基于風(fēng)速波動(dòng)幅度動(dòng)態(tài)劃分區(qū)間的ISSA-BP風(fēng)電功率預(yù)測(cè)

唐杰，劉琳，劉白楊，邵武，管燁，易資興

摘要：為了解決傳統(tǒng)風(fēng)電功率預(yù)測(cè)精度不高的問(wèn)題，采用一種基于風(fēng)速波動(dòng)幅度動(dòng)態(tài)劃分區(qū)間的風(fēng)電功率組合預(yù)測(cè)方法。首先，對(duì)清洗后的風(fēng)速數(shù)據(jù)進(jìn)行卡爾曼濾波得到去噪后的風(fēng)速曲線圖，計(jì)算該曲線中相鄰元素的差值向量并歸一化處理，完成風(fēng)速波動(dòng)幅度的可視化分析，依據(jù)波動(dòng)幅度曲線的第一、二、三時(shí)間點(diǎn)將全年數(shù)據(jù)動(dòng)態(tài)劃分為4個(gè)區(qū)間；其次，利用Tent混沌映射算法初始化麻雀種群位置得到改進(jìn)麻雀搜索算法（improvement sparrow search algorithm，ISSA），對(duì)誤差反向傳播算法（back propagation，BP）的連接權(quán)和閾值進(jìn)行優(yōu)化，建立ISSA-BP風(fēng)電功率組合預(yù)測(cè)模型；最后，運(yùn)用MATLAB仿真軟件進(jìn)行仿真驗(yàn)證。仿真結(jié)果表明，動(dòng)態(tài)劃分區(qū)間的ISSA-BP風(fēng)電功率預(yù)測(cè)方法能顯著提高預(yù)測(cè)精度，對(duì)提高電力系統(tǒng)經(jīng)濟(jì)運(yùn)行水平，促進(jìn)風(fēng)電消納具有一定的理論實(shí)際意義。

關(guān)鍵詞：改進(jìn)麻雀搜索算法；反向傳播算法；卡爾曼濾波；風(fēng)電功率預(yù)測(cè)

中圖分類號(hào)：TM614? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A

ISSA-BP wind power prediction by interval based on dynamic division of wind speed fluctuation range

TANG Jie， LIU Lin， LIU Baiyang， SHAO Wu， GUAN Ye， YI Zixing

（Hunan Provincial Key Laboratory of Grids Operation and Control on Muti-Power Sources Area， Shaoyang University， Shaoyang 422000， China）

Abstract： In order to solve the problem of low accuracy of traditional wind power prediction， a wind power combination prediction method based on dynamic interval division of wind speed fluctuation amplitude was proposed. Firstly， Kalman filtering was applied to the cleaned wind speed data to obtain the noise-reduced wind speed curve， The difference vector of adjacent elements in the curve was calculated and normalized to complete the visual analysis of the wind speed fluctuations. Secondly，the improvement sparrow search algorithm （ISSA） was obtained by initializing the sparrow population location using the Tent chaotic mapping algorithm， and the connection weights and thresholds of back propagation （BP） algorithm were optimized.The ISSA-BP wind power combination forecasting model was established. Finally， MATLAB simulation software was used for simulation verification. The simulation results show that the proposed dynamic interval division ISSA-BP wind power prediction method significantly improves the prediction accuracy， and has certain theoretical and practical significance for improving the economic operation level of power system and promoting the consumption of wind power.

Key words： improved sparrow search algorithm; back propagation; Kalman filtering; wind power forecast

截至2022年底，我國(guó)風(fēng)電裝機(jī)容量突破3.65億kW[1-2]。預(yù)計(jì)2030年前，我國(guó)裝機(jī)容量將達(dá)到8億kW，2060年達(dá)到30億kW[3]。然而，風(fēng)力發(fā)電受自然氣候影響較大，風(fēng)電功率具有較強(qiáng)的隨機(jī)性，導(dǎo)致電力系統(tǒng)風(fēng)電大規(guī)模消納面臨挑戰(zhàn)。同時(shí)，風(fēng)電隨機(jī)性直接影響電力系統(tǒng)電能質(zhì)量，嚴(yán)重威脅電力系統(tǒng)安全穩(wěn)定運(yùn)行[4]。因此，準(zhǔn)確預(yù)測(cè)風(fēng)電功率，不僅給電力調(diào)度部門提供較準(zhǔn)確的調(diào)度決策依據(jù)，而且為風(fēng)電企業(yè)提高經(jīng)濟(jì)效益，降低運(yùn)營(yíng)維護(hù)成本。

為提高風(fēng)電功率預(yù)測(cè)精度，以機(jī)器學(xué)習(xí)模型為代表的風(fēng)電功率預(yù)測(cè)模型研究成為一大研究熱點(diǎn)。現(xiàn)有模型改進(jìn)方法包括單一模型改進(jìn)和模型組合。在模型改進(jìn)方面，群體智能算法被廣泛應(yīng)用于風(fēng)電功率預(yù)測(cè)，大幅提升了模型預(yù)測(cè)性能，然而，群體智能算法普遍存在初始種群，隨機(jī)分布不均勻，影響種群多樣性與個(gè)體收斂速度的問(wèn)題。為此，學(xué)者們進(jìn)一步提出了多種改進(jìn)群體智能算法，主要是與智能優(yōu)化算法的組合、與改進(jìn)策略的融合，常見(jiàn)改進(jìn)策略有反向?qū)W習(xí)、重選精英個(gè)體和混沌映射法[5]。文獻(xiàn)[6]利用混沌映射融合反向?qū)W習(xí)方法，實(shí)現(xiàn)初始化多元宇宙算法、增加尋優(yōu)能力。文獻(xiàn)[7]通過(guò)引入精英個(gè)體重選策略，降低陷入局部最優(yōu)風(fēng)險(xiǎn)，提高求解效率。在模型組合方面，文獻(xiàn)[8]通過(guò)長(zhǎng)短期記憶（long short-term memory，LSTM）與極限梯度提升樹(shù)（eXtreme gradient boosting，XGBoost）加權(quán)組合預(yù)測(cè)，調(diào)整2個(gè)模型預(yù)測(cè)值的誤差權(quán)值，減小風(fēng)電功率預(yù)測(cè)誤差。

綜上所述，可通過(guò)模型改進(jìn)與組合提高預(yù)測(cè)精度，然而，除預(yù)測(cè)算法選擇和改進(jìn)外，原始數(shù)據(jù)的劃分是影響風(fēng)電功率預(yù)測(cè)精度的另一大主要因素[9]。

常見(jiàn)傳統(tǒng)的數(shù)據(jù)劃分方法有季節(jié)劃分法和月劃分法，均是按照固定時(shí)間點(diǎn)單一地劃分?jǐn)?shù)據(jù)區(qū)間，操作簡(jiǎn)單。但未考慮風(fēng)速的地區(qū)差異性，沒(méi)有對(duì)風(fēng)電場(chǎng)具體分析確立出適合當(dāng)?shù)仫L(fēng)電場(chǎng)的預(yù)測(cè)方法。本文提出一種考慮地區(qū)性的動(dòng)態(tài)劃分風(fēng)電功率預(yù)測(cè)方法，在模型算法的選擇上結(jié)合動(dòng)態(tài)區(qū)間劃分方法，共同提高風(fēng)電功率預(yù)測(cè)準(zhǔn)確度。

1ISSA-BP的預(yù)測(cè)模型建立

1.1卡爾曼濾波（kalman filtering，KF）

KF是一種結(jié)合先驗(yàn)經(jīng)驗(yàn)、當(dāng)前測(cè)量值以及測(cè)量更新的狀態(tài)估計(jì)算法，也是最優(yōu)化自回歸數(shù)據(jù)處理算法，由式（1）～式（3）得到卡爾曼濾波估計(jì)值。KF具有良好的平滑濾波和削減噪聲的數(shù)據(jù)處理能力，KF后的曲線作為可視化分析的直接依據(jù)，實(shí)現(xiàn)區(qū)間動(dòng)態(tài)劃分。

1）根據(jù)上一時(shí)刻狀態(tài)值估計(jì)當(dāng)前狀態(tài)值及其協(xié)方差：

Xi=X′i－1Pi=Pi－1+vi（1）

式中：X′i-1為i-1時(shí)刻后驗(yàn)狀態(tài)估計(jì)值，作為KF得到的最優(yōu)估計(jì)值，即最終濾波結(jié)果；Pi為先驗(yàn)估計(jì)協(xié)方差；vi為狀態(tài)過(guò)程噪聲V的協(xié)方差。

2）計(jì)算卡爾曼增益矩陣：

Ki=PiPi+wi（2）

式中：wi為測(cè)量噪聲W的協(xié)方差。

3）用測(cè)量值修正狀態(tài)估計(jì)值及其協(xié)方差：

X′i=Xi+ki（Yi－Xi）P′i=（1－Ki）Pi（3）

式中：P′i為后驗(yàn)估計(jì)協(xié)方差。

1.2可視化分析及動(dòng)態(tài)劃分區(qū)間

對(duì)上節(jié)所述后驗(yàn)估計(jì)曲線進(jìn)行幅度波動(dòng)的可視化分析，并確定動(dòng)態(tài)劃分區(qū)間的第一、第二以及第三時(shí)間點(diǎn)。可視化步驟如下，流程圖見(jiàn)圖1。

1）計(jì)算后驗(yàn)估計(jì)曲線的相鄰元素差值向量以及變向點(diǎn)的索引向量，并歸一化處理。

2）繪制出后驗(yàn)估計(jì)曲線的波動(dòng)幅度曲線，其中X軸為樣本編號(hào)N，Y軸為波動(dòng)幅度。

3）找出波動(dòng)幅度曲線中數(shù)值排前三的3個(gè)極大值點(diǎn)，它們所對(duì)應(yīng)的橫坐標(biāo)值確定為第一、第二以及第三時(shí)間點(diǎn)，從而將后驗(yàn)估計(jì)曲線在X軸動(dòng)態(tài)劃分為4個(gè)區(qū)間。

1.3改進(jìn)麻雀搜索算法（improvement sparrow search algorithm，ISSA）優(yōu)化反向傳播算法（back propagation，BP）算法

1.3.1ISSA

麻雀搜索算法（sparrow search algorithm，SSA）是從麻雀的覓食行為與反哺行為中得到啟發(fā)而提出，利用生物特性進(jìn)行迭代尋優(yōu)。根據(jù)麻雀在覓食中的角色，分為兩類：從不同空間搜索食物的發(fā)現(xiàn)者；從發(fā)現(xiàn)者獲得食物的加入者。所有麻雀中能成功覺(jué)察到捕食者的麻雀稱為覺(jué)察者。

由n只麻雀組成的種群表示為X=[x1，x2，…，xn]T。每個(gè)麻雀對(duì)應(yīng)的適應(yīng)度值構(gòu)成的適應(yīng)度矩陣為：F=[f（x1），f（x2），…，f（xn）]T。其中，每個(gè)麻雀的適應(yīng)度函數(shù)為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后網(wǎng)絡(luò)結(jié)構(gòu)的均方誤差平均值，誤差越小其適應(yīng)能力越強(qiáng)。適應(yīng)度函數(shù)是通過(guò)多次迭代更新麻雀?jìng)€(gè)體位置，篩選出達(dá)到設(shè)定收斂精度的適應(yīng)度值，從而實(shí)現(xiàn)權(quán)重與閾值的參數(shù)優(yōu)化。

第t次迭代時(shí)，發(fā)現(xiàn)者麻雀根據(jù)R2與ST的大小關(guān)系，按式（4）更新位置：

Xt+1i，j=Xti，j·exp（－iα·itermax），R2ST（4）

式中：Xti，j為第i只麻雀的第j個(gè)維度位置值；itermax為最大的迭代次數(shù)；R2、ST分別為警報(bào)值、安全閾值，取值范圍對(duì)應(yīng)為[0，1.0]、[0.5，1.0]；α、Q為隨機(jī)數(shù)；L為內(nèi)部元素全為1的1×j矩陣。R2>ST為捕食者出現(xiàn)，需轉(zhuǎn)移至安全位置；R2

加入者為了增加捕食率，會(huì)與發(fā)現(xiàn)者進(jìn)行爭(zhēng)奪食物。加入者更新位置如式（5）所示：

Xt+1i，j=Q·exp（Xtworst－Xti，ji2），i>n2Xti，j+Xti，j－XtP·A·L，i≤n2（5）

式中：Xt+1p為發(fā)現(xiàn)者的最優(yōu)位置；Xtworst為最劣位置；A為1或者-1的1行j維矩陣，且A*=AT（AAT）-1；n為加入者數(shù)量。當(dāng)i>n/2時(shí)，代表適應(yīng)度較差后一半的加入者i爭(zhēng)奪食物失敗，移動(dòng)到其他位置覓食；當(dāng)i≤n/2時(shí)，代表在最優(yōu)位置附近跟隨發(fā)現(xiàn)者繼續(xù)移動(dòng)。

第i個(gè)覺(jué)察者的適應(yīng)度值與當(dāng)前總麻雀中最高適應(yīng)度值進(jìn)行比較，覺(jué)察者位置更新如下：

Xt+1i，j=Xtbest+β·Xti，j－Xtbest，fi≠fgXti，j+K·（Xti，j－Xtworst（fi－fw）+μ），fi=fg（6）

式中：Xbest、Xworst為當(dāng)前全局最優(yōu)、最劣位置；β為步長(zhǎng)控制參數(shù)，β～N（0，1）；fw為最差的適應(yīng)度函數(shù)值；μ取值極小，避免分母無(wú)意義；fi為當(dāng)前麻雀?jìng)€(gè)體的適應(yīng)度值，fg為全局最佳適應(yīng)度值，fi≠fg，代表麻雀在群體邊緣，易受到捕食者攻擊；fi＝fg，代表種群中間的麻雀察覺(jué)到了危險(xiǎn)，需靠近其他麻雀，避免被捕食；K為麻雀移動(dòng)的方向，K∈[-1，1]。

利用Tent混沌映射法優(yōu)化麻雀搜索算法的初始種群，增加初始種群的分布均衡性和多樣性，解決因起始搜索點(diǎn)選擇不當(dāng)導(dǎo)致的搜索時(shí)間過(guò)長(zhǎng)的問(wèn)題，計(jì)算式為

xt+1=xtu，0≤xt

式中：t為映射次數(shù)；xt為第次映射函數(shù)值；Tent映射一般取u=0.5，為最經(jīng)典的形式。

1.3.2BP算法

BP算法是目前應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)，有d個(gè)輸入、l個(gè)輸出、q個(gè)隱藏層神經(jīng)元，見(jiàn)圖2，通過(guò)適應(yīng)度函數(shù)不斷優(yōu)化網(wǎng)絡(luò)各層連接權(quán)值（V1h、Vih、Vdh、W1j、W2j、Whj及Wqj）和神經(jīng)元內(nèi)的閾值（隱含層閾值，輸出層閾值）。參數(shù)如下：訓(xùn)練次數(shù)為1 000、學(xué)習(xí)速率為0.01、訓(xùn)練目標(biāo)最小誤差取0.000 001。利用ISSA優(yōu)化BP算法的連接權(quán)和閾值，建立ISSA-BP的預(yù)測(cè)模型。

2基于區(qū)間動(dòng)態(tài)劃分的ISSA-BP預(yù)測(cè)方法

2.1模型的評(píng)價(jià)指標(biāo)

通常選用均方根誤差（eRMSE）、平均絕對(duì)誤差（eMAE）2個(gè)誤差評(píng)價(jià)指標(biāo)來(lái)評(píng)估風(fēng)電功率的預(yù)測(cè)精度，計(jì)算公式如下[10]：

eRMSE=1n∑ni=1xi－yi2（8）

eMAE=1n∑ni=1xi－yi（9）

式中：n為樣本數(shù)；xi為真實(shí)值；yi為預(yù)測(cè)值。

2.2模型預(yù)測(cè)的實(shí)施步驟

動(dòng)態(tài)劃分區(qū)間的ISSA-BP算法流程圖見(jiàn)圖3，具體步驟為：

1）歷史的風(fēng)電功率、氣象數(shù)據(jù)，作為原始數(shù)據(jù)并進(jìn)行異常值剔除、缺失值填補(bǔ)的清洗。鑒于皮爾遜相關(guān)性分析中風(fēng)速與風(fēng)電功率相關(guān)性最大，因此，提取風(fēng)速數(shù)據(jù)進(jìn)行KF。

2）提取KF后的后驗(yàn)估計(jì)曲線，進(jìn)行波動(dòng)幅度可視化分析，通過(guò)確定的第一、第二以及第三時(shí)間點(diǎn)將一年數(shù)據(jù)動(dòng)態(tài)劃分為4個(gè)區(qū)間。建立動(dòng)態(tài)區(qū)間的4組數(shù)據(jù)集，同一組訓(xùn)練、測(cè)試樣本來(lái)源于每一區(qū)間對(duì)應(yīng)時(shí)間內(nèi)數(shù)據(jù)，所選數(shù)據(jù)僅與區(qū)間有關(guān)，與年份無(wú)關(guān)，既可來(lái)源于同一年相同的區(qū)間，也可以是不同年份相同的區(qū)間。

3）確定每個(gè)區(qū)間中BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)：由經(jīng)驗(yàn)公式N=（m+n）+a確定隱含層節(jié)點(diǎn)數(shù)，其中，m為輸入層節(jié)點(diǎn)個(gè)數(shù)；n為輸出層節(jié)點(diǎn)個(gè)數(shù)；a為1～10之間的整數(shù)。當(dāng)網(wǎng)絡(luò)輸出層誤差小于設(shè)定誤差時(shí)，將更新最佳的隱含層節(jié)點(diǎn)，從而構(gòu)建最佳隱含層節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)。

4）初始化SSA參數(shù)：初始種群規(guī)模取20；最大進(jìn)化代數(shù)為20；發(fā)現(xiàn)者比例為0.7；加入者比例為0.3；覺(jué)察者比例為0.2。

5）Tent混沌映射使種群位置分布均勻，計(jì)算出最高適應(yīng)度的個(gè)體作為初始種群。

6）對(duì)每只麻雀初始適應(yīng)度值進(jìn)行排序，確定當(dāng)前最優(yōu)、最差適應(yīng)度值的麻雀及與之對(duì)應(yīng)的位置。種群中的每個(gè)麻雀?jìng)€(gè)體的位置代表BP網(wǎng)絡(luò)中的初始權(quán)重和閾值。

7）發(fā)現(xiàn)者、加入者和覺(jué)察者位置更新，排序更新，并將更新后的適應(yīng)度值與最優(yōu)適應(yīng)度值比較，達(dá)到最初設(shè)定的收斂精度后輸出最高適應(yīng)度的最優(yōu)麻雀?jìng)€(gè)體的位置，實(shí)現(xiàn)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值。

8）計(jì)算網(wǎng)絡(luò)誤差，權(quán)值的更新，判斷誤差是否滿足要求，直到相鄰兩次誤差之間的差別小于設(shè)定值結(jié)束訓(xùn)練。

9）運(yùn)用訓(xùn)練好的ISSA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行區(qū)間預(yù)測(cè)。

3仿真分析

3.1數(shù)據(jù)來(lái)源

原始數(shù)據(jù)為南方某地區(qū)風(fēng)電場(chǎng)站提供的 2021年9月1日至 2022年8月31日的實(shí)測(cè)風(fēng)電功率數(shù)據(jù)以及所對(duì)應(yīng)的風(fēng)速、氣溫、風(fēng)向、濕度和氣壓5項(xiàng)氣象數(shù)據(jù)。原始數(shù)據(jù)經(jīng)數(shù)據(jù)清洗后，得到共15 328組實(shí)驗(yàn)數(shù)據(jù)，采樣點(diǎn)以15 min為間隔進(jìn)行預(yù)測(cè)。圖4展示的是風(fēng)電機(jī)組正常運(yùn)行時(shí)連續(xù)125 h的風(fēng)電功率數(shù)據(jù)，共計(jì)500個(gè)點(diǎn)。

3.2KF以及波動(dòng)幅度可視化分析

將清洗后的風(fēng)速實(shí)驗(yàn)數(shù)據(jù)采用KF后，剔除了原風(fēng)速變化中的隨機(jī)擾動(dòng)噪聲，使得風(fēng)速數(shù)據(jù)更加接近場(chǎng)站的真實(shí)工作狀態(tài)，風(fēng)速曲線更加平滑、精度更高，增強(qiáng)了風(fēng)速數(shù)據(jù)的趨勢(shì)性特征，更加真實(shí)與直觀，提取出變化趨勢(shì)明顯的風(fēng)速曲線（后驗(yàn)估計(jì)曲線）見(jiàn)圖5。對(duì)后驗(yàn)估計(jì)曲線進(jìn)行波動(dòng)幅度可視化分析得到圖6，曲線中A、B和C點(diǎn)的X軸刻度值4 621、7 904和9 096確定為第一、第二以及第三時(shí)間點(diǎn)，進(jìn)行4個(gè)區(qū)間分段預(yù)測(cè)。

3.3模型預(yù)測(cè)結(jié)果及分析

為了驗(yàn)證所提基于風(fēng)速波動(dòng)幅度動(dòng)態(tài)劃分區(qū)間預(yù)測(cè)風(fēng)電功率的有效性，將原始數(shù)據(jù)按傳統(tǒng)的固定時(shí)間點(diǎn)劃分為傳統(tǒng)季節(jié)劃分法、陽(yáng)歷月份劃分法與所提動(dòng)態(tài)劃分區(qū)間法分別建立4組、12組與4組數(shù)據(jù)樣本集，將每個(gè)數(shù)據(jù)集導(dǎo)入ISSA-BP模型進(jìn)行訓(xùn)練，每組數(shù)據(jù)樣本按照8：2（訓(xùn)練集：測(cè)試集）劃分為訓(xùn)練樣本和測(cè)試樣本。不同劃分方法下預(yù)測(cè)集的平均預(yù)測(cè)誤差指標(biāo)結(jié)果見(jiàn)表1。

由表1可知，所提動(dòng)態(tài)劃分區(qū)間法的均方根誤差eRMSE比季節(jié)劃分法和陽(yáng)歷月份劃分法分別減少2.634%和6.701%；平均絕對(duì)誤差eMAE相應(yīng)分別減少4.236%和7.964%。證明了樣本數(shù)據(jù)的動(dòng)態(tài)劃分區(qū)間法可明顯提高預(yù)測(cè)精度。

為了驗(yàn)證所建ISSA-BP預(yù)測(cè)模型的有效性，與傳統(tǒng)BP、SSA-BP、SSA-XGBoost模型進(jìn)行對(duì)比，采用動(dòng)態(tài)劃分區(qū)間法，模型參數(shù)一致，其預(yù)測(cè)集在4個(gè)區(qū)間下的平均誤差結(jié)果對(duì)比如表2所示。由表2可知，采用ISSA-BP模型的eERME比BP、SSA-BP、SSA-XGBoost分別減少37.834％、9.557％和23.456％；eMAE相應(yīng)分別減少30.854％、8.900％和18.860％。經(jīng)過(guò)數(shù)據(jù)對(duì)比，所提模型在預(yù)測(cè)精度上比其他模型大幅提高。

將ISSA-BP模型與傳統(tǒng)BP、SSA-BP、SSA-XGBoost模型在動(dòng)態(tài)劃分法的4個(gè)區(qū)間進(jìn)行分段預(yù)測(cè)，得到預(yù)測(cè)集中預(yù)測(cè)值和真實(shí)值結(jié)果對(duì)比局部圖，見(jiàn)圖7～10。

4結(jié)論

基于不同地區(qū)KF后風(fēng)速波動(dòng)情況不同，即風(fēng)速波動(dòng)幅度曲線中第一、第二以及第三時(shí)間點(diǎn)出現(xiàn)的位置有所偏差，如果按傳統(tǒng)劃分法中固定時(shí)間點(diǎn)劃分一年數(shù)據(jù)，按一刀切的時(shí)間點(diǎn)進(jìn)行分段預(yù)測(cè)時(shí)，易出現(xiàn)預(yù)測(cè)精度不高的問(wèn)題，本文提出基于風(fēng)速波動(dòng)幅度動(dòng)態(tài)區(qū)間劃分的ISSA-BP風(fēng)電功率預(yù)測(cè)方法，通過(guò)對(duì)風(fēng)速波動(dòng)幅度可視化分析，由第一、第二以及第三時(shí)間點(diǎn)動(dòng)態(tài)劃分全年數(shù)據(jù)，能夠解決地區(qū)性的誤差，有效處理原始數(shù)據(jù)樣本，減小風(fēng)電的預(yù)測(cè)功率與期望的誤差值。在模型的選擇與數(shù)據(jù)集的劃分上共同提高模型的預(yù)測(cè)精度，主要結(jié)論如下：

1）建立的ISSA-BP模型與BP、SSA-BP、SSA-XGBoost模型進(jìn)行對(duì)比，均方根誤差eRMSE分別減少37.834％、9.557％和23.456％，大幅度提高了風(fēng)電功率預(yù)測(cè)的精度。

2）提出的動(dòng)態(tài)劃分區(qū)間法與季節(jié)劃分法、陽(yáng)歷月份劃分法相比較，平均絕對(duì)誤差eMAE分別減少了6.701％和7.964％。

參考文獻(xiàn)：

[1]王新寶， 葛景， 韓連山， 等. 構(gòu)網(wǎng)型儲(chǔ)能支撐新型電力系統(tǒng)建設(shè)的思考與實(shí)踐[J]. 電力系統(tǒng)保護(hù)與控制， 2023， 51（5）： 172-179.

[2]中國(guó)可再生能源學(xué)會(huì)風(fēng)能專業(yè)委員會(huì). 2022年中國(guó)風(fēng)電吊裝容量統(tǒng)計(jì)簡(jiǎn)報(bào)[J]. 風(fēng)能， 2023（4）： 40-56.

[3]李夢(mèng)潔. 基于風(fēng)電信號(hào)特性分析的風(fēng)電功率預(yù)測(cè)研究[D]. 徐州： 中國(guó)礦業(yè)大學(xué)， 2023.

[4]聶永輝， 吳永慶， 蔡國(guó)偉， 等. 基于隨機(jī)預(yù)測(cè)理論的雙饋風(fēng)電機(jī)組參與電網(wǎng)調(diào)頻控制策略研究[J/OL]. 中國(guó)電機(jī)工程學(xué)報(bào)： 1-13[2023-06-27].

[5]項(xiàng)長(zhǎng)生， 施昊， 楊睿. 基于模態(tài)頻率應(yīng)變能熵和Tent—SSA—BP神經(jīng)網(wǎng)絡(luò)的橋梁損傷識(shí)別方法的研究[J]. 公路， 2023， 68（3）： 143-150.

[6]何鑫， 雷勇， 王進(jìn)武， 等. 基于變分模態(tài)和改進(jìn)多元宇宙優(yōu)化的短期風(fēng)電功率預(yù)測(cè)[J/OL]. 現(xiàn)代電力： 1-10[2023-04-24].

[7]黎素涵， 葉春明. 重選精英個(gè)體的非線性收斂灰狼優(yōu)化算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2021， 57（1）： 62-68.

[8]王愈軒， 梁沁雯， 章思遠(yuǎn)， 等. 基于LSTM-XGboost組合的超短期風(fēng)電功率預(yù)測(cè)方法[J]. 科學(xué)技術(shù)與工程， 2022， 22（14）： 5629-5635.

[9]唐新姿， 顧能偉， 黃軒晴， 等. 風(fēng)電功率短期預(yù)測(cè)技術(shù)研究進(jìn)展[J]. 機(jī)械工程學(xué)報(bào)， 2022， 58（12）： 213-236.

[10]朱宗玖， 刁海岸. 基于深度神經(jīng)網(wǎng)絡(luò)算法的風(fēng)電功率短期預(yù)測(cè)模型[J]. 邵陽(yáng)學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2022， 19 （4）： 1-9.