本发明涉及一种光伏充电站负荷预测方法。
背景技术：
1、近年来，风电、光伏等新能源容量及数量大幅增加，对电网安全可靠运行造成一定的影响。其中分布式光伏发电部署在用户侧，具有即插即用的特点，并且分布式光伏出力随机性和波动性较强，造成用户侧负荷变化出现不稳定、日负荷曲线波动较大等现象，这随即使得电网负荷变化规律也发生较大波动。
2、光伏充电站属于新型城市基建，是集光伏发电、储能与充电于一体的综合性设备。光伏充电站负荷功率是一定区间范围内所有电动汽车用户充电需求的总数，其负荷预测结果的准确度对于电力系统的规划构建以及电网经济效益管理有着重要作用。但光伏充电站负荷特|生不仅受到充电站辖区范围内车主用电需求的影响，还受到光伏出力特性的影响。光伏充电站中的实时频率响应需求与负载充电需求相互独立，且通常负载充电需求的优先级较高，电动汽车的充电需求受用户出行习惯、充电时间偏好及电价等多因素影响，其次太阳辐射强度、温度、湿度、风速等气象变化都会影响光伏发电的功率输出，这些因素难以准确预测，针对光伏充电站负荷功率的精准预测就变得较为困难。
3、对于现代电力系统中光伏充电站区间功率预测方面，目前的预测模型及方法不够全面且精准，大部分光伏充电站负荷预测方法都集中在点预测，不能够全面掌握负荷的动态发展规律。
技术实现思路
1、本发明要解决的技术问题是提供一种光伏充电站区间功率预测方法，该方法包括如下步骤；
2、采集光伏充电站历史负荷、气象数据及充电行为数据；
3、基于稳定性选择的特征提取；
4、搭建多层极限学习机预测模型；
5、基于改进ssa优化的多层极限学习机模型构建。
6、进一步，基于稳定性选择的特征提取具体包括：
7、步骤2.1对于负荷、气象数据在采集过程出现漏采、异常以及错误的数据，首先使用箱型图检测出异常数据，其中h1、h3分别为下四分位数、上四分位数，小于h1-1.5(h3-h1)或者大于h3+1.5(h3-h1)的数据被认为是异常值，将检测出的异常值和缺失值根据相似日相同时刻数据值进行填补修正；其次，对原始数据进行归一化处理，消除量纲，数据归一化使用公式(1)进行计算，
8、
9、式中，d为全体样本数据，dmax、dmin分别为样本数据的最大值和最小值；
10、步骤2.2从负荷时间序列中提取节假日、昼夜属性、历史负荷特征，从气象数据中提取与预测时刻相关的温度、湿度、风速特征，以及可以量化用户充电行为的充电需求、电价、充电时段特征，得到光伏充电站负荷预测模型输入特征集；
11、步骤2.3首先将构造的特征集随机等分成n个不同的特征子集，然后采用随机森林算法进行特征贡献度计算，并进行多次重复计算，统计特征在被检查的特征子集中被选择为最重要特征的次数。
12、进一步，搭建学习机预测模型的具体过程包括：
13、步骤3.1采用elm，elm算法的基本表达形式如公式(2)、公式(3)，其矩阵表示形式如公式(4)所示。
14、g＝r(wx+b) (2)
15、
16、gq＝t (4)
17、其中：g(xi)表示与输入x对应的第i个隐合层神经元的输出，隐合层数量范围[2，5]；q＝[q1，…，ql]t表示第i个隐合层神经元与输出神经元之间的连接权向量；r表示激活函数，迭代次数为[20,40,60,80,100]，[wi，bi]表示隐藏层参数，参数范围[0，1]；
18、elm算法通过最小化输出权重q保证网络的泛化能力，通常取最小二乘解；其表达式为公式(5)：
19、
20、是g矩阵的moore-penrose广义逆矩阵；采用正则化极限学习机的方式，通过最小化最小二乘估计的正则化代价函数求取输出权值，从而得到公式(6)：
21、
22、e是调节经验风险和结构风险的参数，输出权值通过公式(7)获得：
23、
24、将自动编码器算法加入elm中，elm-ae的隐合层输出用式(8)表示：
25、g＝r(wx+b)，wtw＝i，btb＝i (8)
26、多层极限学习机melm模型利用无监督学习方法elm-ae对各层参数进行训|练，且第i个隐合层的输入即为第(i-1)个隐合层上的输出，如式(9)表示：
27、gi＝r(mi-1qt) (9)
28、其中，gi表示第i个隐合层的输出，当i取值为1时，gi-1即为整个模型的输入；qi表示elm-ae对第(i-1)个隐合层和第i个隐合层训练时的权值矩阵。
29、步骤3.2采用分位数回归作为预测模型的损失函数，如公式(10)所示，通过最小化分位数损失函数来获取不同分位数条件下的负荷预测值，并得到不同置信水平下的负荷分布情况；
30、
31、其中，n表示样本总数；hi表示第i个样本点的实际值；表示第i个样本点的预测值；π表示条件函数；λ表示分位点，取值范围为(0，1)；当λ＝0.5时，该损失函数转换为期望损失函数mae；s表示分位数损失函数；
32、进一步，基于改进ssa优化的多层极限学习机模型构建的具体过程包括：
33、步骤4.1在麻雀算法中，发现者可获得比跟随者更大的觅食搜索空间；在每次迭代过程中，发现者的位置更新方式如公式(11)：
34、
35、其中，si，j为发现者个体位置；i为当前迭代次数；itermax为最大迭代次数；σ为[0，1]内的随机数；u为服从正太分布的随机数；r为单位1的一维矩阵；y2、af分别为预警值和安全值，当y2＜af时，表示觅食区域没有天敌，发现者可以进行全局搜索；当y2≥af时，表示麻雀发现了捕食者，所有麻雀前往其他区域觅食；
36、跟随者麻雀位置更新方式如公式(12)：
37、
38、其中，sp为最优发现者的位置；sworst为当前全局最差的位置；n为种群规模。d为一个1×d的矩阵，每个元素随机幅值为1或-1，d+＝dt(ddt)-1；当i>n/2表明适应度值较低的第i个跟随者状态较差，需要飞往其它地方觅食；
39、发现危险的麻雀占比为20％时，这部分麻雀的初始位置在种群中随机产生，其位置更新公式如公式(13)：
40、
41、其中，sbest为当前的全局最优位置；ω为步长控制参数，是服从均值为0，方差为1的正太分布的随机数；p是[-1，1]之间的随机数，ti是当前麻雀个体的适应度值；tg和tw分别为当前全局最佳和最差的适应度值；ε是非零常数；当ti＞tg时，麻雀容易受到捕食者的攻击；当ti＝tg时，表明处于种群中间的麻雀意识到了危险，需要靠近其它的麻雀以此尽量减少它们被捕食的风险；
42、融合反向学习策略和动态调整步长控制参数对ssa算法进行改进，采用动态调整的策略对步长控制参数ω和p进行优化，公式如(14)(15)所示；
43、
44、式中，n为迭代总次数，n为当前迭代次数，rand为随机数；
45、步骤4.2对于多层极限学习机算法的重要参数，使用改进ssa优化算法寻找模型最佳参数组合，构建基于改进ssa优化算法的模型。
46、进一步，步骤4.2包括：
47、步骤4.21根据上述步骤3.1给定的待优化参数的范围，随机初始化多层极限学习机算法各个参数值，并将其组合作为改进ssa优化算法的寻参变量，然后初始化改进ssa算法的参数，包括种群个数，迭代次数，步长控制参数；
48、步骤4.22输入最优特征数据，对melm模型进行训练，优化算法的目标函数设置为分位数损失函数；
49、步骤4.23训练结束之后，在寻优参数组合中，筛选出预测误差最小的一组参数值作为预测模型的最终参数；
50、步骤4.24验证melm模型经过改进ssa算法参数寻优后，其模型的性能是否达到较为理想的状态。
51、进一步，步骤4.24包括：
52、对于性能验证，采取区间覆盖率(picp)和区间平均宽度(piaw)两种评价指标，如公式(16)、公式(17)所示：
53、
54、其中，m为样本数；yi为第i个测试样本的负荷实际值；1-μ为置信度；si、ii分别表示置信区间的上下界，表示第i测试样本在置信度1-μ下的负荷预测值上下界之差，
55、本发明公开了一种基于改进ssa优化算法的多层极限学习机与分位数回归理论的光伏充电站负荷预测方法，有益效果如下：
56、1.本发明提出了箱型图检测异常数据方法，将检测出的异常值和缺失值根据相似日相同时刻数据值进行填补修正。其次，对原始数据进行归一化处理，消除量纲，解决了充电负荷序列预测模型受不良数据影响的问题。采用特征工程构建输入特征集，并提出稳定性选择的特征提取方法，实现最优特征的筛选，提高模型泛化能力和可靠性。
57、2.充分考虑了气象条件、光伏出力、充电行为、节假日以及电力市场价格等因素对充电负荷变化的影响，建立了melm区间预测模型模型，有效提取隐藏在影响因素内部的重要特征信息，进一步提升模型的适应性和预测性。
58、3.提出结合分位数回归理论，构建melm区间预测模型，实现不同置信水平下的负荷预测，采用改进ssa算法对其进行参数寻优，确定最佳的负荷区间预测模型，获得负荷预测值可能的上下限，更好地限定预测的误差范围，有效提高模型的预测精度。
59、4.提出的多层极限学习机与分位数回归理论(qr-melm)负荷区间预测方法能够更加详细的体现负荷的波动范围，在不同置信区间上的覆盖率最高，区间最窄，在较窄的区间内能够涵盖绝大多数负荷实际值，对区间预测具有更好的预测效果，具有一定的工程实践价值。
1.一种光伏充电站区间功率预测方法，其特征是，包括如下步骤：
2.根据权利要求1所述的一种光伏充电站区间功率预测方法，其特征是，基于稳定性选择的特征提取包括：
3.根据权利要求1所述的一种光伏充电站区间功率预测方法，其特征是，搭建学习机预测模型的具体过程包括：
4.根据权利要求1所述的一种光伏充电站区间功率预测方法，其特征是，基于改进ssa优化的多层极限学习机模型构建的具体过程包括：
5.根据权利要求4所述的一种光伏充电站区间功率预测方法，其特征是，所述步骤4.2包括：
6.根据权利要求5所述的一种光伏充电站区间功率预测方法，其特征是，，步骤4.24包括：
