[发明专利]一种基于回归分析和LSSVM的源荷一体化预测方法

权利要求书

1.一种基于回归分析和LSSVM的源荷一体化预测方法，其特征在于：该方法包括下列顺序的步骤：

(1)采集待预测地区的风、光电站的发电功率数据、负荷数据和气象数据；

(2)对步骤(1)所采集的数据进行预处理，剔除异常数据，并进行归一化处理；

(3)计算待预测地区的各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r，以及各个风、光电站的数据准确度C；

(4)对待预测地区的特征风、光电站的时间序列数据进行基于STL的时间序列分解；

(5)基于非线性多元回归分析方法，确定经时间序列分解后的特征风、光电站的时间序列和风速、温度、辐照强度气象因素之间的关系，构建回归预测模型；

(6)根据天气预报，将待预测日的气象因素代入特征风、光电站分解后的长期分量、周期波动分量和噪声分量的回归预测模型，预测后将各个分量叠加后得到特征风、光电站发电预测功率，并根据特征风、光电站的容量，得到待预测地区最终的风电、光伏预测功率；

(7)将待预测地区风、光电站的发电功率数据、气象数据和负荷数据划分为训练集和验证集，通过采用基于分段核函数的最小二乘支持向量机LSSVM进行训练，得到负荷预测模型，将预测后的风、光电站发电功率数据和气象数据代入训练好的负荷预测模型中，得到待预测地区的负荷预测结果。

2.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法，其特征在于：在步骤(1)中，所述发电功率数据包括n个风电场时序输出功率Pw_t,i，i＝1,2,…,n，以及m个光伏场时序输出功率Pv_t,j，j＝1,2,…,m；所述负荷数据为地区电力负荷P_Lt，t为时间尺度；所述气象数据包括辐照强度f1、环境风速f2、环境温度f3、环境湿度f4和降水量f5。

3.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法，其特征在于：所述步骤(2)具体包括以下步骤：

(2a)剔除异常数据：

f(x)＜Q1-1.5×IQR，f(x)＞Q3+1.5×IQR (1)

其中，f(x)为异常数据，Q1为风、光电站的发电功率数据、负荷数据的下四分位数，Q3为风、光电站的发电功率数据、负荷数据的上四分位数，IQR为风、光电站的发电功率数据、负荷数据的上下四分位差，即Q3-Q1；

(2b)将风、光电站的发电功率数据、负荷数据统一到最短时间尺度上，对于长时间尺度上出现缺失数据采用插值法对数据进行补全，如下式所示：

(tm)＝i＝0nL(ti)j＝0，j≠intm-tjti-tj (2)

其中，L(t_i)是数据在t_i时刻的值，L(t)是数据在t时刻的值，tm是数据缺失时刻，ti、tj为缺失数据时刻附近两个采样时间；

(2c)进行归一化处理。

4.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法，其特征在于：所述步骤(3)具体包括以下步骤：

(3a)分别计算各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r：

其中，d＝1时为风电场、d＝2时为光伏场，x_t,i,d为第i个风、光电站的功率时间序列；y_t,d为该地区风、光电站总功率序列；n为时间序列长度；和分别为x_t,i,d和y_t,d的均值；

(3b)计算各个风、光电站的数据准确度C，其值介于0到1之间：

其中，N_p,d,i是为第i个风、光电站一段时间内异常数据个数；N_q,d,i为第i个风、光电站同时间段内采集数据个数；

(3c)定义RC指标，选取特征风、光电站：

RC＝r+C (5)。