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{fs(t)}s=1,2,...,s;t=1,2,...,t,其中,p(t)和fs(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{rk(t)}k=1,2,...,k;t=1,2,...,t,且满足
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{rk(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
s3)利用第k个本征模态分量
将所述数据集[xk(t),yk(t)]t=p+1,p+2,...,t划分为训练集
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,τh表示第h个分位点,且τh∈(0,1),h=1,2,...,h,h表示分位点的数量;
式(1)中,ρτh(v)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
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qh(t),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{qh(t)}h=1,2,...,h:
将h个分位点下的条件分位数最终预测结果{qh(t)}h=1,2,...,h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{rj(t)}j=1,2,...,j以及相应的概率{πj(t)}j=1,2,...,j,其中,rj(t)和πj(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r1(t)≤r2(t)≤...≤rj(t);
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{δi}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,δi和δi+1分别为i级上爬坡事件的阈值下限和阈值上限,-δi+1和-δi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{rj(t)}j=1,2,...,j,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。