基于模糊样本颗粒的光伏功率超短期非参数概率预测方法技术

本发明专利技术公开了一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，本发明专利技术首先分析光伏功率时间序列样本特性，结合数值天气预报中气象预报辐照数据，构造基于合并

【技术实现步骤摘要】
基于模糊样本颗粒的光伏功率超短期非参数概率预测方法


[0001]本专利技术涉及光伏功率超短期非参数概率预测技术，尤其涉及一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法。

技术介绍

[0002]近些年来，随着可再生能源装机容量的不断增加，光伏已经成为了最重要的可再生能源之一。然而光伏发电具有不确定性和随机性，限制了其应用和发展。传统的光伏功率预测集中于确定性预测，即点预测，缺少对不确定性的描述，无法给予电网控制、调度部门更为客观、全面的信息。有别于点预测方法直接预测一个确定的数值，概率区间预测方法计算一个预设置信区间下的预测范围。相较于传统的点预测，区间预测的结果可信度更高，可以为合理的电力调度等提供更为科学的数据参考。
[0003]目前，概率区间预测主要采用的是基于参数化模型。预测区间的构建基于两部分：点预测和不确定性分析。在点预测结束后，假设光伏功率预测误差满足某种分布，如β分布，标准正态分布等，然后根据预先假设的分布情况计算预测误差，再加上点预测值构成区间上下界限的计算。然而，实际光伏功率波动大、复杂性强，很难确定实际的误差分布情况。
[0004]基于分位数回归模型的概率区间预测方法越来越受技术人员重视，传统的线性分位数回归方法在统计学回归分析中常用来做回归分析和预测。为了改进传统的分位数回归模型，目前包括将极限学习机模型用于改进分位数回归方法，将线性模型改进为非线性模型。
[0005]聚类方法是最有效的数据挖掘技术之一，可以有效提高模型训练准确度。聚类理论如层次聚类法已经广泛用于功率预测技术，目前主要是针对确定预测模型。现有的基于聚类方法的概率预测模型主要是针对基于参数化模型方法，即先基于聚类方法进行确定性预测，然后再分析预测误差计算预测区间。由于确定性预测方法受限于误差假设的准确性，且多次迭代计算与样本距离的异常值易降低样本聚类精度，因此，研究基于聚类方法和非参数化模型的概率预测方法很有意义。

技术实现思路

[0006]专利技术目的：本专利技术针对现有技术存在的问题，提供一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，提高光伏功率预测的可信度。
[0007]技术方案：本专利技术所述的基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，包括如下步骤：
[0008](1)构建和初始化基于极限学习机的分位数回归模型，并基于历史光伏功率时间序列与对应的辐照度预测值变化量建立模糊化样本距离，形成聚类样本集和训练样本集；
[0009](2)以聚类样本集全部样本形成的矩阵作为样本颗粒集的初始样本颗粒，基于样本颗粒差异性准则迭代循环样本颗粒的分解与合并的过程，直到所有样本颗粒均不能再分解与合成；
[0010](3)将样本颗粒集的所有样本颗粒按照层次聚类进行分簇，得到N个簇；
[0011](4)根据不同簇之间的相似度计算得到待预测样本属于不同簇时的样本拓展倍数，并根据样本拓展倍数对训练样本集进行重构，再根据重构后的训练样本集对基于极限学习机的分位数回归模型进行训练，得到不同簇的极限学习机；
[0012](5)根据待预测样本所属的簇，将待预测样本输入所属簇的极限学习机，预测光伏功率的概率预测区间。
[0013]进一步的，步骤(1)具体包括如下步骤：
[0014](1.1)构建并初始化极限学习机的隐含层系数和阈值；
[0015](1.2)设置分位数回归模型的置信区间上、下分位数百分比和α；
[0016](1.3)将历史光伏功率时间序列与气象预报辐照度数据进行归一化处理；
[0017](1.4)基于归一化后的气象预报辐照度数据计算区域气象预报辐照度预测值：
[0018][0019]式中，R
i
表示第i个时刻的区域气象预报辐照度预测值，M表示场站数量，C
u
和I
u
分别表示第u个场站容量与当前时刻的气象预报辐照度预测值；
[0020](1.5)计算辐照度预测值变化量ΔR
i
：
[0021]ΔR
i
＝R
i
‑
R
i
‑1[0022]式中，R
i
‑1表示按步骤(1.4)所列公式计算，第i
‑
1个时刻的区域气象预报辐照度预测值，以辐照度预测值变化量模糊化表示未来光伏功率潜在变化趋势；
[0023](1.6)基于归一化后的历史光伏功率时间序列构建训练样本集如下：
[0024][0025]式中，D表示样本集，x
i
表示第i时刻前的历史光伏功率时间序列，作为输入，y
i
表示第i时刻的功率，作为输出，两者形成第i个训练样本，S表示样本数量；
[0026](1.7)构建聚类样本集为：
[0027][0028]式中，St表示聚类样本集。
[0029]进一步的，步骤(2)具体包括如下步骤：
[0030](2.1)将聚类样本集全部样本形成的矩阵作为初始样本颗粒，加入样本颗粒集中；
[0031](2.2)对样本颗粒集中每一样本颗粒依次执行如下判断和分解过程：
[0032]按照不同方式将其分解为若干对样本子颗粒候选，形成样本子颗粒候选对集，并计算每一候选对之间的差异性指标值，若所有候选对的差异性指标值最大值大于等于阈值，则将当前样本颗粒分解为差异性指标值最大值对应的样本子颗粒候选对中的两个子颗粒，否则不分解；
[0033](2.3)对样本颗粒集中每两个任意样本颗粒，计算这两个样本颗粒的差异性指标值，若所有差异性指标值的最小值小于阈值，则将最小值对应的两个样本颗粒合并为一个样本颗粒，否则不合并；
[0034](2.4)返回执行步骤(2.2)～(2.3)直至样本颗粒集中所有样本颗粒无法被分解或
合并。
[0035]进一步的，步骤(2.2)具体包括如下步骤：
[0036](2.2.1)从样本颗粒集中选取一样本颗粒，设为sk；
[0037](2.2.2)从样本颗粒sk的所有变量中选取任一变量r作为待分析变量；
[0038](2.2.3)按照待分析变量值从小到大将样本颗粒sk内所有的样本进行排序；
[0039](2.2.4)将排序后第v个样本的待分析变量值作为分解阈值，v＝1,
…
,n
sk
‑
1，并将样本颗粒sk内待分析变量值大于分解阈值的样本组成一个样本子颗粒sk
1,v,r
，其余样本组成另一样本子颗粒sk
2,v,r
，两个样本子颗粒形成一对样本子颗粒候选加入样本子颗粒候选对集SK，n
sk
表示样本颗粒sk内样本数；
[0040](2.2.5)返回执行步骤(2.2.2)～(2.2.4)，直至样本颗粒sk的所有变量被遍历，即r依次取变量集合R中的每个值，得到样本子颗粒候选对集SK＝{(sk
1,v,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，包括如下步骤：(1)构建和初始化基于极限学习机的分位数回归模型，并基于历史光伏功率时间序列与对应的辐照度预测值变化量建立模糊化样本距离，形成聚类样本集和训练样本集；(2)以聚类样本集全部样本形成的矩阵作为样本颗粒集的初始样本颗粒，基于样本颗粒差异性准则迭代循环样本颗粒的分解与合并的过程，直到所有样本颗粒均不能再分解与合成；(3)将样本颗粒集的所有样本颗粒按照层次聚类进行分簇，得到N个簇；(4)根据不同簇之间的相似度计算得到待预测样本属于不同簇时的样本拓展倍数，并根据样本拓展倍数对训练样本集进行重构，再根据重构后的训练样本集对基于极限学习机的分位数回归模型进行训练，得到不同簇的极限学习机；(5)根据待预测样本所属的簇，将待预测样本输入所属簇的极限学习机，预测光伏功率的概率预测区间。2.如权利要求1所述的一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，步骤(1)具体包括如下步骤：(1.1)构建并初始化极限学习机的隐含层系数和阈值；(1.2)设置分位数回归模型的置信区间上、下分位数百分比和α；(1.3)将历史光伏功率时间序列与气象预报辐照度数据进行归一化处理；(1.4)基于归一化后的气象预报辐照度数据计算区域气象预报辐照度预测值：式中，R
i
表示第i个时刻的区域气象预报辐照度预测值，M表示场站数量，C
u
和I
u
分别表示第u个场站容量与当前时刻的气象预报辐照度预测值；(1.5)计算辐照度预测值变化量ΔR
i
：ΔR
i
＝R
i
‑
R
i
‑1式中，R
i
‑1表示按步骤(1.4)所列公式计算，第i
‑
1个时刻的区域气象预报辐照度预测值，以辐照度预测值变化量模糊化表示未来光伏功率潜在变化趋势；(1.6)基于归一化后的历史光伏功率时间序列构建训练样本集如下：式中，D表示样本集，x
i
表示第i时刻前的历史光伏功率时间序列，作为输入，y
i
表示第i时刻的功率，作为输出，两者形成第i个训练样本，S表示样本数量；(1.7)构建聚类样本集为：式中，St表示聚类样本集；y
i
不参与聚类样本距离计算，实际计算变量为x
i
与ΔR
i
。3.如权利要求1所述的一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，步骤(2)具体包括如下步骤：
(2.1)将聚类样本集全部样本形成的矩阵作为初始样本颗粒，加入样本颗粒集中；(2.2)对样本颗粒集中每一样本颗粒依次执行如下判断和分解过程：按照不同方式将其分解为若干对样本子颗粒候选，形成样本子颗粒候选对集，并计算每一候选对之间的差异性指标值，若所有候选对的差异性指标值最大值大于等于阈值，则将当前样本颗粒分解为差异性指标值最大值对应的样本子颗粒候选对中的两个子颗粒，否则不分解；(2.3)对样本颗粒集中每两个任意样本颗粒，计算这两个样本颗粒的差异性指标值，若所有差异性指标值的最小值小于阈值，则将最小值对应的两个样本颗粒合并为一个样本颗粒，否则不合并；(2.4)返回执行步骤(2.2)～(2.3)直至样本颗粒集中所有样本颗粒无法被分解或合并。4.如权利要求3所述的一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，步骤(2.2)具体包括如下步骤：(2.2.1)从样本颗粒集中选取一样本颗粒，设为sk；(2.2.2)从样本颗粒sk的所有变量中选取任一变量r作为待分析变量；(2.2.3)按照待分析变量值从小到大将样本颗粒sk内所有的样本进行排序；(2.2.4)将排序后第v个样本的待分析变量值作为分解阈值，v＝1,
…
,n
sk
‑
1，并将样本颗粒sk内待分析变量值大于分解阈值的样本组成一个样本子颗粒sk
1,v,r
，其余样本组成另一样本子颗粒sk
2,v,r
，两个样本子颗粒形成一对样本子颗粒候选加入样本子颗粒候选对集SK，n
sk
表示样本颗粒sk内样本数；(2.2.5)返回执行步骤(2.2.2)～(2.2.4)，直至样本颗粒sk的所有变量被遍历，即r依次取变量集合R中的每个值，得到样本子颗粒候选对集SK＝{(sk
1,v,r
,sk
...

【专利技术属性】
技术研发人员：周衍，韦富朕，
申请(专利权)人：江苏海洋大学，
类型：发明
国别省市：