(19)中华 人民共和国 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 202111376441.8 (22)申请日 2021.11.19 (71)申请人 西安理工大 学 地址 710048 陕西省西安市碑林区金花 南 路5号 (72)发明人 李宁　王茹月　卫琳　王晔琳　 朱龙辉　 (74)专利代理 机构 西安弘理专利事务所 61214 代理人 许志蛟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 3/12(2006.01) H02J 3/00(2006.01) (54)发明名称 基于马尔可夫链和组合模型的风力发电功 率预测方法 (57)摘要 本发明公开了一种马尔可夫链和组合模型 的风力发电功率预测方法， 具体包括如下步骤： 步骤1， 采集风电场所记录的数据， 通过计算最大 李雅普诺夫指数， 判定采集的数据是否具备混沌 特性； 步骤2， 利用步骤1中的判断结果， 并根据 Takens理论重构相空间， 得到 预测模型的输入数 据集； 步骤3， 利用GA 遗传算法优化BP神经网络获 得最优权值与阈值的初始值， 采用径向基函数神 经网络算法对步骤2中的数据进行预测； 步骤4， 采用马尔可夫链在不同时间动态调整步骤3中不 同预测模型的权重系数， 输出最终预测结果。 采 用本发明可以结合不同的预测模 型， 通过马尔可 夫链动态确定不同预测模型的权 重。 权利要求书3页 说明书8页 附图2页 CN 114169585 A 2022.03.11 CN 114169585 A 1.基于马尔可夫链和组合模型的风力发电功率预测方法， 其特征在于： 具体包括如下 步骤： 步骤1， 采集风电场所记录的数据， 通过计算最大李雅普诺夫指数， 判定采集的数据是 否具备混沌特性； 步骤2， 利用步骤1中的判断结果， 并根据Takens理论重构相空间， 得到预测模型的输入 数据集； 步骤3， 利用GA遗传算法优化BP神经网络获得最优权值与阈值的初始值， 采用径向基函 数神经网络算法对步骤2中的数据进行 预测； 步骤4， 采用马尔可夫链在不同时间动态调整步骤3中不同预测模型的权重系数， 输出 最终预测结果。 2.根据权利要求1所述的基于马尔可夫链和组合模型的风力发电功率预测方法， 其特 征在于： 所述 步骤1的具体过程 为： 步骤1.1， 采集某一 风电场内所有运行风电机组总发电功率时间序列； 步骤1.2， 对步骤1.1采集的发电功率时间序列进行混沌特性分析， 具体为： 首先假设发电功率时间序列存在一维映射x(t+1)＝f[x(t)]， 初始条件为x(t0)， x(t0) 经过n次迭代成fn(t0)； 在x(t0)处经扰动ε， 得到另一初始条件x0+ε， 同样经过n次迭代成fn (t0+ ε )， 则两 轨迹间的距离表示 为： 当 ε→0,n→∞时： 上式中， λ(x(t0))指两轨迹间按指数分离的程度， 将λ(x(t0))定义为Lyapunov指数， 实 际应用中， 公式(2)与初值无关， 将公式(2)改写为： 其中， λ表示 Lyapunov指数； 当最大Lyapunov指数大于零， 则判定步骤1.1采集的风电功率时间序列为混沌时间序 列。 3.根据权利要求2所述的基于马尔可夫链和组合模型的风力发电功率预测方法， 其特 征在于： 所述 步骤2的具体过程 为： 步骤2.1， 采用基于嵌入窗法的C ‑C求解方法对步骤1所得的混沌时间序列进行相空间 间重构， 根据嵌入窗法建立的延迟时间τ和嵌入维数m的关系为： τw＝(m‑1)τ, τw＞τp            (4)； 式中， τw代表嵌入窗， τp为混沌系统的平均轨道周期； 步骤2.2， 令混沌时间序列为x＝{x(t)|t＝1,2,...,}， 假定重构后的相空间为Xm(t)＝ {x(t),x(t+τ ),...,x(t+(m ‑1)τ )},t＝1,2,...,M， 则嵌入时间序列的关联积分C(m,N,r, τ ) 为：权　利　要　求　书 1/3 页 2 CN 114169585 A 2式中， N为时间序列长度， r是邻域半径， θ(x)是赫维赛德单位函数， 采用如 下公式(6)表 示： 关联维数D(m, τ )为： 其中， 定义检验统计量S： S(m,N,r, τ )＝C(m,N,r, τ ) ‑Cm(1,N,r, τ )     (8)； 式中， S(m,N,r, τ )反映时间序列的自相关性， 因此定义差量： ▽S(m, τ )＝max[ S(m,N,rj, τ )]‑min[S(m,N,rk, τ )]     (9)； 式中， j≠k， 表示对所有r的最大偏差； 令： 式中， nm、 nu为整数， 定义指标： 因此， 找到Scor(t)全局最小点即获得嵌入床窗τw,再由τw＝(m‑1)τ求得嵌入维数m； 根据 延迟时间τ和嵌入维数m， 对混沌时间序列进行相空间重构， 重构后得到预测模型的输入数 据集。 4.根据权利要求3所述的基于马尔可夫链和组合模型的风力发电功率预测方法， 其特 征在于： 所述 步骤3的具体过程 为： 步骤3.1， 优化BP神经网络获得最优权值与阈值的初始值； 步骤3.2， 建立径向基神经网络， 通过径向基神经网络进行风电功率预测； 步骤3.3， 将步骤2进行相空间重构后的输入数据集划分为训练集和测试集； 利用训练 集数据训练GA ‑BP和RBF神经网络模 型， 利用测试集来检验GA ‑BP和RBF神经网络模型的预测 性能， 依次得到GA ‑BP和RBF的网络预测输出。 5.根据权利要求4所述的基于马尔可夫链和组合模型的风力发电功率预测方法， 其特 征在于： 所述 步骤4的具体过程 为： 步骤4.1， 由于最终预测值是GA ‑BP与RBF神经网络模型预测值的线性组合， 利用如 下公 式(13)计算组合预测模型的输出值 权　利　要　求　书 2/3 页 3 CN 114169585 A 3