(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211045066.3 (22)申请日 2022.08.30 (71)申请人 东北电力大 学 地址 132012 吉林省吉林市船 营区长春路 169号 (72)发明人 杨茂　王达　于欣楠　 (74)专利代理 机构 吉林市达利专利事务所 22102 专利代理师 陈传林 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06F 30/27(2020.01) G06F 113/04(2020.01) G06F 119/06(2020.01) (54)发明名称 一种风电功率预测误差分解方法 (57)摘要 本发明涉及风电技术领域， 是一种风电功率 预测误差分解方法， 其特点是： 包括风电功率预 测误差分解、 基于卡尔曼滤波的数据处理、 基于 BAS优化算法的模型参数优 化、 仿真计算等步骤。 与现有的仅考虑误差分布特性的误差分析方法 相比， 本发明能够分解预测的各环节误差， 并分 析各环节的预测误差如何改进， 具有物理意义清 晰， 可解释性强等优点。 权利要求书3页 说明书8页 附图2页 CN 115423175 A 2022.12.02 CN 115423175 A 1.一种风电功率预测误差分解方法， 其特 征在于： 它包括以下步骤： 1)风电功率预测误差分解： 设风电功率序列为x(t)， 对该序列进行去噪处 理得到d(t)， 则该功率序列表示 为： x(t)＝d(t)+φ                           (1) 式中， d(t)表示风电功率序列的本征分量， φ表示观测导致的噪声误差， t代表所属时 间； 考虑功率序列的h步预测关系为： d(t) →d(t+h)， x(t) →x(t+h)， 构建预测器f()， 使得： d(t+h)＝f(d(t) )                         (2) x(t+h)＝f(t)                           (3) 式中， f()表示理想的反 映历史时段功率序列与预测时段实际功率间的最真实本征映 射关系， 采用神经网络拟合得到的预测器fw()去逼近f()， 使得： dw(t+h)＝fw(w,d(t))                       (4) xw(t+h)＝fw(w,x(t))                        (5) 式中， fw为某一个神经 网络预测器； w为神经 网络的可调连接权值； dw为去噪后的功率序 列通过神经网络预测后的预测值； xw未去噪的功率序列通过神经网络预测后的预测值； 当功率序列本身包含噪声时， 使得功率序列在某些时段表现出与实际特征完全不符的 规律， 因此预测器构建过程和实际预测过程都会受到噪声的影响， 使得实际预测过程的误 差变得难以分析； 为了准确分析 预测误差的来源与构成机理， 从以下三个方向对预测误差进行描述： ①将含噪功率序列和去噪功率序列的本征映射的差值定义 为观测误差 El： El＝x(t+h) ‑d(t+h)＝f(x(t) )‑f(d(t))                (6) ②将去噪功率序列的本征映射与神经网络拟合映射的差值定义 为预测器误差 Eb： Eb＝d(t+h) ‑dw(t+h)＝f(d(t) )‑fw(w,d(t))              (7) ③将含噪功率序列与去噪功率序列通过神经网络拟合映射的差值定义为输入扰动误 差En： En＝dw(t+h)‑xw(t+h)＝fw(w,d(t))‑fw(w,x(t))            (8) 因此， 通过预测器误差、 输入扰动误差以及观察误差能够得到含噪功率序列的实 际预 测误差Ep： Ep＝Eb+En+El＝f(x(t) )‑fw(w,x(t))                (9) 当时间序列包 含噪声时， 实际预测误差 Ep的上下界与Eb、 En和El都相关； 其中， 由于预测的目标是令预测器所拟合的映射尽可能地逼近本征映射， 而神经网络 通常采用梯度下降训练方法， 使得平稳 的数据在模型训练中会获得更大 的权重， 因此对于 平稳的数据， 通过神经网络拟合所得到的映射关系fw能够更加逼近实际的物理映射f， 说明 输入的变换不仅会对最终的实际误差Ep产生影响， 同时也会对预测器 误差Eb产生影响； 输入 扰动误差En的大小本质上体现的是系统初始状态敏感性如何作用于实际预测误差； 而观测 误差El取决于数据采样设备的采样精确度， 无法通过 预测环节对其进行控制； 2)基于卡尔曼 滤波的数据处 理： 卡尔曼滤波算法的估计以最小二乘法为基础， 首先获得先验估计值， 然后结合当前时 刻的测量值， 在卡尔曼增益的作用下， 对当前时刻的状态进 行最优的估计， 满足最小均方误权　利　要　求　书 1/3 页 2 CN 115423175 A 2差， 其状态方程是利用线性随机差分方程和上一个系统状态估计当前系统状态， 如公式 (10)所示： xk＝Axk‑1+Buk‑1+ω                      (10) 式中， xk表示要估计的状态， xk‑1代表上一时刻的状态， A表示上一状态到当前状态的转 换矩阵； uk‑1表示上一时刻状态的控制输入； B表 示控制输入到当前状态的转换矩阵； ω表 示 过程噪声； 使用时忽略上一时刻的控制输入uk‑1， 则： xk＝Axk‑1+ω                         (11) 再对于当前状态的测量方程， 则： zk＝Hxk+v                          (12) 式中， zk表示当前状态对应的测量值； H表示当前状态到测量的转换矩阵； v表示测量噪 声； 为了分析输入扰动误差En对于预测总误差Ep的影响， 采用卡尔曼滤波算法对原始含噪 时间序列进 行滤波处理， 去除其中的噪声误差后， 再通过预测模型进 行预测对比分析， 从而 解析输入预测模型的时间序列含噪情况对于预测误差的影响； 3)基于BAS优化 算法的模型参数优化： 采用天牛须搜索算法求解多维模型优化问题， 天牛个体由质心、 左须及右须3个点来代 表， 其具体寻优流 程为： ①创建天牛 须朝向的随机向量且做归一 化处理： 式中， rands为随机函数； c表示空间维度； ②创建天牛左右须空间坐标： 式中， xrt表示在第t次迭代时该天牛右须的位置坐标； xlt表示在第t次迭代时该天牛左 须的位置坐标； 表示在第t次迭代时该天牛的质心坐标； d0表 示左右两须之间的距离； ③根据适应度函数来确定 该天牛左右须的气味强度， 即f(xrt)和f(xlt)的强度， f函数为 适应度函数； ④迭代更新天牛的位置： 式中， δt表示在第t次迭代 时的步长； f(xrt)和f(xlt)分别代表第s次迭代时该天牛左右 须气味强度； sign符号函数； 若右须的适应度大于左须， sign取1， 天牛往右须方向以步长δt 移动， 反之， 往左须 方向移动； 为了分析预测器误差Eb对于预测总误差Ep的影响， 采用BAS优化算法对预测模型的内部权　利　要　求　书 2/3 页 3 CN 115423175 A 3