CN113572206B 一种风电出力区间预测方法 （大连理工大学）

间序列分析和正态指数平滑实现风电出力影响2采用自回归滑动平均模型对输入影响因素进行时间序列预测，ARMA(p,q)表达式如式形式为ARMA(p,q)；3采用基于迭代期望定律和条件方差定律的高斯近似方法，估计预测模型的期望和方其中b,c为激励函数参数，随机确定取值；则对依据条件方差定律和全方差法则得到风电出力预测模型的方差o:如式(4将式(18)带入式(14)得风电出力预测模型的方差o:如式(19)所示：5核函数方法(NaikJ,SatapathyP,DashPK.Short-termwindspeedandwindpowerpredictionusinghybridempiricalmodedecompositionandkernelridge刘纯,黄越辉,等.基于波动特性的风电出力39(1):208-214)、深度学习(ShahidF,ZameerA,MehmoodA,etal.Anovelwavenetslongshorttermmemoryparadigmforwindpowerprediction[J].(2020).AppliedEnergy,269:115098)以及组合预测法(胡帅,向月,沈晓东,等.计及气象因素和风速空间相董昊.基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测[J].(2021).电力系forthedesignofpredictionintervalsforwindpowerforecastingmodel[J].6D,KhosraviA.Short-TermLoadandWindPowerForecastingUsingNeuralNetwork-BasedPredictionIntervals[J].(2017).IEEETransactionsonNeuralNetworks&[0004]为了提高风电出力预测的精度和可靠性，本发明提出一种风电出力区间预测方导致ELM无法直接计算出输出变量的分布，提出基于迭代期望和条件方差定律的期望和方更窄的平均带宽和更高覆盖率的区间预测结果，可为电力系统调度提供更可靠的指导作[0008](2)通过样本训练确定风电出力影响因素时间序列预测模型，根据训练结果以及[0009](3)将通过时间序列模型预测的风电出力影响因素区间预测结果作为输入加入到7[0015]图4为平缓数据在80％置信度下的不同方法区间预测效果对比图，其中(a)本发[0016]图5为波动数据在80％置信度下的不同方法区间预测效果对比图，其中(a)本发[0017]传统风电出力预测大多针对未来某一时刻风电功率值给出确定性的点预测结[0019]采用自回归滑动平均模型对输入影响因素进行时间序列预测，ARMA(p,q)表达式判定模型形式为ARMA(p,q)；信息量准则来确定ARMA(p,q)模型的阶数p和q；由低到高计算ARMA(p,q)模型，并比较AIC[0026]由ARMA模型预测得到风电出力各影响因素的点估计，叠加误差得到对应区间估89i)的高斯分布：关系数和偏自相关系数确定风速预测模型的形式为ARMA(5,4)，风向预测模型的形式为具有明显的效率优势。如表3所示，在针对具有相对平缓特征和相对波动特征的对比实验