[发明专利]一种用于区域内分布式光伏站点发电量的概率预测方法

权利要求书

1.一种用于区域内分布式光伏站点发电量的概率预测方法，其特征在于：具体步骤如下：

步骤一：预测模型建立，即对PV节点中第1个至第i个整合模型建立，PV节点为电压恒定型节点；

步骤二：检查预测模型是否需要更新；

步骤三：使用训练数据训练每个预测模型；

步骤四：找到每个预测模型的最佳权重；

步骤五：从集合模型导出误差分布，基于PV节点的数据对PI节点进行边界确定，PI节点为电流恒定型节点；

步骤六：通过集合模型预测确定性光伏发电量，在模型训练过程中制定误差分布后，预测未来24小时的确定性PV节点发电量；

步骤七：从误差分布和确定性预测中生成PI节点，其中，PI节点包括上限和下限。

2.根据权利要求1所述的一种用于区域内分布式光伏站点发电量的概率预测方法，其特征在于：所述步骤一中预测模型包括单预测模型和多预测模型两类：

单预测模型由每个光伏发电站点组成，表示为PV₁节点，PV₂节点，…,PV_i节点，基于历史发电量和天气等数据，单预测模型用于预测PV₁节点至PV_i节点的发电量；

多预测模型用于预测PV_i+1节点的发电量，多预测模型的输入为单预测模型对每个光伏发电的预测发电量、历史数据和天气数据；

利用K-Means、朴素贝叶斯分类器和神经网络三种数据驱动回归模型进行集合预测来处理地理上分布在特定区域的多个PV节点，在所提出的方法中，为每个PV安排了集合模型并构建预测模型，每个数据驱动的回归模型都经过单独训练，以根据过去的数据配置最佳参数。

3.根据权利要求1所述的一种用于区域内分布式光伏站点发电量的概率预测方法，其特征在于：所述步骤二中的具体步骤如下：

1)检查集合预测模型的参数是否是最新的；

2)若参数已确定的训练模型不包含最新观测数据，则对模型进行重新训练，以更新每一种预测方法的参数；

3)在训练过程中，集合预测方法的参数是使用过去的数据确定的；

4)训练过程完成后，预测方法的参数保持不变，直到执行新的训练过程；

5)模型参数必须定期更新。

4.根据权利要求1所述的一种用于区域内分布式光伏站点发电量的概率预测方法，其特征在于：所述步骤三中的具体方法如下：

单独训练K-Means模型、朴素贝叶斯分类器模型和NN三种模型：

数模型构建和预测分为历史数据和预测数据两组：

历史数据，即训练和验证数据包含预测变量和目标，其中，预测变量包括时间戳、温度和天气条件，目标为光伏发电量；

预测数据仅包含预测变量，在预测数据中，天气信息通过天气预报获得；

历史数据至少包含一年的收集数据，以捕捉季节性特征；

验证数据为以任意长度在历史数据中集合选择，用于确定集合预测模型的最佳权重及构成误差分布，从而产生预测区间，根据验证数据与误差分布可以说明引起的误差的因由；

NN模型包括四个隐藏层，分别具有25、25、25和20个单元，缩放共轭梯度为训练函数，每个时间步的预测结果取3次的平均值，以减轻随机的初始值的影响；

利用K-Means方法对训练数据进行分类，分类后的训练数据作为朴素贝叶斯分类器的输入，K-Means和朴素贝叶斯分类器结合起来预测PV发电量的过程如下：

Step1：K-Means将观察到的PV发电量记录分类不同的簇，然后，将与每个时间戳对应的温度和天气状况等预测因子分类到每个簇中；

Step2：利用分类观测值和预测核分布函数训练朴素贝叶斯分类器模型；

Step3：经过训练的朴素贝叶斯分类器将未知预测变量分类为每个集群的测试数据；

Step4：Step1中确定的每个簇的质心是预测的光伏发电量值。