技术摘要：
本发明公开了一种基于分位数回归的风电功率概率预测方法，步骤1：针对所有原始风电功率序列si(n)分别进行CEEMDAN分解；步骤2：对CEEMDAN分解后风电序列数据进行归一化处理；步骤3：对模型进行训练，得到未来一段时间各个时刻风电功率在不同分位数下的预测值；步骤4：对  全部
背景技术：
随着风电在电网中比例的提高，风电的随机性、波动性等缺点也被逐步放大，在大 规模发展风电的情况下给电网带来了巨大挑战。提前精确的预测风电功率，可以更好的指 导电网发电、调度等工作，以及针对风电爬坡和其他对电网具有较大威胁的风电事件来做 好预防和消除工作。 目前短期风电功率预测在国内外都已有大量研究，在统计学习模型中风电功率预 测又分为点预测(确定性预测)和区间预测(不确定性预测)，目前点预测的预测方法主要包 含支持向量机、时间序列、神经网络等。 然而确定性预测不能对风电功率不确定性做出定量描述。在含风电的电网规划、 运行和安全稳定分析领域中需要对风电的波动区间有一个较为精确的估计，仅仅得到单个 点的预测值是不够的，不确定性预测都需假设先验分布，而人为的选择分布对结果有很大 影响，找到合适的先验分布比较困难。 因此，有必要设计一种新的风电功率概率预测方法。
技术实现要素：
本发明所要解决的技术问题是提供一种基于分位数回归的风电功率概率预测方 法，此方法可以得到比点预测更多的有用信息，实现了对未来风电功率完整概率分布的预 测。 发明的技术解决方案如下： 一种基于分位数回归的风电功率概率预测方法，包括以下步骤： 步骤1：针对所有原始风电功率序列si(n)分别进行CEEMDAN分解(即自适应白噪声 的完整经验模态分解)； 步骤2：对CEEMDAN分解后风电序列数据进行归一化处理； 以CEEMDAN分解并归一化的风电序列数据作为训练数据； 步骤3：对模型进行训练，得到未来一段时间各个时刻风电功率在不同分位数下的 预测值； 将归一化处理后的数据输入到空洞卷积神经网络分位数回归模型(QRDCC)进行训 练，采用Adam随机梯度下降法在不同分位数条件下对空洞因果卷积神经网络参数进行求 解，得出未来一段时间各个时刻风电功率在不同分位数下的预测值；空洞卷积神经网络分 位数回归模型的核心就是空洞因果卷积神经网络。 Adam随机梯度下降法为现有成熟技术。 步骤4：对每个时刻的预测值采用核密度估计方法得到各个概率密度分布 实现了对未来风电功率完整概率分布的预测。 4 CN 111612262 A 说　明　书 2/7 页 步骤1中： 原始风电序列被分解为： 为第k次求和平均后的模态分量；r(b)为余量。 EMD经验模态分解的具体分解过程为现有技术； 对原始风电功率进行CEEMDAN分解的具体分解方法如下： 1)将所有原始风电功率序列si(n)分别进行EMI)分解，然后将得到的所有模态分 量求和平均得到第一个模态分量 余下唯一余量r1(n)； 其中 2)继续对r (n) εE (vi1 1 1 (n))进行i次分解(ε1表示1个信噪比，Ek(·)表示通过EMD 分解产生第k个imf的算子)，直至得到第一个模态分量 以此为基础计算第二个模态 分量： 3)对后面的每个阶段，k＝2，…，K，重复步骤(2)得到第k个余量信号，再计算第k 1 个模态分量，即： 4)重复执行3)，直至所得到的余量序列不可继续分解，此时余量序列的极值点个 数小于等于2；最终得到的余量序列为： 因此原始风电序列被分解为： 步骤3中，将空洞卷积神经网络分位数回归模型代价函数转化为如下式所示的分 位数回归的目标函数 其中N为样本量，W，b分别为空洞卷积神经网络的权重和偏置集合，Yi为风电功率 实际值，Xi为输入的风电功率样本值，f(Xi，W，b)表示风电功率预测值(即模型的输出值)，分 位数τ∈(0，1)，i|Yi≥f(Xi，W，b)表示第i个响应变量实际值大于等于线性回归估计值； 5 CN 111612262 A 说　明　书 3/7 页 ρτ(u)＝u[τ-I(u＜0)]为分位回归领域的损失函数，I(·)为示性函数；在分位数 回归中，设定超参数，主要是卷积核的大小，实施例中已说明取值大小。 将参数估计看作下式所示的优化问题，其中W，b是空洞卷积神经网络的权重、偏置 集合，并用Adma随机梯度下降法求解该优化问题； 当τ在0到1之间连续取值时，不断优化和调整W和b使上式取得最小值，以此来使模 型学习海量输入数据与不同分位数条件下短期负荷的非线性隐含关系(该隐含关系可以用 f(Xi，W，b)表示)，最后基于学习到的非线性隐含关系得到不同分位数条件下负荷值的最优 估计值 可以 理 解 为 ，空 洞 卷 积 神经 网 络 分 位 数 回 归 模 型 的 最 终 表 达 式 为 其含义为响应变量的条件分位数估计，其中 为带 分位数条件的权重集合， 为偏置集合，就是τ变化时，分别对应的W和b集合。该回归模型 是经历过多次训练后得到的，该模型训练完成后，是体现为不同置信度下的预测区间，以及 对应的预测值。 步骤4中，核密度估计KDE(Kernel  density  estimation)是一种用于概率密度函 数的非参数估计方法；它是在对数据分布函数未知的情况下，是利用一组在同一个观测条 件下的样本数据估计数据整体概率密度分布的非参数估计方法；核密度估计是对直方图的 改进，可以通过选择高斯、epanechnikov等核函数展示出更为真实平滑的概率密度分布，本 方法将QRDCC模型输出的条件分位数估计值作为核密度估计的输入值，其核密度估计如下 式所示 这个公式就是核密度估计公式，得到响应变量Y概率密度分 布； 其中K(·)为核函数，核函数需要满足非负、积分为1的性质；核函数采用高斯核函 数，有： 公式中x为自变量，即在公式 中， h是窗宽，(窗宽通过拇指原则计算，即先通过计算机计算样本标准差，根据标准差 计算窗宽)； N是样本点的数量。 特别的，τ取值0-1，间隔为0.01，学习率0.01，激活函数ReLU(x)＝max(0，x)。 目标函数超过15次不下降则训练完成。 分位数回归方法概率预测方法不需要先验分布假设，也能提供稳定的预测区间， 将其应用在风电功率概率预测中具有独创性。 6 CN 111612262 A 说　明　书 4/7 页 基于以上分析，为了得到更加准确的风电功率预测结果，给出更加准确、范围更小 的预测区间和更加符合风电功率的概率密度分布，将CEEMDAN分解、分位数回归和空洞因果 卷积神经网络相结合，提出一种基于CEEMDAN分解的空洞因果卷积神经网络分位数回归概 率密度预测方法。该方法可以预测未来风电功率区间以及概率分布，给电网运行带来指导 作用。 有益效果： 本发明提供一种基于CEEMDAN分解的空洞因果卷积神经网络分位数回归的风电功 率概率预测方法。该方法首先采用CEEMDAN方法对风电功率序列进行分解，得出各个模态分 量，然后采用Adam随机梯度下降法在不同分位数条件下对空洞因果卷积神经网络参数进行 求解，得出未来一段时间内各个时刻风电功率在不同分位数下的预测值，最后对每个时刻 的预测值采用核密度估计方法得到概率密度分布图，从而得到不同置信度下的预测区间。 此方法可以得到比点预测更多的有用信息，实现了对未来风电功率完整概率分布的预测。 本发明方法主要创新点是将基于空洞因果卷积神经网络分位数回归(QRDCC)的预 测模型与CEEMDAN分解结合，构成CEEMDAN-QRDCC分位数回归的组合预测方法。其中CEEMDAN 分解可以解决非线性和非稳定性原始风电功率数据难以直接精确地进行预测的问题，能够 精确地重构原始风电功率信号，提高预测精度，QRDCC概率预测方法不需要先验分布假设， 可提供稳定的预测区间而且能获得风电概率密度函数，给电网运行带来指导作用。 附图说明 图1为本发明的方法流程图； 图2为QRDCC某个时间点预测概率密度分布估计的示例图； 图3为200个预测点的箱线分布图。 图3为1-50时刻(预测点)箱线图； 图4为51-100时刻(预测点)箱线图； 图5为101-150时刻(预测点)箱线图； 图6为151-200时刻(预测点)箱线图。