【技术实现步骤摘要】
本专利技术涉及光伏发电功率预测领域，尤其涉及一种基于关联稀疏建模的光伏集群超短期功率区间预测方法。
技术介绍
1、近年来，随着光伏产业的快速发展，我国集中式光伏发电累计装机容量在总发电累计装机容量中的占比不断升高，光伏出力波动性和随机性的特点将给电网的安全稳定运行带来挑战。
2、在进行光伏发电功率预测时，一般以所有的待预测的光伏场站为建模对象，基于长短期记忆神经网络和图卷积神经网络的深度学习模型，通过挖掘场站之间的时空相关性进行预测。
3、然而上述预测方式，在面临光伏场站集群为预测对象时，由于建模的对象过多，不同场站之间的信息传递将会过于丰富，使深度学习模型的复杂度上升，在训练过程中容易出现过拟合的现象，最终导致模型的预测精度不高。因此在面对海量的光伏场站为预测对象时，亟需一种预测方法来给出准确的光伏功率预测结果，为电网的运行调度提供有效支撑。
技术实现思路
1、为解决上述问题提出了本专利技术。
2、为实现专利技术目的，本专利技术采用以下技术方案：基于关联稀疏建模的光伏集群超短期功率区间预测方法，包括：
3、获取预设区域光伏集群中各场站历史出力及各场站的地理位置信息；
4、根据各场站之间历史出力与地理位置的相似性，使用相似性传播聚类算法将各场站划分到各子区域中；
5、根据各场站历史出力及其所在子区域的历史出力之间的相似性，选出与子区域间的相关系数最大的场站作为该子区域的代表场站；
6、根据动态图卷积
7、根据代表场站额定出力与子区域额定出力之间的比例关系，聚合代表场站的点预测结果得到光伏集群的点预测结果；
8、根据光伏集群的点误差预测结果得到点预测误差特征识，进而别出不确定性模式；
9、根据不确定性模式和光伏集群的点预测结果生成预测区间。
10、进一步的：所述根据各场站历史出力及其所在子区域的历史出力之间的相似性，选出与子区域间的相关系数最大的场站作为该子区域的代表场站包括：
11、计算个子区域的历史出力；
12、计算场站历史出力和其所在子区域的历史出力之间的相似性，得到各场站与子区域间的相关系数，选择相关系数最大的场站作为该子区域的代表场站。
13、进一步的，所述根据动态图卷积神经网络模型挖掘代表场站之间的时空关联信息并生成各代表场站的点预测结果包括：
14、根据长短期记忆网络（lstm）模型生成图卷积网络（gcn）模型的图结构；
15、挖掘场站之间的时空相关性；
16、根据场站之间的时空相关性生成各场站点预测结果；
17、所述图结构用于特征学习和模式识别。
18、进一步的，所述根据光伏集群的点误差预测结果得到点预测误差特征，进而识别出不确定性模式包括：
19、根据历史预测时段的点预测误差提取出误差特征；
20、以误差特征作为样本，根据k-means聚类算法将历史数据集划分成k种不确定性模式；
21、对每一种不确定性模式使用copula函数构建预测误差和预测值的联合概率分布模型。
22、进一步的，所述根据不确定性模式和点预测结果生成预测区间包括：
23、根据长短期记忆网络（lstm）模型预测出预测时段的不确定性模式；
24、根据该预测时段的不确定性模式选取该模式对应的联合概率分布模型，并根据点预测结果生成预测区间，包括：
25、根据预测时段的点预测值，计算得到预测误差累计概率分布的条件概率分布函数；
26、根据条件概率分布函数计算点预测误差累计概率分布的分位点；
27、根据分位点计算预测误差的上下边界值；
28、根据预测误差的上下边界值计算预测区间上下边界值。
29、另一方面，本专利技术还提出了一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于关联稀疏建模的光伏集群超短期功率区间预测方法。
30、另一方面，本专利技术还提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现上述的基于关联稀疏建模的光伏集群超短期功率区间预测方法。
31、另一方面，本专利技术还提出了一种基于关联稀疏建模的光伏集群超短期功率区间预测装置，包括：
32、信息获取模块，用于获取预设区域光伏集群中各场站历史出力及各场站的地理位置信息；
33、场站划分模块，用于根据各场站之间历史出力与地理位置的相似性，使用相似性传播聚类算法将各场站划分到各子区域中；
34、代表性场站选择模块，用于根据各场站历史出力及其所在子区域的历史出力之间的相似性，选出与子区域间的相关系数最大的场站作为该子区域的代表场站；
35、场站预测模块，用于根据动态图卷积神经网络模型挖掘代表场站之间的时空关联信息并生成各代表场站的点预测结果；
36、集群预测模块，用于根据代表场站额定出力与子区域额定出力之间的比例关系，聚合代表场站的点预测结果得到光伏集群的点预测结果；
37、不确定性模式识别模块，根据光伏集群的点误差预测结果得到点预测误差特征，进而识别出不确定性模式；
38、预测区间生成模块，用于根据不确定性模式和光伏集群的点预测结果生成预测区间。
39、有益效果：与以所有场站为建模对象的动态图卷积神经网络模型相比，本专利技术提出的方法能够在归一化平均绝对误差指标降低2.13%，归一化均方根误差降低2.30%；当置信度设为99%时，该算法在预测区间覆盖率指标上能达到0.963的精度，提高了3.2%，在预测区间归一化平均宽度指标上能达到0.1298的精度，降低了36.6%，显著提高了模型的性能。
本文档来自技高网...【技术保护点】
1.基于关联稀疏建模的光伏集群超短期功率区间预测方法，其特征在于，包括：
2.根据权利要求1所述的基于关联稀疏建模的光伏集群超短期功率区间预测方法，其特征在于，所述根据各场站历史出力及其所在子区域的历史出力之间的相似性，选出与子区域间的相关系数最大的场站作为该子区域的代表场站包括：
3.根据权利要求1所述的基于关联稀疏建模的光伏集群超短期功率区间预测方法，其特征在于，所述根据动态图卷积神经网络模型挖掘代表场站之间的时空关联信息并生成各代表场站的点预测结果包括：
4.根据权利要求1所述的基于关联稀疏建模的光伏集群超短期功率区间预测方法，其特征在于，所述根据光伏集群的点误差预测结果得到点预测误差特征，进而识别出不确定性模式包括：
5.根据权利要求1所述的基于关联稀疏建模的光伏集群超短期功率区间预测方法，其特征在于，所述根据不确定性模式和点预测结果生成预测区间包括：
6.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。