[發(fā)明專利]一種基于貝葉斯魯棒函數(shù)回歸的多步風(fēng)速預(yù)報(bào)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810207732.6
• 申請(qǐng)日: 2018-03-14
• 公開（公告）號(hào): CN108563829B
• 公開（公告）日: 2020-07-31
• 發(fā)明（設(shè)計(jì)）人: 胡清華;汪運(yùn);王錚
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué);中國電力科學(xué)研究院有限公司
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20
• 代理公司: 北京東方盛凡知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11562
• 代理人: 宋平

本發(fā)明公開了一種基于貝葉斯魯棒函數(shù)回歸的多步風(fēng)速預(yù)報(bào)方法，包括進(jìn)行數(shù)據(jù)預(yù)處理、構(gòu)造魯棒函數(shù)回歸的多步風(fēng)速預(yù)報(bào)模型、利用變分貝葉斯優(yōu)化模型的參數(shù)、根據(jù)估計(jì)的參數(shù)和測(cè)試集計(jì)算預(yù)測(cè)值的步驟，本發(fā)明的多步風(fēng)速預(yù)報(bào)方法能夠處理多種分辨率數(shù)據(jù)，對(duì)不同的實(shí)際預(yù)報(bào)任務(wù)都能夠有魯棒的效果，并且能夠降低冗余的函數(shù)型變量對(duì)最終結(jié)果的影響，精度高、誤差小，可以進(jìn)一步提高風(fēng)速預(yù)報(bào)的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及新能源領(lǐng)域和統(tǒng)計(jì)學(xué)習(xí)領(lǐng)域，特別涉及一種基于貝葉斯魯棒函數(shù)回歸的多步風(fēng)速預(yù)報(bào)方法。

背景技術(shù)

當(dāng)前，風(fēng)電作為一種清潔、可再生的能源受到了越來越多的關(guān)注。大規(guī)模的風(fēng)電并網(wǎng)將會(huì)在一定程度上緩解能源危機(jī)，并且能帶來經(jīng)濟(jì)效益和減少環(huán)境污染。而從風(fēng)電并網(wǎng)的角度來說，準(zhǔn)確的風(fēng)速和功率預(yù)報(bào)是保持風(fēng)電系統(tǒng)穩(wěn)定性和安全性的重要因素。

當(dāng)前，有多種風(fēng)速及功率預(yù)報(bào)方法，根據(jù)建模理論，這些方法大體可分為5類：物理模型、傳統(tǒng)的統(tǒng)計(jì)模型、基于人工智能的預(yù)報(bào)方法、空間相關(guān)模型以及組合模型。

對(duì)于物理模型來說，它需要大規(guī)模的運(yùn)算，并且一些物理數(shù)據(jù)很難得到。傳統(tǒng)的統(tǒng)計(jì)模型主要包括自回歸(AR)、自回歸滑動(dòng)平均模型(ARMA)和自回歸積分滑動(dòng)平均模型(ARIMA)等。通常，傳統(tǒng)的統(tǒng)計(jì)模型主要擬合風(fēng)速波動(dòng)中的線性部分，而非線性部分通常用基于人工智能的方法如人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)(SVM))來擬合。因此，結(jié)合統(tǒng)計(jì)模型和基于人工智能的模型的特點(diǎn)，很多學(xué)者構(gòu)建出基于以上兩種模型的組合模型。對(duì)于空間相關(guān)模型來說，主要是考慮不同位置風(fēng)速的空間關(guān)聯(lián)性。對(duì)于某一特定站點(diǎn)來說，該位置上的風(fēng)速與其相鄰站點(diǎn)的風(fēng)速具有相似性。因此，對(duì)本站點(diǎn)的風(fēng)速進(jìn)行預(yù)測(cè)時(shí)，不僅考慮本站點(diǎn)的相關(guān)數(shù)據(jù)，而且考慮相鄰站點(diǎn)的風(fēng)速數(shù)據(jù)會(huì)提高預(yù)測(cè)精度。

基于空間相關(guān)模型的風(fēng)速預(yù)報(bào)方法主要是從其相鄰的站點(diǎn)挖掘出更多的描述風(fēng)速波動(dòng)的解釋變量。如果相鄰站點(diǎn)沒有相關(guān)站點(diǎn)，很多學(xué)者就轉(zhuǎn)而從本站點(diǎn)搜集更多的相關(guān)變量，如氣溫、氣壓、濕度以及風(fēng)向等。然而數(shù)據(jù)本身的信息并沒有得到充分地利用。原始的風(fēng)速數(shù)據(jù)的采樣間隔為2秒或者5秒，因此我們所收集到的風(fēng)速數(shù)據(jù)是高分辨率數(shù)據(jù)。實(shí)際中，通常需要對(duì)10分平均風(fēng)速時(shí)間序列進(jìn)行建模得到提前10分鐘或者提前1小時(shí)的風(fēng)速預(yù)報(bào)結(jié)果。這就需要將我們收集的高分辨率數(shù)據(jù)轉(zhuǎn)換成低分辨率的數(shù)據(jù)，我們通常采用的方法是將每10分鐘內(nèi)所有的高分辨率數(shù)據(jù)求取平均，然后得到10分鐘平均風(fēng)速時(shí)間序列。然而，這種處理方法會(huì)忽略高分辨率數(shù)據(jù)中所蘊(yùn)含描述風(fēng)速波動(dòng)的相關(guān)信息。

此外，由于極端天氣等原因，使得我們所收集到的數(shù)據(jù)里面會(huì)包含很多異常風(fēng)速。這些異常風(fēng)速會(huì)給我們的預(yù)測(cè)建模帶來困擾。研究發(fā)現(xiàn)對(duì)數(shù)據(jù)中的異常點(diǎn)進(jìn)行預(yù)處理能提高預(yù)測(cè)精度。這些預(yù)處理方法主要包括兩類：異常點(diǎn)檢測(cè)和信號(hào)處理方法。然而，基于數(shù)據(jù)預(yù)處理的預(yù)報(bào)方法的缺點(diǎn)在于最終的預(yù)測(cè)結(jié)果將依賴于數(shù)據(jù)預(yù)處理后數(shù)據(jù)的質(zhì)量。對(duì)于異常點(diǎn)檢測(cè)的異常點(diǎn)處理方法來說，我們并不能確定所有的異常點(diǎn)都去除了。而對(duì)于信號(hào)處理方法的數(shù)據(jù)預(yù)處理，不論是正常風(fēng)速還是異常風(fēng)速都會(huì)被處理。我們也并不能保證處理后的數(shù)據(jù)一定變成了正常點(diǎn)。因此，我們構(gòu)建的預(yù)報(bào)模型本身應(yīng)具有較好的魯棒性。當(dāng)前的一些預(yù)報(bào)算法(如SVM和LSSVM)缺乏魯棒性的主要原因是短尾的誤差分布假設(shè)。

綜上所述，當(dāng)前的風(fēng)速預(yù)報(bào)方法的缺陷體現(xiàn)在以下兩個(gè)方面：一，風(fēng)速中反映風(fēng)速波動(dòng)細(xì)節(jié)的高分辨率數(shù)據(jù)并沒有得到利用；二，許多預(yù)報(bào)模型本身缺乏魯棒性。

發(fā)明內(nèi)容

本發(fā)明的目的是解決現(xiàn)有風(fēng)速預(yù)報(bào)方法中存在的兩大缺陷，導(dǎo)致精度較低誤差較大的技術(shù)問題，本發(fā)明提供一種基于貝葉斯魯棒函數(shù)回歸的多步風(fēng)速預(yù)報(bào)方法。

本發(fā)明解決上述問題采用如下技術(shù)方案：

一種基于貝葉斯魯棒函數(shù)回歸的多步風(fēng)速預(yù)報(bào)方法，包括以下步驟：

1)數(shù)據(jù)預(yù)處理：