他時刻的風(fēng)電功率構(gòu)建基于改進熵權(quán)法的風(fēng)電功率組合預(yù)測模型，發(fā)明一種基 于改進熵權(quán)法提高風(fēng)電功率組合預(yù)測精度的方法是必要的。

【發(fā)明內(nèi)容】

[0006] 為了克服如何更好地提高風(fēng)電功率預(yù)測精度的難題，本發(fā)明提供了一種基于改進 熵權(quán)法提高風(fēng)電功率組合預(yù)測精度的方法，該基于改進熵權(quán)法提高風(fēng)電功率組合預(yù)測精度 的方法首先設(shè)計實驗方案，利用吉林西部某風(fēng)電場實測數(shù)據(jù)進行算例分析，提出基于改進 熵權(quán)法的風(fēng)電功率組合預(yù)測方法，并同時采用滾動式權(quán)重，以此來實現(xiàn)對單一預(yù)測模型的 互補，通過對時間段T內(nèi)任一時刻的風(fēng)電功率進行實時預(yù)測，確定評價指標(biāo)，對熵權(quán)定義， 改進熵權(quán)的計算，預(yù)測周期T內(nèi)其他時刻的風(fēng)電功率構(gòu)建基于改進熵權(quán)法的風(fēng)電功率組合 預(yù)測模型，達到提供一種基于數(shù)據(jù)的、滿足更好地提高實時預(yù)測精度要求的風(fēng)電功率多步 滾動實時預(yù)測方法的目的。
[0007] 基于改進熵權(quán)法提高風(fēng)電功率組合預(yù)測精度的方法的技術(shù)方案包括以下步驟：
[0008] 首先基于改進熵權(quán)法的風(fēng)電功率組合預(yù)測模型求解步驟具體內(nèi)容如下：
[0009] (1)對時間段T內(nèi)任一時刻的風(fēng)電功率進行實時預(yù)測。
[0010] 分別采用N個預(yù)測方法對時段T內(nèi)各時點t(t = 1，2，…，T)的風(fēng)電功率進行多 步滾動預(yù)測，得到的預(yù)測值為巧"：
[0011] p'j'(n = 1,2,···, N;j = 1,---,16) (2)
[0012] 其中j代表預(yù)測步數(shù)，η代表各預(yù)測方法。
[0013] (2)評價指標(biāo)的確定
[0014] 熵權(quán)的獲得是建立在評價矩陣的基礎(chǔ)之上的。在一個具有b個評價對象，m個評 估指標(biāo)的評估體系中，評價對象相對于評估指標(biāo)的評價矩陣為
[0015]
(3)
[0016] 評價矩陣A需要經(jīng)過標(biāo)準(zhǔn)化處理。
[0017] 因此，由于多步滾動預(yù)測一次需要預(yù)測16步，即一次預(yù)測需要給出16個時點的預(yù) 測值，故利用三種單一預(yù)測方法分別進行一次多步滾動預(yù)測，并將此次預(yù)測得到的各步預(yù) 測值乂作為評價指標(biāo)，構(gòu)成評價矩陣：
[0018]
(4)
[0019] 其中，乂為基于第η個預(yù)測方法進行第j步預(yù)測時得到的預(yù)測值，A需進行標(biāo)準(zhǔn)化 處理。
[0020] ⑶熵權(quán)的定義
[0021] 根據(jù)評價矩陣中的評價指標(biāo)，將得到的第j個評價指標(biāo)的熵定義為：
[0022]
[0023] 式中，當(dāng);7) = O時，4 InZ = O。
[0024] 在熵的基礎(chǔ)上，第j個評價指標(biāo)的熵權(quán)定義為
[0025]
[0026] (4)改進j：商權(quán)的計算
[0027] 由于傳統(tǒng)熵權(quán)法在計算熵值Hj^ 1的指標(biāo)權(quán)重時，其微小的變化將引起熵權(quán)成倍 數(shù)變化。對此，本發(fā)明提出了改進熵權(quán)法：
[0028]
[0029]
[0030]
[0031] 式中，是第j個指標(biāo)的權(quán)重是第j個指標(biāo)的熵值；豆是所有不為1的熵值 的平均值。
[0032] (5)預(yù)測周期T內(nèi)其他時刻的風(fēng)電功率
[0033] 對于預(yù)測周期T內(nèi)的各個預(yù)測時刻，可重復(fù)第（2)到第（5)步驟逐一求取，從而得 到預(yù)測周期T內(nèi)各時刻的風(fēng)電功率預(yù)測值，如下：
[0034]
(10)
[0035] 式中，Pj為最終預(yù)測值； <為某一次多步滾動預(yù)測中，第η個預(yù)測方法在第j步預(yù) 測時的改進熵權(quán)值；以為某一次多步滾動預(yù)測中，第η個預(yù)測方法在第j步預(yù)測時的風(fēng)電功 率預(yù)測值。
[0036] 其次滾動式權(quán)重調(diào)整手段具體為：（1)設(shè)已知建模域內(nèi)所有時刻風(fēng)電功率的實際 值P(t_i Λ t)，i = 0,1，2…N，因此建模域內(nèi)的歷史數(shù)據(jù)數(shù)量為N+1，利用各預(yù)測方法得到風(fēng) 電功率的預(yù)測值戶,(? + _/Δ〇, j = 1，2…16，j為多步預(yù)測的步數(shù)?？?? + _/Δ〇即為改進熵權(quán)法 模型中的，，根據(jù)基于改進熵權(quán)法的風(fēng)電功率組合預(yù)測模型求解步驟（1)到（5)即可求得 最終預(yù)測值+ （2)隨著時間的推移，在得到t+At時刻風(fēng)電功率的真實值P(t+At) 后，建模域內(nèi)的風(fēng)電功率數(shù)據(jù)變?yōu)镻(t+At)和P(t-iAt)，i = 0，1，2…N-1。此時再利用 各預(yù)測方法得到風(fēng)電功率的預(yù)測值Λ(〖 + Δ? + )Δ?)，j = 1，2··· 16。此時>"(? + Δ? + 7_Δ?)即為 改進熵權(quán)法模型中的乂，再利用改進熵權(quán)法求得最終的預(yù)測值戶(? + Δ? + _/·Δ〇。依此類推。這 樣就可以實現(xiàn)對權(quán)重的不斷更新，使各權(quán)重值能夠反映出風(fēng)電功率的最新變化，從而提高 了預(yù)測精度。
[0037] 最后是算例分