摘 要：提出一種多氣象類(lèi)型加權(quán)和改進(jìn)高斯混合模型，可實(shí)現(xiàn)對(duì)光伏出力提前15 min的超短期概率預(yù)測(cè)。首先，依據(jù)氣象特征將歷史數(shù)據(jù)劃分為若干氣象類(lèi)型，然后，構(gòu)建改進(jìn)高斯混合模型獲得每個(gè)氣象類(lèi)型出力數(shù)據(jù)的概率分布，其次，構(gòu)建隸屬度函數(shù)量化待預(yù)測(cè)時(shí)刻氣象特征對(duì)于各氣象類(lèi)型的相似程度，最后，根據(jù)隸屬度對(duì)各氣象類(lèi)型的概率分布加權(quán)。以實(shí)際光伏電站數(shù)據(jù)進(jìn)行算例分析，結(jié)果表明相較于單一氣象類(lèi)型，多氣象類(lèi)型加權(quán)模型的MAPE 平均減少16.87%，ACD 平均提升10.45%，AW平均下降2.49%。

關(guān)鍵詞：光伏出力；概率預(yù)測(cè)；超短期；多氣象類(lèi)型加權(quán)；改進(jìn)高斯混合模型

中圖分類(lèi)號(hào)：TM615 文獻(xiàn)標(biāo)志碼：A

0 引 言

光伏發(fā)電具有間歇性、波動(dòng)性和隨機(jī)性的特點(diǎn)，大規(guī)模的光伏電站并網(wǎng)可能?chē)?yán)重威脅電力系統(tǒng)的穩(wěn)定運(yùn)行［1-2］，及時(shí)準(zhǔn)確地預(yù)測(cè)光伏出力可提高電力系統(tǒng)的安全穩(wěn)定運(yùn)行水平［3-4］。

目前的預(yù)測(cè)方法根據(jù)結(jié)果形式的不同，可分為點(diǎn)預(yù)測(cè)和概率預(yù)測(cè)方法。點(diǎn)預(yù)測(cè)方法預(yù)測(cè)結(jié)果為確定的值，文獻(xiàn)［5］通過(guò)線性模型融合基于時(shí)間序列和多特征的發(fā)電功率預(yù)測(cè)單模型；文獻(xiàn)［6］分別建立XGBoost 和LSTM 模型，并利用誤差倒數(shù)法將兩模型組合起來(lái)進(jìn)行預(yù)測(cè)；文獻(xiàn)［7］采用加權(quán)高斯過(guò)程建立時(shí)序回歸模型進(jìn)行功率預(yù)測(cè)。點(diǎn)預(yù)測(cè)結(jié)果直觀，易于分析，但預(yù)測(cè)結(jié)果僅是一個(gè)確定的值，包含的信息有限，難以表征光伏出力的不確定性。

概率預(yù)測(cè)結(jié)果為光伏出力的概率分布，能提供出力的波動(dòng)范圍和更完整的預(yù)測(cè)信息，近年來(lái)逐漸受到重視。根據(jù)是否需預(yù)先假設(shè)概率分布函數(shù)可分為參數(shù)化方法和非參數(shù)化方法［8-9］。參數(shù)化方法假設(shè)光伏發(fā)電功率服從某一個(gè)特定的概率分布函數(shù)，較為成熟的預(yù)設(shè)概率分布函數(shù)包括Beta 分布［10］、Weibull 分布［11］、正態(tài)分布［12］或這些概率分布函數(shù)的組合［13］。然而面對(duì)不同的天氣條件（晴天、多云、陰雨天等），光伏出力呈現(xiàn)的概率分布特征往往大不相同，如果使用特定的分布函數(shù)描述光伏出力概率分布，可能會(huì)產(chǎn)生較大的預(yù)測(cè)誤差。非參數(shù)化方法無(wú)需預(yù)先假設(shè)概率分布函數(shù)，靈活性更強(qiáng)，包括分位數(shù)回歸法［14-15］、核密度估計(jì)法［16］、貝葉斯網(wǎng)絡(luò)［17］等方法。文獻(xiàn)［14-17］不依賴(lài)于預(yù)設(shè)的分布函數(shù)，預(yù)測(cè)精度較高，但由于模型較為復(fù)雜，導(dǎo)致計(jì)算成本較高。

高斯混合模型（Gaussian mixed model，GMM）靈活性強(qiáng)，且模型簡(jiǎn)單，計(jì)算量較小［18］，因此近年來(lái)在光伏發(fā)電概率預(yù)測(cè)領(lǐng)域逐漸被應(yīng)用。文獻(xiàn)［19］采用GMM 擬合光伏出力并使用期望最大化算法估計(jì)模型參數(shù)。文獻(xiàn)［20］提出一種結(jié)合高階馬爾可夫鏈和GMM 的光伏出力概率預(yù)測(cè)方法。結(jié)果表明，基于GMM 的概率預(yù)測(cè)方法相比于其他概率分布模型對(duì)光伏出力概率分布有更好的擬合效果，但由于光伏出力概率分布較為不均勻，GMM 采用等值法劃分出力狀態(tài)存在一定不合理性。

不同氣象條件下光伏出力有不同的概率分布特征，因此一些研究將原始數(shù)據(jù)依據(jù)氣象特征分為若干氣象類(lèi)型，選取同氣象類(lèi)型的數(shù)據(jù)進(jìn)行預(yù)測(cè)，從而提高預(yù)測(cè)精度。文獻(xiàn)［20］基于K-均值聚類(lèi)將歷史數(shù)據(jù)劃分為若干典型氣象類(lèi)型，并利用與待預(yù)測(cè)時(shí)刻同類(lèi)型的樣本修正概率模型；文獻(xiàn)［21］將相似日法和分位數(shù)回歸森林模型（quantile regression forests，QRF）相結(jié)合，首先篩選出天氣特征相似的樣本，然后建立QRF 模型得到各分位點(diǎn)值的預(yù)測(cè)結(jié)果，通過(guò)分位點(diǎn)預(yù)測(cè)值擬合光伏發(fā)電功率概率分布；文獻(xiàn)［22］提出模糊C 均值聚類(lèi)將歷史數(shù)據(jù)集聚類(lèi)為晴天、晴轉(zhuǎn)多云和陰雨天，采用與測(cè)試集隸屬相同氣象類(lèi)型的歷史數(shù)據(jù)作為訓(xùn)練樣本。但以上方法往往是基于與待預(yù)測(cè)時(shí)刻氣象類(lèi)型相同的某一類(lèi)樣本集構(gòu)建模型，數(shù)據(jù)利用率低，且影響氣象類(lèi)型的因素復(fù)雜，各氣象類(lèi)型之間無(wú)嚴(yán)格界限，將待預(yù)測(cè)時(shí)刻劃分為某一種天氣類(lèi)型并采用單一類(lèi)型的數(shù)據(jù)構(gòu)建模型可能產(chǎn)生較大誤差。

針對(duì)上述概率預(yù)測(cè)方法存在的不足，本文提出一種基于多氣象類(lèi)型加權(quán)和改進(jìn)高斯混合模型的光伏出力超短期概率預(yù)測(cè)模型。首先依據(jù)氣象特征將歷史數(shù)據(jù)劃分為若干氣象類(lèi)型，然后構(gòu)建改進(jìn)高斯混合模型獲得每個(gè)氣象類(lèi)型出力數(shù)據(jù)的概率分布，接著構(gòu)建隸屬度函數(shù)量化待預(yù)測(cè)時(shí)刻氣象特征對(duì)于各氣象類(lèi)型的相似程度，最后根據(jù)隸屬度對(duì)各氣象類(lèi)型的概率分布加權(quán)。

1 改進(jìn)高斯混合模型

1.1 高斯混合模型

如圖1 所示，基于高斯混合模型（GMM）進(jìn)行光伏出力概率預(yù)測(cè)具體步驟如下。

1.1.1 選擇階數(shù)

階數(shù)L 表示待預(yù)測(cè)時(shí)刻光伏出力Pt 與鄰近L 個(gè)時(shí)刻的歷史出力Pt -L ，Pt -L +1，…，Pt -1 有較強(qiáng)相關(guān)性［23］，各鄰近歷史時(shí)刻功率Pt -l 與待預(yù)測(cè)時(shí)刻光伏發(fā)電功率Pt 之間的皮爾遜相關(guān)系數(shù)ρt -L，t， ρt -L +1，t，…， ρt -1，t 如式（1）所示。

式中：N——訓(xùn)練集樣本數(shù)量。

選擇階數(shù)L 使得ρt -l，t gt;0.7， l =1，2，…，L。

1.1.2 等值劃分狀態(tài)

根據(jù)等值劃分法計(jì)算光伏發(fā)電功率Pt 所隸屬的狀態(tài)區(qū)間mt，如式（2）所示。

式中：Nm——?dú)v史出力數(shù)據(jù)中第m 個(gè)狀態(tài)區(qū)間的頻數(shù)。

1.2 光伏出力概率分布特征分析

以某光伏電站出力數(shù)據(jù)為例，如式（2）所示將出力數(shù)據(jù)進(jìn)行等值劃分，取δ=1 MW，M =18，統(tǒng)計(jì)落在每個(gè)狀態(tài)區(qū)間的頻數(shù)如圖2 所示。

如式（3）～式（6）所示，GMM 模型采用高斯分布描述每個(gè)狀態(tài)區(qū)間內(nèi)Nm 個(gè)樣本的概率分布，Nm 為每個(gè)狀態(tài)區(qū)間的頻數(shù)。如圖2 所示，由于光伏出力概率分布的多峰性，采用等值劃分法會(huì)存在狀態(tài)頻數(shù)Nm 過(guò)大或過(guò)小的情況，部分狀態(tài)頻數(shù)過(guò)少，統(tǒng)計(jì)到的數(shù)據(jù)不具有代表性；部分狀態(tài)頻數(shù)較多，將較多樣本的概率分布用單一高斯分布擬合可能會(huì)產(chǎn)生較大誤差，影響預(yù)測(cè)精度。因此GMM 應(yīng)用于光伏出力概率預(yù)測(cè)模型構(gòu)建存在一定局限性。

1.3 改進(jìn)高斯混合模型

結(jié)合光伏出力概率分布特征，提出一種改進(jìn)GMM 模型，基于等數(shù)據(jù)量的方式進(jìn)行狀態(tài)劃分，將光伏出力樣本Pt，1，Pt，2，…，Pt，N 由小到大進(jìn)行排序，排序之后的樣本為P′t，1，P′t，2，…，P′t，N，劃分方式如式（7）所示。

mt =i， Pt ∈[ P′t，（i -1）N/M ， P′t，iN/M ] （7）

改進(jìn)GMM 概率預(yù)測(cè)模型如式（8）所示。

Pr（Pt ）=Σm =1CλmNDF（ μm ，σ2m ） （8）

式中：C——N 和M 的比值，表示每個(gè)狀態(tài)區(qū)間頻數(shù)。

如式（7）所示將出力數(shù)據(jù)進(jìn)行等數(shù)據(jù)量劃分，取M =18，統(tǒng)計(jì)落在每個(gè)狀態(tài)區(qū)間的頻數(shù)如圖3 所示。等數(shù)據(jù)量法劃分狀態(tài)可使各狀態(tài)區(qū)間頻數(shù)分布較均勻，不會(huì)造成某個(gè)狀態(tài)區(qū)間頻數(shù)過(guò)多或過(guò)少的情況，有利于減小預(yù)測(cè)誤差。

2 基于多氣象類(lèi)型加權(quán)和改進(jìn)高斯混合模型的光伏出力超短期概率預(yù)測(cè)。

如引言所述，影響氣象類(lèi)型的因素復(fù)雜，各氣象類(lèi)型之間無(wú)嚴(yán)格界限，基于與待預(yù)測(cè)時(shí)刻氣象類(lèi)型相同的某一類(lèi)樣本集構(gòu)建模型可能產(chǎn)生較大誤差。本文提出多氣象類(lèi)型加權(quán)法，構(gòu)建隸屬度函數(shù)量化待預(yù)測(cè)時(shí)刻氣象特征對(duì)于各氣象類(lèi)型的相似程度，并根據(jù)隸屬度集成各氣象類(lèi)型樣本集的概率分布，光伏出力概率預(yù)測(cè)流程如圖4 所示。誤差。

2.1 劃分氣象類(lèi)型

采用K-均值算法將歷史氣象-出力數(shù)據(jù)劃分為K 類(lèi)氣象類(lèi)型，具體步驟如下：

1）數(shù)據(jù)預(yù)處理：將每個(gè)樣本的氣象特征進(jìn)行歸一化，隨機(jī)選取K 個(gè)樣本作為初始的聚類(lèi)中心。

2）樣本分配：計(jì)算各樣本和各聚類(lèi)中心之間的距離，分配給距離最近的聚類(lèi)中心。

3）更新聚類(lèi)中心：所有樣本分配完畢后，計(jì)算各類(lèi)中所有樣本聚類(lèi)特征的均值作為新的聚類(lèi)中心。

4）判斷閾值：不斷重復(fù)步驟2）～步驟4）直到更新前后的聚類(lèi)中心之間的距離小于閾值。

氣象類(lèi)型1，2，… ，K 分別對(duì)應(yīng)氣象- 出力子集Q1t-P1t，Q2t-P2t，…，QKt-PKt。

2.2 改進(jìn)GMM建模

分別輸入待預(yù)測(cè)時(shí)刻的鄰近L1，L2，…，LK 個(gè)歷史時(shí)刻的出力，建立改進(jìn)GMM 模型得到每個(gè)氣象類(lèi)型出力樣本的概率分布如式（9）所示。

式中：Pkt——?dú)庀箢?lèi)型k 對(duì)應(yīng)的出力子集；Nk——?dú)庀箢?lèi)型k的樣本數(shù)量；N kd——?dú)庀箢?lèi)型k 中每個(gè)狀態(tài)區(qū)間頻數(shù)。

2.3 構(gòu)建隸屬度函數(shù)

輸入待預(yù)測(cè)時(shí)刻氣象預(yù)報(bào)數(shù)據(jù)Q，計(jì)算對(duì)于各氣象類(lèi)型的隸屬度ωi 如式（10）所示。

式中：Q——待預(yù)測(cè)時(shí)刻氣象預(yù)報(bào)數(shù)據(jù)氣象特征；Ck——?dú)庀笞蛹疩kt的聚類(lèi)中心；D （Q，Ck ）——Q 到各聚類(lèi)中心的歐氏距離。待預(yù)測(cè)時(shí)刻天氣與某聚類(lèi)中心的距離越小，表示與該類(lèi)氣象類(lèi)型的相似程度越大。

2.4 多氣象類(lèi)型加權(quán)

將各氣象類(lèi)型的出力概率分布加權(quán)，權(quán)重系數(shù)為每個(gè)氣象類(lèi)型的隸屬度，得到待預(yù)測(cè)時(shí)刻的光伏出力概率分布如式（11）所示。

3 算例分析

3.1 實(shí)驗(yàn)結(jié)果分析

數(shù)據(jù)集采用某省光伏電站 2018 年6 月— 2019 年 6 月共378 d 的實(shí)際數(shù)據(jù)，采樣間隔為15 min，包括該光伏場(chǎng)站的太陽(yáng)輻照度、環(huán)境溫度、氣壓、風(fēng)向、風(fēng)速以及功率數(shù)據(jù)。其中2018 年6 月1 日—2019 年5 月14 日共348 d 為訓(xùn)練集，2019 年5 月15 日—6 月13 日共30 d 為測(cè)試集。以2019 年6 月13 日12：00 作為待預(yù)測(cè)時(shí)刻為例說(shuō)明光伏概率預(yù)測(cè)過(guò)程。

依據(jù)各氣象因素與光伏出力的相關(guān)性選擇聚類(lèi)特征，各氣象因素與光伏出力的Pearson 相關(guān)系數(shù)如表1 所示。

選擇與光伏出力相關(guān)性較強(qiáng)的溫度和太陽(yáng)輻照度作為聚類(lèi)特征進(jìn)行K-均值聚類(lèi)，結(jié)果如圖5 所示。

按照聚類(lèi)結(jié)果將歷史數(shù)據(jù)劃分為氣象類(lèi)型1 和氣象類(lèi)型2，分別對(duì)應(yīng)氣象-出力數(shù)據(jù)子集Q1t-P1t和Q2t-P2t，氣象類(lèi)型1 包含215 個(gè)樣本，氣象類(lèi)型2 包含133 個(gè)樣本。分別構(gòu)建氣象類(lèi)型1、2 出力數(shù)據(jù)P1t、P2t的改進(jìn)GMM 模型，具體過(guò)程如下：

3.1.1 階數(shù)選擇

計(jì)算出力子集P1t、P2t中待預(yù)測(cè)時(shí)刻與鄰近L 個(gè)時(shí)刻的光伏出力的 Pearson 相關(guān)系數(shù)如表2 所示。

當(dāng)相關(guān)系數(shù)大于0.7 時(shí)，認(rèn)為該時(shí)刻與待預(yù)測(cè)時(shí)刻出力顯著相關(guān)，由表2 可得L1 =6，L2 =7。

3.1.2 等數(shù)據(jù)量狀態(tài)劃分

采用等數(shù)據(jù)量劃分法統(tǒng)計(jì)P1t、P2t每個(gè)狀態(tài)區(qū)間的頻數(shù)如圖6、圖7 所示。

3.1.3 計(jì)算狀態(tài)轉(zhuǎn)移概率矩陣

對(duì)于出力子集P1t、P2t，分別統(tǒng)計(jì)鄰近L1、L2 個(gè)時(shí)刻與待預(yù)測(cè)時(shí)刻出力狀態(tài)轉(zhuǎn)移的頻數(shù)，得到對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移概率矩陣S1t- L1，t ， S1t- L1 + 1，t ，…， S1t- 1，t 和S2t- L2，t ， S1t- L2 + 1，t ，…， S2t- 1，t。

3.1.4 求解GMM 參數(shù)

分別輸入待預(yù)測(cè)時(shí)刻鄰近L1、L2 個(gè)時(shí)刻的出力數(shù)據(jù)，由式（4）～式（7）計(jì)算各氣象類(lèi)型的GMM 模型參數(shù)，計(jì)算結(jié)果如表3 所示。

待預(yù)測(cè)時(shí)刻的預(yù)報(bào)氣象數(shù)據(jù)為太陽(yáng)輻照度892 W/m2，溫度33.95 ℃，由式（10）計(jì)算對(duì)于氣象類(lèi)型1、2 的隸屬度ω1、ω2 分別為0.442、0.558，根據(jù)隸屬度將兩個(gè)氣象類(lèi)型的出力概率分布加權(quán)，得到基于多氣象加權(quán)和改進(jìn)GMM 的光伏出力概率分布。將GMM 參數(shù)分別代入式（3）和式（8）便分別得到基于GMM 和改進(jìn)GMM 的待預(yù)測(cè)時(shí)刻光伏出力的概率分布?；? 個(gè)模型得到的預(yù)測(cè)概率分布與實(shí)際出力的對(duì)比如圖8 所示。

待預(yù)測(cè)時(shí)刻實(shí)際光伏發(fā)電出力為 14.015 MW，由圖 8 可知，GMM、改進(jìn)GMM 和多氣象加權(quán)和改進(jìn)GMM 預(yù)測(cè)結(jié)果概率最大點(diǎn)對(duì)應(yīng)的光伏發(fā)電出力分別為15.291、14.366 和14.155 MW，相對(duì)誤差分別為9.1%、2.5% 和1.0%。因此，通過(guò)改進(jìn)GMM 劃分方式和進(jìn)行多氣象類(lèi)型出力加權(quán)后，概率分布函數(shù)最高點(diǎn)對(duì)應(yīng)的光伏出力值更接近實(shí)際出力值，且出力概率更加集中分布于實(shí)際值附近。由此可見(jiàn)，基于多氣象類(lèi)型加權(quán)和改進(jìn)GMM 方法能有效提高光伏出力的概率預(yù)測(cè)性能。

3.2 評(píng)價(jià)指標(biāo)

3.2.1 平均絕對(duì)誤差百分比

計(jì)算預(yù)測(cè)概率分布的尖峰（概率密度最大點(diǎn)）對(duì)應(yīng)的光伏出力值與實(shí)際值的平均絕對(duì)誤差百分比（mean absolutepercentage error， MAPE） 如式（12）所示。

式中：T——測(cè)試集樣本數(shù)量；Pi——實(shí)際值；P i——預(yù)測(cè)值。

3.2.2 平均覆蓋率誤差

平均覆蓋率誤差（average coverage deviation， ACD）表示實(shí)際值落在預(yù)測(cè)范圍的經(jīng)驗(yàn)覆蓋概率與標(biāo)稱(chēng)覆蓋概率之差，如式（13）所示。

eACD =p -α （13）

式中：α——標(biāo)稱(chēng)覆蓋概率，α = 0.9；p——經(jīng)驗(yàn)覆蓋概率，如式（14）所示。

ACD 值越大，說(shuō)明預(yù)測(cè)結(jié)果的可靠性越高。

3.2.3 置信區(qū)間平均寬度

置信度為θ 時(shí)，預(yù)測(cè)置信區(qū)間的平均寬度（average width，AW）如式（15）所示。

式中：F——累計(jì)概率密度函數(shù)。在相同置信度下，預(yù)測(cè)置信區(qū)間的平均寬度越小，說(shuō)明預(yù)測(cè)的出力概率越集中分布于實(shí)際值附近，概率結(jié)果的銳度性能越好。

3.3 對(duì)比實(shí)驗(yàn)

對(duì)測(cè)試樣本 2019 年5 月15 日—6 月 13 日共30 d，每天09：00—17：00 的光伏出力數(shù)據(jù)進(jìn)行預(yù)測(cè)，測(cè)試數(shù)據(jù)總時(shí)刻T =30×9=270 個(gè)時(shí)刻。

為驗(yàn)證本文所提改進(jìn)GMM 和多氣象類(lèi)型加權(quán)兩項(xiàng)改進(jìn)措施的有效性，對(duì)比GMM、改進(jìn)GMM、多氣象類(lèi)型加權(quán)GMM和多氣象類(lèi)型加權(quán)改進(jìn)GMM 這4 種方法的預(yù)測(cè)效果，4 種方法所用改進(jìn)措施如表4 所示。

各方法在2019 年5 月15 日—6 月13 日共30 d，每天09：00—17：00 的光伏出力數(shù)據(jù)的預(yù)測(cè)結(jié)果如表5 所示。

由表5 可得：

1）本文所提基于多氣象類(lèi)型加權(quán)和改進(jìn)高斯混合模型的光伏出力超短期概率預(yù)測(cè)方法能獲得較好的預(yù)測(cè)性能。點(diǎn)預(yù)測(cè)結(jié)果的平均相對(duì)誤差百分比MAPE 為5.2%，與實(shí)際值較接近；置信度90% 時(shí)區(qū)間覆蓋率高達(dá)97.8%，說(shuō)明預(yù)測(cè)結(jié)果具有較高可靠性；置信度90% 的置信區(qū)間較窄，說(shuō)明預(yù)測(cè)概率分布在實(shí)際值附近較集中，銳度性能較好。

2）改進(jìn)后的GMM 在光伏出力概率預(yù)測(cè)中有更好的預(yù)測(cè)性能。相較于未改進(jìn)的GMM，改進(jìn)后的GMM 的MAPE 平均減少20.48%，ACD 平均提升4.48%，AW 平均下降1.11%，預(yù)測(cè)結(jié)果的可靠性和銳度性能均得到提升。說(shuō)明等數(shù)據(jù)劃分使光伏出力的各狀態(tài)區(qū)間頻數(shù)分布較均勻，不會(huì)造成某個(gè)狀態(tài)區(qū)間頻數(shù)過(guò)多或過(guò)少的情況，在光伏出力概率預(yù)測(cè)中能取得較好的預(yù)測(cè)性能，驗(yàn)證了本文所提改進(jìn)GMM 模型的有效性。

3）多氣象類(lèi)型加權(quán)的GMM 模型相較單一GMM 有更好的預(yù)測(cè)性能。相較于單一氣象類(lèi)型的GMM，多氣象類(lèi)型加權(quán)GMM 的MAPE 平均減少16.87%，ACD 平均提升10.45%，AW 平均下降2.49%，預(yù)測(cè)結(jié)果的可靠性和銳度性能均得到提升。說(shuō)明將數(shù)據(jù)先劃分氣象類(lèi)型分別概率建模，再構(gòu)建氣象隸屬度進(jìn)行模型加權(quán)能有效提升預(yù)測(cè)性能，驗(yàn)證了本文所提多氣象類(lèi)型加權(quán)的有效性。

4 結(jié) 論

針對(duì)目前光伏出力概率預(yù)測(cè)研究存在的兩個(gè)問(wèn)題，一是大多數(shù)光伏出力預(yù)測(cè)往往是基于與待預(yù)測(cè)時(shí)刻氣象類(lèi)型相同的某一類(lèi)樣本集構(gòu)建模型，數(shù)據(jù)利用率低且可能產(chǎn)生較大誤差；二是由于光伏出力概率分布較為不均勻，高斯混合模型采用等值法劃分出力狀態(tài)存在一定不合理性，本文提出一種基于多氣象類(lèi)型加權(quán)和改進(jìn)高斯混合模型的光伏出力超短期概率預(yù)測(cè)方法。本文所做的主要工作和結(jié)論如下：

1）提出多氣象類(lèi)型加權(quán)模型，首先依據(jù)氣象特征將歷史數(shù)據(jù)劃分為若干氣象類(lèi)型，然后構(gòu)建隸屬度函數(shù)量化待預(yù)測(cè)時(shí)刻氣象特征對(duì)于各氣象類(lèi)型的相似程度，最后根據(jù)隸屬度對(duì)各氣象類(lèi)型的概率分布進(jìn)行加權(quán)。算例分析結(jié)果表明多氣象類(lèi)型加權(quán)模型相較基于單一氣象類(lèi)型數(shù)據(jù)的模型有更好的預(yù)測(cè)性能。相較于單一氣象類(lèi)型GMM，多氣象類(lèi)型加權(quán)GMM 的MAPE 平均減少16.87%，ACD 平均提升10.45%，AW 平均下降2.49%，多氣象類(lèi)型加權(quán)使預(yù)測(cè)結(jié)果的可靠性和銳度性能均得到提升。

2）提出改進(jìn)高斯混合模型。算例結(jié)果表明改進(jìn)后的GMM 在光伏出力概率預(yù)測(cè)中有更好的預(yù)測(cè)性能。相較于未改進(jìn)的GMM，改進(jìn)后GMM 的 MAPE 平均減少20.48%，ACD平均提升4.48%，AW 平均下降1.11%，可靠性和銳度性能均得到提升。

3）本文所提基于多氣象類(lèi)型加權(quán)和改進(jìn)高斯混合模型的光伏出力超短期概率預(yù)測(cè)方法能獲得較好的預(yù)測(cè)性能。點(diǎn)預(yù)測(cè)結(jié)果的平均相對(duì)誤差百分比MAPE 為5.2%，置信度90% 時(shí)區(qū)間覆蓋率高達(dá)97.8% 且置信區(qū)間較窄。

［參考文獻(xiàn)］

［1］ 賴(lài)昌偉， 黎靜華， 陳博， 等. 光伏發(fā)電出力預(yù)測(cè)技術(shù)研究綜述［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（6）： 1201-1217.

LAI C W， LI J H， CHEN B， et al. Review of photovoltaicpower output prediction technology［J］. Transactions ofChina Electrotechnical Society， 2019， 34（6）： 1201-1217.

［2］ 賈凌云， 云斯寧， 趙澤妮， 等. 神經(jīng)網(wǎng)絡(luò)短期光伏發(fā)電預(yù)測(cè)的應(yīng)用研究進(jìn)展［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（12）：88-97.

JIA L Y， YUN S N， ZHAO Z N， et al. Recent progress ofshort-term forecasting of photovoltaic generation based onartificial neural networks［J］. Acta energiae solaris sinica，2022， 43（12）： 88-97.

［3］ 王俊杰， 畢利， 張凱， 等. 基于多特征融合和XGBoost-LightGBM-ConvLSTM 的短期光伏發(fā)電量預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2023， 44（7）： 168-174.

WANG J J， BI L， ZHANG K， et al. Short-termphotovoltaic power generation prediction based on multifeaturefusion and XGBoost-LightGBM-ConvLSTM［J］. Actaenergiae solaris sinica， 2023， 44（7）： 168-174.

［4］ 康重慶， 張寧.“ 高比例可再生能源電力系統(tǒng)規(guī)劃與運(yùn)行”專(zhuān)題特約主編寄語(yǔ)［J］. 電工技術(shù)學(xué)報(bào)， 2019， 34（10）： 1985-1986.

KANG C Q， ZHANG N. Message from special editor-inchiefon “planning and operation of high-proportionrenewable energy power system”［J］. Transactions of ChinaElectrotechnical Society， 2019， 34（10）： 1985-1986.

［5］ 王獻(xiàn)志， 曾四鳴， 周雪青， 等. 基于XGBoost聯(lián)合模型的光伏發(fā)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（4）：236-242.

WANG X Z， ZENG S M， ZHOU X Q， et al. Powerforecast of photovoltaic generation based on XGBoostcombined model［J］. Acta energiae solaris sinica， 2022，43（4）： 236-242.

［6］ 譚海旺， 楊啟亮， 邢建春， 等. 基于XGBoost-LSTM組合模型的光伏發(fā)電功率預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2022， 43（8）： 75-81.

TAN H W， YANG Q L， XING J C， et al. Photovoltaicpower prediction based on combined XGBoost-LSTMmodel［ J］. Acta energiae solaris sinica， 2022， 43（8）： 75-81.

［7］ SHENG H M， XIAO J， CHENG Y H， et al. Short-termsolar power forecasting based on weighted Gaussianprocess regression［J］. IEEE transactions on industrialelectronics， 2018， 65（1）： 300-308.

［8］ 萬(wàn)燦， 宋永華. 新能源電力系統(tǒng)概率預(yù)測(cè)理論與方法及其應(yīng)用［J］. 電力系統(tǒng)自動(dòng)化， 2021， 45（1）： 2-16.

WAN C， SONG Y H. Theories， methodologies andapplications of probabilistic forecasting for power systemswith renewable energy sources［J］. Automation of electricpower systems， 2021， 45（1）： 2-16.

［9］ 黎靜華， 駱怡辰， 楊舒惠， 等. 可再生能源電力不確定性預(yù)測(cè)方法綜述［J］. 高電壓技術(shù)， 2021， 47（4）： 1144-1157.

LI J H， LUO Y C， YANG S H， et al. Review ofuncertainty forecasting methods for renewable energy power［J］. High voltage engineering， 2021， 47（4）： 1144-1157.

［10］ SARKAR S， AJJARAPU V. MW resource assessmentmodel for a hybrid energy conversion system with wind andsolar resources［J］. IEEE transactions on sustainable energy，2011， 2（4）： 383-391.

［11］ 魏勇， 李浩然， 范雪峰， 等. 計(jì)及日照強(qiáng)度時(shí)間周期特征的光伏并網(wǎng)系統(tǒng)風(fēng)險(xiǎn)評(píng)估方法［J］. 電網(wǎng)技術(shù)， 2018，42（8）： 2562-2569.

WEI Y， LI H R， FAN X F， et al. Risk assessment methodof PV integrated power system considering time periodiccharacteristics of solar irradiance［J］. Power system technology， 2018， 42（8）： 2562-2569.

［12］ ZIADI Z， OSHIRO M， SENJYU T， et al. Optimal voltagecontrol using inverters interfaced with PV systemsconsidering forecast error in a distribution system［J］.IEEE transactions on sustainable energy， 2014， 5（2）：682-690.

［13］ FATEMI S A， KUH A， FRIPP M. Parametric methods forprobabilistic forecasting of solar irradiance［J］. Renewableenergy， 2018， 129： 666-676.

［14］ GOLESTANEH F， PINSON P， GOOI H B. Very shorttermnonparametric probabilistic forecasting of renewableenergy generation-with application to solar energy［J］.IEEE transactions on power systems， 2016， 31（5）： 3850-3863.

［15］ WAN C， LIN J， SONG Y H， et al. Probabilisticforecasting of photovoltaic generation： an efficientstatistical approach［J］. IEEE transactions on power systems，2017， 32（3）： 2471-2472.

［16］ 顏偉， 任洲洋， 趙霞， 等. 光伏電源輸出功率的非參數(shù)核密度估計(jì)模型［J］. 電力系統(tǒng)自動(dòng)化， 2013， 37（10）：35-40.

YAN W， REN Z Y， ZHAO X， et al. Probabilisticphotovoltaic power modeling based on nonparametrickernel density estimation［J］. Automation of electric powersystems， 2013， 37（10）： 35-40.

［17］ 董雷， 周文萍， 張沛， 等. 基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的光伏發(fā)電短期概率預(yù)測(cè)［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2013， 33（增刊1）： 38-45.

DONG L， ZHOU W P， ZHANG P， et al. Short-termphotovoltaic output forecast based on dynamic Bayesiannetwork theory［J］. Proceedings of the CSEE， 2013， 33（S1）：38-45.

［18］ 高元海， 徐瀟源， 嚴(yán)正. 基于多維高斯混合模型的電力系統(tǒng)不確定性建模方法［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2023，43（1）： 37-47.

GAO Y H， XU X Y， YAN Z. Power system uncertaintymodeling based on multivariate gaussian mixture model［J］. Proceedings of the CSEE， 2023， 43（1）： 37-47.

［19］ 周帆， 鄭常寶， 胡存剛， 等. 基于高斯混合模型的光伏發(fā)電功率概率區(qū)間預(yù)測(cè)［J］. 科學(xué)技術(shù)與工程， 2021， 21（24）：10284-10290.

ZHOU F， ZHENG C B， HU C G， et al. Prediction ofphotovoltaic power generation probability interval based onGaussian mixture model［J］. Science technology andengineering， 2021， 21（24）： 10284-10290.

［20］ 劉潔， 林舜江， 梁煒焜， 等. 基于高階馬爾可夫鏈和高斯混合模型的光伏出力短期概率預(yù)測(cè)［J］. 電網(wǎng)技術(shù)，2023， 47（1）： 266-274.

LIU J， LIN S J， LIANG W K， et al. Short-termprobabilistic forecast for power output of photovoltaicstation based on high order Markov chain and Gaussianmixture model［J］. Power system technology， 2023， 47（1）： 266-274.

［21］ 何鋒， 章義軍， 章建華， 等. 基于相似日和分位數(shù)回歸森林的光伏發(fā)電功率概率密度預(yù)測(cè)［J］. 熱力發(fā)電，2019， 48（7）： 64-69.

HE F， ZHANG Y J， ZHANG J H， et al. Forecasting ofphotovoltaic power generation probability density based onsimilar day and quantile regression forests［J］. Thermalpower generation， 2019， 48（7）： 64-69.

［22］ 王開(kāi)艷， 杜浩東， 賈嶸， 等. 基于相似日聚類(lèi)和QRCNN-BiLSTM模型的光伏功率短期區(qū)間概率預(yù)測(cè)［J］. 高電壓技術(shù)， 2022， 48（11）： 4372-4384.

WANG K Y， DU H D， JIA R， et al. Short-term intervalprobability prediction of photovoltaic power based onsimilar daily clustering and QR-CNN-BiLSTM model［J］.High voltage engineering， 2022， 48（11）： 4372-4384.

［23］ 周蔭清. 隨機(jī)過(guò)程理論［M］. 3版. 北京： 北京航空航天大學(xué)出版社， 2013： 214-239.

ZHOU Y Q. Stochastic process theory［M］. 3rd ed.Beijing： Beijing University of Aeronautics amp; AstronauticsPress， 2013： 214-239.

基金項(xiàng)目：國(guó)家電網(wǎng)公司總部科技項(xiàng)目（5700-202255222A-1-1-ZN）