技術(shù)特征：

1.一種用于風(fēng)電系統(tǒng)輸出功率的短期預(yù)測(cè)方法，其特征在于包括以下步驟：

(1)采集風(fēng)場(chǎng)中的歷史功率數(shù)據(jù)作為初始數(shù)據(jù)，數(shù)據(jù)容量不小于4，采集時(shí)間間隔大于1小時(shí)；

(2)將該組數(shù)據(jù)進(jìn)行計(jì)算，得出下一時(shí)刻的風(fēng)場(chǎng)功率預(yù)測(cè)值：

設(shè)初始數(shù)據(jù)X⁽⁰⁾為非負(fù)序列，

其中，x⁽⁰⁾(k)≥0，其中k＝1,2,…,n，

X⁽¹⁾為X⁽⁰⁾的累加序列，則X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))，

其中，其中k＝1,2,…,n；

設(shè)Z⁽¹⁾為X⁽¹⁾的緊鄰均值序列，則Z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),…,z⁽¹⁾(n))，

其中，z⁽¹⁾(k)＝λx⁽¹⁾(k)+(1-λ)x⁽¹⁾(k-1)(k＝1,2,…,n)，λ∈[0,1]；

(3)采用粒子群算法優(yōu)化參數(shù)λ，具體優(yōu)化流程如下：

Step1：初始化粒子的位置與速度，具體參數(shù)為：粒子的數(shù)量取在25-300，粒子的最大速度取為v^max＝1，最大速度取為v^min＝-1，粒子的位置范圍x∈[0,1]，迭代次數(shù)k_max為200，c₁＝c₂＝2，ω_max＝0.9，ω_min＝0.4；

Step2：根據(jù)粒子的初始位置計(jì)算各粒子所對(duì)應(yīng)的適應(yīng)度值：

$fitness={\mathrm{\α}}_{range}({\hat{x}}_{\max }^{\left(0\right)}-{\hat{x}}_{\min }^{\left(0\right)})+{\mathrm{\α}}_{diff}{\left({\hat{x}}^{\left(0\right)}\right(k)-x^{\left(0\right)}(k\left)\right)}^2+{\mathrm{\α}}_{curv}\left({\hat{x}}^{\left(0\right)}\right(k-2)-2{\hat{x}}^{\left(0\right)}(k-1)+{\hat{x}}^{\left(0\right)}(k\left)\right)$

其中，α_range，α_diff和α_curv分別表示懲罰參數(shù)，協(xié)調(diào)參數(shù)和彎曲參數(shù)；

Step3：選取最小的適應(yīng)度值，則將該適應(yīng)度值稱為局部最優(yōu)解pbest；

Step4：更新粒子的速度與位置：

$v_{id}^{(k+1)}=\mathrm{\ω}\·v_{id}^{\left(k\right)}+c_1\×rand\×({\mathrm{pbest}}_{id}-x_{id}^{\left(k\right)})+c_2\×rand\×({\mathrm{gbest}}_{id}-x_{id}^{\left(k\right)});$

$x_{id}^{(k+1)}=x_{id}^{\left(k\right)}+v_{id}^{(k+1)};$

$\mathrm{\ω}\left(k\right)={\mathrm{\ω}}_{min}\×{({\mathrm{\ω}}_{max}/{\mathrm{\ω}}_{min})}^{(1/(1+10k/k_{max}\left)\right)};$

如果則如果則如果則如果則

Step5：更新各粒子所對(duì)應(yīng)的適應(yīng)度值，選取最小的適應(yīng)度值，則將該適應(yīng)度值稱為局部最優(yōu)解pbest；

Step6：若未達(dá)到最大迭代次數(shù)k_max，則返回Step4；

Step7：選取不同迭代次數(shù)的局部最優(yōu)解的最小值，稱之為全局最優(yōu)解gbest；

全局最優(yōu)解所對(duì)應(yīng)的λ即為最優(yōu)值；

(4)將所得到的非負(fù)序列X⁽⁰⁾和緊鄰均值序列Z⁽¹⁾寫成如下矩陣形式：

$\begin{array}{cc}Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ \·\\ \·\\ \·\\ x^{\left(0\right)}\left(n\right)\end{array}\right]& B=\left[\begin{array}{ccc}-z^{\left(1\right)}\left(2\right)& 2& 1\\ -z^{\left(1\right)}\left(3\right)& 3& 1\\ \·& \·& \·\\ \·& \·& \·\\ \·& \·& \·\\ -z^{\left(1\right)}\left(n\right)& n& 1\end{array}\right]\end{array}$

通過公式計(jì)算得出估計(jì)參數(shù)列

提取該參數(shù)列的數(shù)據(jù)，得出估計(jì)值的白化方程：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1)+a((1-λ)x⁽¹⁾(k-1)+λx⁽¹⁾(k))＝kb+c

通過求解該方程，可以得到累加序列的估計(jì)值為：

$\begin{array}{c}{\hat{x}}^{\left(1\right)}(k+1)=x^{\left(0\right)}\left(1\right){\left(\frac{1-(1-{\mathrm{\λ}}_1)a}{1+{\mathrm{\λ}}_{1}a}\right)}^k+(\frac{2\×2b}{1+{\mathrm{\λ}}_{2}a}+\frac{{\mathrm{\λ}}_{2}b-c}{1+{\mathrm{\λ}}_{2}a}){\left(\frac{1-(1-{\mathrm{\λ}}_2)a}{1+{\mathrm{\λ}}_{2}a}\right)}^{k-1}+...+(\frac{t\×2b}{1+{\mathrm{\λ}}_{t}a}+\frac{{\mathrm{\λ}}_{t}b-c}{1+{\mathrm{\λ}}_{t}a})\left(\frac{1-(1-{\mathrm{\λ}}_t)a}{1+{\mathrm{\λ}}_{t}a}\right)\\ =x^{\left(0\right)}\left(1\right){\left(\frac{1-(1-{\mathrm{\λ}}_1)a}{1+{\mathrm{\λ}}_{1}a}\right)}^k+\underset{i=0}{\overset{k-1}{\mathrm{\Σ}}}\[(k-1-i)\frac{b}{1+{\mathrm{\λ}}_{i}a}+\frac{{\mathrm{\λ}}_{i}b-c}{1+{\mathrm{\λ}}_{i}a}\]{\left(\frac{1-(1-{\mathrm{\λ}}_i)a}{1+{\mathrm{\λ}}_{i}a}\right)}^i\end{array}$

則t+1時(shí)刻風(fēng)場(chǎng)功率預(yù)測(cè)的還原值為：

$\begin{array}{c}{\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right)\\ =\[x^{\left(0\right)}\left(1\right)\left(\frac{-a}{1+{\mathrm{\λ}}_{1}a}\right)+\frac{2b+c}{1+{\mathrm{\λ}}_{1}a}\]{\left(\frac{1-(1-{\mathrm{\λ}}_1)a}{1+{\mathrm{\λ}}_{1}a}\right)}^k+\underset{g=0}{\overset{k-2}{\Σ}}\frac{b}{1+{\mathrm{\λ}}_{g}a}{\left(\frac{1-(1-{\mathrm{\λ}}_g)a}{1+{\mathrm{\λ}}_{g}a}\right)}^g\end{array}$

采集t+1時(shí)刻的風(fēng)場(chǎng)功率實(shí)際值組成一組初始序列：

X⁽⁰⁾＝(x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(k+1))，

與該段時(shí)刻的預(yù)測(cè)值相減得到該時(shí)刻預(yù)測(cè)值與實(shí)際值的殘差序列，ε⁽⁰⁾＝(ε⁽⁰⁾(2),ε⁽⁰⁾(3),…,ε⁽⁰⁾(k))，將該序列按照上述方法求解得出在t+1時(shí)刻的殘差估計(jì)值其表達(dá)式為：

$\begin{array}{c}{\widehat{\mathrm{\ϵ}}}^{\left(0\right)}(k+1)={\widehat{\mathrm{\ϵ}}}^{\left(1\right)}(k+1)-{\widehat{\mathrm{\ϵ}}}^{\left(1\right)}\left(k\right)\\ \≈a_{\mathrm{\ϵ}}\[{\mathrm{\ϵ}}^{\left(0\right)}\left(k_0\right)\left(\frac{-a_{\mathrm{\ϵ}}}{1+a_1{a}_{\mathrm{\ϵ}}}\right)+\frac{2b_{\mathrm{\ϵ}}+c_{\mathrm{\ϵ}}}{1+a_1{a}_{\mathrm{\ϵ}}}\]{\left(\frac{1-(1-{\mathrm{\α}}_2)a_{\mathrm{\ϵ}}}{1+a_2{a}_{\mathrm{\ϵ}}}\right)}^{k-k_0-1}\end{array}$

其中，k₀為常數(shù)4；

將該時(shí)刻的預(yù)測(cè)值與參加相加，得出在該時(shí)刻的風(fēng)場(chǎng)功率的預(yù)測(cè)值；其公式為：

${\hat{X}}^{\left(0\right)}(k+1)=\left\{\begin{array}{c}\[x^{\left(0\right)}\left(1\right)\left(\frac{-a}{1+{\mathrm{\λ}}_{1}a}\right)+\frac{2b+c}{1+{\mathrm{\λ}}_{1}a}){\left(\frac{1-(1-{\mathrm{\λ}}_1)a}{1+{\mathrm{\λ}}_{1}a}\right)}^k+\underset{g=0}{\overset{k-1}{\mathrm{\Σ}}}\frac{b}{1+{\mathrm{\λ}}_{g}a}{\left(\frac{1-(1-{\mathrm{\λ}}_g)a}{1+{\mathrm{\λ}}_{g}a}\right)}^g,k\≤k_0\\ \[x^{\left(0\right)}\left(1\right)\left(\frac{-a}{1+{\mathrm{\λ}}_{1}a}\right)+\frac{2b+c}{1+{\mathrm{\λ}}_{1}a}){\left(\frac{1-(1-{\mathrm{\λ}}_1)a}{1+{\mathrm{\λ}}_{1}a}\right)}^k+\underset{g=0}{\overset{k-1}{\mathrm{\Σ}}}\frac{b}{1+{\mathrm{\λ}}_{g}a}{\left(\frac{1-(1-{\mathrm{\λ}}_g)a}{1+{\mathrm{\λ}}_{g}a}\right)}^g\\ \±a_{\mathrm{\ϵ}}\[{\mathrm{\ϵ}}^{\left(0\right)}\left(k_0\right)\left(\frac{-a_{\mathrm{\ϵ}}}{1+a_1{a}_{\mathrm{\ϵ}}}\right)+\frac{2b_{\mathrm{\ϵ}}+c_{\mathrm{\ϵ}}}{1+a_1{a}_{\mathrm{\ϵ}}}\]{\left(\frac{1-(1-{\mathrm{\α}}_2)a_{\mathrm{\ϵ}}}{1+a_2{a}_{\mathrm{\ϵ}}}\right)}^{k-k_0},k\>k_0\end{array}\right..$

2.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于，采用可變結(jié)構(gòu)的最小二乘模型作為主要預(yù)測(cè)模型，使其不僅可以應(yīng)用于齊次或非齊次的數(shù)據(jù)處理，也可應(yīng)用于線性自回歸模型，增強(qiáng)了該方法的自適應(yīng)能力，有助于提高預(yù)測(cè)精度。

3.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于，步驟(2)中粒子群算法的初始化參數(shù)將粒子的數(shù)量取為50。

4.根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于，α_range＝0.001，α_diff＝1和α_curv＝0.01。