1.本发明涉及电力系统预测技术领域，具体的说是一种可再生能源功率预测误差概率分布确定方法。
背景技术：2.可再生能源功率(如风机、光伏功率)预测误差是预测可再生能源功率真实值与预测值差值的概率分布，能够反映预测值的准确度，为电力系统运行调度提供数据支撑，对提高电力系统综合能效、促进可再生能源消纳具有重要意义。
3.目前可再生能源功率预测误差的概率分布通常假定服从给定的概率分布(如正态分布)，然后根据预测值与真实值的差值，利用最大似然估计法获得给定的概率分布，然而由于可再生能源出力的强随机性，现有的预测方法很难对再生能源出力进行较高精度预测，预测值与真实值的误差具有较大的不确定性，实际的预测误差很难服从给定的概率分布，将直接影响预测值的准确性。
技术实现要素：4.为解决上述存在的技术问题，本发明公开了一种可再生能源功率预测误差概率分布确定方法，无需假定预测误差服从某个给定概率分布，尽可能准确地描述预测误差的概率分布情况，提高可再生能源功率预测精度。
5.为达到上述目的，本发明所采用的技术方案是：
6.一种可再生能源功率预测误差概率分布确定方法，通过如下步骤实现：
7.步骤s1：输入历史数据，包括光照强度、风速、天气的历史数据；
8.步骤s2：预测出可再生能源功率历史功率，统计预测值与历史值的误差 xi,i＝1,2,...n，n为误差数量；
9.步骤s3：初始化可再生能源出力误差概率分布函数中的高斯分布数量k，最大迭代次数it
max
，采用k均值算法对误差进行聚类，聚类数就是k；
10.步骤s4：初始化k,k＝1,2,...,k个高斯分布权重系数πk，且满足高斯分布的均值μk，方差σk；
11.步骤s5：定义似然函数，即引入yi表示第i个预测值与真实值的误差xi是否属于第k个高斯分布：
[0012][0013]
步骤s6：令迭代次数it＝1，参数πk,μk,σk前后两次迭代差值绝对值的最大值d
max
；
[0014]
步骤s7：在第it次迭代条件下，分别计算误差xi,i＝1,2,...,n属于 k,k＝1,2,...,k个高斯分布的概率，即：
[0015][0016]
式中表示误差xi服从第k个高斯分布；
[0017]
步骤s8：更新参数πk,μk,σk步骤，公式如下；
[0018][0019][0020][0021]
步骤s9：判断步骤，令it＝it+1，若转向步骤s10，否则，转向步骤s7；
[0022]
步骤s10：结果输出，输出第it次迭代的k,k＝1,2,...,k个高斯分布的
[0023][0024]
步骤s2中预测可再生能源历史功率采用bp神经网络算法、采用卷积神经网络算法、循环神经网络算法或灰色模型预测方法。
[0025]
本发明基于高斯混合模型，利于历史数据对可再生能源的历史功率进行预测，统计预测误差，数据更加真实和准确，相比于简单的认为误差服从正态分布的方法，本发明对于误差概率分布的表述更贴近实际，克服了现有方法预测误差难以服从给定概率分布的缺陷；具体来说，本发明能够更加真实地表述预测误差的概率分布情况，使可再生能源功率预测的结果更加接近真实值，为电力系统运行调度提供数据支撑，对提高电力系统综合能效、促进可再生能源消纳具有重要意义。
附图说明
[0026]
图1为本发明流程示意图。
具体实施方式
[0027]
下面结合附图和具体实施例对本发明进行详细描述：
[0028]
如图1所示，一种可再生能源功率预测误差概率分布确定方法，通过如下步骤实现：
[0029]
步骤s1：输入历史数据，包括光照强度、风速、天气的历史数据；
[0030]
步骤s2：预测出可再生能源功率历史功率，统计预测值与历史值的误差 xi,i＝1,2,...n，n为误差数量；
[0031]
步骤s3：初始化可再生能源出力误差概率分布函数中的高斯分布数量k，最大迭代次数it
max
，采用k均值算法对误差进行聚类，聚类数就是k；
[0032]
步骤s4：初始化k,k＝1,2,...,k个高斯分布权重系数πk，且满足高斯分布的均值μk，方差σk；
[0033]
步骤s5：定义似然函数，即引入yi表示第i个预测值与真实值的误差xi是否属于第k个高斯分布：
[0034][0035]
步骤s6：令迭代次数it＝1，参数πk,μk,σk前后两次迭代差值绝对值的最大值d
max
，这个值根据预测精度要求确定，精度要求越高就越小，通常取0.0001 左右即可达到精度要求；
[0036]
步骤s7：在第it次迭代条件下，分别计算误差xi,i＝1,2,...,n属于 k,k＝1,2,...,k个高斯分布的概率，即：
[0037][0038]
式中表示误差xi服从第k个高斯分布；
[0039]
步骤s8：更新参数πk,μk,σk步骤，公式如下；
[0040][0041][0042][0043]
步骤s9：判断步骤，令it＝it+1，若转向步骤s10，否则，转向步骤s7；步骤s10：结果输出，输出第it次迭代的k,k＝1,2,...,k个高斯分布的
[0044]
步骤s2中预测可再生能源历史功率采用bp神经网络算法、采用卷积神经网络算法、循环神经网络算法或灰色模型预测方法，bp神经网络算法相对简单，而另外三种方法相对复杂，可根据实际情况进行选择。
[0045]
实施例1，以山东某地区夏季120天的12:00-13:00的光伏发电预测为例。
[0046]
步骤s1-s2：实际的120个预测误差数据如下表所示：
[0047][0048][0049]
步骤s3：通过k均值聚类，聚类数，即高斯分布个数k＝3个，最大迭代次数it
max
＝50；
[0050]
步骤s4：3个高斯分布的初始权重为0.4，0.3，0.3，初始均值和方差为 (0.08，0.01)，(0.11，0.01)，(0.14，0.01)；
[0051]
步骤s5-步骤s10：令d
max
＝0.0001，经过8次迭代输出的三个高斯分布的权重系数、均值和方差如下表所示：
[0052]
编号权重系数均值方差10.45812.49％0.0120.258.12％0.01230.29214.53％0.014
[0053]
由于高斯混合模型进行了聚类分析，描述误差的概率分布更贴近实际作为对比，若简单的认为误差服从正态分布，均值和方差为(11.99,0.0117)，这与高斯混合模型具有较大的区别，也说明认为误差简单的服从正态分布准确性不高，影响预测精度。
[0054]
实施例2，以新疆某地区夏季120天的12：00-13：00的光伏发电预测为例。
[0055]
步骤s1-s2：实际的120个预测误差数据如下表所示：
[0056]
11.29％6.38％5.94％5.61％10.71％11.84％15.94％10.25％12.50％9.84％10.65％10.31％10.11％6.32％10.84％11.68％6.94％6.77％12.67％12.41％12.03％12.61％12.77％7.70％14.51％12.33％12.91％10.35％5.81％10.27％7.88％7.19％16.71％8.99％7.88％12.09％15.21％14.22％7.16％10.69％14.09％13.02％14.89％14.10％6.11％7.49％13.14％12.49％7.54％13.91％5.66％8.66％7.41％13.85％12.31％14.31％8.11％12.61％8.97％13.64％14.22％8.91％9.84％13.05％8.71％10.85％14.91％11.58％8.13％13.08％10.48％9.52％14.51％9.01％14.94％6.24％14.31％10.85％7.39％14.02％15.66％8.51％11.31％11.81％11.74％11.07％14.08％13.51％14.65％15.20％11.16％14.30％9.16％14.31％14.91％11.20％7.29％11.29％11.16％14.06％9.13％15.31％8.61％9.81％9.36％10.61％8.29％9.31％11.26％15.71％11.64％11.08％16.84％11.91％12.18％11.09％9.58％9.66％14.65％15.22％0.00％0.00％0.00％0.00％0.00％0.00％
[0057]
步骤s3：通过k均值聚类，聚类数即高斯分布个数k＝3，最大迭代次数 it
max
＝50；
[0058]
步骤s4：3个高斯分布的初始权重为0.4，0.3，0.3，初始均值和方差为(0.08，0.01)，(0.11，0.01)，(0.14，0.01)；
[0059]
步骤s5-步骤s10：令d
max
＝0.0001，经过8次迭代输出的三个高斯分布的权重系数、均值和方差如下表所示：
[0060]
编号权重系数均值方差10.3612.01％0.018520.257.92％0.012630.3913.64％0.0123
[0061]
由上表可知，基于高斯混合模型进行聚类分析，描述误差的概率分布更加贴近实际。作为对比，采用简单的认为误差服从正太分布，均值和方差为(12.04， 0.0120)，与以高斯混合模型为基础进行预测的结果有较大区别，也说明了认为误差简单的服从正态分布准确性不高，影响预测精度。
[0062]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
技术特征：1.一种可再生能源功率预测误差概率分布确定方法，其特征在于，通过如下步骤实现：步骤s1：输入历史数据，包括光照强度、风速、天气的历史数据；步骤s2：预测出可再生能源功率历史功率，统计预测值与历史值的误差x
i
,i＝1,2,...n，n为误差数量；步骤s3：初始化可再生能源出力误差概率分布函数中的高斯分布数量k，最大迭代次数it
max
，采用k均值算法对误差进行聚类，聚类数就是k；步骤s4：初始化k,k＝1,2,...,k个高斯分布权重系数π
k
，且满足高斯分布的均值μ
k
，方差σ
k
；步骤s5：定义似然函数，即引入y
i
表示第i个预测值与真实值的误差x
i
是否属于第k个高斯分布：步骤s6：令迭代次数it＝1，参数π
k
,μ
k
,σ
k
前后两次迭代差值绝对值的最大值d
max
；步骤s7：在第it次迭代条件下，分别计算误差x
i
,i＝1,2,...,n属于k,k＝1,2,...,k个高斯分布的概率，即：式中表示误差x
i
服从第k个高斯分布；步骤s8：更新参数π
k
,μ
k
,σ
k
步骤，公式如下；公式如下；公式如下；步骤s9：判断步骤，令it＝it+1，若转向步骤s10，否则，转向步骤s7；步骤s10：结果输出，输出第it次迭代的k,k＝1,2,...,k个高斯分布的2.根据权利要求1所述的一种可再生能源功率预测误差概率分布确定方法，其特征在于，步骤s2中预测可再生能源历史功率采用bp神经网络算法、采用卷积神经网络算法、循环
神经网络算法或灰色模型预测方法。
技术总结本发明公开了一种可再生能源功率预测误差概率分布确定方法，涉及电力系统预测技术领域。本发明首先基于历史数据对可再生能源历史功率进行预测，统计预测误差，然后采用k均值算法对误差进行聚类，初始化高斯混合模型参数，最后求解高斯分布参数π
技术研发人员：潘志远 李宏伟 赵义术 王婧 刘静 崔西友 刘海客 宋新新 许园园 宋哲
受保护的技术使用者：山东电力高等专科学校 国家电网有限公司
技术研发日：2022.04.20
技术公布日：2022/7/5
