本發(fā)明屬于電力系統(tǒng)預(yù)測(cè)與控制技術(shù)領(lǐng)域，尤其涉及一種基于誤差修正和提升小波組合預(yù)測(cè)模型的風(fēng)電功率預(yù)測(cè)方法。

背景技術(shù)：

隨著風(fēng)電技術(shù)的不斷發(fā)展和風(fēng)電場(chǎng)的規(guī)模不斷增大，為了保證電力系統(tǒng)的穩(wěn)定運(yùn)行和供電可靠性，必須對(duì)風(fēng)電系統(tǒng)進(jìn)行有效的規(guī)劃和調(diào)度。風(fēng)電本身所特有的間歇性和不確定性，增加了電網(wǎng)調(diào)度的難度，增加了電力企業(yè)安排電網(wǎng)發(fā)電機(jī)組的起停和制訂機(jī)組檢修計(jì)劃的難度，所以需要對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)。只有通過(guò)對(duì)風(fēng)電場(chǎng)發(fā)電功率進(jìn)行準(zhǔn)確的預(yù)測(cè)，才可以有效降低風(fēng)力發(fā)電系統(tǒng)的運(yùn)行成本，為電網(wǎng)調(diào)度運(yùn)行提供可靠依據(jù)。

風(fēng)電功率預(yù)測(cè)方法根據(jù)不同的預(yù)測(cè)物理量可分為兩大類(lèi)：(1)先預(yù)測(cè)風(fēng)速，再依據(jù)風(fēng)電機(jī)組或者風(fēng)電場(chǎng)的功率曲線從而獲得風(fēng)電場(chǎng)的輸出功率；(2)直接預(yù)測(cè)風(fēng)場(chǎng)的輸出功率。這里直接選擇輸出功率為預(yù)測(cè)目標(biāo)，該類(lèi)方法可以簡(jiǎn)單的分為兩大類(lèi)。第ⅰ類(lèi)是基于確定性時(shí)序模型的預(yù)測(cè)方法，該類(lèi)方法通過(guò)找出風(fēng)電功率歷史數(shù)據(jù)本身在時(shí)間上的相關(guān)性來(lái)進(jìn)行風(fēng)電功率預(yù)測(cè)，常用方法有：卡爾曼濾波法、時(shí)間序列法(arma)、指數(shù)平滑法等。第ⅱ類(lèi)是基于智能模型的預(yù)測(cè)方法，其實(shí)質(zhì)是根據(jù)人工智能方法提取風(fēng)電功率變化特性，進(jìn)而進(jìn)行風(fēng)電功率預(yù)測(cè)。常用的方法有：人工神經(jīng)網(wǎng)絡(luò)法、小波分析法、最小二乘支持向量機(jī)(lssvm)回歸法和模糊邏輯法等。上述方法都有各自的優(yōu)點(diǎn)，但也有很多局限性。在預(yù)測(cè)的過(guò)程中，不同的預(yù)測(cè)對(duì)象往往具有不同的特點(diǎn)，在選擇預(yù)測(cè)方法時(shí)也是根據(jù)不同的特點(diǎn)選擇最適合的預(yù)測(cè)方法，以提高預(yù)測(cè)精度。當(dāng)預(yù)測(cè)對(duì)象受隨機(jī)性太大，單一的預(yù)測(cè)方法已經(jīng)不能滿(mǎn)足其預(yù)測(cè)精度，這就可以用多種預(yù)測(cè)方法同時(shí)預(yù)測(cè)。

而現(xiàn)有的風(fēng)電功率預(yù)測(cè)誤差分析和補(bǔ)償方法主要分為兩類(lèi)：一類(lèi)是直接通過(guò)模型預(yù)測(cè)獲得下一時(shí)刻誤差預(yù)測(cè)值，進(jìn)而對(duì)誤差進(jìn)行補(bǔ)償和修正；另一類(lèi)是應(yīng)用統(tǒng)計(jì)方法對(duì)某一時(shí)期風(fēng)電功率預(yù)測(cè)誤差的概率密度曲線進(jìn)行模型擬合，根據(jù)誤差概率密度特征對(duì)未來(lái)誤差進(jìn)行估計(jì)。在第1類(lèi)方法中，研究人員通過(guò)模型預(yù)測(cè)對(duì)誤差數(shù)據(jù)時(shí)間及幅值特性進(jìn)行分析。這類(lèi)方法在結(jié)合誤差數(shù)據(jù)特征的基礎(chǔ)上進(jìn)行未來(lái)誤差模型預(yù)測(cè)而得到的結(jié)果精度比較有限，尤其是在誤差產(chǎn)生大幅波動(dòng)的情況下，其分析能力具有較大局限性。在第2類(lèi)方法中，通常情況下風(fēng)電功率預(yù)測(cè)誤差幅值概率密度被假設(shè)為服從正態(tài)分布，這種假設(shè)是根據(jù)大多數(shù)預(yù)測(cè)方法和時(shí)間尺度而得到的。但是在很多情況下，尤其是在風(fēng)電并網(wǎng)容量較大時(shí)，正態(tài)分布并不能很好的描述誤差分布。而現(xiàn)有研究的概率分布模型擬合精度方面存在不足，并且單純通過(guò)概率分布擬合估計(jì)預(yù)測(cè)誤差的效果有限。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于誤差修正和提升小波組合預(yù)測(cè)模型的風(fēng)電功率預(yù)測(cè)方法，運(yùn)用提升小波來(lái)處理歷史數(shù)據(jù)，不僅可以提取數(shù)據(jù)的主要特性，還能達(dá)到消除噪聲的效果，使其適用于各種預(yù)測(cè)算法，而組合預(yù)測(cè)模型算法是根據(jù)數(shù)據(jù)特征來(lái)選取預(yù)測(cè)模型，則可以消除單一預(yù)測(cè)方法的不足。本發(fā)明還對(duì)預(yù)測(cè)誤差進(jìn)行分析來(lái)修正預(yù)測(cè)結(jié)果，消除大的誤差偏差，達(dá)到風(fēng)電功率預(yù)測(cè)結(jié)果更加精確的效果。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于誤差修正和提升小波組合預(yù)測(cè)模型的風(fēng)電功率預(yù)測(cè)方法，具體包括以下步驟：

步驟一，獲取風(fēng)電功率歷史數(shù)據(jù)，對(duì)風(fēng)電功率歷史數(shù)據(jù)進(jìn)行提升小波分解的預(yù)處理，將數(shù)據(jù)信號(hào)分解為高頻部分和低頻部分；

步驟二，根據(jù)高低頻部分信號(hào)的特性分別選擇灰色預(yù)測(cè)模型、差分自回歸滑動(dòng)平均(arima)模型和最小二乘支持向量機(jī)(lssvm)回歸模型中的一個(gè)模型來(lái)建立其對(duì)應(yīng)的預(yù)測(cè)模型；

步驟三，將預(yù)測(cè)模型的預(yù)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)重構(gòu)，得到風(fēng)電功率的預(yù)測(cè)初值；

步驟四，利用風(fēng)電場(chǎng)風(fēng)電功率歷史數(shù)據(jù)的預(yù)測(cè)初值和實(shí)際值得到歷史預(yù)測(cè)誤差值，進(jìn)而得到預(yù)測(cè)誤差概率密度曲線，采用改進(jìn)廣義誤差分布模型對(duì)預(yù)測(cè)誤差概率密度曲線進(jìn)行擬合，得到概率密度擬合模型；

步驟五，利用概率密度擬合模型計(jì)算出在不同置信水平下的風(fēng)電功率預(yù)測(cè)值置信區(qū)間，并對(duì)誤差進(jìn)行分層；

步驟六，根據(jù)歷史預(yù)測(cè)誤差值，采用差分自回歸移動(dòng)平均模型對(duì)歷史數(shù)據(jù)的最后一個(gè)時(shí)刻t的下一個(gè)時(shí)刻t+1的誤差值進(jìn)行預(yù)測(cè)；

步驟七，根據(jù)t+1時(shí)刻的誤差預(yù)測(cè)值及t時(shí)刻的誤差值在誤差層中所處位置，選擇不同的補(bǔ)償力度對(duì)t+1時(shí)刻的誤差值進(jìn)行補(bǔ)償，從而修正t+1時(shí)刻的風(fēng)電功率預(yù)測(cè)初值，得到t+1時(shí)刻的預(yù)測(cè)結(jié)果；

步驟八，獲取最新風(fēng)電功率實(shí)際值，對(duì)誤差和風(fēng)電功率值進(jìn)行滾動(dòng)預(yù)測(cè)。

進(jìn)一步地，所述步驟一中，首先獲取風(fēng)電場(chǎng)風(fēng)電功率的實(shí)際值pactual和預(yù)測(cè)初值pforecast，而實(shí)際值pactual的數(shù)據(jù)序列可用p^a表示，設(shè)k＝1,2,...,n，n表示時(shí)刻；歷史預(yù)測(cè)初值pforecast的數(shù)據(jù)序列可用p^f表示，并設(shè)

再通過(guò)提升小波分解風(fēng)電功率的實(shí)際值數(shù)據(jù)，獲取數(shù)據(jù)特性，使得數(shù)據(jù)更有利于建模預(yù)測(cè)。而提升小波算法通過(guò)構(gòu)造雙正交小波函數(shù)，使用線性、非線性或空間變化的預(yù)測(cè)和更新算子進(jìn)行提升變換，而且確保了變換的可逆性。

所述步驟一中，提升小波分解的預(yù)處理步驟具體如下：

1)分裂：將風(fēng)電功率實(shí)際值p^a分割成相互關(guān)聯(lián)的奇偶兩部分，即(偶部分)和(奇部分)；

其中k＝1,2,...,[n/2]，[n/2]為取n/2的整數(shù)部分；

2)預(yù)測(cè)：用預(yù)測(cè)獲取預(yù)測(cè)值實(shí)際值與預(yù)測(cè)值的差值d1(即高頻部分)反應(yīng)了兩者之間的逼近程度，稱(chēng)為細(xì)節(jié)系數(shù)或小波系數(shù)，對(duì)應(yīng)于元信號(hào)p^a的高頻部分。預(yù)測(cè)過(guò)程為：

式中，預(yù)測(cè)算子p可用預(yù)測(cè)函數(shù)來(lái)表示，函數(shù)可取為中的對(duì)應(yīng)數(shù)據(jù)本身，即：

則

3)更新：經(jīng)過(guò)分裂步驟產(chǎn)生子集的某些整體特征可能與原始數(shù)據(jù)并不一致，為了保持風(fēng)電功率數(shù)據(jù)的這些整體特征，需要一個(gè)更新的過(guò)程。將更新過(guò)程用算子u來(lái)代替，其過(guò)程為：

式中，s1是p^a的低頻部分，更新算子u可以用函數(shù)uk()表示，即：

uk(d1)＝{d1,1/2,d1,2/2,...,d1,k/2}，k＝1,2,...,[n/2](5)

經(jīng)提升小波分解，可將風(fēng)電功率數(shù)據(jù)p^a分解為低頻部分s1和高頻部分d1，對(duì)于低頻數(shù)據(jù)子集s1可以再進(jìn)行相同的分裂、預(yù)測(cè)和更新，把s1進(jìn)一步分解成s2和d2；…；如此下去，經(jīng)過(guò)n次分解后，風(fēng)電功率數(shù)據(jù)p^a的小波表示為{sn,dn,dn-1,…,d1}。其中sn代表了風(fēng)電功率數(shù)據(jù)的低頻部分，而{dn,dn-1,…,d1}則是功率數(shù)據(jù)從低到高的高頻部分系列。

進(jìn)一步地，所述步驟二中，根據(jù)步驟一所得每一個(gè)高頻分量和低頻分量的特性分別選擇灰色預(yù)測(cè)模型、差分自回歸滑動(dòng)平均(arima)模型和最小二乘支持向量機(jī)(lssvm)回歸模型中的一個(gè)模型來(lái)建立其對(duì)應(yīng)的預(yù)測(cè)模型。低頻分量變化較平緩且波動(dòng)小，適合選用灰色預(yù)測(cè)法預(yù)測(cè)。高頻分量代表原始信號(hào)中隨機(jī)性最強(qiáng)的突然波動(dòng)且無(wú)規(guī)律可循，而最小二乘支持向量機(jī)回歸模型具有很強(qiáng)的泛化性，可對(duì)高頻分量進(jìn)行訓(xùn)練預(yù)測(cè)。對(duì)于高頻信號(hào)中的周期序列則可選用arima模型進(jìn)行預(yù)測(cè)。

進(jìn)一步地，所述步驟三中，數(shù)據(jù)重構(gòu)，即提升小波的反變換過(guò)程，可以用替代的方式來(lái)計(jì)算：

merge()即將奇序列和偶序列合并。

進(jìn)一步地，所述步驟四中，首先根據(jù)風(fēng)電場(chǎng)歷史風(fēng)電功率數(shù)據(jù)中的風(fēng)電功率預(yù)測(cè)初值pforecast和實(shí)際值pactual求出預(yù)測(cè)誤差δp，即：

再算出風(fēng)電功率預(yù)測(cè)誤差的標(biāo)幺值x(也是相對(duì)于總裝機(jī)容量的相對(duì)誤差)，即x＝(pforecast-pactual)/pbase＝δp/pbase，其中pbase是樣本數(shù)據(jù)系統(tǒng)所接入的風(fēng)電裝機(jī)總?cè)萘?。再根?jù)每個(gè)預(yù)測(cè)點(diǎn)的誤差標(biāo)幺值的概率密度來(lái)得到其概率密度曲線。

使用改進(jìn)廣義誤差分布模型來(lái)擬合預(yù)測(cè)誤差概率密度曲線，改進(jìn)廣義誤差分布模型概率密度函數(shù)為：

其中v和λ為形狀參數(shù)；γ(·)為伽馬函數(shù)。公式(8)中計(jì)算得到參數(shù)λ決定了曲線總體形狀的平坦與陡峭程度，斜度參數(shù)α剝離了曲線斜度和峰度的關(guān)系使得曲線變化更具有靈活性，位置參數(shù)μ可以使模型具有擬合帶偏度曲線的能力。

該模型的參數(shù)估計(jì)的方法確定：由于本文所研究的概率分布模型大部分為指數(shù)形式，故采用極大似然估計(jì)(mle)法對(duì)模型參數(shù)進(jìn)行估計(jì)。這樣可以通過(guò)最大化對(duì)數(shù)似然值(log-likelihood，ll)，將樣本數(shù)據(jù)與模型參數(shù)的關(guān)系進(jìn)行轉(zhuǎn)變，便于參數(shù)估計(jì)。

進(jìn)一步地，所述步驟五中，在確定誤差概率密度的擬合模型后，根據(jù)分析對(duì)象數(shù)據(jù)特征選取一低一高兩個(gè)不同的置信度水平(如85％和95％)作為分層標(biāo)準(zhǔn)，并根據(jù)預(yù)測(cè)誤差計(jì)算風(fēng)電功率預(yù)測(cè)初值的置信區(qū)間。根據(jù)風(fēng)電功率實(shí)際值處于這兩個(gè)置信區(qū)間中的位置，實(shí)現(xiàn)對(duì)誤差進(jìn)行分層。當(dāng)實(shí)際值處于置信度小的置信區(qū)間內(nèi)時(shí)，說(shuō)明此時(shí)誤差較小，將該誤差層稱(chēng)為小誤差層；當(dāng)實(shí)際值處于置信度大的置信區(qū)間以外時(shí)，說(shuō)明此時(shí)誤差較大，將該層稱(chēng)為大誤差層；當(dāng)實(shí)際值處于兩個(gè)置信區(qū)間臨界值之間時(shí)，誤差處于中等水平，將該層稱(chēng)為中誤差層。由此，可以得到根據(jù)歷史預(yù)測(cè)誤差構(gòu)建的預(yù)測(cè)誤差分層體系。

在大多數(shù)情況下，預(yù)測(cè)誤差概率密度曲線是可以看作對(duì)稱(chēng)的，所以計(jì)算單側(cè)概率密度累積值f可以判斷總體誤差水平。

進(jìn)一步地，所述步驟六中，根據(jù)歷史預(yù)測(cè)誤差值，采用差分自回歸移動(dòng)平均(arima)模型對(duì)歷史數(shù)據(jù)的最后一個(gè)時(shí)刻t的下一個(gè)時(shí)刻t+1的誤差值進(jìn)行預(yù)測(cè)；arima是由三部分組成：自回歸項(xiàng)(ar)、差分項(xiàng)(i)和滑動(dòng)平均模型(ma)，是在自回歸滑動(dòng)平均(arma)模型的基礎(chǔ)上提出來(lái)的。

arma數(shù)學(xué)表達(dá)式如下：

式中，δpt+1是t+1時(shí)刻風(fēng)電功率預(yù)測(cè)誤差值的預(yù)測(cè)值；表示自回歸項(xiàng)ar，為過(guò)去觀測(cè)值的線性組合；aj為常數(shù)，δpt+1-j為t+1-j時(shí)刻的觀測(cè)值；bl為常數(shù)，ht+1-l為白噪聲序列(一個(gè)隨機(jī)序列，期望為0，方差為常數(shù))；表示白噪聲序列的滑動(dòng)平均項(xiàng)ma。

一個(gè)風(fēng)電功率預(yù)測(cè)誤差值時(shí)間序列在某時(shí)刻可以用p個(gè)歷史觀測(cè)值的線性組合加上一個(gè)白噪聲序列的q項(xiàng)滑動(dòng)平均來(lái)表示，則該時(shí)間序列為arma(p,q)過(guò)程。

使用自回歸滑動(dòng)平均模型時(shí)，首先判斷風(fēng)電功率預(yù)測(cè)誤差值序列δp是否為平穩(wěn)序列，若非平穩(wěn)序列，則通常使用差分使之變?yōu)槠椒€(wěn)序列，即arima過(guò)程。之后根據(jù)數(shù)據(jù)的自相關(guān)和偏相關(guān)系數(shù)進(jìn)行模式識(shí)別，再由最小信息準(zhǔn)則(aic)進(jìn)行模型定階。最后由arma模型的表達(dá)公式，即可估計(jì)出模型的參數(shù)值。

進(jìn)一步地，所述步驟七中，由于在t+1刻誤差值的預(yù)測(cè)過(guò)程中，已經(jīng)考慮過(guò)去幾個(gè)時(shí)刻的風(fēng)電功率預(yù)測(cè)歷史誤差值。因而，在進(jìn)行分層補(bǔ)償時(shí)只需要根據(jù)t+1時(shí)刻的誤差預(yù)測(cè)值及t時(shí)刻的誤差值在誤差層中所處位置，選擇不同的補(bǔ)償力度對(duì)t+1時(shí)刻的誤差值進(jìn)行補(bǔ)償。

t+1時(shí)刻誤差預(yù)測(cè)值相對(duì)于t時(shí)刻誤差歷史值可能會(huì)在同側(cè)(正誤差或負(fù)誤差)的同一層之內(nèi)或者在多誤差層之間波動(dòng)。為了防止產(chǎn)生補(bǔ)償方法的誤判，對(duì)誤差預(yù)測(cè)值與誤差歷史值在不同層和不同側(cè)做相應(yīng)的補(bǔ)償辦法。補(bǔ)償情況基于如下：

1、當(dāng)誤差預(yù)測(cè)值在單側(cè)波動(dòng)

當(dāng)t時(shí)刻誤差歷史值δpt和誤差預(yù)測(cè)值δpt+1均處于單側(cè)同一誤差層內(nèi)時(shí)，此時(shí)的誤差波動(dòng)較小，只需要對(duì)誤差預(yù)測(cè)值進(jìn)行等幅反向補(bǔ)償即可。即當(dāng)兩者都處于小誤差層時(shí)，說(shuō)明誤差較小，則不進(jìn)行補(bǔ)償；當(dāng)兩者都處于中誤差層或是大誤差層時(shí)則對(duì)誤差預(yù)測(cè)值進(jìn)行等幅反向補(bǔ)償。

2、誤差預(yù)測(cè)值在層間波動(dòng)

誤差預(yù)測(cè)值可能會(huì)在正負(fù)誤差兩側(cè)各3個(gè)誤差層之間任意波動(dòng)，因此對(duì)于誤差預(yù)測(cè)值的層間波動(dòng)不能僅考慮誤差預(yù)測(cè)值(t+1時(shí)刻)的幅值大小，還應(yīng)該考慮未來(lái)誤差(t+2時(shí)刻)的發(fā)展趨勢(shì)。此時(shí)，本文引入δpt和δpt+1連線斜率作為誤差發(fā)展趨勢(shì)的衡量標(biāo)準(zhǔn)，的定義如下：

式中|ψ1-ψ2|為由擬合模型和置信度水平確定的單側(cè)置信區(qū)間臨界值之差的絕對(duì)值。

當(dāng)δpt和δpt+1均在雙側(cè)的小誤差層中時(shí)，對(duì)風(fēng)電功率預(yù)測(cè)誤差不進(jìn)行補(bǔ)償。當(dāng)δpt+1處于雙側(cè)任一小誤差層而δpt不在小誤差層中時(shí)，雖然誤差仍具有較大的變化趨勢(shì)，但是無(wú)法排除未來(lái)誤差持續(xù)處于小誤差層的情況，因此也不再進(jìn)行補(bǔ)償。除了以上兩種特殊情況外，誤差預(yù)測(cè)值均按照表1中的補(bǔ)償方式和補(bǔ)償幅度進(jìn)行補(bǔ)償。

表1誤差預(yù)測(cè)值處于層間波動(dòng)時(shí)的補(bǔ)償方法

當(dāng)值較大時(shí)，說(shuō)明誤差變化幅度較大。此時(shí)t+2時(shí)刻的超短期風(fēng)電功率預(yù)測(cè)誤差進(jìn)一步增大的可能性較大，因此采用了誤差預(yù)測(cè)值的反向過(guò)補(bǔ)償對(duì)功率預(yù)測(cè)初值進(jìn)行修正，以防出現(xiàn)補(bǔ)償力度不足的情況。過(guò)補(bǔ)償倍數(shù)應(yīng)根據(jù)風(fēng)電功率預(yù)測(cè)誤差的波動(dòng)情況來(lái)確定，并且可以通過(guò)調(diào)節(jié)過(guò)補(bǔ)償倍數(shù)來(lái)對(duì)波動(dòng)較大誤差的補(bǔ)償力度進(jìn)行調(diào)控。由于以上原因，并結(jié)合本研究所用數(shù)據(jù)特點(diǎn)，選取1.5倍過(guò)補(bǔ)償來(lái)進(jìn)行方法的說(shuō)明。通過(guò)以上方法對(duì)誤差進(jìn)行滾動(dòng)分析和補(bǔ)償，實(shí)現(xiàn)對(duì)由預(yù)測(cè)模型得到的風(fēng)電功率預(yù)測(cè)初值的進(jìn)一步修正，從而可以提高超短期風(fēng)電功率預(yù)測(cè)值的精度。

進(jìn)一步地，所述步驟八中，獲取下一時(shí)刻的風(fēng)電功率實(shí)際值，將其和預(yù)測(cè)值一起當(dāng)作新的歷史數(shù)據(jù)，并丟棄歷史數(shù)據(jù)中的第一個(gè)歷史數(shù)據(jù)。則第i+1次滾動(dòng)預(yù)測(cè)所利用的數(shù)據(jù)序列為其中為歷史數(shù)據(jù)，為前i次滾動(dòng)預(yù)測(cè)所得到的預(yù)測(cè)值。

本發(fā)明的有益效果為：

(1)該發(fā)明利用提升小波分解技術(shù)處理風(fēng)電功率歷史數(shù)據(jù)，不僅可以提取功率數(shù)據(jù)序列的主要特性，得到特征更加明顯的各頻率分量，還能達(dá)到消除噪聲的效果，使其更適用于各種預(yù)測(cè)算法。而根據(jù)各高低頻分量的特性來(lái)選擇適應(yīng)的預(yù)測(cè)模型，可以消除單一預(yù)測(cè)方法的不足，并能大大的提高預(yù)測(cè)精度。

(2)該發(fā)明利用誤差分層分析方法來(lái)處理誤差的修正，相對(duì)于直接用預(yù)測(cè)模型來(lái)獲得下一時(shí)刻誤差預(yù)測(cè)值，在誤差產(chǎn)生大幅波動(dòng)情況下，該方法更能精確的分析下一時(shí)刻誤差情況及補(bǔ)償力度，降低在誤差的預(yù)測(cè)過(guò)程中帶來(lái)的誤差，從而降低整體預(yù)測(cè)方法的誤差。

附圖說(shuō)明

圖1為短期風(fēng)電功率組合預(yù)測(cè)方法流程圖；

圖2為風(fēng)電功率序列提升小波分解的流程圖；

具體實(shí)施方式

下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)說(shuō)明。

本發(fā)明提供的一種基于誤差修正和提升小波組合預(yù)測(cè)模型的風(fēng)電功率預(yù)測(cè)方法，具體包括以下步驟：

步驟一，獲取風(fēng)電功率歷史數(shù)據(jù)，對(duì)風(fēng)電功率歷史數(shù)據(jù)進(jìn)行提升小波分解的預(yù)處理，將數(shù)據(jù)信號(hào)分解為高頻部分和低頻部分；

步驟二，根據(jù)高低頻部分信號(hào)的特性分別選擇灰色預(yù)測(cè)模型、差分自回歸滑動(dòng)平均(arima)模型和最小二乘支持向量機(jī)(lssvm)回歸模型中的一個(gè)模型來(lái)建立其對(duì)應(yīng)的預(yù)測(cè)模型；

步驟三，將預(yù)測(cè)模型的預(yù)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)重構(gòu)，得到風(fēng)電功率的預(yù)測(cè)初值；

步驟四，利用風(fēng)電場(chǎng)風(fēng)電功率歷史數(shù)據(jù)的預(yù)測(cè)初值和實(shí)際值得到歷史預(yù)測(cè)誤差值，進(jìn)而得到預(yù)測(cè)誤差概率密度曲線，采用改進(jìn)廣義誤差分布模型對(duì)預(yù)測(cè)誤差概率密度曲線進(jìn)行擬合，得到概率密度擬合模型；

步驟五，利用概率密度擬合模型計(jì)算出在不同置信水平下的風(fēng)電功率預(yù)測(cè)值置信區(qū)間，并對(duì)誤差進(jìn)行分層；

步驟六，根據(jù)歷史預(yù)測(cè)誤差值，采用差分自回歸移動(dòng)平均模型對(duì)歷史數(shù)據(jù)的最后一個(gè)時(shí)刻t的下一個(gè)時(shí)刻t+1的誤差值進(jìn)行預(yù)測(cè)；

步驟七，根據(jù)t+1時(shí)刻的誤差預(yù)測(cè)值及t時(shí)刻的誤差值在誤差層中所處位置，選擇不同的補(bǔ)償力度對(duì)t+1時(shí)刻的誤差值進(jìn)行補(bǔ)償，從而修正t+1時(shí)刻的風(fēng)電功率預(yù)測(cè)初值，得到t+1時(shí)刻的預(yù)測(cè)結(jié)果；

步驟八，獲取最新風(fēng)電功率實(shí)際值，對(duì)誤差和風(fēng)電功率值進(jìn)行滾動(dòng)預(yù)測(cè)。

進(jìn)一步地，所述步驟一中，首先獲取風(fēng)電場(chǎng)風(fēng)電功率的實(shí)際值pactual和預(yù)測(cè)初值pforecast，而實(shí)際值pactual的數(shù)據(jù)序列可用p^a表示，設(shè)k＝1,2,...,n，n表示時(shí)刻；歷史預(yù)測(cè)初值pforecast的數(shù)據(jù)序列可用p^f表示，并設(shè)

再通過(guò)提升小波分解風(fēng)電功率的實(shí)際值數(shù)據(jù)，獲取數(shù)據(jù)特性，使得數(shù)據(jù)更有利于建模預(yù)測(cè)。而提升小波算法通過(guò)構(gòu)造雙正交小波函數(shù)，使用線性、非線性或空間變化的預(yù)測(cè)和更新算子進(jìn)行提升變換，而且確保了變換的可逆性。

所述步驟一中，提升小波分解的預(yù)處理步驟具體如下：

1)分裂：將風(fēng)電功率實(shí)際值p^a分割成相互關(guān)聯(lián)的奇偶兩部分，即(偶部分)和(奇部分)；

其中k＝1,2,...,[n/2]，[n/2]為取n/2的整數(shù)部分；

2)預(yù)測(cè)：用預(yù)測(cè)獲取預(yù)測(cè)值實(shí)際值與預(yù)測(cè)值的差值d1(即高頻部分)反應(yīng)了兩者之間的逼近程度，稱(chēng)為細(xì)節(jié)系數(shù)或小波系數(shù)，對(duì)應(yīng)于元信號(hào)p^a的高頻部分。預(yù)測(cè)過(guò)程為：

式中，預(yù)測(cè)算子p可用預(yù)測(cè)函數(shù)來(lái)表示，函數(shù)可取為中的對(duì)應(yīng)數(shù)據(jù)本身，即：

則

3)更新：經(jīng)過(guò)分裂步驟產(chǎn)生子集的某些整體特征可能與原始數(shù)據(jù)并不一致，為了保持風(fēng)電功率數(shù)據(jù)的這些整體特征，需要一個(gè)更新的過(guò)程。將更新過(guò)程用算子u來(lái)代替，其過(guò)程為：

式中，s1是p^a的低頻部分，更新算子u可以用函數(shù)uk()表示，即：

uk(d1)＝{d1,1/2,d1,2/2,...,d1,k/2}，k＝1,2,...,[n/2](5)

經(jīng)提升小波分解，可將風(fēng)電功率數(shù)據(jù)p^a分解為低頻部分s1和高頻部分d1，對(duì)于低頻數(shù)據(jù)子集s1可以再進(jìn)行相同的分裂、預(yù)測(cè)和更新，把s1進(jìn)一步分解成s2和d2；…；如此下去，經(jīng)過(guò)n次分解后，風(fēng)電功率數(shù)據(jù)p^a的小波表示為{sn,dn,dn-1,…,d1}。其中sn代表了風(fēng)電功率數(shù)據(jù)的低頻部分，而{dn,dn-1,…,d1}則是功率數(shù)據(jù)從低到高的高頻部分系列。

進(jìn)一步地，所述步驟二中，根據(jù)步驟一所得每一個(gè)高頻分量和低頻分量的特性分別選擇灰色預(yù)測(cè)模型、差分自回歸滑動(dòng)平均(arima)模型和最小二乘支持向量機(jī)(lssvm)回歸模型中的一個(gè)模型來(lái)建立其對(duì)應(yīng)的預(yù)測(cè)模型。低頻分量變化較平緩且波動(dòng)小，適合選用灰色預(yù)測(cè)法預(yù)測(cè)。高頻分量代表原始信號(hào)中隨機(jī)性最強(qiáng)的突然波動(dòng)且無(wú)規(guī)律可循，而最小二乘支持向量機(jī)回歸模型具有很強(qiáng)的泛化性，可對(duì)高頻分量進(jìn)行訓(xùn)練預(yù)測(cè)。對(duì)于高頻信號(hào)中的周期序列則可選用arima模型進(jìn)行預(yù)測(cè)。

進(jìn)一步地，所述步驟三中，數(shù)據(jù)重構(gòu)，即提升小波的反變換過(guò)程，可以用替代的方式來(lái)計(jì)算：

merge()即將奇序列和偶序列合并。

進(jìn)一步地，所述步驟四中，首先根據(jù)風(fēng)電場(chǎng)歷史風(fēng)電功率數(shù)據(jù)中的風(fēng)電功率預(yù)測(cè)初值pforecast和實(shí)際值pactual求出預(yù)測(cè)誤差δp，即：

再算出風(fēng)電功率預(yù)測(cè)誤差的標(biāo)幺值x(也是相對(duì)于總裝機(jī)容量的相對(duì)誤差)，即x＝(pforecast-pactual)/pbase＝δp/pbase，其中pbase是樣本數(shù)據(jù)系統(tǒng)所接入的風(fēng)電裝機(jī)總?cè)萘?。再根?jù)每個(gè)預(yù)測(cè)點(diǎn)的誤差標(biāo)幺值的概率密度來(lái)得到其概率密度曲線。

使用改進(jìn)廣義誤差分布模型來(lái)擬合預(yù)測(cè)誤差概率密度曲線，改進(jìn)廣義誤差分布模型概率密度函數(shù)為：

其中v和λ為形狀參數(shù)；γ(·)為伽馬函數(shù)。公式(8)中計(jì)算得到參數(shù)λ決定了曲線總體形狀的平坦與陡峭程度，斜度參數(shù)α剝離了曲線斜度和峰度的關(guān)系使得曲線變化更具有靈活性，位置參數(shù)μ可以使模型具有擬合帶偏度曲線的能力。

該模型的參數(shù)估計(jì)的方法確定：由于本文所研究的概率分布模型大部分為指數(shù)形式，故采用極大似然估計(jì)(mle)法對(duì)模型參數(shù)進(jìn)行估計(jì)。這樣可以通過(guò)最大化對(duì)數(shù)似然值(log-likelihood，ll)，將樣本數(shù)據(jù)與模型參數(shù)的關(guān)系進(jìn)行轉(zhuǎn)變，便于參數(shù)估計(jì)。

進(jìn)一步地，所述步驟五中，在確定誤差概率密度的擬合模型后，根據(jù)分析對(duì)象數(shù)據(jù)特征選取一低一高兩個(gè)不同的置信度水平(如85％和95％)作為分層標(biāo)準(zhǔn)，并根據(jù)預(yù)測(cè)誤差計(jì)算風(fēng)電功率預(yù)測(cè)初值的置信區(qū)間。根據(jù)風(fēng)電功率實(shí)際值處于這兩個(gè)置信區(qū)間中的位置，實(shí)現(xiàn)對(duì)誤差進(jìn)行分層。當(dāng)實(shí)際值處于置信度小的置信區(qū)間內(nèi)時(shí)，說(shuō)明此時(shí)誤差較小，將該誤差層稱(chēng)為小誤差層；當(dāng)實(shí)際值處于置信度大的置信區(qū)間以外時(shí)，說(shuō)明此時(shí)誤差較大，將該層稱(chēng)為大誤差層；當(dāng)實(shí)際值處于兩個(gè)置信區(qū)間臨界值之間時(shí)，誤差處于中等水平，將該層稱(chēng)為中誤差層。由此，可以得到根據(jù)歷史預(yù)測(cè)誤差構(gòu)建的預(yù)測(cè)誤差分層體系。

在大多數(shù)情況下，預(yù)測(cè)誤差概率密度曲線是可以看作對(duì)稱(chēng)的，所以計(jì)算單側(cè)概率密度累積值f可以判斷總體誤差水平。

進(jìn)一步地，所述步驟六中，根據(jù)歷史預(yù)測(cè)誤差值，采用差分自回歸移動(dòng)平均(arima)模型對(duì)歷史數(shù)據(jù)的最后一個(gè)時(shí)刻t的下一個(gè)時(shí)刻t+1的誤差值進(jìn)行預(yù)測(cè)；arima是由三部分組成：自回歸項(xiàng)(ar)、差分項(xiàng)(i)和滑動(dòng)平均模型(ma)，是在自回歸滑動(dòng)平均(arma)模型的基礎(chǔ)上提出來(lái)的。

arma數(shù)學(xué)表達(dá)式如下：

式中，δpt+1是t+1時(shí)刻風(fēng)電功率預(yù)測(cè)誤差值的預(yù)測(cè)值；表示自回歸項(xiàng)ar，為過(guò)去觀測(cè)值的線性組合；aj為常數(shù)，δpt+1-j為t+1-j時(shí)刻的觀測(cè)值；bl為常數(shù)，ht+1-l為白噪聲序列(一個(gè)隨機(jī)序列，期望為0，方差為常數(shù))；表示白噪聲序列的滑動(dòng)平均項(xiàng)ma。

一個(gè)風(fēng)電功率預(yù)測(cè)誤差值時(shí)間序列在某時(shí)刻可以用p個(gè)歷史觀測(cè)值的線性組合加上一個(gè)白噪聲序列的q項(xiàng)滑動(dòng)平均來(lái)表示，則該時(shí)間序列為arma(p,q)過(guò)程。

使用自回歸滑動(dòng)平均模型時(shí)，首先判斷風(fēng)電功率預(yù)測(cè)誤差值序列δp是否為平穩(wěn)序列，若非平穩(wěn)序列，則通常使用差分使之變?yōu)槠椒€(wěn)序列，即arima過(guò)程。之后根據(jù)數(shù)據(jù)的自相關(guān)和偏相關(guān)系數(shù)進(jìn)行模式識(shí)別，再由最小信息準(zhǔn)則(aic)進(jìn)行模型定階。最后由arma模型的表達(dá)公式，即可估計(jì)出模型的參數(shù)值。

進(jìn)一步地，所述步驟七中，由于在t+1刻誤差值的預(yù)測(cè)過(guò)程中，已經(jīng)考慮過(guò)去幾個(gè)時(shí)刻的風(fēng)電功率預(yù)測(cè)歷史誤差值。因而，在進(jìn)行分層補(bǔ)償時(shí)只需要根據(jù)t+1時(shí)刻的誤差預(yù)測(cè)值及t時(shí)刻的誤差值在誤差層中所處位置，選擇不同的補(bǔ)償力度對(duì)t+1時(shí)刻的誤差值進(jìn)行補(bǔ)償。

t+1時(shí)刻誤差預(yù)測(cè)值相對(duì)于t時(shí)刻誤差歷史值可能會(huì)在同側(cè)(正誤差或負(fù)誤差)的同一層之內(nèi)或者在多誤差層之間波動(dòng)。為了防止產(chǎn)生補(bǔ)償方法的誤判，對(duì)誤差預(yù)測(cè)值與誤差歷史值在不同層和不同側(cè)做相應(yīng)的補(bǔ)償辦法。補(bǔ)償情況基于如下：

1、當(dāng)誤差預(yù)測(cè)值在單側(cè)波動(dòng)

當(dāng)t時(shí)刻誤差歷史值δpt和誤差預(yù)測(cè)值δpt+1均處于單側(cè)同一誤差層內(nèi)時(shí)，此時(shí)的誤差波動(dòng)較小，只需要對(duì)誤差預(yù)測(cè)值進(jìn)行等幅反向補(bǔ)償即可。即當(dāng)兩者都處于小誤差層時(shí)，說(shuō)明誤差較小，則不進(jìn)行補(bǔ)償；當(dāng)兩者都處于中誤差層或是大誤差層時(shí)則對(duì)誤差預(yù)測(cè)值進(jìn)行等幅反向補(bǔ)償。

2、誤差預(yù)測(cè)值在層間波動(dòng)

誤差預(yù)測(cè)值可能會(huì)在正負(fù)誤差兩側(cè)各3個(gè)誤差層之間任意波動(dòng)，因此對(duì)于誤差預(yù)測(cè)值的層間波動(dòng)不能僅考慮誤差預(yù)測(cè)值(t+1時(shí)刻)的幅值大小，還應(yīng)該考慮未來(lái)誤差(t+2時(shí)刻)的發(fā)展趨勢(shì)。此時(shí)，本文引入δpt和δpt+1連線斜率作為誤差發(fā)展趨勢(shì)的衡量標(biāo)準(zhǔn)，的定義如下：

式中|ψ1-ψ2|為由擬合模型和置信度水平確定的單側(cè)置信區(qū)間臨界值之差的絕對(duì)值。

當(dāng)δpt和δpt+1均在雙側(cè)的小誤差層中時(shí)，對(duì)風(fēng)電功率預(yù)測(cè)誤差不進(jìn)行補(bǔ)償。當(dāng)δpt+1處于雙側(cè)任一小誤差層而δpt不在小誤差層中時(shí)，雖然誤差仍具有較大的變化趨勢(shì)，但是無(wú)法排除未來(lái)誤差持續(xù)處于小誤差層的情況，因此也不再進(jìn)行補(bǔ)償。除了以上兩種特殊情況外，誤差預(yù)測(cè)值均按照表1中的補(bǔ)償方式和補(bǔ)償幅度進(jìn)行補(bǔ)償。

表1誤差預(yù)測(cè)值處于層間波動(dòng)時(shí)的補(bǔ)償方法

當(dāng)值較大時(shí)，說(shuō)明誤差變化幅度較大。此時(shí)t+2時(shí)刻的超短期風(fēng)電功率預(yù)測(cè)誤差進(jìn)一步增大的可能性較大，因此采用了誤差預(yù)測(cè)值的反向過(guò)補(bǔ)償對(duì)功率預(yù)測(cè)初值進(jìn)行修正，以防出現(xiàn)補(bǔ)償力度不足的情況。過(guò)補(bǔ)償倍數(shù)應(yīng)根據(jù)風(fēng)電功率預(yù)測(cè)誤差的波動(dòng)情況來(lái)確定，并且可以通過(guò)調(diào)節(jié)過(guò)補(bǔ)償倍數(shù)來(lái)對(duì)波動(dòng)較大誤差的補(bǔ)償力度進(jìn)行調(diào)控。由于以上原因，并結(jié)合本研究所用數(shù)據(jù)特點(diǎn)，選取1.5倍過(guò)補(bǔ)償來(lái)進(jìn)行方法的說(shuō)明。通過(guò)以上方法對(duì)誤差進(jìn)行滾動(dòng)分析和補(bǔ)償，實(shí)現(xiàn)對(duì)由預(yù)測(cè)模型得到的風(fēng)電功率預(yù)測(cè)初值的進(jìn)一步修正，從而可以提高超短期風(fēng)電功率預(yù)測(cè)值的精度。

進(jìn)一步地，所述步驟八中，獲取下一時(shí)刻的風(fēng)電功率實(shí)際值，將其和預(yù)測(cè)值一起當(dāng)作新的歷史數(shù)據(jù)，并丟棄歷史數(shù)據(jù)中的第一個(gè)歷史數(shù)據(jù)。則第i+1次滾動(dòng)預(yù)測(cè)所利用的數(shù)據(jù)序列為其中為歷史數(shù)據(jù)，為前i次滾動(dòng)預(yù)測(cè)所得到的預(yù)測(cè)值。

實(shí)施例：選用某風(fēng)電場(chǎng)5天的風(fēng)電功率數(shù)據(jù)作為樣本，利用第6天的風(fēng)電功率數(shù)據(jù)進(jìn)行虛擬預(yù)測(cè)對(duì)比分析，風(fēng)功率數(shù)據(jù)的時(shí)間分辨率是每15分鐘一個(gè)采樣數(shù)據(jù)點(diǎn)(一天96點(diǎn))。對(duì)風(fēng)電場(chǎng)功率序列進(jìn)行基于提升小波的組合模型預(yù)測(cè)及誤差修正，如圖1所示，包括以下步驟：

步驟(1)：獲取風(fēng)電功率歷史數(shù)據(jù)序列：將選取以上的采樣數(shù)據(jù)點(diǎn)，獲得歷史風(fēng)電功率序列其中為訓(xùn)練數(shù)據(jù)，為測(cè)試數(shù)據(jù)。

步驟(2)：利用提升小波分解歷史風(fēng)電功率序列得到歷史風(fēng)電功率序列的低頻分量和高頻分量。

根據(jù)仿真實(shí)驗(yàn)，對(duì)歷史風(fēng)電功率序列進(jìn)行三層提升小波的分解比較適合預(yù)測(cè)方法的訓(xùn)練和預(yù)測(cè)。所得到的頻率分量為{sn,dn,dn-1,…,d1}，其中sn代表了風(fēng)電功率數(shù)據(jù)的低頻部分，而{dn,dn-1,…,d1}則是功率數(shù)據(jù)從低到高的高頻部分系列。歷史風(fēng)電功率時(shí)間序列的提升小波分解如圖2所示。

步驟(3)：對(duì)每一個(gè)頻率分量進(jìn)行分析，并分別選取相適應(yīng)的預(yù)測(cè)模型分別對(duì)風(fēng)電功率序列每一個(gè)高低頻分量進(jìn)行預(yù)測(cè)：低頻分量變化較平緩且波動(dòng)小，適合選用灰色預(yù)測(cè)法預(yù)測(cè)。高頻分量代表原始信號(hào)中隨機(jī)性最強(qiáng)的突然波動(dòng)且無(wú)規(guī)律可循，而最小二乘支持向量機(jī)具有很強(qiáng)的泛化性，可對(duì)高頻分量進(jìn)行訓(xùn)練預(yù)測(cè)。對(duì)于高頻信號(hào)中的周期序列則可選用arima模型進(jìn)行預(yù)測(cè)。

步驟(4)：進(jìn)行提升小波逆運(yùn)算即數(shù)據(jù)重構(gòu)得到下一時(shí)刻的風(fēng)電功率預(yù)測(cè)初值

步驟(5)：通過(guò)對(duì)歷史風(fēng)電功率實(shí)際值的前480個(gè)數(shù)據(jù)的預(yù)測(cè)，按照步驟(3)和步驟(4)獲得480個(gè)歷史風(fēng)電功率的預(yù)測(cè)初值，并根據(jù)這480個(gè)歷史風(fēng)電功率的實(shí)際值和預(yù)測(cè)初值求出預(yù)測(cè)誤差序列δp，δp＝{δp1,δp2,...,δpt},t＝480；

且根據(jù)預(yù)測(cè)誤差算出預(yù)測(cè)誤差的標(biāo)幺值x，且x＝δp/pbase，其中pbase是樣本數(shù)據(jù)系統(tǒng)所接入的風(fēng)電裝機(jī)總?cè)萘俊２⒏鶕?jù)每個(gè)預(yù)測(cè)點(diǎn)的誤差標(biāo)幺值的概率密度來(lái)得到其概率密度曲線。

步驟(6)：使用改進(jìn)廣義誤差分布模型來(lái)擬合預(yù)測(cè)誤差概率密度曲線。改進(jìn)廣義誤差分布模型概率密度函數(shù)為：

其中v和λ為形狀參數(shù)；γ(·)為伽馬函數(shù)。

步驟(7)：利用概率密度擬合模型計(jì)算出在不同置信水平下的風(fēng)電功率預(yù)測(cè)初值置信區(qū)間，并利用風(fēng)電功率預(yù)測(cè)初值置信區(qū)間與實(shí)際值之間的關(guān)系來(lái)對(duì)誤差進(jìn)行分層；置信度水平參考值如表2所示。

表2置信度水平參考值

根據(jù)樣本數(shù)據(jù)預(yù)測(cè)誤差水平，本例選取95％和80％置信度水平作為分層依據(jù)，利用改進(jìn)誤差分布模型進(jìn)行計(jì)算，可得95％置信度水平所對(duì)應(yīng)的風(fēng)電功率預(yù)測(cè)誤差標(biāo)幺值的絕對(duì)值及其對(duì)應(yīng)誤差區(qū)間，和80％置信度水平所對(duì)應(yīng)的風(fēng)電功率預(yù)測(cè)誤差標(biāo)幺值的絕對(duì)值及其對(duì)應(yīng)誤差區(qū)間。根據(jù)風(fēng)電功率誤差標(biāo)幺值所對(duì)應(yīng)的功率預(yù)測(cè)初值及誤差區(qū)間，可得出風(fēng)電功率預(yù)測(cè)初值在一定置信水平的置信區(qū)間。再根據(jù)風(fēng)電功率誤差標(biāo)幺值所對(duì)應(yīng)的功率實(shí)際值，依照步驟五中描述的誤差分層方法實(shí)現(xiàn)對(duì)誤差的分層，依次分為大誤差層、中誤差層和小誤差層。

步驟(8)：選取步驟(5)中所獲取的歷史預(yù)測(cè)誤差序列δp，利用arima模型對(duì)其預(yù)測(cè)獲得t+1時(shí)刻誤差預(yù)測(cè)值δpt+1，即第6天的第一個(gè)時(shí)間點(diǎn)的風(fēng)電功率預(yù)測(cè)誤差的初步預(yù)測(cè)值。

步驟(9)：根據(jù)風(fēng)電功率預(yù)測(cè)誤差歷史值的最后一個(gè)數(shù)據(jù)δpt和步驟(8)所得的t+1時(shí)刻風(fēng)電功率預(yù)測(cè)的誤差預(yù)測(cè)值δpt+1在誤差層級(jí)之間所處位置的情況對(duì)誤差預(yù)測(cè)值δpt+1進(jìn)行補(bǔ)償。具體補(bǔ)償按照步驟七中所述的情況進(jìn)行對(duì)應(yīng)補(bǔ)償。

步驟(10)：將步驟(9)中所得的補(bǔ)償后的誤差對(duì)步驟(4)中所得的下一時(shí)刻風(fēng)電功率預(yù)測(cè)值進(jìn)行修正，則可得到修正后的風(fēng)電功率預(yù)測(cè)值

步驟(11)：依照步驟八所述，獲得下一時(shí)刻風(fēng)電功率的實(shí)際值，按上述步驟及步驟八的方法進(jìn)行滾動(dòng)預(yù)測(cè)，獲得第6天的96個(gè)預(yù)測(cè)點(diǎn)的風(fēng)電功率預(yù)測(cè)值，并與歷史實(shí)際值中第6天的數(shù)據(jù)進(jìn)行對(duì)比，可得到預(yù)測(cè)方法的預(yù)測(cè)精度。

最后應(yīng)當(dāng)說(shuō)的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非對(duì)其限制，盡管參照上述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說(shuō)明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：依然可以對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行修改或者等同替換，而未脫離本發(fā)明精神和范圍的任何修改或者等同替換，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。