基于QRA-LSTM的日前光伏功率非参数概率预测方法技术

本发明专利技术公开了基于QRA‑LSTM的日前光伏功率非参数概率预测方法，采用光伏历史数据和数值天气预报数据(NSW)训练了一组相互独立的长短期记忆网络(LSTM)确定性预测模型，并通过分位数回归平均算法(QRA)集成各独立LSTM预测模型生成了光伏出力的非参数概率预测模型。非参数概率预测能够描述单纯的确定性预测难以反映的不确定性问题，其结果具有更高的可信度。本发明专利技术能够有效避免确定性预测和概率预测分别孤立看待等问题，为调度人员的决策调度提供重要依据，应用价值和前景巨大。

【技术实现步骤摘要】
基于QRA-LSTM的日前光伏功率非参数概率预测方法
本专利技术属于光伏
，特别涉及了一种日前光伏功率非参数概率预测方法。
技术介绍
近年来光伏、风电等新能源发电得到了快速发展，世界范围内的光伏装机容量逐年提高。然而，随着电网中光伏的渗透率逐渐提高，光伏发电固有的不确定性和波动性对电网的安全运行和电能质量提出了挑战。为了尽可能地消纳光伏的并网功率，调度人员需要全面了解光伏的出力特性。短期日前光伏出力预测可以给出未来一天的光伏出力预测值，为调度人员的决策调度提供重要依据。传统光伏出力预测以确定性预测为主，按采用的方法不同主要可以分为：统计学模型、机器学习预测模型、基于数值天气预报的预测模型和基于天空或者卫星云图的预测模型。其中统计学模型主要包括多元回归模型、时间序列模型，机器学习模型主要包括神经网络、支持向量机、随机森林、长短期记忆网络(longshort-termmemory，LSTM)等模型，基于数值天气预报的预测模型主要利用数值天气预报(Numericalweatherprediction，NWP)给出的水平辐照度等信息结合光伏出力和本文档来自技高网...

【技术保护点】
1.一种基于QRA-LSTM的日前光伏功率非参数概率预测方法，其特征在于，包括以下步骤：/n(1)对光伏出力数据集P、辐照数据集I和气温数据集T分别采用极差归一化，并保存各自的最大值和最小值；/n(2)将步骤(1)中归一化的数据集P、I和T直接串联成一个数据集[P,I,T]，并将串联后的数据集以天为单位划分为训练集和验证集；/n(3)构造一组隐层神经元数各不相同且相互独立的LSTM网络，采用步骤(2)中划分的训练集进行训练，并利用交叉验证调节部分超参数，得到训练好的LSTM预测模型，用训练好的LSTM预测模型对步骤(2)中划分的验证集进行预测；/n(4)利用QRA算法和步骤(3)中得到的验证集...

【技术特征摘要】
1.一种基于QRA-LSTM的日前光伏功率非参数概率预测方法，其特征在于，包括以下步骤：
(1)对光伏出力数据集P、辐照数据集I和气温数据集T分别采用极差归一化，并保存各自的最大值和最小值；
(2)将步骤(1)中归一化的数据集P、I和T直接串联成一个数据集[P,I,T]，并将串联后的数据集以天为单位划分为训练集和验证集；
(3)构造一组隐层神经元数各不相同且相互独立的LSTM网络，采用步骤(2)中划分的训练集进行训练，并利用交叉验证调节部分超参数，得到训练好的LSTM预测模型，用训练好的LSTM预测模型对步骤(2)中划分的验证集进行预测；
(4)利用QRA算法和步骤(3)中得到的验证集预测结果，建立各概率条件下分位数的目标函数，求解各目标函数，得到各分位数下各独立LSTM预测模型的权重向量；
(5)利用训练好的一组独立LSTM预测模型结合气象数据和历史光伏出力数据进行日前光伏出力确定性预测，利用预测值与步骤(4)得到的权重向量求得归一化的日前光伏出力的分位数预测；
(6)基于步骤(1)中保存的最大值和最小值对步骤(5)得到分位数预测进行反归一化，得到分位数预测结果，实现非参数概率预测。


2.根据权利要求1所述基于QRA-LSTM的日前光伏功率非参数概率预测方法，其特征在于，在步骤(3)中，一组独立的LSTM网络采用待预测日前一日的光伏出力数据、待预测日当日的辐照数据和气温数据作为特征输入...

【专利技术属性】
技术研发人员：梅飞，江玉寒，陆继翔，陆进军，顾佳琪，张家堂，
申请(专利权)人：南瑞集团有限公司，河海大学，
类型：发明
国别省市：江苏;32