基于相似日與加權(quán)馬爾可夫模型的風(fēng)力發(fā)電功率區(qū)間預(yù)測(cè)

摘" 要： 為了提高風(fēng)力發(fā)電功率預(yù)測(cè)精度，提出一種基于相似日與加權(quán)馬爾可夫模型的風(fēng)力發(fā)電功率區(qū)間預(yù)測(cè)方法（SWMQ）。風(fēng)電功率數(shù)據(jù)與風(fēng)速數(shù)據(jù)直接相關(guān)。首先對(duì)于數(shù)據(jù)中的異常值和缺失值，通過線箱圖法和相關(guān)性填補(bǔ)法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，提高數(shù)據(jù)的關(guān)聯(lián)性，通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)風(fēng)速進(jìn)行預(yù)測(cè)；然后由預(yù)測(cè)到的風(fēng)速數(shù)據(jù)在歷史數(shù)據(jù)中通過皮爾遜相關(guān)系數(shù)法尋找相似日，以相似日功率數(shù)據(jù)為數(shù)據(jù)集進(jìn)行加權(quán)馬爾可夫模型預(yù)測(cè)；最后通過分位數(shù)回歸原理對(duì)預(yù)測(cè)區(qū)間進(jìn)行求取，同時(shí)建立基于CNN模型、相關(guān)性填補(bǔ)、CNN模型和加權(quán)馬爾可夫模型，以西北某風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行仿真對(duì)比。實(shí)驗(yàn)表明該模型在風(fēng)力發(fā)電功率預(yù)測(cè)上有較高的精度，能更好地體現(xiàn)數(shù)據(jù)變化的閾值。

關(guān)鍵詞： 風(fēng)電功率； 卷積神經(jīng)網(wǎng)絡(luò)； 加權(quán)馬爾可夫模型； 相似日分析； 區(qū)間預(yù)測(cè)； 分位數(shù)回歸

中圖分類號(hào)： TN919?34； TM614" " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " "文章編號(hào)： 1004?373X（2024）17?0153?06

Wind power interval prediction based on similar day and weighted Markov model

ZHANG Zhirui1， 2， CHEN Lei1， 2， CAI Kunzhe1， 2， ZHANG Yi1， 2

（1. College of Electrical Engineering， North China University of Science and Technology， Tangshan 063210， China;

2. Hebei Wind?Solor?Hydrogen?Storage System Security Monitoring and Intelligent Operation Center of Technology Innovation， Tangshan 063210， China）

Abstract： A wind power interval prediction method based on the similar day and weighted Markov model （SWMQ） is proposed to improve the wind power prediction. The wind power data is related to wind speed data directly. The abnormal and missing values in the data are preprocessed by the boxplot method and correlation filling method， so as to improve the data correlation. The wind speed is predicted by convolutional neural network （CNN）. And then， the predicted wind speed data is used to find out the similar day in the historical data with the method of Pearson correlation coefficient （PCC）， and the power data of the similar day is used as the data set for weighted Markov model prediction. The prediction interval is obtained by the principle of quantile regression. The CNN?based model， the model based on correlation filling and CNN， and the weighted Markov model are established. The simulation and comparison of the data of a wind farm in northwest China show that the proposed model is more accurate in wind power prediction， and can better reflect the threshold of data change.

Keywords： wind power; CNN; weighted Markov model; similar day analysis; interval forecasting; quantile regression

0" 引" 言

由于風(fēng)電數(shù)據(jù)有很強(qiáng)的隨機(jī)性[1]，不穩(wěn)定的風(fēng)電功率會(huì)給電網(wǎng)運(yùn)行帶來極大的負(fù)擔(dān)，因此需要對(duì)風(fēng)力發(fā)電功率進(jìn)行有效的預(yù)測(cè)。國(guó)內(nèi)外學(xué)者對(duì)此做了大量研究工作，主要有物理法、統(tǒng)計(jì)法和人工智能法[2]。物理法就是通過與風(fēng)速相關(guān)的氣候因素直接建立模型對(duì)功率進(jìn)行預(yù)測(cè)；統(tǒng)計(jì)方法是通過統(tǒng)計(jì)數(shù)據(jù)在不同時(shí)刻轉(zhuǎn)換的概率對(duì)未來時(shí)刻數(shù)據(jù)進(jìn)行預(yù)測(cè)；人工智能方法通過神經(jīng)網(wǎng)絡(luò)強(qiáng)大的擬合能力對(duì)歷史數(shù)據(jù)規(guī)律的挖掘?qū)ξ磥頂?shù)據(jù)進(jìn)行預(yù)測(cè)。文獻(xiàn)[3]提出基于VMD?GRU?EC的短期電力負(fù)荷預(yù)測(cè)方法，通過將原始數(shù)據(jù)序列分解為一系列分量，對(duì)每個(gè)子序列進(jìn)行預(yù)測(cè)。文獻(xiàn)[4]提出基于BP神經(jīng)網(wǎng)絡(luò)?馬爾可夫鏈模型的隧道圍巖位移預(yù)測(cè)方法，將神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈結(jié)合，通過初始概率與轉(zhuǎn)移矩陣對(duì)數(shù)據(jù)進(jìn)行擬合，提高預(yù)測(cè)精度。文獻(xiàn)[5]提出基于時(shí)變加權(quán)馬爾可夫鏈的網(wǎng)絡(luò)異常檢測(cè)模型，此方法在傳統(tǒng)馬爾可夫鏈的基礎(chǔ)上，通過歷史數(shù)據(jù)的轉(zhuǎn)換關(guān)系對(duì)馬爾可夫鏈權(quán)重進(jìn)行改進(jìn)，以提高預(yù)測(cè)精度。文獻(xiàn)[6]提出基于高階馬爾可夫鏈和高斯混合模型的光伏出力短期概率預(yù)測(cè)，通過相關(guān)性分析，求取歷史時(shí)段相關(guān)的自相關(guān)系數(shù)，提高馬爾可夫模型的預(yù)測(cè)階數(shù)，以達(dá)到提高預(yù)測(cè)精度的目的。這些方法都在一定程度提高了預(yù)測(cè)精度，但是面對(duì)日益復(fù)雜的情況[7]，點(diǎn)預(yù)測(cè)[8]并不能完全地反映未來功率數(shù)據(jù)變化的趨勢(shì)。

基于數(shù)據(jù)預(yù)測(cè)主要是通過發(fā)掘數(shù)據(jù)之間的規(guī)律對(duì)未來數(shù)據(jù)進(jìn)行求取，更好地發(fā)掘數(shù)據(jù)間的規(guī)律就能更好地提高數(shù)據(jù)的預(yù)測(cè)精度。引入?yún)^(qū)間預(yù)測(cè)可以更好地反映數(shù)據(jù)的波動(dòng)范圍，以西北某風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，提出基于相似日與加權(quán)馬爾可夫模型的風(fēng)力發(fā)電功率概率區(qū)間預(yù)測(cè)法。馬爾可夫模型主要依賴數(shù)據(jù)之間的變化關(guān)系對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)，通過對(duì)所要預(yù)測(cè)功率對(duì)應(yīng)的風(fēng)速進(jìn)行預(yù)測(cè)，根據(jù)風(fēng)速數(shù)據(jù)在歷史數(shù)據(jù)中選取與之相關(guān)性高的數(shù)據(jù)，以此建立加權(quán)馬爾可夫模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)，并結(jié)合相關(guān)性數(shù)據(jù)填補(bǔ)法對(duì)數(shù)據(jù)中的缺失值和異常值進(jìn)行優(yōu)化，以提高模型的預(yù)測(cè)精度。最后結(jié)合分位數(shù)回歸模型求取預(yù)測(cè)區(qū)間，更好地體現(xiàn)數(shù)據(jù)的信息。

1" 數(shù)據(jù)預(yù)處理

1.1" 線箱圖法異常值檢測(cè)

箱線圖[9]是由一個(gè)箱體和一對(duì)箱須所組成的統(tǒng)計(jì)圖形，箱體是由第一四分位數(shù)、中位數(shù)（第二四分位數(shù)）和第三四分位數(shù)組成的。通過求取中位數(shù)和四分位數(shù)確定數(shù)據(jù)的上邊緣值和下邊緣值，將超出上下邊緣值的數(shù)據(jù)點(diǎn)定義為異常值并將其置零。上下邊緣具體計(jì)算公式如下：

[H=Q3-Q1] （1）

[Q3+1.5H=maxxi：xi≤Q3+1.5H] （2）

[Q1-1.5H=maxxi：xi≥Q1-1.5H] （3）

式中：[Q1]、[Q3]分別為第一個(gè)四分位數(shù)和第三個(gè)四分位數(shù)；[H]為四分位間距。

本文通過線箱圖法剔除原始數(shù)據(jù)中的異常值，以提高數(shù)據(jù)的穩(wěn)定性。

1.2" 相關(guān)性數(shù)據(jù)填補(bǔ)

由于設(shè)備或者環(huán)境因素，實(shí)驗(yàn)中收集到的功率數(shù)據(jù)存在大量的缺失值和異常值，在進(jìn)行預(yù)測(cè)時(shí)不能很好地體現(xiàn)數(shù)據(jù)間的變換規(guī)律。為了提高預(yù)測(cè)精度，基于風(fēng)力功率數(shù)據(jù)與風(fēng)速數(shù)據(jù)強(qiáng)相關(guān)的性質(zhì)，本文提出一種結(jié)合線箱圖法的相關(guān)性填補(bǔ)法，通過相似的風(fēng)速數(shù)據(jù)所對(duì)應(yīng)的功率值的均值對(duì)缺失值進(jìn)行填補(bǔ)，具體步驟如下。

1） 通過線箱圖法對(duì)原始功率數(shù)據(jù)進(jìn)行異常值檢測(cè)，將超出上下邊緣值的數(shù)據(jù)點(diǎn)定義為異常值并將其置零。

2） 將檢驗(yàn)出的異常值與原始數(shù)據(jù)中的缺失值定義為邏輯1，正常值定義為邏輯0。找到缺失功率對(duì)應(yīng)的風(fēng)速值。

3） 對(duì)風(fēng)速數(shù)據(jù)和功率數(shù)據(jù)進(jìn)行相關(guān)性分析，如公式（4），求取相關(guān)系數(shù)[d]。

[dx，y=i=1nxi-yi2] （4）

式中：[xi]為功率數(shù)據(jù)；[yi]為輸入的風(fēng)速數(shù)據(jù)。

4） 求取步驟2）中風(fēng)速數(shù)據(jù)與歷史數(shù)據(jù)中所有數(shù)據(jù)的比值[a]。取[a]lt;0.3的風(fēng)速對(duì)應(yīng)的非零功率的均值作為填補(bǔ)后的新數(shù)據(jù)。

5） 對(duì)預(yù)處理后的數(shù)據(jù)、原始風(fēng)速數(shù)據(jù)與功率數(shù)據(jù)進(jìn)行相關(guān)性分析。確保相關(guān)性填補(bǔ)后的數(shù)據(jù)依舊可以反映數(shù)據(jù)之間的關(guān)系。

2" 基于卷積神經(jīng)網(wǎng)絡(luò)?加權(quán)馬爾可夫模型的功率預(yù)測(cè)模型

2.1" 卷積神經(jīng)網(wǎng)絡(luò)

對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)需要更好地發(fā)掘時(shí)間序列數(shù)據(jù)間的關(guān)聯(lián)性。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）[10]是一種以卷積計(jì)算為核心的前饋運(yùn)算神經(jīng)網(wǎng)絡(luò)模型，區(qū)別于低隱層全連接神經(jīng)網(wǎng)絡(luò)模擬軸突、樹突神經(jīng)節(jié)點(diǎn)，卷積網(wǎng)絡(luò)類似大腦識(shí)別物體的感受野，對(duì)特征進(jìn)行從低維到高維的逐層抽象提取，學(xué)習(xí)到邊緣[11]、方向、紋理低層的特征。CNN具體結(jié)構(gòu)流程圖如圖1所示。

2.2" 加權(quán)馬爾可夫模型

馬爾可夫鏈[12]是一種隨機(jī)過程。馬爾可夫過程需要具有“無記憶”，要求下一狀態(tài)只與當(dāng)前狀態(tài)有關(guān)，也稱這種狀態(tài)為“馬爾可夫狀態(tài)過程”。通過初始狀態(tài)和狀態(tài)轉(zhuǎn)移矩陣共同決定未來時(shí)刻所處狀態(tài)與所處狀態(tài)的概率，其分布規(guī)律如下。

設(shè)有隨機(jī)過程[Xn]和離散狀態(tài)[S=s0，s1，s2，…，sn，…]，時(shí)間[t]處的狀態(tài)為[sn]，時(shí)間[T]+1時(shí)刻的狀態(tài)[sn+1]只與之前時(shí)刻狀態(tài)有關(guān)。

[p=Xn+1X0=s0，X1=s1，…，Xn=sn=Xn+1=sn+1sn] （5）

式中：[Xn]為狀態(tài)空間；[Xn+1=sn+1sn]為從[i]～[j]的狀態(tài)轉(zhuǎn)移矩陣。[Xn]稱為馬爾可夫鏈，并記為：

[pijk=pXn+k=sjXn+k=si] （6）

[p=p11kp12k…p1nkp21kp22k…p2nk????pn1kpn2k…pnnk]

式中[pijk]為從初始狀態(tài)[si]轉(zhuǎn)移到[n+k]時(shí)刻[sj]的轉(zhuǎn)移概率。

為了使加權(quán)馬爾可夫模型得到更好的預(yù)測(cè)結(jié)果，采用均值?標(biāo)準(zhǔn)差分級(jí)法。該方法由數(shù)理統(tǒng)計(jì)中的中心極限定理，通過求取樣本序列[x1，x2，…，xn]的樣本均值[x]和標(biāo)準(zhǔn)差[S]，將樣本序列劃分為五個(gè)區(qū)間：[e1=minX， x-S]，[e2=x-S， x-0.5S]，[e3=]

[x-0.5S， x]，[e4=x，x+0.5S]，[e5=x+0.5S，x+S]。

時(shí)間前后的功率數(shù)據(jù)具有強(qiáng)烈的相關(guān)性，通過此關(guān)系建立加權(quán)狀態(tài)轉(zhuǎn)移矩陣對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。加權(quán)馬爾可夫鏈?zhǔn)且环N特殊的馬爾可夫鏈，考慮間隔時(shí)刻數(shù)據(jù)之間的影響，通過權(quán)值將其關(guān)聯(lián)，對(duì)未來狀態(tài)進(jìn)行預(yù)測(cè)，具體步驟如下。

1） 加權(quán)馬爾可夫鏈[13]屬于特殊的馬爾可夫鏈。利用加權(quán)馬爾可夫鏈進(jìn)行預(yù)測(cè)之前須檢測(cè)該序列符合“馬氏性”[14]。

2） 以日風(fēng)速數(shù)據(jù)為目標(biāo)進(jìn)行pearson相關(guān)系數(shù)選取，將待預(yù)測(cè)日相關(guān)度高的風(fēng)速數(shù)據(jù)對(duì)應(yīng)的功率數(shù)據(jù)作為訓(xùn)練集[X2=x1，x2，…，xn]。

3） 計(jì)算序列[X2=x1，x2，…，xn]均值[x]和標(biāo)準(zhǔn)差[S]，所劃分的狀態(tài)區(qū)間為[E=e1，e2，e3，e4，e5，e6]。

4） 通過公式（7）求取各步長(zhǎng)的自相關(guān)系數(shù)[ωk]，通過公式（8）確定最終權(quán)值[r=r1，r2，…，rn]。

[ωk=rkrk] （7）

[rk=i=1n-kxi-xxi+k-xi=1n-kxi-x2] （8）

5） 通過公式（9）求取不同步長(zhǎng)下的狀態(tài)轉(zhuǎn)移矩陣[pkij]。

[pkij=MijkMi] （9）

式中：[pkij]為第[k]步下狀態(tài)[i]到狀態(tài)[j]的轉(zhuǎn)移矩陣；[Mijk]、[Mi]分別為從狀態(tài)[i]到狀態(tài)[j]的個(gè)數(shù)和在狀態(tài)[i]的個(gè)數(shù)。

6） 結(jié)合步驟4）、步驟5）求解不同步長(zhǎng)下的權(quán)值[rk]和狀態(tài)轉(zhuǎn)移矩陣[pkij]，求解狀態(tài)概率。取[maxpk，k∈K]為最終預(yù)測(cè)狀態(tài)。

[pk=k=1mrkpki] （10）

式中[pk]為第[k]時(shí)刻的概率。

2.3" 分位數(shù)回歸模型

分位數(shù)回歸[15]概念由Koenker等人在1978年首次提出，基于最小殘差最小化加權(quán)求和所得。隨機(jī)變量第[τ]分位數(shù)函數(shù)和檢驗(yàn)函數(shù)的定義式分別為：

[Qτ=infy：Fy≥τ，" " "0lt;τlt;1] （11）

[ρu=τulu≥τ+τ-1ul，" " ult;0] （12）

式中：[l（u）]為指示函數(shù)，[u]gt;0時(shí)[l（u）]=0；[u]lt;0時(shí)[l（u）]=1。

線性條件分位數(shù)[16]函數(shù)為：[Qτx=xβτ]。隨機(jī)變量[Y]的一個(gè)隨機(jī)樣本[y1，y2，…，yn]的第[τ]分位數(shù)的樣本的線性回歸要求滿足：

[minβ∈Rρyi-βτXi] （13）

對(duì)于任意的[0lt;τlt;1]，通過求解式（14）得到參數(shù)估計(jì)值。

[β=argmini=1nρτyi-βτXi] （14）

將要預(yù)測(cè)功率與其他因素關(guān)聯(lián)起來得到其分位數(shù)。

[Qτ=β0+β1X1+β2X2+…+βnXn+ε] （15）

式中：[βi]為輸入的參數(shù)向量；[Xi]為輸入量，即加權(quán)馬爾可夫預(yù)測(cè)結(jié)果的功率區(qū)間，輸出量為功率；[n]為輸入維度；[ε]為設(shè)定的殘差。

具體步驟如下：

1） 以相關(guān)日功率數(shù)據(jù)和預(yù)測(cè)功率為輸入，實(shí)際功率為輸出變量，置信度取1-[α]為例，通過公式（16）得到初始參數(shù)估計(jì)值。

[β=X-1hyh] （16）

2） 求解殘差，將初始參數(shù)估計(jì)值代入式（15）中求取殘差，對(duì)殘差進(jìn)行重復(fù)抽樣，求出在不同殘差下滿足[minβ∈Rρτyi+ε-βτXi]的[β]值，將其按照升序排列：[β?1≤β?2≤…≤β?n]。

3） 求取近分位點(diǎn)[β?α2][β?1-α2]及對(duì)應(yīng)的殘差[ε1]、[ε2]，分別作為分位數(shù)函數(shù)上下限所對(duì)應(yīng)的最終參數(shù)估計(jì)值與最終殘差值，即置信度為1-[α]的近似區(qū)間可描述為：[β?α2Xi+ε1， β?1-α2Xi+ε2]。

3" 基于相似日和加權(quán)馬爾可夫模型的功率預(yù)測(cè)模型

對(duì)原始數(shù)據(jù)進(jìn)行線箱圖法檢測(cè)剔除異常，將異常值檢測(cè)后的數(shù)據(jù)通過相關(guān)性數(shù)據(jù)填補(bǔ)，對(duì)數(shù)據(jù)中大量的缺失進(jìn)行填補(bǔ)。

將數(shù)據(jù)進(jìn)行正則化處理，建立CNN網(wǎng)絡(luò)，設(shè)置模型參數(shù)，包括卷積核大小、最大訓(xùn)練次數(shù)、初始學(xué)習(xí)率等，代入訓(xùn)練集數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練。

通過訓(xùn)練好的模型對(duì)風(fēng)速數(shù)據(jù)[X=x1，x2，…，xn]進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果[Y=y1，y2，…，yn]，并對(duì)數(shù)據(jù)集[X]和[Y]按日進(jìn)行劃分得到數(shù)據(jù)集[X1]、[Y1]。

以數(shù)據(jù)集[Y1]第一天數(shù)據(jù)為例，通過pearson相關(guān)系數(shù)計(jì)算與數(shù)據(jù)集[X1]中數(shù)據(jù)的相關(guān)系數(shù)[d]，選取[d]gt;0.7對(duì)應(yīng)日期的功率值作為新數(shù)據(jù)集。

求取新數(shù)據(jù)集不同日期相同時(shí)刻數(shù)據(jù)對(duì)應(yīng)步長(zhǎng)的權(quán)值[rk]和狀態(tài)轉(zhuǎn)移矩陣[pkij]，進(jìn)行加權(quán)馬爾可夫模型建模，取[maxpk，k∈K]為最終預(yù)測(cè)狀態(tài)，以均方根誤差（Root Mean Squared Error， RMSE）[XRMSE]、平均絕對(duì)誤差（Mean Absolute Error， MAE）[XMAE]、決定系數(shù)（Coefficient of Determination）[R2]作為評(píng)價(jià)指標(biāo)，評(píng)估預(yù)測(cè)模型的性能。具體公式如下：

[XRMSE=1ni=1nx-xi2] （17）

[XMAE=1ni=1nxi-xi] （18）

[R2=1-ixi-xi2ixi-xi2] （19）

將最終預(yù)測(cè)結(jié)果代入分位數(shù)回歸模型中求取不同置信區(qū)間下的預(yù)測(cè)區(qū)間。結(jié)果由區(qū)間覆蓋率（PI Coverage Probability， PICP）和區(qū)間平均帶寬（PI Normalized Average Width， PINAW）作為評(píng)價(jià)指標(biāo)，具體公式如下：

[PICP=1Nti=1Ntkαi] （20）

[PINAW=1Nti=1NtUαixi-Lαixi] （21）

式中：[Nt]為樣本數(shù)量；[kαi]為布爾量，判斷目標(biāo)是否在區(qū)間上；[Uαi]為所選置信度預(yù)測(cè)區(qū)間上限；[Lαi]為所選置信度的預(yù)測(cè)區(qū)間下限。

預(yù)測(cè)模型流程圖如圖2所示。

4" 算例分析

數(shù)據(jù)來源于西北某風(fēng)電場(chǎng)2020年1月1日—2021年12月31日期間所收集到的數(shù)據(jù)，時(shí)間分辨率為1 h。對(duì)功率進(jìn)行預(yù)測(cè)。

4.1" 數(shù)據(jù)預(yù)處理

選取其中2020年1月1日—3月29日歷史風(fēng)速數(shù)據(jù)，共計(jì)88天2 112個(gè)時(shí)刻。通過線箱法對(duì)數(shù)據(jù)異常值檢測(cè)，對(duì)應(yīng)的上四分位和下四分位為[-113.74，189.57]，將超出上下邊緣范圍的數(shù)據(jù)剔除，剩余有效點(diǎn)數(shù)量為1 860個(gè)。將異常值檢測(cè)后的數(shù)據(jù)通過相關(guān)性數(shù)據(jù)填補(bǔ)，通過與風(fēng)速數(shù)據(jù)比值[K]lt;0.3的風(fēng)速數(shù)據(jù)對(duì)應(yīng)的非零功率數(shù)據(jù)的均值進(jìn)行填補(bǔ)，填補(bǔ)后的有效數(shù)據(jù)點(diǎn)為2 110個(gè)。與原始風(fēng)速數(shù)據(jù)與功率數(shù)據(jù)進(jìn)行相關(guān)性分析，相關(guān)系數(shù)分別為0.832 5與0.931 3，說明該方法在填補(bǔ)缺失值、剔除異常值后仍能充分反映原始數(shù)據(jù)之間的關(guān)系。

4.2" 基于風(fēng)速選取相似日的功率預(yù)測(cè)

以數(shù)據(jù)集中前86天數(shù)據(jù)為訓(xùn)練集，后2天的風(fēng)速數(shù)據(jù)通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行預(yù)測(cè)，模型參數(shù)分別設(shè)置如下：梯度下降函數(shù)為Adam，最大訓(xùn)練次數(shù)為800，初始學(xué)習(xí)率為0.1，訓(xùn)練600次后學(xué)習(xí)率為0.005。預(yù)測(cè)結(jié)果的[XRMSE]=0.696 7，[XMAE]=0.576 9，[R2]=0.950 6，具有較高的預(yù)測(cè)精度。預(yù)測(cè)結(jié)果如圖3所示。

通過預(yù)測(cè)風(fēng)速進(jìn)行相似日查找，取相關(guān)系數(shù)[d]gt;0.7日期對(duì)應(yīng)的功率作為數(shù)據(jù)集進(jìn)行加權(quán)馬爾可夫模型建模。為了更好地進(jìn)行狀態(tài)劃分，取功率數(shù)據(jù)的1%進(jìn)行計(jì)算。以0：00數(shù)據(jù)為例，對(duì)應(yīng)的狀態(tài)序列如表1所示，此時(shí)的狀態(tài)區(qū)間為[e1]=[0，0.186 6]、[e2]=[0.186 6，0.450 2]、[e3]=[0.450 2，0.713 8]、[e4]=[0.713 8，0.977 5]、[e5]=[0.977 5，1.893 4]。

預(yù)測(cè)第一天0：00的功率為[p1]=[0.259 2，0.095 8，0.095 8，0.147 3，0.324 9]。取[maxpk，k∈K]為最終的預(yù)測(cè)結(jié)果，此時(shí)預(yù)測(cè)結(jié)果的狀態(tài)區(qū)間為[e5]，取區(qū)間最大輸出值為189.34 kW，實(shí)際值為197.3 kW，準(zhǔn)確率達(dá)到95.97%。以此為例，按每個(gè)小時(shí)數(shù)據(jù)重新計(jì)算狀態(tài)轉(zhuǎn)移矩陣和權(quán)值，求取24 h數(shù)據(jù)。另外，建立基于CNN模型、基于相關(guān)性填補(bǔ)、CNN模型和加權(quán)馬爾可夫模型的功率預(yù)測(cè)模型。以相同的輸入進(jìn)行仿真對(duì)比。通過式（17）～式（19）求解各個(gè)模型預(yù)測(cè)結(jié)果的[XRMSE]、[XMAE]、[R2]，對(duì)模型的優(yōu)劣進(jìn)行判定。預(yù)測(cè)結(jié)果和對(duì)比如圖4、表2所示。

4.3" 區(qū)間預(yù)測(cè)

以相似日功率數(shù)據(jù)和預(yù)測(cè)功率為輸入，求取所預(yù)測(cè)的功率和數(shù)據(jù)集中各個(gè)數(shù)據(jù)的殘差，對(duì)殘差進(jìn)行重復(fù)抽樣，求近似分位點(diǎn)[β?α2][β?1-α2]及對(duì)應(yīng)的殘差[ε1]、[ε2]作為分位數(shù)函數(shù)上下限所對(duì)應(yīng)的最終參數(shù)估計(jì)值與最終殘差值，最終得到各個(gè)置信區(qū)間下的預(yù)測(cè)區(qū)間，如圖5所示。選取不同置信區(qū)間通過SWMQ進(jìn)行仿真，并通過式（20）、式（21）求取預(yù)測(cè)結(jié)果的區(qū)間覆蓋率（PICP）和區(qū)間平均帶寬（PINAW）來表明預(yù)測(cè)結(jié)果的優(yōu)劣。

PICP越大，表明區(qū)間更好地覆蓋了原始數(shù)據(jù)；PINAW值越小，表明該結(jié)果在預(yù)測(cè)區(qū)間范圍更窄、波動(dòng)越小、預(yù)測(cè)精度越高。通過實(shí)驗(yàn)可得模型在90%置信區(qū)間的PICP為0.969 2、PINAW為316.654 5；85%置信區(qū)間的PICP為0.959 2、PINAW為201.460 2；80%置信區(qū)間下的PICP為0.938 3、PINAW為188.978 5。能很好地對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

5" 結(jié)" 論

通過仿真建模和對(duì)比分析可以發(fā)現(xiàn)本文提出的SWMQ法具有以下優(yōu)點(diǎn)：

1） 基于風(fēng)速和功率的強(qiáng)相關(guān)性，以風(fēng)速數(shù)據(jù)為功率數(shù)據(jù)進(jìn)行相關(guān)性填補(bǔ)可以更好地反映數(shù)據(jù)之間的關(guān)系。

2） 風(fēng)力發(fā)電功率與風(fēng)速有著直接的關(guān)系，精確地對(duì)待預(yù)測(cè)風(fēng)速預(yù)測(cè)數(shù)據(jù)可以為后續(xù)查尋相似日提供更好的條件。通過精確的風(fēng)速信息尋找相似日數(shù)據(jù)，再進(jìn)行加權(quán)馬爾可夫模型功率預(yù)測(cè)，極大地提高了數(shù)據(jù)關(guān)聯(lián)性和預(yù)測(cè)的精度。

3） 建立基于相似日的加權(quán)馬爾可夫鏈區(qū)間預(yù)測(cè)模型對(duì)未來數(shù)據(jù)進(jìn)行預(yù)測(cè)，在提高預(yù)測(cè)精度的同時(shí)可以更好地體現(xiàn)數(shù)據(jù)變化的閾值。

參考文獻(xiàn)

[1] 楊秀媛，肖洋，陳樹勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005（11）：1?5.

[2] 趙澤妮，云斯寧，賈凌云，等.基于統(tǒng)計(jì)模型的短期風(fēng)能預(yù)測(cè)方法研究進(jìn)展[J].太陽能學(xué)報(bào)，2022，43（11）：224?234.

[3] 李飛宏，肖迎群.基于VMD?GRU?EC的短期電力負(fù)荷預(yù)測(cè)方法[J].中國(guó)測(cè)試，2023，49（10）：120?127.

[4] 龍浩，高睿，孔德新，等.基于BP神經(jīng)網(wǎng)絡(luò)?馬爾科夫鏈模型的隧道圍巖位移預(yù)測(cè)[J].長(zhǎng)江科學(xué)院院報(bào)，2013，30（3）：40?43.

[5] 王笑，戚湧，李千目.基于時(shí)變加權(quán)馬爾科夫鏈的網(wǎng)絡(luò)異常檢測(cè)模型[J].計(jì)算機(jī)科學(xué)，2017，44（9）：136?141.

[6] 劉潔，林舜江，梁煒焜，等.基于高階馬爾可夫鏈和高斯混合模型的光伏出力短期概率預(yù)測(cè)[J].電網(wǎng)技術(shù)，2023，47（1）：266?275.

[7] DRAGOMIRETSKIY K， ZOSSO D. Variational mode decomposition [J]. IEEE transactions on signal processing， 2014， 62（3）： 531?544.

[8] LIN Y， YANG M， WAN C， et al. A multi?model combination approach for probabilistic wind power forecasting [J]. IEEE transactions on sustainable energy， 2019， 10（1）： 226?237.

[9] 趙穎祺，陳玉虎，張晰，等.一種基于箱線圖的SAR圖像艦船檢測(cè)算法研究[J].中國(guó)海洋大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，51（10）：130?140.

[10] 陳石毓，李壯舉，劉浩，等.SA?GA?CNN?LSTM新型冷暖系統(tǒng)負(fù)荷預(yù)測(cè)方法研究[J].中國(guó)測(cè)試，2023，49（9）：115?122.

[11] LIU Z F， LI X Y， ZHAO H Y. Short?term wind power forecasting based on feature analysis and error correction [J]. Energies， 2023， 16（10）： 4249.

[12] 楊錫運(yùn)，馬雪，張洋，等.基于EMD與加權(quán)馬爾可夫鏈Q(jìng)R法的風(fēng)電功率區(qū)間預(yù)測(cè)[J].太陽能學(xué)報(bào)，2020，41（2）：66?72.

[13] 鄭卓，曹輝，高鶴元，等.基于加權(quán)馬爾可夫鏈修正的ARIMA預(yù)測(cè)模型的研究[J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（12）：63?67.

[14] 張玉芬，朱雅琳.馬爾可夫性及其檢驗(yàn)方法研究[J].價(jià)值工程，2012，31（2）：312?313.

[15] 李智，韓學(xué)山，楊明，等.基于分位點(diǎn)回歸的風(fēng)電功率波動(dòng)區(qū)間分析[J].電力系統(tǒng)自動(dòng)化，2011，35（3）：83?87.

[16] YAN J， LI K， BAI E W， et al. Hybrid probabilistic wind power forecasting using temporally local Gaussian process [J]. IEEE transactions on sustainable energy， 2016， 7（1）： 87?95.