一种基于bootstrap的光伏发电输出功率超短期概率预测方法
技术领域
1.本发明属于光伏发电领域，涉及一种基于bootstrap的光伏发电输出功率超短期概率预测方法。
背景技术：
2.具有强不确定性与间歇性特性的光伏发电大规模并网给传统电网的安全稳定运行带来了挑战。如何在保证电力系统安全经济运行的情况下尽可能的接纳更多光伏电源并网是社会各界关注的问题。有效的、可靠的光伏发电输出功率预测可以优化电力系统管理，量化光伏电源并网的风险。因此，对光伏发电超短期输出功率进行有效的预测，对电网的安全稳定与经济运行有着重要的意义。然而传统的确定性光伏发电预测方法难以满足电网的要求。近年来用概率预测的方法对电网不确定性量化成为了研究的热点问题。对光伏发电而言，概率预测的方法不仅可以给调度人员提供未来时刻输出功率值，而且还会对预测结果的可靠性进行评估，有助于电网调度与安全管理。区间预测是概率预测的一种非常重要的形式，针对光伏发电短期功率的区间预测方法研究具有重要的意义。
3.神经网络有优秀的泛化能力与非线性函数的逼近能力，在光伏发电预测中得到了广泛的应用，然而神经网络方法在训练数据随机性较高或数据中噪声含量高时，预测性能会有很大波动。仅仅通过改变神经网络的结构或者增加训练的迭代次数仍然无法得到满意的预测结果。为了降低这些不确定性对预测性能的影响，学者们提出了许多基于神经网络的区间预测方法，如bayesian方法，delta方法，bootstrap方法，与均值方差估计方法等等。相比其它几种方法，bootstrap方法能够灵活地近似非常数方差和不均匀噪声。此外bootstrap方法不像 delta与bayesian方法一样需要引入计算量十分复杂的hessian矩阵与导数运算，有相对较高的运算效率。
4.然而基于传统梯度下降神经网络的bootstrap方法，仍然有十分重的计算负担，当数据量大时，这种情况更加严重。elm是一种新型的前馈神经网络方法，相比传统梯度下降的神经网络方法，该方法有更加优秀的泛化性能与拟合能力，以及运算效率高的特点。此外因为 elm与基于传统神经网络的训练过程有很大的差异，基于传统神经网络bootstrap技术无法应用到基于elm的bootstrap方法上。
技术实现要素：
5.为了解决以上问题，本发明提供了一种基于bootstrap的光伏发电输出功率超短期概率预测方法，包括以下步骤：步骤s01：使用bootstrap方法对光伏发电输出功率进行预测；步骤s02：计算模型偏差不确定性的量化方差；步骤s03：计算数据噪声不确定性量化方差。
6.在步骤s01中，预测的方法为：步骤1：对数据样本进行处理，将数据范围转化为[-1,1]；步骤2：将数据样本分为n-l+1个长度为l的数据模块s1到s
n-l+1
，；假设13个离散点组成
的数据样本(n＝13)，滑动窗长度为4个离散点(l＝4)，则一共有10个窗口数据模块即s1至s
10
。；步骤3：有放回的任意抽样r个数据模块，构建新的训练子样本x
*
＝(x1,
…
xn)，其中r ＝floor(n/l)，子样本的包括的样本长度为n
*
＝r*l，r等于3，子样本长度为12；步骤4：重复m次步骤2与3，依次构建m个子训练样本，每个子样本长度为n*；步骤5：elm回归模型分别对每个子数据进行训练，一共训练m个光伏发电短期功率预测模型；步骤6：求m 个elm模型对未来时刻预测光伏功率的平均值是对未来时刻功率值预测结果。在此基础上对模型偏差方差进行统计。
[0007]
在步骤s02中，具体方法为：从原始数据集中得到了m个子数据，得到了m个训练好的 elm模型。将所有elm模型的预测结果平均值作为真实的回归值输出，表示为:
[0008][0009]
其中表示由第t个子数据集训练的elm模型得到的预测值，
[0010]
模型偏差不确定的方差用来量化模型偏差给预测结果带来的不确定性表示为：
[0011][0012]
量化模型不确定的预测区间表示为
[0013][0014][0015]
在步骤s03中，具体的方法为：数据噪声的方差与输入变量存在内在的映射关系。写成：
[0016][0017]
将平方残差r2(xi)描述为：
[0018][0019]
其中，ti是测量值，为期望的回归值，为回归方法的模型偏差量化方差，因此残差r2(xi)表示成输入变量xi对应的一个输出。d
ε
表示为一个新的数据集：
[0020][0021]
在得到了由回归模型的偏差给预测结果带来不确定性的量化方差后，对数据噪声给预测结果带来的不确定性进行量化。
[0022]
数据噪声方差由两个部分组成：回归模型的模型偏差与回归模型期望的输出值则表示为：
[0023][0024]
假设有n个bootstrap重复模块，则期望的数据噪声方差表示为：
[0025][0026]
回归模型带来的模型偏差表示为：
[0027][0028]
在得到模型偏差的量化方差与数据噪声的量化方差后，总方差的表达式重写为：
[0029][0030]
在统计了数据噪声不确定性量化方差与回归模型不确定性量化方差后，总的预测区间表达为：
[0031][0032][0033]
本发明提供的方法从elm回归方法本身的不确定性与数据噪声不确定性角度出发，分别以方差的形式对数据噪声与回归模型的模型偏差给预测结果带来的不确定性进行量化，通过 bootstrap方法对光伏发电输出功率进行预测，统计elm回归的模型不确定性量化方差，然后对数据噪声的不确定性进行量化，解决了传统神经网络bootstrap技术无法应用到基于elm 的bootstrap方法的问题。
具体实施方式
[0034]
下面对本发明进行详细说明。
[0035]
本专利以光伏发电输出功率为研究对象，以量化光伏发电预测中不确定性为目标，提出了一种基于elm与bootstrap技术构建光伏发电输出功率超短期预测区间的方法。该方法从 elm回归方法本身的不确定性与数据噪声不确定性角度出发，分别以方差的形式对数据噪声与回归模型的模型偏差给预测结果带来的不确定性进行量化。首先通过bootstrap方法对光伏发电输出功率进行预测，统计elm回归的模型不确定性量化方差，然后对数据噪声的不确定性进行量化，最后通过对比实验验证了本专利所提出方法的有效性。
[0036]
本发明具体步骤如下：
[0037]
步骤s01：使用bootstrap方法对光伏发电输出功率进行预测。
[0038]
bootstrap方法是一种基于有放回重复采样技术的统计方法，也叫自助法，storn教授于 1997年斯坦福提出。该方法不需要对其它样本整体分布进行假设，只需要对原始数据进行有放回的多次重复采样，构建多个子数据样本。因其简单且易于实现，广泛应用于研究一组数据样本的分布规律以及参数的区间估计、假设检验等问题。
[0039]
在回归分析中，bootstrap方法得到了应用。本专利采用bootstrap技术对elm回归
模型的偏差进行统计分析，在此基础上实现对光伏发电输出功率的区间估计，量化elm在预测光伏发电的模型不确定性。预测区间可由回归模型的模型偏差不确定性的量化方差与训练数据噪声不确定性的量化方差两部分组成。
[0040]
步骤1：对数据样本进行处理，将数据范围转化为[-1,1]。
[0041]
步骤2：将数据样本分为n-l+1个长度为l的数据模块s1到s
n-l+1
，，假设13个离散点组成的数据样本(n＝13)，滑动窗长度为4个离散点(l＝4)，则一共有10个窗口数据模块即s1至 s
10
。
[0042]
步骤3：有放回的任意抽样r个数据模块，构建新的训练子样本x
*
＝(x1,
…
xn)，其中r ＝floor(n/l)，子样本的包括的样本长度为n
*
＝r*l。在实施例子中，r等于3，子样本长度为12。
[0043]
步骤4：重复m次步骤2与3，依次构建m个子训练样本，每个子样本长度为n*。
[0044]
步骤5：elm回归模型分别对每个子数据进行训练，一共可以训练m个光伏发电短期功率预测模型。
[0045]
步骤6：求m个elm模型对未来时刻预测光伏功率的平均值，认为是对未来时刻功率值预测结果。在此基础上对模型偏差方差进行统计。
[0046]
步骤s02：计算模型偏差不确定性的量化方差。
[0047]
模型不确定性的预测区间可以用于量化期望的回归值y(xi)与实际回归值的不确定性。在基于bootstrap技术的模型偏差不确定性量化方法中，通常假设回归模型对由 bootstrap方法形成的多个子数据集进行训练，得到一组训练好的回归模型，将每个模型得到的预测值的平均值做为期望回归的回归值，实际回归值分别是每一个回归模型得到的预测值。
[0048]
在采用bootstrap技术后，从原始数据集中得到了m个子数据，得到了m个训练好的elm 模型。将所有elm模型的预测结果平均值作为真实的回归值输出，可以表示为:
[0049][0050]
其中表示由第t个子数据集训练的elm模型得到的预测值。
[0051]
模型偏差不确定的方差用来量化模型偏差给预测结果带来的不确定性可以表示为：
[0052][0053]
量化模型不确定的预测区间可以表示为
[0054][0055][0056]
步骤s03：计算数据噪声不确定性量化方差。
[0057]
预测结果的不确定性除了模型偏差外，数据噪声也是给预测结果带来不确定性的重要因素。数据噪声的方差为：
[0058][0059]
光伏发电采样数据具有异方差性，而在每个采样周期只有一个光伏发电功率数据被采样。由方差定义可知，数据噪声的方差与输入变量存在内在的映射关系。又可以写成：
[0060][0061]
可将平方残差r2(xi)描述为：
[0062][0063]
其中，ti是测量值，为期望的回归值，为回归方法的模型偏差量化方差，因此残差r2(xi)可以表示成输入变量xi对应的一个输出。d
ε
可以表示为一个新的数据集：
[0064][0065]
在得到了由回归模型的偏差给预测结果带来不确定性的量化方差后，接下来对数据噪声给预测结果带来的不确定性进行量化。
[0066]
如同量化模型偏差带来的不确定性一样，数据噪声不确定性量化方差也可以用bootstrap 技术得到。本专利elm为回归模型。数据噪声方差由两个部分组成：回归模型的模型偏差与回归模型期望的输出值则可以表示为：
[0067][0068]
假设有n个bootstrap重复模块，则期望的数据噪声方差可以表示为：
[0069][0070]
回归模型带来的模型偏差可以表示为：
[0071][0072]
在得到模型偏差的量化方差与数据噪声的量化方差后，总方差的表达式可以重写为：
[0073][0074]
在统计了数据噪声不确定性量化方差与回归模型不确定性量化方差后，总的预测区间可以表达为：
[0075]
[0076]