[发明专利]一种光伏概率预测方法

权利要求书

1.一种光伏概率预测方法，其特征在于，包括：

(1)收集光伏电站历史数据并对数据中的光伏出力数据进行序列分解，具体分解为理想出力归一化曲线、幅值参数和随机成分三部分；

(2)基于单隐层神经网络模型和上述获取的光伏出力序列分解结果，利用ELM方法选取光伏电站预测日前一天的历史数据及影响预测日光伏出力的历史数据作为网络模型的输入样本，生成网络的输入层-隐层权重及偏置；其中，输入样本包括的数据为：光伏电站预测日前一天的理想出力曲线小时级均值、随机出力小时级均值、温度和天气类型信息以及预测日的温度和天气类型信息；

(3)以分位数回归方式对历史数据中预测日的光伏出力数据设定概率预测区间期望覆盖率；

(4)将步骤(1)所得的序列分解结果作为网络训练数据集，并利用生成的网络输入层-隐层权重和设定后的预测区间期望覆盖率，通过网络训练确定隐层-输出层权值；

(5)完成对历史数据的收集和网络的训练后，给定输入数据并输出预测日的出力预测区间。

2.如权利要求1所述的光伏概率预测方法，其特征在于，所述步骤(1)中对光伏出力的序列分解具体包括如下步骤：

(1.1)提取光伏出力数据中的理想出力归一化曲线；

(1.2)根据外界环境对光伏出力峰值的影响，利用最小二乘拟合法对光伏出力的幅值参数进行计算；

(1.3)考虑云层对光伏出力的影响，计算光伏出力的随机成分。

3.如权利要求2所述的光伏概率预测方法，其特征在于，所述步骤(1.1)中包括中理想出力归一化曲线的提取具体步骤如下：

(1.1.1)选取全天出力曲线平滑的采样日作为典型日；

(1.1.2)将典型日中的出力曲线归一化；

(1.1.3)通过傅里叶变换，解析所述归一化后的典型日出力曲线；

(1.1.4)基于1.1.3中典型日曲线的FFT解析结果，利用加权合成及傅里叶逆变换还原每天的理想出力序列S_i,Ideal(t)。

4.如权利要求1所述的光伏概率预测方法，其特征在于，所述步骤(2)中的ELM方法具有随机初始化输入权重和偏置并通过网络训练得到相应输出权重的特点。

5.如权利要求1所述的光伏概率预测方法，其特征在于，所述步骤(2)中网络的输入层-隐层权重及偏置存在如下关系：

Hβ＝P

其中，H是隐层节点的输出，β是输出权重，P为期望输出；

其中，x_i＝[x_i1,x_i2,…x_in]^T∈Rⁿ，是网络模型的输入样本，包含预测日前一天理想出力曲线小时级均值、预测日前一天随机出力小时级均值、预测日前一天的温度与天气类型信息、预测日的温度与天气类型信息等数据；P_i＝[P_i1,P_i2,…P_im]^T∈R^m，是网络模型的输出样本，为预测日的光伏出力实际值，当网络隐层节点数为L时，其第i个样本对应的网络拟合输出；g(x)为激活函数，W_j＝[w_j,1,w_j,2,…w_j,n]^T为输入权重，β_j为输出权重，b_j是第j个隐层单元的偏置，W_j·x_i表示W_j和X_i的内积。