基于Bootstrap的光伏输出功率预测方法及系统技术方案

本发明专利技术提供了一种基于Bootstrap的光伏输出功率预测方法及系统，根据待预测区域的气象数据以及预训练的深度学习模型，得到光伏输出功率确定性预测结果；根据得到的光伏输出功率确定性预测结果，使用Bootstrap方法分别在不同的置信度下进行概率性光伏功率预测，得到光伏输出功率概率性预测结果；采用区间宽度准则对概率性预测结果进行误差判断，当不同置信度下的概率性光伏功率预测结果的误差均小于预设阈值时，预测结果准确；否则，继续进行深度学习模型的训练或修正，直至误差均小于预设阈值；本发明专利技术结合改进的区间宽度准则，能够兼顾覆盖率、可靠性和区间质量等评价指标，提高了概率性光伏功率预测的精度。概率性光伏功率预测的精度。概率性光伏功率预测的精度。

【技术实现步骤摘要】
基于Bootstrap的光伏输出功率预测方法及系统


[0001]本专利技术涉及光伏输出功率预测
，特别涉及一种基于Bootstrap的光伏输出功率预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]光伏发电具有间歇性和随机性的固有缺点，随着大量光伏发电接入电网，势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻的挑战，因此光伏发电输出功率预测成为解决这一问题的有效途径之一。
[0004]专利技术人发现，现有技术的预测精度不高，存在较多预测误差，并且模型训练时间较长，传统神经网络还存在易陷入局部极值点、收敛速度慢的问题。由于光伏出力的随机性和波动性较强，会对电网的安全运行和调峰调度带来挑战，其必然也会引入预测误差，增加预测结果的不确定性，进而较大程度的限制可再生能源的消纳；同时，现有的光伏出力预测方法大多数是确定性预测，这类方法得到的预测结果一般是确定性的出力值预测，欠缺对光伏出力不确定性的考虑，因此提供给调度部门关于光伏出力可能的变化信息较少，难以表达预测结果的概率可信度；现有概率性预测的评价指标无法综合衡量区间覆盖率、区间宽度等因素，无法有效的衡量预测的准确性。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供了一种基于Bootstrap的光伏输出功率预测方法及系统，使用Bootstrap方法分别在不同的置信度下进行概率性光伏功率预测，结合改进的区间宽度准则，能够兼顾覆盖率、可靠性和区间质量等评价指标，提高了概率性光伏功率预测的精度。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术第一方面提供了一种基于Bootstrap的光伏输出功率预测方法。
[0008]一种基于Bootstrap的光伏输出功率预测方法，包括以下过程：
[0009]根据待预测区域的气象数据以及预训练的深度学习模型，得到光伏输出功率确定性预测结果；
[0010]根据得到的光伏输出功率确定性预测结果，使用Bootstrap方法分别在不同的置信度下进行概率性光伏功率预测，得到光伏输出功率概率性预测结果；
[0011]采用区间宽度准则对概率性预测结果进行误差判断，当不同置信度下的概率性光伏功率预测结果的误差均小于预设阈值时，预测结果准确；否则，继续进行深度学习模型的训练或修正，直至误差均小于预设阈值。
[0012]作为本专利技术第一方面进一步的限定，预训练的深度学习模型为基于贝叶斯优化的长短期记忆网络。
[0013]作为本专利技术第一方面进一步的限定，Bootstrap方法，包括：从原始样本y1,y2,...,
y
m
中有放回的抽取m次，得到一个Bootstrap样本集Y1；按照上述步骤重复b次，即可得到b个Bootstrap样本集Y＝(Y1,Y2,...,Y
b
)；计算样本估计均值和样本方差；计算样本在置信度1
‑
ɑ
下的置信区间的上下限Y
up
和Y
low
。
[0014]作为本专利技术第一方面进一步的限定，置信度，至少包括：90％、95％和99％。
[0015]作为本专利技术第一方面进一步的限定，区间宽度准则CWC，包括：
[0016]CWC＝PINAW(1+γe
μ
‑
PICP
)
[0017]其中，PINAW为区间平均带宽，PICP为区间覆盖率，
[0018]本专利技术第二方面提供了一种基于Bootstrap的光伏输出功率预测系统。
[0019]一种基于Bootstrap的光伏输出功率预测系统，包括：
[0020]确定性预测模块，被配置为：根据待预测区域的气象数据以及预训练的深度学习模型，得到光伏输出功率确定性预测结果；
[0021]概率性预测模块，被配置为：根据得到的光伏输出功率确定性预测结果，使用Bootstrap方法分别在不同的置信度下进行概率性光伏功率预测，得到光伏输出功率概率性预测结果；
[0022]误差修正模块，被配置为：采用区间宽度准则对概率性预测结果进行误差判断，当不同置信度下的概率性光伏功率预测结果的误差均小于预设阈值时，预测结果准确；否则，继续进行深度学习模型的训练或修正，直至误差均小于预设阈值。
[0023]作为本专利技术第二方面进一步的限定，Bootstrap方法，包括：从原始样本y1,y2,...,y
m
中有放回的抽取m次，得到一个Bootstrap样本集Y1；按照上述步骤重复b次，即可得到b个Bootstrap样本集Y＝(Y1,Y2,...,Y
b
)；计算样本估计均值和样本方差，计算样本在置信度1
‑
ɑ
下的置信区间的上下限Y
up
和Y
low
。
[0024]作为本专利技术第二方面进一步的限定，区间宽度准则CWC，包括：
[0025]CWC＝PINAW(1+γe
μ
‑
PICP
)
[0026]其中，PINAW为区间平均带宽，PICP为区间覆盖率，
[0027]本专利技术第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于Bootstrap的光伏输出功率预测方法中的步骤。
[0028]本专利技术第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于Bootstrap的光伏输出功率预测方法中的步骤。
[0029]与现有技术相比，本专利技术的有益效果是：
[0030]1、本专利技术创新性的提出了一种基于Bootstrap的光伏输出功率预测方法及系统，使用Bootstrap方法分别在不同的置信度下进行概率性光伏功率预测，结合改进的区间宽度准则，能够兼顾覆盖率、可靠性和区间质量等评价指标，提高了概率性光伏功率预测的精度。
[0031]2、本专利技术创新性的提出了一种基于Bootstrap的光伏输出功率预测方法及系统，
与参数法中的标准正态分布和非参数核密度估计相比，可以直观评估不同置信度水平下光伏功率预测误差的分布，并且满足实际需求，而且该方法无需事先假设误差分布功率及其参数，更有利于工程应用。
[0032]3、本专利技术创新性的提出了一种基于Bootstrap的光伏输出功率预测方法及系统，与单纯的确定性预测相比，区间概率预测能够综合考虑各种因素，得出概率区间，由于光伏功率输出具有波动性的特点，故在光伏功率预测方面，区间概率预测比传统的确定性预测更实用。
[0033]4、本专利技术创新性的提出了一种基于Bootstrap的光伏输出功率预测方法及系统，与PICP、PINAW、NMPICD相比，本专利技术所提的预测误差指标区间宽度准则能够兼顾覆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Bootstrap的光伏输出功率预测方法，其特征在于，包括以下过程：根据待预测区域的气象数据以及预训练的深度学习模型，得到光伏输出功率确定性预测结果；根据得到的光伏输出功率确定性预测结果，使用Bootstrap方法分别在不同的置信度下进行概率性光伏功率预测，得到光伏输出功率概率性预测结果；采用区间宽度准则对概率性预测结果进行误差判断，当不同置信度下的概率性光伏功率预测结果的误差均小于预设阈值时，预测结果准确；否则，继续进行深度学习模型的训练或修正，直至误差均小于预设阈值。2.如权利要求1所述的基于Bootstrap的光伏输出功率预测方法，其特征在于，预训练的深度学习模型为基于贝叶斯优化的长短期记忆网络。3.如权利要求1所述的基于Bootstrap的光伏输出功率预测方法，其特征在于，Bootstrap方法，包括：从原始样本y1,y2,...,y
m
中有放回的抽取m次，得到一个Bootstrap样本集Y1；按照上述步骤重复b次，即可得到b个Bootstrap样本集Y＝(Y1,Y2,...,Y
b
)；计算样本估计均值和样本方差；计算样本在置信度1
‑
ɑ
下的置信区间的上下限Y
up
和Y
low
。4.如权利要求1所述的基于Bootstrap的光伏输出功率预测方法，其特征在于，置信度，至少包括：90％、95％和99％。5.如权利要求1所述的基于Bootstrap的光伏输出功率预测方法，其特征在于，区间宽度准则CWC，包括：CWC＝PINAW(1+γe
μ
‑
PICP
)其中，PINAW为区间平均带宽，PICP为区间覆盖率，6.一种基于Bootstrap的光伏输出功率预测系统，其特征在于，包括：确定性预测模块，被配置为：根据待预测区域的气象数据以及预训...

【专利技术属性】
技术研发人员：王潇晨，侯振，史洁，唐亮，迟世丹，刘宝勇，张建国，李芳，王玉明，
申请(专利权)人：山东电力工程咨询院有限公司，
类型：发明
国别省市：