(19)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 202210830514.4 (22)申请日 2022.07.15 (71)申请人 国网安徽省电力有限公司经济技 术 研究院 地址 230009 安徽省合肥市蜀山区金寨路 73号 (72)发明人 徐加银　汪涛　崔宏　李坤　钱龙　 方毛林　王绪利　聂元弘　 (74)专利代理 机构 合肥国和专利代理事务所 (普通合伙) 34131 专利代理师 张祥骞 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06Q 50/06(2012.01)H02J 3/00(2006.01) H02J 3/38(2006.01) (54)发明名称 一种基于回归分析和LSSVM的源荷一体化预 测方法 (57)摘要 本发明涉及一种基于回归分析和LSSVM的源 荷一体化预测方法， 包括： 采集数据； 对 所采集的 数据进行预处理， 剔除异常数据， 并进行归一化 处理； 计算待预测地区的各风、 光电站功率时间 序列和该地区风、 光电站总功率序列的皮尔逊相 关系数r， 以及各个风、 光电站的数据准确度C； 对 待预测地区的特征风、 光电站的时间序列数据进 行基于ST L的时间序列分解； 构建回归预测模型； 得到待预测地区最终的风电、 光伏预测功率； 得 到待预测地区的负荷预测结果。 本发明通过STL 时间序列分解， 对于各个分量的特性构造不同的 回归函数， 以量化气象因素、 时间因素对风电场、 光伏电站出力的影 响， 本发明考虑到气象因素对 不同分量的影响， 预测模型 更加详细。 权利要求书4页 说明书10页 附图1页 CN 115423143 A 2022.12.02 CN 115423143 A 1.一种基于回归分析和LSSVM的源荷一体化预测方法， 其特征在于： 该方法包括下列顺 序的步骤： (1)采集待预测地区的风、 光电站的发电功率数据、 负荷数据和气象数据； (2)对步骤(1)所采集的数据进行 预处理， 剔除异常数据， 并进行归一 化处理； (3)计算待预测地区的各风、 光电站功率时间序列和该地区风、 光电站总功率序列的皮 尔逊相关系数r， 以及各个风、 光电站的数据准确度C； (4)对待预测地区的特 征风、 光电站的时间序列数据进行基于STL的时间序列分解； (5)基于非线性多元回归分析方法， 确定经时间序列分解后的特征风、 光电站的时间序 列和风速、 温度、 辐照强度气象因素之间的关系， 构建回归预测模型； (6)根据天气预报， 将待预测日的气象因素代入特征风、 光电站分解后的长期分量、 周 期波动分量和噪声分量的回归预测模型， 预测后将各个分量叠加后得到特征风、 光电站发 电预测功率， 并根据特 征风、 光电站的容 量， 得到待预测地区最终的风电、 光伏预测功率； (7)将待预测地区风、 光电站的发电功率数据、 气象数据和 负荷数据划分为训练集和验 证集， 通过采用基于分段核函数的最小二乘支持向量机LSSVM进行训练， 得到负荷预测模 型， 将预测 后的风、 光电站发电功 率数据和气象数据 代入训练好的负荷预测模型中， 得到待 预测地区的负荷预测结果。 2.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法， 其特征在于： 在步骤(1)中， 所述发电功率数据包括n个风电场时序输出功率Pwt,i， i＝1,2, …,n， 以及m个 光伏场时序输出功率Pvt,j， j＝1,2, …,m； 所述负荷数据为地区电力负荷PLt， t为时间尺度； 所述气象数据包括辐照强度f1、 环境 风速f2、 环境温度f3、 环境湿度f4和降水量f5 。 3.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法， 其特征在于： 所述步骤(2)具体包括以下步骤： (2a)剔除异常数据： f(x)＜Q1 ‑1.5×IQR， f(x)＞Q3+1.5 ×IQR   (1) 其中， f(x)为异常数据， Q1为风、 光电站的发电功率数据、 负荷 数据的下 四分位数， Q3为 风、 光电站的发电功率数据、 负荷数据的上四分位数， IQR为风、 光电站的发电功率数据、 负 荷数据的上 下四分位差， 即Q3 ‑Q1； (2b)将风、 光电站的发电功率数据、 负荷数据统一到最短时间尺度上， 对于长时间尺度 上出现缺失数据采用插值法对数据进行补全， 如下式所示： (tm)＝i＝0nL(ti)j＝0， j≠i ntm‑tjti‑tj   (2) 其中， L(ti)是数据在ti时刻的值， L(t)是数据在t时刻的值， tm是数据缺失时刻， ti、 tj 为缺失数据时刻附近 两个采样时间； (2c)进行归一 化处理。 4.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法， 其特征在于： 所述步骤(3)具体包括以下步骤： (3a)分别计算各风、 光电站功率时间序列和该地区风、 光电站总功率序列的皮尔逊相 关系数r：权　利　要　求　书 1/4 页 2 CN 115423143 A 2其中， d＝1 时为风电场、 d＝2时为光伏场， xt,i,d为第i个风、 光电站的功率时间序列； yt,d 为该地区风、 光电站总功率序列； n 为时间序列长度； 和 分别为xt,i,d和yt,d的均值； (3b)计算各个风、 光电站的数据准确度C， 其 值介于0到1之间： 其中， Np,d,i是为第i个风、 光电站一段时间内异常数据个数； Nq,d,i为第i个风、 光电站同 时间段内采集数据个数； (3c)定义RC指标， 选取 特征风、 光电站： RC＝r+C             (5)。 5.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法， 其特征在于： 在步骤(4)中， 所述基于STL的时间序列分解是指 基于鲁棒局部加权回归的时间序列分解方 法， 特征风、 光电 电站功率时间序列分解 为： Pd， t＝Td， t+Cd， t+Id， t            (6) 其中， d＝1时为特征风电场、 d＝2时为特征光伏场， t表示时间周期， Pd， t为特征风、 光电 站功率序列； Td， t为长期分量； Cd， t为周期波动分量； Id， t为噪声分量。 6.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法， 其特征在于： 所述步骤(5)具体是指： 首先根据非线性多元回归分析 方法， 得到各个分量和时间、 气象因素之间的回归方程： 其中， I为气象指标个数， αdT， 1、 αdc， 1、 αdI， 1为各个分量对气象因素的回归系数， βd1、 βd2、 βd3为各个分量对时间的回归系数， εd1、 εd2、 εd3为各个分量下的回归残差， gd1(t)、 gd2(t)、 gd3 (t)为各个分量对应的时间函数， gd1(t)、 gd2(t)、 gd3(t)的公式为： 其中， hi(t)为能拟合长期分量的时间函数， 首选线性函数， 其次是指数函数； gd2(t)为 拟合周期分量的时间函数， 选用傅里叶进行拟合； a0、 bn、 an为傅里叶函数中的组合系数； ei (t)为拟合噪声分量的时间函数， 选用白噪声函数进行拟合； 将式(7)、 (8)联立， 构建出特征风、 光电站各个分量的回归模型， 再根据式(6)， 得到特 征风、 光电站的回归预测模型； 所述步骤(6)具体包括以下步骤：权　利　要　求　书 2/4 页 3 CN 115423143 A 3