[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

说明书

本发明涉及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，获取初始历史样本单元集，经过数据清洗后，对各气象因素与光伏功率进行相关性分析，筛选出与光伏功率具有较高相关性的气象因素作为极限学习机预测模型输入变量；考虑预测区间覆盖率与归一化平均带宽，构建光伏功率预测区间评价指标；使用交叉验证法确定极限学习机隐层神经元个数，并使用光伏功率预测区间评价指标值表征粒子适应度，结合粒子群算法与分位数回归确定极限学习机参数最优值，完成光伏功率区间预测模型构建。本发明能够在满足可信度要求基础上，实现较高准确度的光伏功率不确定性预测，生成相应置信度下的光伏功率预测区间，具有实际应用价值。

技术领域

本发明涉及电力系统新能源预测技术领域，特别是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。

背景技术

随着能源短缺、环境污染等问题的加剧，在国家政策扶持下，储量丰富、环境友好的太阳能光伏在电网中的渗透率日益增加。然而，光伏出力的间歇性、波动性、随机性会对电网的安全稳定性造成威胁，光伏功率预测对电网规划与运行具有重要意义。

目前，已有诸多针对光伏预测的研究及成果。根据建模方式不同，光伏预测方法可分为物理方法和数据驱动方法。物理方法以光伏组件出力特性、安装角度、转换效率等为基础，结合气象因素、地理条件，通过建立物理模型来计算光伏功率，其缺点是建模过程复杂、鲁棒性差；数据驱动方法分为统计学方法和元启发式学习方法，以大量历史数据的分析为基础。统计学方法对历史数据进行曲线拟合和参数估计，构建光伏功率与气象因素、历史出力之间的联系，例如时间序列法、灰色理论、模糊理论、时空关联法等；元启发式学习方法通过历史数据训练得到光伏预测模型，属于人工智能算法，其中神经网络应用最为广泛，包括径向基函数神经网络、小波神经网络、BP神经网络等，虽然易于实现，但是对参数选择较为敏感，且可能存在过学习、陷入局部最优等现象。根据结果形式不同，光伏预测可分为点预测和区间预测。点预测是目前大多数研究采用的方法，得到未来一段时间内光伏功率确定值，虽然直观，但无法表征光伏功率不确定性；区间预测可得到一定置信水平下光伏功率预测范围，可以比点预测提供更多信息，目前实现方法主要有Bootstrap法、贝叶斯神经网络、Delta法等，然而这些方法计算效率较低。鉴于现有研究不足，光伏功率预测方法还有待进一步改进。

发明内容

有鉴于此，本发明的目的是提供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，通过极限学习机输入变量确定、参数优化，提升光伏功率区间预测的可信度与准确度。

本发明采用以下方案实现：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，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(极限学习机)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。

进一步地，步骤S1中所述初始历史样本单元集是指：以固定采样间隔，从气象站采集各历史时间点气象数据值，包括风向、风速、温度、相对湿度、平均海平面气压、降雨量和太阳辐照度，并从光伏电站采集相应时间点的光伏功率值；同一时刻的气象数据值与光伏功率值构成一个初始历史样本单元，所有初始历史样本单元构成初始历史样本单元集。

进一步地，步骤S1中所述数据清洗的具体内容为：在初始历史样本单元集中剔除存在数据缺失或异常的样本单元；其中，数据缺失是指因包括节假日或设备停运检修因素导致某些时间点的数据为空；数据异常是指根据经验不可能出现的数据值，包括光伏功率负值或与季节不符的极端温度。