一种基于迁移学习的小样本场景下光伏出力区间预测方法技术

本发明专利技术公开一种基于迁移学习的小样本场景下光伏出力区间预测方法，该预测方法包括以下步骤：对数据进行收集并对数据预处理后生成训练所需样本数据集，提出光伏出力预测区间评价指标并初始化模型的整体参数，构建基于极限学习机的基础区间边界预测模型，分别建立满足覆盖率需求的预测区间上下边界，并基于直接分位数回归的方法优化模型参数，利用两阶段数据迁移算法构建小样本场景下光伏出力区间预测模型。本发明专利技术预测方法，构建区间上下边界预测模型，通过所提数据迁移方法，建立小样本场景下光伏出力区间预测模型，显著提升了训练数据不足场景下的预测效果。不足场景下的预测效果。不足场景下的预测效果。

【技术实现步骤摘要】
一种基于迁移学习的小样本场景下光伏出力区间预测方法


[0001]本专利技术涉及光伏出力预测
，具体是一种小样本场景下的光伏出力区间预测方法。

技术介绍

[0002]随着电力系统中光伏渗透率的迅速提高，准确的光伏出力预测对于电网电能质量、系统运行调度以及安全稳定运行愈发重要。目前，现有大多数研究主要集中于光伏出力点预测，其提供的确定性点预测结果缺乏对于光伏发电功率不确定性的评估，在实际运行调度过程受到一定约束。因此，反映光伏出力波动范围和不确定度的区间预测方法能够有效描述光伏出力的未来变化趋势。
[0003]此外，对于电力系统实际运行过程中的小样本场景，诸如新建光伏电站、极端天气和数据缺失等场景，光伏出力区间预测模型往往出于训练数据量不足而陷入严重过拟合的状态，导致预测准确度大大下降。如何有效弥补数据量的不足，提升小样本场景下光伏出力区间预测的性能，成为光伏出力预测领域亟需解决的问题之一。

技术实现思路

[0004]本专利技术的目的在于提供一种基于迁移学习的小样本场景下光伏出力区间预测方法，解决上述
技术介绍
中现有缺少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的小样本场景下光伏出力区间预测方法，其特征在于，所述预测方法包括以下步骤：步骤一、对数据进行收集，并对数据预处理后生成训练所需样本数据集；步骤二、提出光伏出力预测区间评价指标并初始化模型的整体参数；步骤三、构建基于极限学习机的基础区间边界预测模型，分别建立满足覆盖率需求的预测区间上下边界，并基于直接分位数回归的方法优化模型参数；步骤四、利用两阶段数据迁移算法构建小样本场景下光伏出力区间预测模型。2.根据权利要求1所述的一种基于迁移学习的小样本场景下光伏出力区间预测方法，其特征在于，所述步骤一中收集的样本数据的对象包括数据量短缺的预测目标域光伏电站以及其他样本量充足的源域光伏电站，收集的样本数据类型包括历史运行、环境监测以及数值天气预报数据。3.根据权利要求1所述的一种基于迁移学习的小样本场景下光伏出力区间预测方法，其特征在于，所述步骤二中光伏出力预测区间的评价指标包括区间覆盖率PICP、区间平均宽度PINAW和综合评价指标CWC；预测区间覆盖率PICP为其中N为数据集中样本的个数，函数衡量第t个预测点的实际y
t
是否在预测区间[l
t
,u
t
]之内，平均预测区间宽度PINAW为R为真实值的跨度，预测区间整体评价指标CWC为γ用于判断是否引入指数项，其中PINRW为预测区间归一化均方根宽度，4.根据权利要求1所述的一种基于迁移学习的小样本场景下光伏出力区间预测方法，其特征在于，所述步骤三中基础区间预测器由两个独立的极限学习机构成，两个独立的极限学习机分别用于拟合两个不同比例度α
u
和α
l
的分位数，以此作为预测区间的上下边界，其中比例度α
u
和α
l
需满足关系式α
u
–
α
l
＝PICP
*
。5.根据权利要求1所述的一种基于迁移学习的小样本场景下光伏出力区间预测方法，其特征在于，所述步骤三中所采用的直接分位数回归方法的步骤为：对于分位数回归对应
的Pinball损失函数，其形式为通过最小化该式可得对应于比例度α的分位数，其最终形式如下：该式可得对应于比例度α的分位数，其最终形式如下：该式可得对应于比例度α的分位数，其最终形式如下：该式可得对应于比例度α的分位数，其最终形式如下：其中ω
α
表示分位数拟合函数的参数；代表拟合比例度为α的分位数的拟合函数，即极限学习机；y
t
表示光伏出力真实值；x
t
代表输入数据；λ表示正则化系数；该式可由线性规划算法高效求解并生成预测区间上下边界。6.根据权利要求1所述的一种基于迁移学习的小样本场景下光伏出力区间预测方法，其特征在于，所述步骤四中利用所提出...

【专利技术属性】
技术研发人员：刘维亮，郁家麟，龙寰，耿润昊，吴志，陈鼎，周旻，钟伟东，
申请(专利权)人：东南大学，
类型：发明
国别省市：