[发明专利]一种基于迁移学习的小样本场景下光伏出力区间预测方法

说明书

本发明公开一种基于迁移学习的小样本场景下光伏出力区间预测方法，该预测方法包括以下步骤：对数据进行收集并对数据预处理后生成训练所需样本数据集，提出光伏出力预测区间评价指标并初始化模型的整体参数，构建基于极限学习机的基础区间边界预测模型，分别建立满足覆盖率需求的预测区间上下边界，并基于直接分位数回归的方法优化模型参数，利用两阶段数据迁移算法构建小样本场景下光伏出力区间预测模型。本发明预测方法，构建区间上下边界预测模型，通过所提数据迁移方法，建立小样本场景下光伏出力区间预测模型，显著提升了训练数据不足场景下的预测效果。

技术领域

本发明涉及光伏出力预测技术领域，具体是一种小样本场景下的光伏出力区间预测方法。

背景技术

随着电力系统中光伏渗透率的迅速提高，准确的光伏出力预测对于电网电能质量、系统运行调度以及安全稳定运行愈发重要。目前，现有大多数研究主要集中于光伏出力点预测，其提供的确定性点预测结果缺乏对于光伏发电功率不确定性的评估，在实际运行调度过程受到一定约束。因此，反映光伏出力波动范围和不确定度的区间预测方法能够有效描述光伏出力的未来变化趋势。

此外，对于电力系统实际运行过程中的小样本场景，诸如新建光伏电站、极端天气和数据缺失等场景，光伏出力区间预测模型往往出于训练数据量不足而陷入严重过拟合的状态，导致预测准确度大大下降。如何有效弥补数据量的不足，提升小样本场景下光伏出力区间预测的性能，成为光伏出力预测领域亟需解决的问题之一。

发明内容

本发明的目的在于提供一种基于迁移学习的小样本场景下光伏出力区间预测方法，解决上述背景技术中现有缺少对光伏出力不确定性评估、小样本场景预测性能差以及缺乏小样本场景下有效预测方法等问题。

本发明的目的可以通过以下技术方案实现：

一种基于迁移学习的小样本场景下光伏出力区间预测方法，所述预测方法包括以下步骤：

步骤一、对数据进行收集，并对数据预处理后生成训练所需样本数据集；

步骤二、提出光伏出力预测区间评价指标并初始化模型的整体参数；

步骤三、构建基于极限学习机的基础区间边界预测模型，分别建立满足覆盖率需求的预测区间上下边界，并基于直接分位数回归的方法优化模型参数；

步骤四、利用两阶段数据迁移算法构建小样本场景下光伏出力区间预测模型。

进一步地，所述步骤一中收集的样本数据的对象包括数据量短缺的预测目标域光伏电站以及其他样本量充足的源域光伏电站，收集的样本数据类型包括历史运行、环境监测以及数值天气预报数据。

进一步地，所述步骤二中光伏出力预测区间的评价指标包括区间覆盖率PICP、区间平均宽度PINAW和综合评价指标CWC；

预测区间覆盖率PICP为其中N为数据集中样本的个数，函数衡量第t个预测点的实际y_t是否在预测区间[l_t,u_t]之内，

平均预测区间宽度PINAW为R为真实值的跨度，

预测区间整体评价指标CWC为γ用于判断是否引入指数项，其中PINRW为预测区间归一化均方根宽度，

进一步地，所述步骤三中基础区间预测器由两个独立的极限学习机构成，两个独立的极限学习机分别用于拟合两个不同比例度α_u和α_l的分位数，以此作为预测区间的上下边界，其中比例度α_u和α_l需满足关系式α_u–α_l＝PICP^*。

进一步地，所述步骤三中所采用的直接分位数回归方法的步骤为：