一种超短期风电功率组合预测方法及系统

1.本发明涉及风电功率预测领域，特别是涉及一种超短期风电功率组合预测方法及系统。


背景技术：

2.风电作为可再生能源重要组成部分，在中国迅速发展的同时，其能源自然属性固有的随机性和间歇性也为保障电力系统的稳定与可靠带来巨大挑战。准确可靠的风电功率预测不但可以提升风电渗透率，而且对电力系统的可靠与稳定运行、提升电网运行经济性具有重要作用。
3.国内外对于风电功率预测方法主要可以划分为物理方法与统计方法。物理法通常获取数值天气预报(numerical weather prediction，nwp)中的预报风速、风向、温度等气象信息，再通过风电机组风速
‑
功率曲线转化为风电功率预测。但由于预测过程中往往存在由地转风、尾流现象以及风速
‑
功率转化带来的多种误差，因此在超短期预测中使用较少。在天气条件稳定的情况下，物理法可以取得满意的准确性，但这些模型的性能存在超短期预测误差较大的问题。
4.统计方法通常结合待预测点之前的历史数据，并进行基于统计学观点外推。由于这类方法直接基于风电功率进行外推，误差来源较少，因此在风电功率超短期预测中被广泛使用。使用风速局部爬坡误差校正改善预测风速的滞后性，并将经校正的预测风速、历史功率数据输入模型，以改善风电功率预测的滞后性。或者通过距离分析法找到与风电功率密切相关的气象特征，再使用长短期网络将多变量时间序列作为输入，实现风电功率超短期预测。或者将风电功率时间序列采用原子稀疏分解算法分解，然后将原子分量以及残差分别进行自预测和支持向量机预测，最后将预测值组合叠加，从而提高风电功率的预测精度。或者使用经验模态分解
‑
样本熵将风电功率序列分解为不同子序列，再使用改进极限学习机对各子序列进行预测，实现预测精度的提高。或者将历史功率、历史气象进行聚类处理，将聚类结果组合为样本子集，再使用分类建模
‑
特征匹配的方法建立基于粒子群优化的极限学习机预测模型，并调用与待预测时段特征最相似的预测模型，以此提高超短期风电预测的准确性。或者将人工神经网络和平均影响值相结合，挑选对目标量贡献最大的输入特征，优化神经网络进行超短期风电功率预测。
5.而长短期记忆网络(lstm，long short
‑
term memory)作为典型的超短期功率预测方法，预测本质是分析历史信息并进行合理外推。因滚动预测误差累积以及风电功率变化趋势突变，以及长短期记忆网络预测过程中输入特征不能及时更新，使得输入特征不能追踪风电功率变化趋势而造成的预测误差。
6.因此，亟需一种新的预测方法或系统，以改善超短期预测误差分布，提高超短期预测精度。


技术实现要素：

7.本发明的目的是提供一种超短期风电功率组合预测方法及系统，能够改善预测误差分布，提高预测精度。
8.为实现上述目的，本发明提供了如下方案：
9.一种超短期风电功率组合预测方法，包括：
10.获取风电出力历史数据以及数值天气预报数据；所述数值天气预报包括：风速、风向正弦值、风向余弦值、温度以及气压；
11.利用风电出力历史数据训练长短期记忆网络，并确定训练后的长短期记忆网络；所述训练后的长短期记忆网络以风电出力历史数据为输入，以风电功率预测值为输出；
12.利用数值天气预报数据训练极限学习机确定训练后的极限学习机；所述训练后的极限学习机以数值天气预报数据为输入，以风电功率预测值为输出；
13.获取待预测时刻的数值天气预报数据以及长短期记忆网络和极限学习机的风电出力超短期预测数据；
14.根据待预测时刻的长短期记忆网络和极限学习机模型的风电出力超短期预测风电值、数值天气预报数据、风速变化量以及长短期记忆网络滚动预测步数，采用加权灰色关联算法，确定与待预测时刻的数值天气预报数据相似性大于相似性阈值的历史相似时刻；
15.根据历史相似时刻对应的长短期记忆网络和极限学习机的风电出力预测数据以及风电实际出力数据，采用时变自适应系数法，确定训练后的长短期记忆网络与训练后的极限学习机的组合预测权重参数，进而确定组合预测模型；
16.根据组合预测模型对预测时刻的风电功率进行预测。
17.可选地，所述获取风电出力历史数据以及数值天气预报数据，之后还包括：
18.对所述风电出力历史数据以及数值天气预报数据进行归一化处理。
19.可选地，所述获取待预测时刻的数值天气预报数据以及长短期记忆网络和极限学习机的风电出力超短期预测数据，之前还包括：
20.采用鸟群法对训练后的长短期记忆网络与训练后的极限学习机的超参数进行联合优化。
21.可选地，所述根据组合预测模型对预测时刻的风电功率进行预测，之后还包括：
22.对待预测时刻的风电功率预测值进行反归一化处理；
23.根据归一化均方根误差和归一化平均误差对待预测时刻的风电功率预测值进行评价。
24.一种超短期风电功率组合预测系统，包括：
25.样本数据获取模块，用于获取风电出力历史数据以及数值天气预报数据；所述数值天气预报包括：风速、风向正弦值、风向余弦值、温度以及气压；
26.训练后的长短期记忆网络确定模块，用于利用风电出力历史数据、风速变化量以及长短期记忆网络滚动预测步数训练长短期记忆网络，并确定训练后的长短期记忆网络；所述训练后的长短期记忆网络以风电出力历史数据为输入，以风电功率预测值为输出；
27.训练后的极限学习机确定模块，用于利用数值天气预报数据训练极限学习机确定训练后的极限学习机；所述训练后的极限学习机以数值天气预报数据为输入，以风电功率预测值为输出；
28.待预测时刻的相关数据获取模块，用于获取待预测时刻的数值天气预报数据、长短期记忆网络以及极限学习机的风电预测数据；
29.相似历史样本确定模块，用于根据历史时刻的数值天气预报数据和历史时刻风速变化量以及历史时刻两类预测模型的预测值，采用加权灰色关联算法，确定与待预测时刻的数值天气预报数据相似性大于相似性阈值的历史相似时刻；
30.组合预测模型确定模块，用于根据历史相似时刻中的长短期记忆网络、极限学习机的风电功率预测值以及风电功率实际值，采用时变自适应系数法，确定训练后的长短期记忆网络与训练后的极限学习机的组合预测权重参数，进而确定组合预测模型；
31.风电功率预测模块，用于根据组合预测模型对预测时刻的风电功率进行预测。
32.可选地，还包括：
33.数据归一化处理模块，用于对所述风电出力历史数据以及数值天气预报数据进行归一化处理。
34.可选地，还包括：
35.超参数联合优化模块，用于采用鸟群法对训练后的长短期记忆网络与训练后的极限学习机的超参数进行联合优化。
36.可选地，还包括：
37.反归一化处理模块，用于对待预测时刻的风电功率预测值进行反归一化处理；
38.评价模块，用于根据归一化均方根误差和归一化平均误差对待预测时刻的风电功率预测值进行评价。
39.根据本发明提供的具体实施例，本发明公开了以下技术效果：
40.本发明所提供的一种超短期风电功率组合预测方法及系统，首先采用数值天气预报数据、风电历史数据分别作为极限学习机、长短期记忆网络的输入特征并产生预测数据；其次通过加权灰色关联算法确定与待预测时刻的数值天气预报数据相似性大于相似性阈值的历史相似时刻集合；根据历史相似时刻集合对应的极限学习机、长短期记忆网络风电超短期预测结果以及风电实际出力值，采用时变自适应系数法，确定训练后的长短期记忆网络与训练后的极限学习机的组合预测权重参数，进而确定组合预测模型；充分利用历史信息，基于历史相似性加权的超短期风电功率组合预测方法对预测结果进行动态误差修正，在减小滚动预测误差，达到提高风电功率超短期预测精确度的同时，最大限度抵消不同气象条件下模型的固有误差，缩小超短期预测误差波动范围。进而能够改善预测误差分布，提高预测精度。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
42.图1为本发明所提供的一种超短期风电功率组合预测方法流程示意图；
43.图2为长短期记忆网络结构示意图；
44.图3为风速变化量和预测时间步长对长短期记忆网络的预测误差的影响示意图；
45.图4为不同的模型下风电功率趋势不变的预测情况示意图；
46.图5为不同的模型下风电功率趋势改变的预测情况示意图；
47.图6为不同模型的预测误差范围分布示意图；
48.图7为本发明所提供的一种超短期风电功率组合预测系统结构示意图。
具体实施方式
49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.本发明的目的是提供一种超短期风电功率组合预测方法及系统，能够改善预测误差分布，提高预测精度。
51.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
52.图1为本发明所提供的一种超短期风电功率组合预测方法流程示意图，如图1所示，本发明所提供的一种超短期风电功率组合预测方法，包括：
53.s101，获取风电出力历史数据以及数值天气预报数据；所述数值天气预报包括：风速、风向正弦值、风向余弦值、温度以及气压；
54.s101之后还包括：
55.对所述风电出力历史数据以及数值天气预报数据进行归一化处理。
56.为了避免输入特征数值大小差异过大，防止过大的输入特征值使神经元饱和，影响预测效果，对输入特征进行归一化处理，预处理后的数据范围为[0，1]，为归一化公式。x＝x'*(x
max
‑
x
min
)+x
min
为反归一化公式，对预测模型得到的预测结果进行反归一化处理，使模型输出具有实际的物理意义。
[0057]
式中：x为样本特征实际值，x'为该特征归一化后的数值，x
min
为该特征最小值，x
max
为该特征最大值。
[0058]
s102，利用风电出力历史数据训练长短期记忆网络，并确定训练后的长短期记忆网络；所述训练后的长短期记忆网络以风电出力历史数据为输入，以风电功率预测值为输出；
[0059]
其中，长短期记忆网络的结构示意图如图2所示，长短期记忆网络可以视作普通循环递归神经网络(recurrent neural network，rnn)的改良模型，解决了普通rnn网络存在梯度爆炸和梯度消失的问题，可以进行长时间度的学习，充分利用历史信息。长短期记忆网络由输出层，隐藏层以及输入层构成，与单个隐藏层的rnn不同，长短期记忆网络将信息存储在rnn正常信息流向以外的控制单元中，并引入了新的状态单元c，前一序列的存储器由遗忘门f控制。工作存储器用于输出，输出门控制当前存储器中要写入的部分。输入门i
t
负责控制要写入存储器单元的当前状态信息h
t
‑1和当前输入x
t
的部分。当前状态信息h
t
‑1和当前输入x
t
由线性组合后经过一个非线性激活函数共同确定。
[0060]
如图2所示，各变量的计算公式如下：
[0061]
f
t
＝σ(w
f
·
[h
t
‑1,x
t
]+b
f
)；
[0062]
i
t
＝σ(w
i
·
[h
t
‑1,x
t
]+b
i
)；
[0063][0064][0065]
h
t
＝σ(w
o
[h
t
‑1,x
t
]+b0)*tanh(c
t
)；
[0066][0067]
式中：w
f
为遗忘门连接的权重矩阵，h
t
‑1是隐含层t
‑
1时刻输出信号，h
t
为隐含层t时刻输出信号；w
o
为连接x
t
的权重矩阵；w
i
是为连接隐含层输出信号权重矩阵，x
t
是t时刻输入层的输出；b
f
，b
i
，b
c
，b0为偏置值；σ，tanh均为激活函数；c
t
，c
*t
，c
t
‑1是临时状态，共同决定是否遗忘之前的信息。
[0068]
图3为nwp风速变化量和长短期记忆网络滚动预测步数对长短期记忆网络预测的影响，明显看出长短期记忆网络预测误差与预测步数、nwp风速变化量具有强相关性。预测精度随预测步数、nwp风速变化量的增大而迅速下降。
[0069]
由于nwp风速变化量和长短期记忆网络滚动预测步数对预测影响具有较大影响，现已将nwp风速变化量和长短期记忆网络滚动预测步数加入到历史样本集中。
[0070]
s103，利用数值天气预报数据训练极限学习机确定训练后的极限学习机；所述训练后的极限学习机以数值天气预报数据为输入，以风电功率预测值为输出；极限学习机作引入nwp数据的预测模型，利用其泛化能力强的优点，不断更新训练数据和网络结构，实现对基于nwp数据的风电机组输出功率超短期预测。
[0071]
历史样本集特征如表2所示：
[0072]
表2
[0073][0074]
s104之前还包括：
[0075]
采用鸟群法对训练后的长短期记忆网络与训练后的极限学习机的超参数进行联合优化。
[0076]
通过鸟群法对极限学习机与长短期记忆网络的重要超参数进行联合优化，使两类模型预测精度达到最优；
[0077]
由于长短期记忆网络中时间步数、学习率、隐藏层单元数三个超参数以及极限学习机中隐藏层数、隐藏层单元数对预测效果产生影响较大，所以采用鸟群算法对这两个网络中超参数分别进行联合优化。
[0078]
取训练数据预测结果的均方根误差做算法的适应度函数。表1为本实施例鸟群算法的参数设置。鸟群算法作为一种随机搜索算法，优化给出的超参数组合数值都会存在小幅波动的现象，为最大限度抑制结果的不确定性，本实施例用5次优化结果的平均值作为长短期记忆网络、极限学习机的超参数选择依据。
[0079]
表1
[0080][0081]
s104，获取待预测时刻的数值天气预报数据以及长短期记忆网络和极限学习机的风电出力超短期预测数据；
[0082]
s105，根据待预测时刻的长短期记忆网络风电功率预测值、极限学习机风电功率预测值、数值天气预报数据、风速变化量以及长短期记忆网络滚动预测步数，采用加权灰色关联算法，确定与待预测时刻的数值天气预报数据相似性大于相似性阈值的历史相似时刻；
[0083]
加权灰色关联法可以通过为每个特征赋予适当权值，寻找影响程度大的特征，实现综合评价历史样本与待预测样本的相似程度。具体步骤如下：
[0084]
1)将各指标进行归一化，消除量纲的影响。
[0085]
2)选取待预测样本x0为母序列，待预测样本前n个历史样本x为子序列。x0，x结构分别如下：
[0086]
x0＝[x
01
,x
02
,...,x
0m
]；
[0087][0088]
其中m为样本特征数。
[0089]
3)计算母序列与子序列之间的灰色关联系数ξ
ik
后，构造灰色关联矩阵ξ，计算公式如下：
[0090][0091]
其中k＝1，2，
…
，m；i＝1，2，
…
，n。
[0092][0093]
其中，ρ为分辨系数，决定了区分能力，通常取0.5。
[0094]
4)使用熵权法计算各指标所占权重，并组成权向量γ，计算公式如下：
[0095][0096][0097][0098]
γ＝[γ1,γ2,...,γ
m
]；
[0099]
式中：r
ij
为第i个的第j个特征的比重，e
j
为第j个特征的信息熵，γ
j
为第j个特征的权重。求取加权灰色度ξ’＝ξ*γ，将各历史样本的加权灰色关联度由大到小排列，选取排序靠前的k个历史样本作为相似历史样本集。
[0100]
s106，根据历史相似时刻的长短期记忆网络风电功率预测值、极限学习机风电功率预测值以及对应的风电实际功率，采用时变自适应系数法，确定训练后的长短期记忆网络与训练后的极限学习机的组合预测权重参数，进而确定组合预测模型；
[0101]
在时变自适应系数法的基础上，采用加权灰色关联算法从历史样本集中寻找k个与待预测点气象条件相似的历史样本，并进行修正参数的计算。此方法可以最大程度的挖掘预测模型在不同气象条件下误差的特点，且对该气象条件下的模型系统误差进行抵消。保证了网络预测过程中输入特征的及时更新。
[0102]
时变自适应系数法表达式为：
[0103][0104]
其中采用待预测点前k个历史样本来计算各修正系数。
[0105][0106][0107]
为组合预测的预测值，p
tlstm
为未经nwp长短期记忆网络预测值，p
telm
为单纯通过nwp信息得到的风电功率预测值，c
t
为常数，用于削弱模型固有误差，使组合预测的预测值更准确。
[0108]
s107，根据组合预测模型对预测时刻的风电功率进行预测。
[0109]
s107之后还包括：
[0110]
对待预测时刻的风电功率预测值进行反归一化处理；
[0111]
根据归一化均方根误差和归一化平均误差对待预测时刻的风电功率预测值进行评价。
[0112]
根据归一化均方根误差、归一化平均误差、月准确率以及月合格率对待预测时刻的风电功率预测值进行评价，具体包括：
[0113][0114][0115][0116][0117][0118][0119]
式中：n表示预测样本个数，为t时刻风电功率预测值，p
t
为t时刻风电功率实际值，p
cap
为风电场的装机容量。
[0120]
作为一个具体的实施例，由美国科罗拉多州某风电场数据，其运行数据及nwp数据分辨率均为15min，风电场装机容量为16mw。本实施例取2015年1月1日到2017年12月31日的相关数据作为历史样本集，2016年7月1日到2017年12月31日的相关数据作为训练集，取2018年1月1日到2018年6月31日的数据作为模型的测试集。本实施例所有算例均在matlab2016a环境下运行，采用intel core i5
‑
5200u 2.7ghz，16gb运行内存的计算机平台。为削弱网络参数随机初始化等偶然因素的影响，以下算例均采用5次预测结果的平均值。
[0121]
为检验本实施例提出方法的改进效果，本实施例采用提前16步滚动预测，每15min启动一次。并构造四种预测模型对比说明本实施例方法的有效性。
[0122]
模型1：仅考虑长短期记忆网络使用风电功率历史序列进行预测。
[0123]
模型2：采用等权重方式确定组合预测中各模型权重参数。
[0124]
模型3：采用基于传统的时变权重系数方法确定组合预测中各模型权重参数。
[0125]
模型4：采用基于历史相似性的时变自适应方法确定组合预测中各模型权重参数(本发明)。
[0126]
不同情形下改进效果比较
[0127]
本实施例模型3、4分别从历史样本集选取的50个历史样本确定待预测点修正参数，并引进极限学习机使用nwp数据的风电预测结果与四种模型进行对比。并选取两种风电
功率变化趋势不同的典型情况来比较各模型的表现。
[0128]
由图4可知，由于风电功率实际变化与模型1整体预测趋势相同，预测误差较小。而由于nwp数据形成的预测结果误差来源多，整体预测误差偏大，在风电功率低波动情况下，精度不高。而组合预测后，模型2、3不能根据外界气象因素的变化，及时对长短期记忆网络做出调整，而模型4基于历史相似性可以及时校正各个气象状态下的模型误差，使得预测结果更加接近实际风电功率，预测结果更加精准。
[0129]
由图5可知，从1到5预测点，模型1预测值与风电功率实际变化趋势相同，整体预测误差较小，且在第5预测点时仅为0.95％，为4种模型中预测效果最好。但从第5预测点开始，风电功率变化趋势由增大转为减小，长短期记忆网络输入特征未及时更新，使得第6到16预测点误差逐步增大，预测误差在第16预测点时达到22.67％，已然不满足国家要求。
[0130]
形成组合预测后，模型4可及时更新输入特征，追踪风电功率变化趋势，消除模型系统误差，虽在第5预测点时误差为2.76％，较未改进的模型1预测误差稍有上升，但仍然符合国家标准；而在第16预测点时，模型4均方根误差仅为7.21％，较模型1误差下降15.46％，整个预测过程中，模型1至模型4整体均方根误差分别为9.67％、3.94％、4.66％、3.08％，显然本实施例方法具有积极的改善效果。
[0131]
预测效果比较
[0132]
本实施例选用四项预测指标对2018年6月各模型预测情况进行定量对比，如表3所示。
[0133]
表3
[0134][0135]
[0136]
首先对比模型1与单纯基于nwp进行预测的极限学习机模型，模型1在月合格率、月准确率方面表现均较极限学习机差，主要因为长短期记忆网络多步滚动预测存在误差累积的现象。但模型1在整个超短期预测过程中，平均误差、均方根误差较极限学习机更小，主要由于物理方法预测风电功率时，由地转风、尾流现象及风速
‑
功率转化曲线产生的误差较大。
[0137]
其次对比模型1至模型4，引入nwp数据进入长短期记忆网络后，当风电功率趋势发生改变时，可更新长短期记忆网络输入特征，以此提高预测的效果；模型4的各预测指标均较模型1优秀，其中月合格率提高2.49％，月准确率提升1.36％，在整个超短期预测过程中，平均误差下降0.008，而均方根误差下降0.0011，改善预测效果明显。
[0138]
最后比较模型3、4，由于模型4可以根据外界气象条件来进行动态修正各模型权重参数，而模型3采用的历史样本气象变化程度大，与待预测区间气象条件差异较大，对组合预测结果修正作用较小。与模型3对比，模型4在各个指标上均有不同程度的优化，其中月合格率上升0.72％，月准确率上升0.18％，总体均方根误差下降0.0055，平均误差下降0.0061，可以表明本实施例方法的有效性。
[0139]
表4
[0140]
[0141][0142]
表4中，长短期记忆网络由于逐步对风电功率外推，误差累积效应导致预测均方根误差、平均误差均随预测步数逐渐增大。但经对比可知模型1在第1
‑
7步预测时，两项误差指标均优于引入nwp信息的长短期记忆网络，但模型4误差增加量明显低于其他改进模型，与初始模型表现较为接近。
[0143]
但在8
‑
16步时，模型1预测准确度快速下降，在第16步处，各模型达到预测误差最大点，模型4预测效果最优，对比模型1至3，均方根误差均有不同程度下降。由表4可知，模型4通过缩小每一步预测误差，降低了误差累积对于多步滚动预测的不利影响，提升了超短期整体预测精度。
[0144]
预测误差分布
[0145]
将4种预测模型第4h预测误差进行标幺化处理，四个模型预测误差分布如图6所示。
[0146]
由图6可看出，长短期记忆网络仅对风电功率历史序列外推预测，其误差分布呈现
‘
尖峰肥尾’现象，预测误差波动大，相当部分预测误差超过20％。而引入nwp数据的预测模型峰度大大提高，且误差分布范围更小，预测误差超过20％的样本数目显著降低。值得注意的是，存在部分误差较小的点经过改进后误差反而上升，但仍处于合格状态。模型2与模型3误差分布类似，对削弱误差分布具有一定作用，但改善效果不如模型4。基于历史相似性修正的模型对比静态权重修正的预测模型，提高了
‘0’
误差附近的样本占比，一定程度降低了较大误差的样本比重，可以表明本实施例修正模型起到积极作用。
[0147]
为改善长短期记忆网络滚动预测误差累积现象以及风电功率变化趋势突变，而长短期记忆网络滚动预测过程中输入特征不能追踪风电功率变化趋势而造成的预测误差。本实施例首先使用极限学习机建立基于nwp数据的风电功率预测模型，并与基于风电历史数据的长短期记忆网络预测模型形成组合预测。然后采用加权灰色关联度方法，提取与待预
测点条件相似的历史样本；最后基于历史相似性确定组合预测中3个权重参数，并由美国科罗拉多州风电场运行数据的算例验证了方法的有效性，结论如下：
[0148]
1)仅依靠历史功率数据进行预测的长短期记忆网络可以通过与基于nwp数据进行预测的极限学习机模型形成组合预测，引入nwp数据来提高预测准确度，缩小误差波动程度。
[0149]
2)本实施例基于历史相似性对组合预测各项权重参数进行动态修正，可以根据外界条件来预估各模型的预测准确度，校正各模型在不同气象条件下的系统误差，较不计气象因素相似性的权重修正方式具有明显的改进作用。
[0150]
图7为本发明所提供的一种超短期风电功率组合预测系统结构示意图，如图7所示，本发明所提供的一种超短期风电功率组合预测系统，包括：
[0151]
样本数据获取模块701，用于获取风电出力历史数据以及数值天气预报数据；所述数值天气预报包括：风速、风向正弦值、风向余弦值、温度以及气压；
[0152]
训练后的长短期记忆网络确定模块702，用于利用风电出力历史数据训练长短期记忆网络确定训练后的长短期记忆网络；所述训练后的长短期记忆网络以风电出力历史数据为输入，以风电功率预测值为输出；
[0153]
训练后的极限学习机确定模块703，用于利用数值天气预报数据训练极限学习机确定训练后的极限学习机；所述训练后的极限学习机以数值天气预报数据为输入，以风电功率预测值为输出；
[0154]
待预测时刻的相关数据获取模块704，用于获取待预测时刻的数值天气预报数据以及对应的长短期记忆网络和极限学习机的风电出力预测数据；
[0155]
相似历史样本确定模块705，用于根据长短期记忆网络风电功率预测值、极限学习机风电功率预测值、数值天气预报数据、风速变化量以及长短期记忆网络滚动预测步数，采用加权灰色关联算法，确定与待预测时刻的数值天气预报数据相似性大于相似性阈值的历史相似时刻；
[0156]
组合预测模型确定模块706，用于根据历史相似时刻对应的极限学习机预测值、极限学习机预测值以及的风电实际功率，采用时变自适应系数法，确定训练后的长短期记忆网络与训练后的极限学习机的组合预测权重参数，进而确定组合预测模型；
[0157]
风电功率预测模块707，用于根据组合预测模型对预测时刻的风电功率进行预测。
[0158]
本发明所提供的一种超短期风电功率组合预测系统，还包括：
[0159]
数据归一化处理模块，用于对所述风电出力历史数据以及数值天气预报数据进行归一化处理。
[0160]
本发明所提供的一种超短期风电功率组合预测系统，还包括：
[0161]
超参数联合优化模块，用于采用鸟群法对训练后的长短期记忆网络与训练后的极限学习机的超参数进行联合优化。
[0162]
本发明所提供的一种超短期风电功率组合预测系统，还包括：
[0163]
反归一化处理模块，用于对待预测时刻的风电功率预测值进行反归一化处理；
[0164]
评价模块，用于根据归一化均方根误差、归一化平均误差、月合格率以及月准确率对待预测时刻的风电功率预测值进行评价。
[0165]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他
实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0166]
本实施例中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。