[發明專利]一種基于改進局部異常因子算法的短期風電功率預測方法

在審

• 申請號: 202111159243.6
• 申請日: 2021-09-30
• 公開（公告）號: CN113887804A
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 趙琰;胡宸嘉;安琦;魏莫杋;姜銘坤;姜河;宋世巍;王健;葉瀚文;辛長慶;白金禹;王亞茹;周航;趙濤;何雨桐;李兆瀅;孫曉東
• 申請（專利權）人: 沈陽工程學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;H02J3/00
• 代理公司: 沈陽之華益專利事務所有限公司 21218
• 代理人: 韓凌宇

1.一種基于改進局部異常因子算法的短期風電功率預測方法，其特征在于，包括以下步驟：

步驟1：通過數值天氣預報系統獲取某一地區的歷史數據，并將歷史數據進行歸一化處理；

步驟2：通過改進局部異常因子算法對歸一化后的歷史數據進行異常值判斷，剔除其中的不良數據；

步驟3：采用改進滑動平均法，對步驟2中剔除后的空缺數據進行填補；

步驟4：建立BP神經網絡的風電功率預測模型，將處理后的數據作為歷史數據輸入到BP神經網絡中進行模型訓練，之后通過改進LM算法對權值進行修正。

2.根據權利要求1所述的基于改進局部異常因子算法的短期風電功率預測方法，其特征在于，所述步驟1中，歷史數據歸一化處理采用最大-最小歸一化方法，將歷史數據進行預處理，最大-最小歸一化公式為：

其中，α′為歸一化后的風速值，α為需要處理的風速值，min(α)為歷史數據中風速的最小值，max(α)為歷史數據中風速的最大值。

3.根據權利要求1所述的基于改進局部異常因子算法的短期風電功率預測方法，其特征在于，所述步驟2中，改進局部異常因子算法包括：

計算每個歷史數據點的極限歐氏距離，極限歐氏距離公式為：

其中，d_lim(x,y)為極限歐氏距離值，V(x)為風速歷史數據的橫坐標值，V(y)為風速歷史數據的縱坐標值，P(x)為風電功率歷史數據的橫坐標值，P(y)為風電功率歷史數據的縱坐標值，n為歷史數據點個數；

計算每個歷史數據點的極限R鄰域R_lim(x)，給定半徑R內所有點的極限距離值，要求鄰域內所有點的極限歐式距離值小于給定的半徑R值，所要求滿足條件的公式為：

R_lim(x)＝{y∈D\{x}|d_lim(x,y)≤R}

其中，d_lim(x,y)為極限歐氏距離值，y∈D\{x}為點x極限R鄰域內的所有點；

計算每個歷史數據點的極限距離值Limit-dist(x,y)，點x與點y的極限距離公式為：

Limit-dist(x,y)＝max{R_lim(x),d_lim(x,y)}

其中，R_lim(x)為每個歷史數據點的極限R鄰域值，d_lim(x,y)為每個歷史數據點的極限歐氏距離值；

計算每個歷史數據點的極限可達密度，點x的極限可達密度計算公式：

其中，LLrd(x)為點x的極限可達密度，Limit-dist(x,y)為每個歷史數據點的極限距離值，R_lim(x)為每個歷史數據點的極限R鄰域值；

計算每個歷史數據點的極限離群因子，點x的極限離群因子計算公式：

其中，Limit-LOF(x)為點x的極限離群因子值，R_lim(x)為每個歷史數據點的極限R鄰域值，LLrd(x)為點x的極限可達密度值，LLrd(y)為點y的極限可達密度值。

4.根據權利要求1所述的基于改進局部異常因子算法的短期風電功率預測方法，其特征在于，所述步驟3中，改進滑動平均法公式為：

W_i＝θ(W_i-1+W_i-2+W_i-3+...+W_i-j)/j

其中，W_i為i時刻的預測值；W_i-j分別為i-j時刻的歷史數據測量值；j為時間窗口，θ為修正系數。

5.根據權利要求1所述的基于改進局部異常因子算法的短期風電功率預測方法，其特征在于，所述步驟4中，改進LM算法公式為：

μ_k+1＝(J_k^TJ_k+M_k^TM_kη)r_P

β_k+1＝β_k+μ_k+1

其中，μ_k+1為改進LM算法的權重修正量，J_k為雅克比矩陣，J_k^T為雅克比矩陣的裝置，M_k為阻尼矩陣，M_k^T為阻尼矩陣的轉置，η阻尼修正系數，r_P為誤差修正量，β_k為修正前的權值，β_k+1為經過LM算法優化后的權值。