基于贝叶斯岭回归的光伏发电预测方法及装置制造方法及图纸

本发明专利技术提供了一种基于贝叶斯岭回归的光伏发电预测方法及装置，涉及光伏发电预测的技术领域，所述方法包括：发送第一数据获取指令以获取第一光伏出力历史数据集，光伏出力历史数据集包括t时刻光伏出力数据以及气象数据；发送数据归一化指令以对气象数据进行归一化以获取第二光伏出力历史数据集；发送构建支持向量机模型，并利用第二光伏出力历史数据集对支持向量机模型进行训练以获取训练后的向量机模型。通过本发明专利技术提供的方法及装置可以在预测过程中考虑到异常数据对预测结果的影响，实现光伏发电预测，能够有效降低数据异常对预测结果的影响，提升预测方法的鲁棒性，并输出预测结果的概率分布，为后续电网的优化调度提供决策支持。决策支持。决策支持。

【技术实现步骤摘要】
基于贝叶斯岭回归的光伏发电预测方法及装置


[0001]本专利技术涉及光伏发电预测的
，尤其是涉及一种基于贝叶斯岭回归的光伏发电预测方法及装置。

技术介绍

[0002]近年来，能源安全、气候变化、环境污染等问题越来越成为影响经济社会绿色可持续发展的制约因素，世界各国把发展以风电、光伏等为代表的新能源作为实现绿色低碳发展的关键途径。精准可靠的预测可以提前预知新能源电力系统中预测对象未来的发展变化趋势，是促进新能源消纳的关键技术之一，能够为电力系统安全和经济运行提供关键信息支撑。
[0003]根据预测的时间尺度，光伏发电预测分为超短期预测、短期预测和中长期预测。根据预测结果的形式可以分为概率预测、区间预测和点预测。人工神经网络进行功率预测其实现摆脱了过分依赖人工经验提取的特征，将极端学习机方法(ELM)和相似性方法结合，降低了新能源功率随机性的干扰。在在极限学习机方法基础上利用遗传算法的核函数，这种方法能够有效地解决传统神经网络算法常常陷入局部最优难以求解全局最优点、以及训练和学习速度慢消耗大量的训练时间和训练资源等缺点，然而在现有技术中核函数并未考虑到异常数据对光伏预测的影响，使得系统的鲁棒性有待提高，使得光伏预测的可参考性有待提高。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于贝叶斯岭回归的光伏发电预测方法及装置，以提升预测方法的鲁棒性，并输出预测结果的概率分布，为后续电网的优化调度提供决策支持。
[0005]本专利技术提供了一种基于贝叶斯岭回归的光伏发电预测方法，具体包括如下步骤：
[0006]发送第一数据获取指令以获取第一光伏出力历史数据集，所述光伏出力历史数据集包括t时刻光伏出力数据以及气象数据；
[0007]发送数据归一化指令以对所述气象数据进行归一化以获取第二光伏出力历史数据集；
[0008]发送构建支持向量机模型，并利用所述第二光伏出力历史数据集对所述支持向量机模型进行训练以获取训练后的向量机模型。
[0009]优选的，所述构建支持向量机模型，并利用所述第二光伏出力历史数据集对所述支持向量机模型进行训练的步骤之后，所述方法还包括：
[0010]构建贝叶斯岭回归模型，利用所述第二光伏出力历史数据集对所述贝叶斯岭回归模型进行训练以获取训练后的贝叶斯岭回归模型。
[0011]优选的，所述方法还包括：
[0012]发送第二数据指令以获取待预测的气象数据，并对所述待预测的气象数据进行归
一化处理；
[0013]基于归一化处理后的所述待预测的气象数据、训练后的支持向量机模型对所述归一化处理后的所述待预测的气象数据进行异常数据判定以及缺失值插补，并基于训练后的贝叶斯岭回归模型进行光伏出力预测。
[0014]优选的，所述气象数据包括t时刻的太阳辐射、环境温度、风速、云量数据。
[0015]优选的，采用如下公式对所述气象数据进行归一化以获取第二光伏出力历史数据集
[0016][0017]μ
‑
样本数据的均值；
[0018]σ
‑
样本数据的标准差；
[0019]x
gk
‑
气象数据中第g行第k列的数据。
[0020]优选的，所述发送构建支持向量机模型，并利用所述第二光伏出力历史数据集对所述支持向量机模型进行训练以获取训练后的向量机模型的步骤包括：
[0021]构建支持向量机模型，并在所述第二光伏出力历史数据集中添加白噪声扰动生成异常数据；
[0022]基于所述白噪声扰动生成异常数据以及所述支持向量机模型对异常数据进行判别，并对异常数据进行缺失值插补以对对所述支持向量机模型进行训练。
[0023]优选的，所述基于所述白噪声扰动生成异常数据以及所述支持向量机模型对异常数据进行判别，并对异常数据进行缺失值插补以对对所述支持向量机模型进行训练的步骤中，所述支持向量机模型的决策函数如下：
[0024][0025]‑
核函数；
[0026]sgn
‑
符号函数；
[0027]α
i
≥0
‑
样本i的拉格朗日乘子；
[0028]ω
‑
权重向量；
[0029]b
‑
常数项；
[0030]y
i
‑
布尔变量，如果样本i为异常数据y
i
＝
‑
1，反之，y
i
＝1；
[0031]N
‑
训练数据的总个数。
[0032][0033][0034]其中，x
‑
缺失值的下标；
[0035]x
i
‑
非缺失值y
i
的下标；
[0036]x
j
‑
非缺失值y
j
的下标，
[0037]L
n
(x)
‑
缺失值的插值结果。
[0038]L
i
(x)
‑
插值线性基函数；
[0039]n为缺失值前后的数据的个数。
[0040]优选的，所述构建贝叶斯岭回归模型，利用所述第二光伏出力历史数据集对所述贝叶斯岭回归模型进行训练以获取训练后的贝叶斯岭回归模型的步骤包括：
[0041]采用如下公式对所述贝叶斯岭回归模型进行训练：
[0042][0043][0044]n
‑
样本空间维度；m为样本容量；
[0045]‑
输入向量x的非线性函数，其中
[0046]t
i
为第i个观测值，训练模型时所用的光伏出力值；
[0047]ω表示模型的参数；
[0048]t
i
＝y(x
i
，ω)+ε，ε为噪声。
[0049]优选的，ε，ω分别服从高斯分布和则是t以y(x，ω)为均值的高斯分布，t的条件概率密度函数如下：
[0050][0051]ω的先验概率如下：
[0052][0053]依据贝叶斯规则有：
[0054][0055][0056]式中，p(ω|t)为参数的后验概率；p(t)为与ω无关的常数；c为常数。
[0057]另一方面，本专利技术提供了一种基于贝叶斯岭回归的光伏发电预测装置，包括：
[0058]第一数据获取模块：用于发送第一数据获取指令以获取第一光伏出力历史数据集，所述光伏出力历史数据集包括t时刻光伏出力数据以及气象数据；
[0059]归一化模块：用于发送数据归一化指令以对所述气象数据进行归一化以获取第二光伏出力历史数据集；
[0060]支持向量机模型构建模块：用于发送构建支持向量机模型，并利用所述第二光伏出力历史数据集对所述支持向量机模型进行训练以获取训练后的向量机模型。
[0061]本专利技术实施例带来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯岭回归的光伏发电预测方法，其特征在于，具体包括如下步骤：发送第一数据获取指令以获取第一光伏出力历史数据集，所述光伏出力历史数据集包括t时刻光伏出力数据以及气象数据；发送数据归一化指令以对所述气象数据进行归一化以获取第二光伏出力历史数据集；发送构建支持向量机模型，并利用所述第二光伏出力历史数据集对所述支持向量机模型进行训练以获取训练后的向量机模型。2.根据权利要求1所述的方法，其特征在于，所述构建支持向量机模型，并利用所述第二光伏出力历史数据集对所述支持向量机模型进行训练的步骤之后，所述方法还包括：构建贝叶斯岭回归模型，利用所述第二光伏出力历史数据集对所述贝叶斯岭回归模型进行训练以获取训练后的贝叶斯岭回归模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：发送第二数据指令以获取待预测的气象数据，并对所述待预测的气象数据进行归一化处理；基于归一化处理后的所述待预测的气象数据、训练后的支持向量机模型对所述归一化处理后的所述待预测的气象数据进行异常数据判定以及缺失值插补，并基于训练后的贝叶斯岭回归模型进行光伏出力预测。4.根据权利要求1所述的方法，其特征在于，所述气象数据包括t时刻的太阳辐射、环境温度、风速、云量数据。5.根据权利要求1所述的方法，其特征在于，采用如下公式对所述气象数据进行归一化以获取第二光伏出力历史数据集μ
‑
样本数据的均值；σ
‑
样本数据的标准差；x
gk
‑
气象数据中第g行第k列的数据。6.根据权利要求2所述的方法，其特征在于，所述发送构建支持向量机模型，并利用所述第二光伏出力历史数据集对所述支持向量机模型进行训练以获取训练后的向量机模型的步骤包括：构建支持向量机模型，并在所述第二光伏出力历史数据集中添加白噪声扰动生成异常数据；基于所述白噪声扰动生成异常数据以及所述支持向量机模型对异常数据进行判别，并对异常数据进行缺失值插补以对对所述支持向量机模型进行训练。7.根据权利要求6所述的方法，其特征在于，所述基于所述白噪声扰动生成异常数据以及所述支持向量机模型对异常数据进行判别，并对异常数据进行缺失值插补以对对所述支持向量机模型进行训练的步骤中，所述支持向量机模型的决策函数如下：持向量机模型进行训练的步骤中，所述支持向量机模型的决策函数如下：
‑
核函数；sgn
‑
符号函数；
α

【专利技术属性】
技术研发人员：刘静利，晋飞，刘晓亮，周玉，张同军，王磊，秦扬，邢方方，陈警钰，王晨，曹凯，王鹤飞，曹春刚，庄士成，张斌，商秀娟，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：