(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111452287.8 (22)申请日 2021.11.30 (71)申请人 国网辽宁省电力有限公司锦州供电 公司 地址 121000 辽宁省锦州市古塔区解 放路 三段9号 申请人 国网辽宁省电力有限公司 　 国家电网有限公司 (72)发明人 纪德贵　李忠伟　王顺江　李斌　 邱鹏　潘月明　孟镇　吴凯　 (74)专利代理 机构 锦州辽西专利事务所(普通 合伙) 21225 代理人 李辉 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 119/06(2020.01) (54)发明名称 一种短期光伏 功率概率区间预测方法 (57)摘要 一种基于XGBoost ‑LSTM与非参数核密度估 计的短期光伏功率概率区间预测方法， 包括： 对 获取的光伏功率及气象特征数据进行异常值检 测和筛选， 基于灰色关联分析(GRA)结合Kmeams 算法筛选预测日的相似日集合， 基于XGBoost算 法结合长短期记忆神经网络(LSTM)的组合模型 进行短期光伏功率点预测， 基于非参数核密度估 计方法进行短期光伏功率概率区间预测。 本发明 具有加快学习速率、 提升预测精度优势； 较好的 解决因气象不确定性引发的光伏功率预测不准 确的问题， 为电网调度决策提供可靠依据， 对电 力系统应对光伏功率变化具有重要意义， 保障系 统安全稳定运行。 权利要求书3页 说明书6页 附图4页 CN 114330100 A 2022.04.12 CN 114330100 A 1.一种短期光伏 功率概率区间预测方法， 其特 征是， 步骤如下： S1基于3σ 原则 对所获取的光伏功率及太阳辐照轻度、 环境温度、 环境湿度、 风速、 风向、 降水量等气象特 征数据进行 数据清洗、 异常值检测及填补处 理； S2基于Pearson相关系数法对步骤S1处理后数据中的气 象特征进行提取， 选取特征向 量； S3基于三维赋权灰色 关联分析法选取 预测日的相似日集 合； S4构建含有分步预测结果特 征的XGBo ost‑LSTM光伏 功率预测模型； S5将步骤S2提取的特 征向量数据带入所述 光伏功率预测模型， 得到预测结果； S6基于非参数核密度估计法构建光伏 功率概率区间预测模型； S7将步骤S5得到的预测结果数据带入所述光伏功率概率区间预测模型， 得到预测区间 带宽度。 2.根据权利要求1所述的一种短期光伏功率概率区间预测方法， 其特征是， 步骤S1所述 气象特征数据为对光伏功率产生影响的环境因素， 所述对光伏功率产生影响的环境因素包 括太阳辐照强度、 环境温度和环境湿度。 3.根据权利要求1所述的一种短期光伏功率概率区间预测方法， 其特征是， 步骤S1中数 据清洗时采用3σ 原则， 分别计算数据的四分位数： 第 一四分位数(Q1)和第三四分位数(Q3)， 设定可接受的值的取值范围为： Q3+k(Q3‑Q1)～Q1‑k(Q3‑Q1)              (1) 其中， k为正态总体的标准差σ,上述范围之外的值则认定为异常值。 4.根据权利要求1所述的一种短期光伏功率概率区间预测方法， 其特征是， 步骤S1中异 常值检测及填补处理过程是异常值检测剔除后对数据进行缺 失值填充， 采用线性插补法和 均值插补法填补计算， 取其平均值 填充对应缺失值。 5.根据权利要求1所述的一种短期光伏功率概率区间预测方法， 其特征是， 步骤S2选取 特征向量， 是指选取影响程度为极强相关、 强相关、 中等强度相关的影响因素作为特征向 量， Pearso n相关系数r计算公式为： 其中 x为气象因素， y为光伏功率， n为天数， 对应极强相关的影响 因素的Pearson相 关系数取值： 0.8<r<1.0； 对应强相 关的影响因素的Pearson相关系数取 值： 0.6<r<0.8； 对应中等强度相关的影响因素的Pearso n相关系数 取值： 0.4<r< 0.6。 6.根据权利要求1所述的一种短期光伏功率概率区间预测方法， 其特征是， 步骤S3 中采 用三维赋权灰色关联分析选取相似日的具体过程是： 采取赋权灰色关联分析进行预测日与 历史日的气象指标整体关联度分析， 采取时刻、 日期、 特征分别赋权的三维关联度分析， 进 行关联系数排序， 获得 预测日的相似日集 合， 关联系数为：权　利　要　求　书 1/3 页 2 CN 114330100 A 2其中ρ 取为0.5； x0(k)为待预测日的第j个气象决定因素， xi(k)为第i个历史日第k个气 象决定因素； 待预测日x0与历史日xi的相似度定义 为： 7.根据权利要求1所述的一种短期光伏功率概率区间预测方法， 其特征是， 步骤S4所述 含有扩充特征的XGBoost ‑LSTM光伏功率预测模型构建过程是： XGBoost算法作为有监督的 集成学习算法， 理解 为多棵决策树的求和模型， 其公式为： 其中， k指第k棵决策树； fk为函数空间的独立 函数； F为 函数空间， 由决策树组成； 采用决策树作为基学习器， 构建多个弱学习器， 在迭代学习过程中通过沿着降低梯度 的方向不断训练模型， 利用二阶泰勒级 数将损失函数展开， 为求整体最优解， 在目标函数中 加入正则项， 以控制模型的准确度和复杂程度； 确定树生长深度、 步长、 树的数量、 每棵树使 用的样本百分比、 i nput_shape、 un it、 bias参数， 并选取相应损失函数； 对XGBoost模型进行训练及验证， 得到XGB oost模型验证结果数据集； 使用XGBoost模型 验证结果对模型训练集进 行特征扩充， 增加数据维度， 使数据携带更多信息； 将扩充后的数 据集作为LSTM模型的输入训练集， 对LSTM模型进行训练及验证， 得到LSTM模型的验证结果 数据集； 使用LSTM模型验证结果对模型训练集继续进行扩充， 以此实现模型间学习内容相 互连接。 8.根据权利要求1所述的一种短期光伏功率概率区间预测方法， 其特征是， 步骤S6所述 基于非参数核密度估计法光伏功率概率区间预测模型 的构建过程是： 采用步骤5中获取 的 光伏功率预测误差数据集， 使用非参数核密度算法， 选取最适合的核函数， 并采用MIS E优化 法获得最优带宽的核密度估计， 假设置信 水平为(1 ‑α )， 获得置信 水平下的上分位数Fα/2和 下分位数 F(1‑α /2)； 结合MISE算法优化的带宽， 得到了具有最优带宽的KDE； 假设置信度 为(1‑α )， 则可以得 到上分位数Fα /2和下分位数F(1‑α /2)； 最后， 得到风力发电区间τ＝[Uα,Lα]， 所述上下限的表达 式为： 式中， Uα和Lα分别为(1 ‑α )置信水平 下预测功率区间的上下限， Ppre为光伏功率的现场预 测值。 9.根据权利要求1所述的一种短期光伏功率概率区间预测方法， 其特征是， 步骤S7中利 用多目标蝗虫优化算法对 XGBoost模 型、 LSTM模 型进行连接系数寻优， 首先初始化蝗虫的位 置和参数以及要迭代的最大次数， 并计算每个蝗虫 的适应度值， 找出最佳的适应度值并保 存相应的蝗虫到变量； 循环更新参数c和蝗虫位置并计算每个蝗虫的适应度值， 保存每次迭 代最好的适应度值并更新， 蝗虫位置更新公式为：权　利　要　求　书 2/3 页 3 CN 114330100 A 3