[发明专利]一种光伏功率概率预测方法、介质及系统

权利要求书

1.一种光伏功率概率预测方法，其特征在于，包括：

在模型训练阶段，获取包含预测区域的光伏功率相关的多维度特征和实测光伏功率的第一训练样本集，并对所述第一训练样本集中的样本进行清洗处理，得到第二训练样本集；

对所述第二训练样本集中的多维度特征采用主成分分析法进行降维处理，得到第三训练样本集；

采用所述第三训练样本集训练NGBoost模型以确定NGBoost模型的参数，得到训练后的NGBoost模型；

在光伏功率概率预测阶段，采集预测区域的光伏功率相关的多维度特征，并将所述多维度特征输入训练后的NGBoost模型，得到预测的光伏功率概率；

其中，所述模型训练阶段和所述光伏功率概率预测阶段采用的多维度特征的种类相同。

2.根据权利要求1所述的光伏功率概率预测方法，其特征在于，所述NGBoost模型的参数包括：基学习器，参数化概率分布的假设参数，评分规则，最大迭代次数和学习率。

3.根据权利要求2所述的光伏功率概率预测方法，其特征在于，所述采用所述第三训练样本集训练NGBoost模型以确定NGBoost模型的参数的步骤，包括：

设置多组所述最大迭代次数和所述学习率；

对于每组所述最大迭代次数和所述学习率，分别采用所述第三训练样本集输入所述NGBoost模型进行训练，得到每组所述最大迭代次数和所述学习率对应的按照评分规则计算的评分值；

选取最低的所述评分值对应的一组所述最大迭代次数和所述学习率为训练好的所述NGBoost模型的最大迭代次数和学习率。

4.根据权利要求3所述的光伏功率概率预测方法，其特征在于，所述得到每组所述最大迭代次数和所述学习率对应的按照评分规则计算的评分值的步骤，包括：

将第三训练样本集按预设比例划分为训练子集和测试子集；

对于每组最大迭代次数和学习率，采用所述训练子集中的所有训练样本循环输入所述NGBoost模型进行多次迭代，得到每次迭代的比例系数和基学习器的集合；

分别采用每组最大迭代次数和学习率对应的比例系数和基学习器的集合更新所述NGBoost模型，得到每组最大迭代次数和学习率对应的所述NGBoost模型；

将所述测试子集输入每组最大迭代次数和学习率对应的所述NGBoost模型中，得到按评分规则计算的评分值。

5.根据权利要求4所述的光伏功率概率预测方法，其特征在于，所述得到每次迭代的比例系数和基学习器的集合的步骤，包括：

每组最大迭代次数和学习率的训练过程中，循环采用所述训练子集中的实测光伏功率进行第m次迭代，在当前概率分布的假设参数下得到第m次迭代的按照评分规则得到的评分值的自然梯度其中，表示按照评分规则得到的评分值在当前参数化概率分布下对所述训练子集中当前训练样本的梯度，表示当前参数化概率分布的假设参数的费舍尔信息量，y_i表示实测光伏功率；

将所述训练子集中的多维度特征输入所述NGBoost模型，基于第m次迭代的评分值的自然梯度拟合得到第m次迭代对应的基学习器，其中，所述拟合的算式为f^(m)表示第m次迭代的基学习器，fit表示基学习器的拟合运算，x_i表示训练样本的多维度特征；

基于第m次迭代对应的基学习器、当前概率分布的假设参数以及所述训练子集中的实测光伏功率，计算得到第m次迭代的比例系数，其中，比例系数的算式为

循环训练子集中的多维度特征，采用第m次迭代的比例系数和基学习器更新假设参数，其中，更新假设参数的算式为

重复上述的过程直到进行完最大迭代次数，得到比例系数与基学习器集合

6.根据权利要求5所述的光伏功率概率预测方法，其特征在于：每组最大迭代次数和学习率的训练过程中，假设参数的初始值

7.根据权利要求2所述的光伏功率概率预测方法，其特征在于：所述基学习器采用分类树，所述参数化概率分布为正态分布，所述假设参数包括均值和标准差，所述评分规则为极大似然估计。