[发明专利]一种基于改进极限学习机与分位数回归的光伏功率区间预测方法

权利要求书

1.一种基于改进极限学习机与分位数回归的光伏功率区间预测方法，其特征在于：包括以下步骤：

步骤S1：从气象站与光伏电站获取初始历史样本单元集，经过数据清洗后，对气象数据与光伏功率进行相关性分析，确定ELM预测模型输入变量；

步骤S2：设定光伏功率预测区间额定置信水平，基于光伏功率预测区间评价指标，通过交叉验证法确定ELM结构，并使用ELM参数混合寻优算法确定ELM参数最优值，完成相应置信度水平下光伏功率区间预测模型构建；

步骤S2中所述通过交叉验证

法确定ELM结构的具体内容为：历史数据中同一时刻的n个气象因素与光伏功率构成一个历史样本单元，所有历史样本单元构成ELM训练集；设定隐层神经元个数初始值为1，将ELM训练集平均随机分为5份，分别为Set1、Set2、Set3、Set4和Set5，依次取其中4份作为交叉验证训练集进行训练，得到ELM光伏功率区间预测模型，并将剩余1份作为交叉验证测试集用于此模型区间预测结果评估，共进行5次；将5次评价指标取平均值，得到1个隐层神经元对应的预测区间评价指标均值；逐渐增加隐层神经元个数，重复上述过程，得到不同隐层神经元个数对应的预测区间评价指标均值，直至评价指标均值不再随着隐层神经元个数增加而增加，选取此时隐层神经元数量作为最优方案，确定ELM结构；

步骤S2中所述使用ELM

参数混合寻优算法确定ELM参数最优值，完成光伏功率区间预测模型构建的具体内容为：

使用粒子群算法即PSO算法和分位数回归相结合，确定ELM隐层输入权重与偏置最优值；输入ELM训练集，初始化PSO参数，具体包括粒子群规模、粒子初始位置、初始速度、位置范围、速度范围、惯性因子和加速度长度，其中，粒子位置与速度均含两个维度，分别对应ELM隐层输入权重ω和偏置b的寻优，在PSO每一次迭代中，得到粒子位置对应的ELM隐层输入权重ω和偏置b，采用分位数回归得到ELM隐层输出权重最优值与相应预测区间，计算粒子适应度φ(ω，b)＝-[PINAW(ω，b)+γ(ω，b)η|ACE(ω，b)]，更新粒子个体与种群经过的历史最优位置，并更新粒子速度与位置，判断足否满足迭代停止条件，即连续十次迭代过程中粒子群历史最优位置不再发生改变，若满足则输出ELM隐层输入权重与偏置最优值，否则重新得到粒子位置对应的ELM隐层输入权重ω和偏置b；

式中，ω和b分别为ELM隐层输入权重矩阵和偏置矩阵；γ(ω，b)为布尔类型指示函数，当PICP不低于PINC时，γ(ω，b)＝0，否则，γ(ω，b)＝1；η为惩罚系数，平均覆盖率误差ACE(ω，b)是PINC和PICP的差值；当PICP达到置信水平要求时，φ(ω，b)仅由PINAW决定，否则，φ(ω，b)会很低，且PICP对适应度的影响比PINAW更大；

所述在PSO每一次迭代中，

得到粒子位置对应的ELM隐层输入权重ω和偏置b，采用分位数回归得到ELM隐层输出权重最优值与相应预测区间的具体内容为：

定义随机变量y的分布函数F^-1(τ)与位于[0，1]的第τ分位数，使之满足：F^-1(τ)＝inf{y：F(y)≥τ}；预测区间上下限和分别为光伏功率序列中第i个元素y_i的第和第α分位数，可通过最小化分位数损失来确定上下限，相应目标函数和约束为：

式中，β_α和分别为输出预测区间下限和上限的ELM模型隐层输出权重矩阵，足待优化的变量；t_i为第i个样本的目标输出值；f(x_i，β_α )和 分别为ELM输出的预测区间下限和上限，由ELM输入层变量与隐层输入权重ω相乘后，加上隐层输入偏置b，再由隐层神经元进行非线性映射，分别与β_α和相乘得到；ELM输出层变量取值范围归一化后的下限和上限分别为0和1；

引入辅助变量后，原问题转化为线性规划问题，如下所示：

调用商业求解器Gurobi解得ELM隐层输出权重最优值，并生成相应预测区间。