基于模糊样本颗粒的光伏功率超短期非参数概率预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115907235A(43)申请公布日2023.04.04(21)申请号202310018364.1(22)申请日2023.01.06(71)申请人江苏海洋大学地址222005江苏省连云港市海州区苍梧路59号(72)发明人周衍韦富朕(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师冯艳芬(51)Int.Cl.G06Q10/04(2023.01)G06Q50/06(2012.01)H02J3/00(2006.01)G06F18/214(2023.01)权利要求书4页说明书11页附图4页(54)发明名称基于模糊样本颗粒的光伏功率超短期非参数概率预测方法(57)摘要本发明公开了一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，本发明首先分析光伏功率时间序列样本特性，结合数值天气预报中气象预报辐照数据，构造基于合并‑分解的样本颗粒处理方法；此外，研究基于样本颗粒的层次聚类方法，根据不同样本颗粒存在的不同簇，结合预设的待预测样本输入的特征，将样本颗粒按合理倍数自适应扩展，再复原为原始样本，实现样本使用权重的动态调整，最后再基于极限学习机的分位数回归模型，按照待测样本隶属于不同簇的情况分别训练光伏概率预测模型。本发明方法具有较好的可靠度和整体性能，极大地提高了光伏发电超短期非参数概率预测技术的实用性与准确性。CN115907235ACN115907235A权利要求书1/4页1.一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，包括如下步骤：(1)构建和初始化基于极限学习机的分位数回归模型，并基于历史光伏功率时间序列与对应的辐照度预测值变化量建立模糊化样本距离，形成聚类样本集和训练样本集；(2)以聚类样本集全部样本形成的矩阵作为样本颗粒集的初始样本颗粒，基于样本颗粒差异性准则迭代循环样本颗粒的分解与合并的过程，直到所有样本颗粒均不能再分解与合成；(3)将样本颗粒集的所有样本颗粒按照层次聚类进行分簇，得到N个簇；(4)根据不同簇之间的相似度计算得到待预测样本属于不同簇时的样本拓展倍数，并根据样本拓展倍数对训练样本集进行重构，再根据重构后的训练样本集对基于极限学习机的分位数回归模型进行训练，得到不同簇的极限学习机；(5)根据待预测样本所属的簇，将待预测样本输入所属簇的极限学习机，预测光伏功率的概率预测区间。2.如权利要求1所述的一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，步骤(1)具体包括如下步骤：(1.1)构建并初始化极限学习机的隐含层系数和阈值；(1.2)设置分位数回归模型的置信区间上、下分位数百分比和α；(1.3)将历史光伏功率时间序列与气象预报辐照度数据进行归一化处理；(1.4)基于归一化后的气象预报辐照度数据计算区域气象预报辐照度预测值：式中，Ri表示第i个时刻的区域气象预报辐照度预测值，M表示场站数量，Cu和Iu分别表示第u个场站容量与当前时刻的气象预报辐照度预测值；(1.5)计算辐照度预测值变化量ΔRi：ΔRi＝Ri‑Ri‑1式中，Ri‑1表示按步骤(1.4)所列公式计算，第i‑1个时刻的区域气象预报辐照度预测值，以辐照度预测值变化量模糊化表示未来光伏功率潜在变化趋势；(1.6)基于归一化后的历史光伏功率时间序列构建训练样本集如下：式中，D表示样本集，xi表示第i时刻前的历史光伏功率时间序列，作为输入，yi表示第i时刻的功率，作为输出，两者形成第i个训练样本，S表示样本数量；(1.7)构建聚类样本集为：式中，St表示聚类样本集；yi不参与聚类样本距离计算，实际计算变量为xi与ΔRi。3.如权利要求1所述的一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，步骤(2)具体包括如下步骤：2CN115907235A权利要求书2/4页(2.1)将聚类样本集全部样本形成的矩阵作为初始样本颗粒，加入样本颗粒集中；(2.2)对样本颗粒集中每一样本颗粒依次执行如下判断和分解过程：按照不同方式将其分解为若干对样本子颗粒候选，形成样本子颗粒候选对集，并计算每一候选对之间的差异性指标值，若所有候选对的差异性指标值最大值大于等于阈值，则将当前样本颗粒分解为差异性指标值最大值对应的样本子颗粒候选对中的两个子颗粒，否则不分解；(2.3)对样本颗粒集中每两个任意样本颗粒，计算这两个样本颗粒的差异性指标值，若所有差异性指标值的最小值小于阈值，则将最小值对应的两个样本颗粒合并为一个样本颗粒，否则不合并；(2.4)返回执行步骤(2.2)～(2.3)直至样本颗粒集中所有样本颗粒无法被分解或合并。4.如权利要求3所述的一种基于模糊样本颗粒的光伏功率超短期非参数概率预测方法，其特征在于，步骤(2.2)具体包括如下步骤：(2