[发明专利]参数自适应的光伏功率爬坡事件的分级概率性预测方法

权利要求书

1.一种参数自适应的光伏功率爬坡事件的分级概率性预测方法，其特征在于，包括以下步骤：

S1)获取光伏功率数据及其影响因子并进行预处理，从而得到预处理后的数据集，包括：预处理后的光伏功率{P(t)}_{t＝1,2,...,T}和光伏功率的S个影响因子{F_s(t)}_{s＝1,2,...,S；t＝1,2,...,T}，其中，P(t)和F_s(t)分别为第t个时间点的光伏功率及相应第t个时间点的第s个影响因子的数据；

从所述预处理后的数据集中提取光伏功率{P(t)}_{t＝1,2,...,T}，并根据爬坡事件的定义，计算T个时间点的光伏爬坡率{R(t)}_{t＝1,2,...,T}，其中，R(t)表示第t个时间点的光伏爬坡率；

S2)利用VMD方法将光伏爬坡率{R(t)}_{t＝1,2,...,T}分解成K个本征模态分量{r^k(t)}_{k＝1,2,...,K；t＝1,2,...,T}，且满足其中，r^k(t)表示第k个本征模态分量第t个时间点的数据；

定义优化的参数组合为K,α，α表示VMD方法求解过程中的惩罚因子，K表示VMD分解出的本征模态分量个数；

以K个本征模态分量{r^k(t)}_{k＝1,2,...,K；t＝1,2,...,T}的能量熵之和作为适应度函数，利用PSO算法对参数组合K,α进行寻优；

获取最小适应度函数值所对应的最优参数组合K₀,α₀，从而根据所述最优参数组合K₀,α₀，利用VMD方法计算得到T个时间点的光伏爬坡率{R(t)}_{t＝1,2,...,T}的最佳本征模态分量其中，表示最佳本征模态分量中第k个本征模态分量的第t个时间点的数据；

S3)利用第k个本征模态分量的前P个时间点的数据及其S个影响因子的前P个时间点数据{F_s(t-p)}_{s＝1,2,...,S；p＝1,2...,P}来预测第P+1个时间点的数据其中，是第k个本征模态分量第t个时间点前的第p个时间点的数据，F_s(t-p)是第s个影响因子的第t个时间点前的第p个时间点的历史数据，从而构建包括M＝P+S×P个解释变量和一个响应变量的数据集，记作[X^k(t),Y^k(t)]_{t＝P+1,P+2,...,T}，其中，是第k个本征模态分量第t个时间点的第m个解释变量的数据，Y^k(t)是第t个时间点响应变量的数据；

将所述数据集[X^k(t),Y^k(t)]_{t＝P+1,P+2,…,T}划分为训练集和测试集其中和分别表示第k个本征模态分量的训练集中第t个时间点解释变量和响应变量，和分别表示第k个本征模态分量的测试集中第t个时间点解释变量和响应变量；

建立LASSO-QR预测模型，利用非对称损失函数建立如式(1)所示的目标函数：

式(1)中，τ_h表示第h个分位点，且τ_h∈(0,1)，h＝1,2,…,H，H表示分位点的数量；β^k(τ_h)表示第k个本征模态分量所对应的LASSO-QR预测模型中第h个分位点下解释变量的系数集合，为第k个本征模态分量的第h个分位点下第m个解释变量的系数；

式(1)中，表示非对称损失函数，并有：

式(2)中，v为随机变量，在式(1)的目标函数中，v满足：

式(1)中，η为L1正则化惩罚参数；

利用式(4)将所述LASSO-QR预测模型的目标函数转化成线性不等式约束规划问题：

式(4)中，γ是与η对应的约束参数；

利用LARS算法在所述训练集Train上对式(4)进行求解，获得训练后的LASSO-QR预测模型；

将所述测试集Test中的解释变量输入所述训练后的LASSO-QR预测模型中，得到第k个本征模态分量在H个分位点下的条件分位数预测结果表示第k个本征模态分量在第h个分位点下的条件分位数预测结果；

S4)根据步骤S3，对每个本征模态分量分别建立LASSO-QR预测模型并训练，从而得到K个本征模态分量在H个分位点下的条件分位数预测结果

利用式(5)将相同分位点下的条件分位数预测结果相加，从而得到第t个时间点第h个分位点下的条件分位数最终预测结果进而得到第t个时间点H个分位点下的条件分位数最终预测结果

将H个分位点下的条件分位数最终预测结果作为核密度估计KDE方法的输入，并确定带宽与核函数，从而求得每个时间点的概率密度函数；

将每个时间点的概率密度函数离散化，从而得到第t个时间点的J个预测值以及相应的概率{π_j(t)}_{j＝1,2,...,J}，其中，和π_j(t)分别为第t个时间点的第j个预测值及其对应的概率，且

S5)将光伏功率爬坡事件分成未爬坡事件、上爬坡事件以及下爬坡事件，并将上爬坡事件和下爬坡事件分别设置I个等级，最小程度的上爬坡事件和下爬坡事件分别为1级，最大程度上爬坡事件和下爬坡事件分别为I级；

设置I+1个阈值集合{δ_i}_{i＝1,2,…,I+1}，则各类爬坡事件的判断依据如式(7)所示：

式(7)中，δ_i和δ_i+1分别为i级上爬坡事件的阈值下限和阈值上限，-δ_i+1和-δ_i分别为i级下爬坡事件的阈值下限和阈值上限；

针对第t个时间点的J个预测值根据所述判断依据确定每个预测值所在的阈值区间，并计算各个区间内的预测值对应的概率之和，即为该相应时刻点各类爬坡事件发生的概率。