1.一种基于概率预测模型的短期风电功率预测方法，其特征在于，包括以下步骤：S1、由变分模态分解将风电功率历史数据分解为多个分量，针对每一维分量分别建立泄露积分型回声状态网络模型进行训练预测，将各个预测结果进行重构，得到风电功率点预测值；

S2、应用回声状态分位数回归网络对点预测的残差进行建模，将点预测值与历史数据作为输入特征，得到不同分位数条件之下的残差预测值；

S3、将点预测值与残差预测值进行整合，在点预测的基础上由残差预测进一步提高预测精度，得到风电功率的概率预测值。

2.如权利要求1所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，步骤S1中，所述变分模态分解将原始时间序列分解为K个固有模态分量，每个模态的带宽有限且具有不同的中心频率，使用交替方向乘子法和维纳滤噪法更新各模态分量的中心频率，同时将各模态函数解调到对应的基频带，最终实现所有模态分量重构之后近似等于原始时间序列和各模态分量带宽之和最小的目的；

原始时间序列被分解为K个分量，保证分解序列是具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，则相应约束表达式如下式所示：式中，k为需要分解的模态个数；uk为分解出的第k个模函数分量；ωk为分解出的第k阶模函数的中心频率；δ(t)为狄拉克函数；*为卷积运算符；f(t)为原始信号；求解目标函数即可得到uk，ωk的解；

为求解目标函数，引入二次惩罚项α和拉格朗日算子λ将约束变分问题转化为非约束变分问题，其中α控制时间序列有噪声时的重构精度，λ用于调节约束的严格性；增广拉格朗日表达式如下：式中，k为需要分解的模态个数；uk为分解出的第k个模函数分量；ωk为分解出的第k阶模函数的中心频率；δ(t)为狄拉克函数；*为卷积运算符；f(t)为原始信号；使用交替方向乘子法交替更新uk，ωk和λ即可求得式(1)的最优解。

3.如权利要求1所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，步骤S1中，变分模态分解先将风电功率历史数据分解得到K个模态，然后对每一个模态都建立LeakyESN进行训练预测，将各模态预测结果进行求和重构，得到风电功率的初步预测值；

所述Leaky ESN的储备池是由泄露积分型神经元组成，其神经元具有独立的状态动力学信息，利用各种方式来适应网络学习任务的时序特征；

T

假定输入层输入单元为u(k)＝[u1(k),u2(k),…,uK(k)] ，储备池的神经状态为x(k)＝T T[x1(k),x2(k),…,xN(k)] ，输出层输出单元为y(k)＝[y1(k),y2(k),…,yL(k)] ；Leaky ESN网络的状态更新方程为：in back

x(k+1)＝(1‑α)x(k)+αf(W u(k+1)+Wx(k)+W y(k))式中，f(·)表示神经元激活函数；u(k+1)表示系统在k+1时刻的输入单元；x(k)表示储in back备池状态向量在k时刻的取值；y(k)表示系统在k时刻的输出单元；W 、W、W 分别表示输入、储备池和反馈连接权矩阵；α是泄漏率；

ESN的输出方程为：

out out

y(k+1)＝f (W [u(k+1)，x(k+1)，y(k)])其中，y(k)和y(k+1)分别表示系统在k时刻和k+1时刻的输出单元；x(k+1)表示储备池out状态向量在k+1时刻的取值；u(k+1)表示系统在k+1时刻的输入单元；f (·)表示输出函out out数，根据问题的不同，f (·)可以取线性函数或者S型函数；W 表示输出连接权矩阵。

4.如权利要求1所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，步骤S2中，应用回声状态分位数回归网络对点预测的残差进行建模，得到不同分位数条件之下的残差预测值的方法：建立从输入层到隐含层的连接：

式中，tanh(·)为双曲正切函数，作为隐含层激活函数；xi,t为t时刻第i维输入变量；

gj,t为t时刻输入层第j个神经元的输出； 分别为输入层到隐含层的权重、偏置项；

在上式基础上建立从隐含层到输出层的连接：

式中， 为t时刻预测变量y的条件分位数估计；gj,t为t时刻输入层第j个神经元(a)的输出； b 分别为隐含层到时输出层的连接权重、偏置；f(·)表示输出函数；τ为预测变量的第τ分位点；w(τ)、b(τ)分别为τ分位点下的连接权重、偏置。

5.如权利要求1所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，步骤S2中，将分位数回归应用于ESN网络的训练过程，得到回声状态分位数回归网络；

所述ESN前向输出公式为：

out out

y(t+1)＝f (W (u(k+1),x(k+1)))式中，y(k+1)为系统在k+1时刻的输出单元；u(k+1)表示系统在k+1时刻的输入单元；xout out(k+1)表示储备池状态向量在k+1时刻的取值；f (·)表示激活函数；W 表示输出连接权矩阵；

将ESN输出层的输入向量定义为S(t)：

S(t)＝fconcate(u(k+1),x(k+1))式中，fconcate为将两向量纵向拼接函数；u(k+1)表示系统在k+1时刻的输入单元；x(k+1)表示储备池状态向量在k+1时刻的取值；

则回声状态分位数回归网络为：

out out

QY(τ|S)＝f (S,W (τ),b(τ))

out

式中，QY(τ|S)为预测变量Y关于输入向量S的τ分位点估计；f 为激活函数，通常选恒等out函数；W (τ)为输出层的权重矩阵；b(τ)为输出层的偏置；

定义模型的损失函数为：

式中，ρτ为τ分位数对应的概率；Yi为与网络输出对应的实际值；S为网络输出层的输入向量；

为了进一步提高模型的泛化能力，在损失函数中添加正则项：2

式中，f′cost为正则化后的损失函数；||·||为求矩阵的第二范数；

训练后得到τ分位点的权重矩阵和偏置向量，通过模型的前向传播预测变量Y在τ分位点的条件分布预测：式中， 为预测变量在τ分位点的条件分布预测；fout(·)表示激活函数；

为训练后的τ分位点的权重矩阵；S为网络输出层的输入向量； 为训练后的τ分位点的偏置向量。

6.如权利要求1所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，步骤S3中，将两个子模型得到的点预测值与残差预测值进行整合，用残差预测值对点预测值进行修正，具体方法为：S3.1.通过训练好的点预测模型，获得点预测值

式中，W和Xt表示点预测模型的参数和输入；f(·)表示输出函数；

S3.2.利用上述结果计算出预测残差：

式中，yt为最终的预测结果； 为点预测值；εt残差预测值；采用一系列的分位数来描述风电功率的分布：式中， 为点预测值； 和εt,q表示在q分位数下时间t的风电功率和残差；

S3.3将点预测值作为残差预测模型的输入特征，对残差进行预测：式中，εt,q为在q分位数下时间t的残差；gq和Wq为残差预测模型及相应参数；Xt表示点预测模型输入； 为点预测值。

7.如权利要求2所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，每个模态分量都能用一个调幅‑调频的模态函数uk(t)来表示，如：式中， 是uk(t)的即时相位，为非负的非递减函数；Ak(t)是uk(t)的瞬时幅值。

8.如权利要求3所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，out输出连接权矩阵W ，采用岭回归的方法获得，即：

out T T ‑1

W ＝YX(XX+θI)

式中，θ为正则化系数；I为单位矩阵；假设uteach(k)是训练样本的输入信号，yteach(k)是(K+N)*T训练样本的期望输出信号；把所有的uteach(k)和x(k)储存起来并用矩阵X∈R 的行来表L*T示，对应的目标输出值y(k)表示成Y∈R 的行向量。

9.如权利要求6所述的一种基于概率预测模型的短期风电功率预测方法，其特征在于，将点预测值与残差预测值进行整合，用残差预测值对点预测值进行修正，得到概率预测模型，该概率预测模型包括训练阶段和测试阶段，数据集包括点预测模型训练数据集、残差预测模型训练数据集、概率预测模型测试数据集；

在训练阶段，首先使用点预测模型训练数据集对点预测模型进行训练；应用此模型对残差预测模型训练数据集进行虚拟预测，进而结合点预测值和真实数据得到残差；接下来，将点预测结果与残差预测模型训练数据集中的历史数据和相关特征结合，训练残差预测模型；

在测试阶段，首先使用概率预测模型测试数据集中的历史数据和相关特征进行点预测；然后使用残差预测模型对残差数据进行建模，其中将点预测值与历史数据和其他相关特征一起用作输入特征，最后将点预测值与残差预测值合并以产生概率预测值。