[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

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，屬于風力發電功率預測領域，包括以下步驟：將通過數值天氣預報系統獲取的歷史數據進行歸一化處理；通過改進局部異常因子算法剔除歷史數據中的不良數據；采用改進滑動平均法對空缺數據進行填補；建立基于BP神經網絡的風電功率預測模型并通過改進LM算法對權值進行修正。本發明能夠有效地對風電功率預測中的數據進行處理，提高模型訓練的精度，并對模型進行優化以得到更加準確的風電功率預測值，提高了短期風電功率預測的精度。

技術領域

本發明屬于風力發電功率預測領域，具體涉及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。

背景技術

隨著新能源產業的不斷發展，風力發電的在整個發電系統中的占比不斷提高，但是由于風力發電具有波動性，間歇性等特點，當風電大規模并網時易對整個電力系統的穩定性產生較大的影響。因此，為了提高電力系統的穩定性與安全性，需要對風力發電的功率進行預測。目前，國內外普遍采用基于數值天氣預報系統，通過獲取某一地區的大量歷史數據后，通過時序預測方法，支持向量機，人工神經網絡等方法對未來一段時間的風電功率進行預測。但是，歷史數據中可能包含大量的錯誤數據或無效數據，這些數據當參與風電功率預測時會對預測模型造成干擾，進而影響預測的精度。

現有的局部異常因子算法，是通過賦予每一個數據點一個異常因子來判斷該數據點的離群值，進而判斷該點是否為異常點。其不足之處在于，該算法需要大量的歷史數據進行判斷，但歷史數據不足時，容易出現將正常數據點當作異常點剔除的情況。

發明內容

針對現有技術存在的不足，本發明的目的是提供一種基于改進局部異常因子算法的短期風電功率預測預測方法。通過對歷史數據進行優化處理并結合BP神經網絡對風電功率進行預測，可有效避免出現當歷史數據過少時出現的將正常數據點剔除的情況，提高了短期風電功率預測的精度。

本發明的目的是這樣實現的：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，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空缺數據進行填補；

步驟4：將填補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。

進一步地，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。

進一步地，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}