基于时空相关性模型的分布式光伏电站日前出力预测方法

1.本发明涉及光伏发电领域，尤其涉及一种基于时空相关性模型的分布式光伏电站日前出力预测方法。


背景技术：

2.分布式光伏电站通常连接到中低压配电系统。分布式光伏电站的普及，使配电网变为有源系统。有了这种环保的可再生能源，配电系统的灵活性和可靠性可以大大提高。因此，近年来分布式光伏装机容量大大增加。相较于大规模集中式接入的方式，分布式光伏电站主要有以下特征：1)接入点较多，单点接入容量较小，多为50mw或10mw以下；2)出力数据波动性更强，由于容量较小，其出力平滑特性明显弱于大规模集中式接入新能源；3)本地气象信息不足，相较于大规模集中式光伏电厂，分布式光伏电站更容易受到小范围本地云层移动的影响，而大范围的城市天气预报很难给出小范围地区的云层移动等气象信息。根据上述特点，研究时域波动特性并在此基础上预测分布式光伏电站的出力，对于削弱分布式光伏电站波动性对主动配电系统优化运行的影响显得尤为关键。
3.分布式光伏电站的特性导致了日前预报任务的三个问题：1)由于空间分辨率的原因，城市天气预报信息能够提高的预测精度十分有限。另一方面，分布式光伏电站出力时间序列的波动主要受本地云层运动的影响，而卫星云图也同样具有空间分辨率不足的问题。此外，卫星云图或天空成像仪等设备对分布式光伏电站的投资者来说似乎过于昂贵；2)为了利用不同分布式光伏电站的时空相关性，如果集中开发所有分布式光伏电站的预测模型，将大大增加计算负担；3)数据隐私是协同预测模型应用的关键障碍，特别是对于只能使用历史太阳能数据的情况。由于电力市场机制，一些分布式光伏电站可能不愿意与其他电站分享太阳能发电量预测。
4.目前主要依靠预测模型来进行分布式光伏电站日前出力预测，分布式光伏电站出力预测模型大体上能够分为两类：
5.第一类为物理模型。主要通过物理实验研究气象数据与分布式光伏电站出力之间的解析表达式从而根据气象预测信息来估计新能源出力值。由于该类方法需要大量的具体实验且对于不同的地区、气象特征十分敏感，近年来的相关研究较少。
6.第二类为数据驱动模型。随着数据挖掘及人工智能技术的快速发展，数据驱动预测模型在近年来得到了广泛的应用。从数学特性的角度而言数据驱动模型可以被分为3类：线性模型，非线性模型和混合模型。其中线性模型有自回归模型(auto-regressive，ar)，滑动平均自回归模型(auto-regressive integer moving average，arima)等。以往的研究表明线性预测模型在某些情况下的单步预测能够起到较好的效果，但分布式新能源出力序列显然为非线性时序序列。常用的非线性预测模型有神经网络模型(artificial neural network，ann)等，该类模型对于非线性序列预测的精确性在以往的研究中得到了验证。然而也有部分研究者发现使用非线性预测模型对包含线性趋势的序列进行预测时会引起精度的下降，因此近年来更多的研究集中于将序列分解为线性和非线性分量的混合模型。另
一方面，从数据源而言数据驱动模型又可以分为2类：时间序列模型和数值天气预报预测模型(numerical weather prediction，nwp)，其中时间序列模型使用历史出力数据进行预测，而nwp模型则使用历史出力数据和数值天气预报信息共同进行预测。
7.专利cn107437149a公开了一种光伏电站出力的确定性方法及系统，基于copula函数确定多个所述光伏电站出力的随机性分量的时空相关性模型；根据所述时空相关性模型，确定单个所述光伏电站出力的随机性分量；获取单个所述光伏电站出力的确定性分量；将所述光伏电站出力的随机性分量和所述光伏电站出力的确定性分量合成，得到所述光伏电站出力。此方案对于数学模型的依赖性较高，从而导致鲁棒性较差。


技术实现要素：

8.本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种基于时空相关性模型的分布式光伏电站日前出力预测方法，先后构建新的时空相关性模型和预测模型，利用本地数据进行预测，取消了对于数学模型的依赖性，同时保证了预测效率和隐私。
9.为解决上述技术问题，本发明提出的技术方案为：
10.一种基于时空相关性模型的分布式光伏电站日前出力预测方法，包括服务器端生成线性趋势段模式序列场景并发送给光伏电站的步骤，具体包括：
11.s1)获取所有光伏电站出力的历史数据，根据所述历史数据中的线性趋势段以及线性趋势段模式，构建时空相关性模型；
12.s2)根据所述时空相关模型，用离散经验累积分布函数生成各光伏电站对应的线性趋势段模式序列场景；
13.s3)选取目标光伏电站的线性趋势段模式序列场景并发送给目标光伏电站。
14.进一步的，步骤s1)具体包括：
15.s11)获取所有光伏电站出力的历史数据，识别所述历史数据中的所有线性趋势段；
16.s12)对所述线性趋势段标准化后构建距离矩阵，对所述距离矩阵聚类得到线性趋势段模式；
17.s13)对每个线性趋势段模式用arima模型重建线性趋势时间序列数据；
18.s14)将所述历史数据转换为每个光伏电站的出力时间序列，根据所述线性趋势段和线性趋势段模式转换所述出力时间序列，得到空间相关模型；
19.s15)对所述空间相关模型建立自相关模型得到时空相关性模型。
20.进一步的，步骤s12)具体包括：
21.s121)对各线性趋势段的起点有功功率、终点有功功率和持续时间分别标准化；
22.s122)根据起点有功功率、终点有功功率和持续时间计算所有线性趋势段中每一对线性趋势段的欧几里德距离，得到线性趋势段的距离矩阵；
23.s123)用排序点识别集群结构算法对所述距离矩阵计算距离序列，根据所述距离序列对所有线性趋势段分组，每一组分别作为对应的线性趋势段模式。
24.进一步的，步骤s14)具体包括：
25.s141)根据每个光伏电站出力的历史数据表示对应的出力时间序列x
l
，表达式如
下：
[0026][0027]
其中n是数据点的数量，t1至tn是数据点对应的时间，p1至pn是数据点对应的有功功率，l是光伏电站的序号；
[0028]
s142)根据各线性趋势段的起点和终点，将出力时间序列x
l
转换为线性趋势段时间序列l
l
，表达式如下：
[0029][0030]
其中表示第l个光伏电站的第m个线性趋势段，表示第l个光伏电站历史数据中第一个数据点的有功功率，表示第l个光伏电站历史数据中第n个数据点的有功功率，t1表示第l个光伏电站历史数据中第一个数据点的时间，tn是表示第l个光伏电站历史数据中第n个数据点的时间，表示第l个光伏电站的第一个线性趋势段起点有功功率，表示第l个光伏电站的第m个线性趋势段终点有功功率，表示第l个光伏电站的第m个线性趋势段持续时间；
[0031]
s143)根据线性趋势段对应的线性趋势段模式，将线性趋势段时间序列l
l
转换为线性趋势段模式序列lp
l
，表达式如下：
[0032][0033]
其中表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式；
[0034]
s144)在所有光伏电站的线性趋势段模式序列lp
l
中，提取相同时刻的线性趋势段模式组成序列，作为每个时间点的空间模式spi，表达式如下：
[0035][0036]
其中表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数；
[0037]
s145)统计空间模式数量，并且计算各种空间模式的频率，构建空间相关模型，表达式如下：
[0038][0039]
其中表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数，nj表示统计后的空间模式的数量，sc(
·
)表示每种空间模式的频率；
[0040]
s146)根据空间模式的序列重构空间相关模型，得到：
[0041][0042]
其中si是空间相关模型中各空间模式的矩阵行号，i≥1且i≤n。
[0043]
进一步的，步骤s15)包括：用apriori算法记录空间相关模型中目标空间模式的概率，然后计算新的空间模式在目标空间模式出现后的概率，作为空间模式的自相关概率，表达式如下：
[0044][0045]
其中si是空间相关模型中各空间模式的矩阵行号，p(si…si k-2
|s
i k-1
)表示统计后的第i k-1个空间模式在统计后的第i至i k-2个空间模式出现后的概率，sc(
·
)是对应频繁k项集的频次，n
t
是频繁k项集的个数，频繁k项集记录了统计后的第i至i k-1个空间模式的频率，i≥1且i k-1≤n。
[0046]
进一步的，步骤s2)具体包括：
[0047]
s21)根据目标距离和目标概率权重在预设的初始模式集中匹配得到目标初始模式，所述历史数据中每日的最后k-1个空间模式为后一日的初始模式；
[0048]
s22)对所述目标初始模式用时空相关性模型和离散经验累积分布函数计算，生成每日空间模式序列场景；
[0049]
s23)用重构的空间相关模型和空间模式的序列分解每日空间模式序列场景，得到各光伏电站对应的线性趋势段模式序列场景。
[0050]
进一步的，步骤s21)具体包括：从所述初始模式集中选取至少一个初始模式，计算被选取的初始模式与所述初始模式集中的其他初始模式之间的kantorovich距离，若所述kantorovich距离为目标距离，且被选取的初始模式的概率权重为目标概率权重，被选取的初始模式为目标初始模式。
[0051]
进一步的，步骤s22)具体包括：
[0052]
用当前目标初始模式划分历史数据，并根据空间模式的时间条件概率重新表述时空相关性模型；
[0053]
根据重新表述后的时空相关性模型表述离散经验累积分布函数；
[0054]
根据离散经验累积分布函数和预设的场景数量ns，利用逆变换采样，将当前目标初始模式更新ns次，根据更新后的空间模式生成每日空间模式序列场景，表达式为：
[0055][0056]
其中，i表示当前目标初始模式序号，至表示第i个目标初始模式生成的第ns个场景在前一天第1个小时至第24个小时的空间模式。
[0057]
进一步的，步骤s23)中，各光伏电站对应的线性趋势段模式序列场景的表达式为：
[0058][0059]
其中，j＝1,...,n
l
，为光伏电站的序号，i表示当前目标初始模式序号，至表示第i个目标初始模式生成的第ns个场景在在前一天第1个小时至第24个小时的线性趋势段模式。
[0060]
进一步的，步骤s3)还包括：发送所述线性趋势段模式序列场景对应的目标初始模式给目标光伏电站；
[0061]
所述方法还包括目标光伏电站计算得到预测结果的步骤，具体包括：
[0062]
1)获取线性趋势段模式序列场景和对应的目标初始模式，用目标初始模式匹配本地历史数据，得到对应时间的历史数据，并用arima模型从所述线性趋势段模式序列场景中重建线性趋势时间序列数据；
[0063]
2)将线性趋势时间序列数据和对应时间的历史数据输入门控循环单元，训练得到预测模型；
[0064]
3)将待预测的历史数据和线性趋势段模式序列场景输入所述预测模型，得到出力预测结果。
[0065]
与现有技术相比，本发明的优点在于：
[0066]
1.预测模型在训练及预测过程中仅需要本地的数据，在利用分散式时空相关性模型提高预测精度的同时保证了预测的效率和隐私等问题，适用于大规模的分布式光伏电站集群预测。
[0067]
2.相较于模型驱动的预测方法(如coupla预测法)，由于采用了基于经验分布函数的场景生成方法，并不依赖特定的数学模型，因此取消了对于数学模型的依赖性，提升了预测模型的鲁棒性。
[0068]
3.相较于纯数据驱动的预测方法，由于将时空相关性通过场景权重系数的形式引入到预测模型，在提升预测精度的同时保证了预测方法的物理可解释性。
附图说明
[0069]
图1为本发明实施例的总体框架图。
[0070]
图2为本发明实施例的总体步骤示意图。
[0071]
图3为本发明实施例中构建时空相关模型的详细流程图。
[0072]
图4为本发明实施例中识别线性趋势的示意图。
具体实施方式
[0073]
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
[0074]
如图1所示，本方案的构思为：服务器端基于时空相关模型和离散经验累积分布函数(emperical cumulative density function,ecdf)生成每个分布式光伏电站的线性趋势场景，将这些包含时空相关性知识的场景发送到本地的分布式光伏电站，各光伏电站收
取到这些线性趋势场景之后，连同本地历史数据一起输入门控循环单元(gated recurrent unit，gru)，训练预测模型，预测模型训练完成之后，即可将待预测的历史数据和线性趋势场景输入该预测模型，得到各光伏电站出力预测结果。
[0075]
基于此方案构思，如图2所示，本实施例提出一种基于时空相关性模型的分布式光伏电站日前出力预测方法，一方面，服务器端生成线性趋势段模式序列场景并发送给光伏电站，步骤具体包括：
[0076]
s1)获取所有光伏电站出力的历史数据，根据所述历史数据中的线性趋势段以及线性趋势段模式，构建时空相关性模型；
[0077]
s2)在预设的初始模式集中识别目标初始模式，根据所述时空相关模型，用离散经验累积分布函数和目标初始模式生成各光伏电站对应的线性趋势段模式序列场景；
[0078]
s3)选取目标光伏电站的线性趋势段模式序列场景，并与目标初始模式一同发送给目标光伏电站。
[0079]
另一方面，目标光伏电站从服务器端获取线性趋势段模式序列场景和对应的目标初始模式，并计算得到预测结果，步骤具体包括：
[0080]
1)获取线性趋势段模式序列场景和对应的目标初始模式，用目标初始模式匹配本地历史数据，得到对应时间的历史数据，并用差分整合移动平均自回归模型(autoregressive integrated moving average,arima)从所述线性趋势段模式序列场景中重建线性趋势时间序列数据；
[0081]
2)将重建后的重建线性趋势时间序列数据和对应时间的历史数据输入门控循环单元，训练得到预测模型；
[0082]
3)将待预测的历史数据和线性趋势段模式序列场景输入所述预测模型，得到出力预测结果。
[0083]
通过上述步骤，本实施例的时空相关性模型基于对历史数据的统计和聚类得到，相较于模型驱动的预测方法，取消了对于数学模型的依赖性，提升了模型的鲁棒性；同时预测模型由深度学习构建得到，相较于纯数据驱动的预测方法，在提升预测精度的同时保证了预测方法的物理可解释性，预测模型在训练及预测过程中仅需要本地的数据就能够提取时空相关性知识，利用时空相关性模型提高预测精度的同时保证了预测的效率，并且避免涉及到隐私问题，适用于大规模的分布式光伏电站集群预测。
[0084]
以下对于上述各步骤进行详细说明
[0085]
如图3所示，本实施例的步骤s1)具体包括：
[0086]
s11)获取所有光伏电站出力的历史数据，识别所述历史数据中的所有线性趋势段，本实施例采用参数和分辨率自适应(parameter and resolution adaptive algorithm,praa)算法识别历史数据的线性趋势段(linear trend segments,ltss)，参数和分辨率自适应算法步骤如下：
[0087]
s111)利用异常和旋转门数据压缩算法，处理历史数据的不良数据点并检测原始线性趋势；
[0088]
s112)合并趋势方向相同的相邻线段；
[0089]
s113)识别出具有轻微波动段的线性趋势，根据整体趋势确定所属的输出数据集，如图4所示，从样本点125到163，整个光伏出力是上下波动的，但是整体趋势是向下进行的，
因此，根据该整体趋势，将其归属于对应的praa输出数据集；
[0090]
s12)对所述线性趋势段标准化后构建距离矩阵，对所述距离矩阵聚类得到线性趋势段模式，具体的，praa的输出数据集可以分为三组：up-ltss集、down-ltss集和interval-ltss集，其中interval-lts集合包括up-lts(down-lts)和down-lts(up-lts)之间的ltss，利用排序点识别集群结构(ordering points to identify the cluster structure,optics)算法将上述三类ltss进行聚类得到ltss模式，具体包括：
[0091]
s121)对各线性趋势段的起点有功功率、终点有功功率和持续时间分别标准化，本实施例用起点/终点的有功功率和持续时间来描述lts，这些参数被标准化为：
[0092][0093]
上式中，x分别表示当前ltss起点的有功功率p
s,i
、或终点的有功功率p
e,i
、或持续时间d
u,i
，x
mid
表示所有ltss起点的有功功率、或终点的有功功率、或持续时间的中位数，a
sd
表示绝对标准差，m是ltss的个数，x
ii
表示第ii个ltss起点的有功功率p
s,i
、或终点的有功功率p
e,i
、或持续时间d
u,i
；
[0094]
s122)根据起点有功功率、终点有功功率和持续时间计算所有线性趋势段中每一对线性趋势段的欧几里德距离，得到线性趋势段的距离矩阵，计算公式如下：
[0095][0096]
上式中，i、j分别表示ltss的序号，p
s,i
表示第i个ltss起点的有功功率，p
e,i
表示第i个ltss终点的有功功率，d
u,i
表示第i个ltss持续时间，p
s,j
表示第j个ltss起点的有功功率，p
e,j
表示第j个ltss终点的有功功率，d
u,j
表示第j个ltss持续时间；
[0097]
s123)用排序点识别集群结构算法对所述距离矩阵计算距离序列，根据所述距离序列对所有线性趋势段分组，每一组分别作为对应的线性趋势段模式，具体的，获得了m个ltss的距离矩阵之后，采用optics方法进行聚类。通过optics得到的距离序列，将m个ltss划分为n个簇，这在本实施例的方法中被定义为ltss模式，通常ltss模式可以被描述为一组具有相似幅度和持续时间的ltss；
[0098]
s13)对每个线性趋势段模式用arima模型重建线性趋势时间序列数据，计算公式为：
[0099]
p
t
＝a1p
t-1
a2p
t-2

…au
p
t-u
ε
t
b1ε
t-1

…
bwε
t-w
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0100]
上式中，a1到au是ar系数，b1到bw是ma系数，ε
t
是高斯分布白噪声，p
t
到p
t-u
为历史数据中t时刻到t-u时刻的光伏功率值；
[0101]
对每个ltss模式用式(3)重建后，第i个ltss模式的arima模型可以表述为arima(ui,vi,wi)，其中ui为自回归项数，wi为滑动平均项数，vi是保证时间序列数据平稳性的差分顺序；
[0102]
s14)将所述历史数据转换为每个光伏电站的出力时间序列，根据所述线性趋势段和线性趋势段模式转换所述出力时间序列，得到空间相关模型，具体包括：
[0103]
s141)根据每个光伏电站出力的历史数据表示对应的出力时间序列x
l
，每个光伏电站出力时间序列表达式如下：
[0104][0105]
上式中，n是历史数据中数据点的数量，t1至tn是数据点对应的时间，p1至pn是数据点对应的有功功率，l是光伏电站的序号；
[0106]
s142)根据各线性趋势段的起点和终点，将出力时间序列x
l
转换为线性趋势段时间序列l
l
，表达式如下：
[0107][0108]
上式中，表示第l个光伏电站的第m个线性趋势段，表示第l个光伏电站历史数据中第一个数据点的有功功率，表示第l个光伏电站历史数据中第n个数据点的有功功率，t1表示第l个光伏电站历史数据中第一个数据点的时间，tn是表示第l个光伏电站历史数据中第n个数据点的时间，表示第l个光伏电站的第一个线性趋势段起点有功功率，表示第l个光伏电站的第m个线性趋势段终点有功功率，表示第l个光伏电站的第m个线性趋势段持续时间；
[0109]
s143)根据线性趋势段对应的线性趋势段模式，将线性趋势段时间序列l
l
转换为线性趋势段模式序列lp
l
，表达式如下：
[0110][0111]
上式中，表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n是数据点的总数；
[0112]
s144)在所有光伏电站的线性趋势段模式序列lp
l
中，提取相同时刻的线性趋势段模式组成序列，作为每个时间点的空间模式spi，表达式如下：
[0113][0114]
上式中，表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数；
[0115]
s145)统计空间模式数量，并且计算各种空间模式的频率，构建空间相关模型，表达式如下：
[0116][0117]
上式中，表示第l个光伏电站历史数据中第i个数据点所属的线性趋势段模式，n
l
表示光伏电站总数，nj表示统计后的空间模式的数量，sc(
·
)表示每种空间模式的频率；
[0118]
例如，5个站点和3个数据点下，空间模式有：
[0119]
1 1 2 2 3
[0120]
1 1 2 2 3
[0121]
2 2 1 1 3
[0122]
存在两种空间模式，则统计后的空间模式的数量为2，每个第一种空间模式的频率为2/3，第二种空间模式的频率为1/3；
[0123]
s146)根据空间模式的序列重构空间相关模型，得到所有光伏电站的线性趋势段模式，表达式如下：
[0124][0125]
上式中，si是空间相关模型中各空间模式的矩阵行号，i≥1且i≤n，n是数据点的总数。
[0126]
例如，5个站点和3个数据点下，空间模式有：
[0127]
1 1 2 2 3
[0128]
1 1 2 2 3
[0129]
2 2 1 1 3
[0130]
则根据式(9)转换为：1 1 2。
[0131]
s15)对所述空间相关模型建立自相关模型得到时空相关性模型，一旦得到式(8)所示的空间相关模型，时空相关模型就是基于式(9)应用apriori算法，开发空间模式的自相关模型，apriori是一种关联规则挖掘算法，它生成频繁k集，频繁k集记录了{si,
…
,s
i k-1
}的频率，其中i≥1且i k-1≤n，因此本步骤具体包括：用apriori算法记录空间相关模型中目标空间模式的概率，然后计算新的空间模式在目标空间模式出现后的概率，作为空间模式的自相关概率，表达式如下：
[0132][0133]
上式中，si是空间相关模型中各空间模式的矩阵行号，p(si…si k-2
|s
i k-1
)表示统计后的第i k-1个空间模式在统计后的第i至i k-2个空间模式出现后的概率，sc(
·
)是对应频繁k项集的频次，n
t
是频繁k项集的个数，频繁k项集记录了统计后的第i至i k-1个空间模式的频率，i≥1且i k-1≤n。
[0134]
本实施例所构建的时空相关性模型是一种统计和数据混合时空相关性模型，相较于统计参数模型(如基于copula函数的统计相关性模型)，取消了对于数学模型的依赖性，提升了模型的鲁棒性；相较于纯数据模型，提升了物理可解释性，对于预测模型具有良好的适用性。
[0135]
本实施例中，步骤s2)通过生成ltss模式序列场景，提取时空相关性模型中的知识，具体包括：
[0136]
s21)根据目标距离和目标概率权重在预设的初始模式集中匹配得到目标初始模式，所述历史数据中每日的最后k-1个空间模式为后一日的初始模式，通过识别每天的初始模式以实现时间分布机制，从而改变训练样本的分布，具体包括：从所述初始模式集中选取
至少一个初始模式，计算被选取的初始模式与所述初始模式集中的其他初始模式之间的kantorovich距离，若所述kantorovich距离为目标距离，且被选取的初始模式的概率权重为目标概率权重，被选取的初始模式为目标初始模式；
[0137]
本实施例通过基于kantorovich函数的同步回代缩减算法(simultaneous backward reduction algorithm)来识别适当数量的初始模式，初始模式定义为前一天的最后k-1个空间模式，即对于当天而言，前一天的历史数据中最后k-1个空间模式为当天的初始模式，基于式(8)，本实施例设置了初始模式集，表达式为：
[0138][0139]
上式中，nq为初始模式集中所包含的初始模式数，sc(
·
)表示初始模式的频率，表示第nq个初始模式的第k-1个空间模式；
[0140]
初始模式集中，不同初始模式之间的kantorovich距离可以表示为：
[0141][0142]
上式中，i和j表示初始模式的序号，表示第i个初始模式的第m个空间模式，表示第j个初始模式的第m个空间模式，表示不同空间模式之间的距离，进一步可以表示为：
[0143][0144]
上式中，i和j表示空间模式的序号，表示第i个空间模式的第m个线性趋势段模式，表示第j个空间模式的第m个线性趋势段模式，表示不同线性趋势段模式之间的距离，进一步可以表示为：
[0145]dltsp
(ltspi,ltspj)＝d
lts
(ik,jk)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0146]
上式中，i和j表示线性趋势段模式的序号，ik是第i个线性趋势段模式的聚类中心的编号，jk是第j个线性趋势段模式的聚类中心的编号；
[0147]
初始模式集中，第i个初始模式的概率权重可以表示为：
[0148][0149]
上式中，sc(
·
)表示初始模式的频率，nq为初始模式集中所包含的初始模式数；
[0150]
基于式(12)到式(15)，一旦确定了目标kantorovich距离和目标概率权重，就可以将同步回代缩减算法应用于初始模式集ir，得到目标初始模式，将空间模式序列和历史数据进行划分，将历史数据中各个具有相同初始模式的日数据归为同一训练数据集；
[0151]
s22)对所述目标初始模式用时空相关性模型和离散经验累积分布函数计算，生成每日空间模式序列场景，基于离散ecdf的空间模式序列场景交叉生成算法，给出了初始模式和之前的k-1个空间模式si,
…
,s
i k-2
，将时间条件概率结合时空模型离散ecdf就能生成
下一个空间模式，具体步骤包括：
[0152]
用当前目标初始模式划分历史数据，并根据空间模式的时间条件概率重新表述时空相关性模型，空间模式的时间条件概率为：
[0153][0154]
上式中，m＝1,
…
24，表示一日中24小时，n
z,n
是当前目标初始模式划分历史数据的第n组历史数据集所包含的天数，sj是空间相关模型中各空间模式的矩阵行号，sc(
·
)是支持度计数；
[0155]
根据式(10)和式(16)，时空相关性模型被重新表述为：
[0156][0157]
上式中，si、sj是是空间相关模型中各空间模式的矩阵行号，sc(
·
)是对应频繁k项集的频次，n
t
是频繁k项集的个数，频繁k项集记录了第i至i k-1个空间模式的频率，i≥1且i k-1≤n；
[0158]
根据重新表述后的时空相关性模型表述离散经验累积分布函数，离散经验累积分布函数表达式为：
[0159][0160]
其中，o＝1,2,
…
,n
t
，n
t
是频繁k项集的个数，p(si,
…
,s
i k-2
|sj)表示当si,
…
,s
i k-2
发生之后sj发生的概率；
[0161]
根据离散经验累积分布函数和预设的场景数量ns，利用逆变换采样，将当前目标初始模式之前预设数量的空间模式更新ns次，根据更新后的空间模式生成每日空间模式序列场景，在得到离散ecdf之后，利用逆变换采样来模拟遵循一定概率分布的模式的随机性：so＝f-1
(u)u～unif[0,1]，其中f-1
是离散ecdf的反函数，unif[0,1]表示[0,1]之间的均匀分布，so是所生成的第k个空间模式，k-1个空间模式si,
…
,s
i k-2
被更新为k-1个空间模式(s
i 1
,
…
so)，然后继续生成新的第k个空间模式并更新k-1个空间模式，直到第k个空间模式的数量满足要求。基于深度学习模型所需的场景数量ns，每一个场景都要求包含24个空间模式，对当前目标初始模式生成空间模式序列的过程执行ns次，得到的当前初始模式生成的每日空间模式序列场景表达式为：
[0162][0163]
上式中，i表示当前目标初始模式序号，至表示第i个目标初始模式生成的第ns个场景在前一天第1个小时至第24个小时的空间模式；
[0164]
s23)用重构的空间相关模型和空间模式的序列分解每日空间模式序列场景，得到各光伏电站对应的线性趋势段模式序列场景，具体的，根据式(9)，式(19)可以重新表示为：
[0165][0166]
上式中，至表示i个目标初始模式生成的第ns个场景在前一天第1个小时至第24个小时的线性趋势段模式序列；
[0167]
将式(7)代入式(20)，可得到分解的的lts模式序列场景，表达式为：
[0168][0169]
从而，各光伏电站对应的线性趋势段模式序列场景的表达式为：
[0170][0171]
式(21)和式(22)中，j＝1,
…
,n
l
，为光伏电站的序号，i表示当前目标初始模式序号，至表示第i个目标初始模式生成的第ns个场景在在前一天第1个小时至第24个小时的线性趋势段模式。
[0172]
本实施例中，步骤1)具体包括：光伏电站接收来自服务器端，例如系统运营商或调度人员发来的ltss模式序列场景，对应的lts模式的arima模型和目标初始模式，其中ltss模式序列场景和目标初始模式由服务器端按照步骤s2)获得，lts模式的arima模型由服务器端按照步骤s13)获得，光伏电站收到上述数据后，用目标初始模式匹配本地历史数据，查找与ltss模式序列场景对应的时间的历史数据，根据lts模式的arima模型，从lts模式序列场景重建线性趋势时间序列数据，即重建与ltss模式序列场景对应的时间的序列场景，重构过程的计算公式如下：
[0173][0174]
上式中，是本地历史数据中第i个数据点的重建太阳能，arima(ui,vi,wi)是第i个ltss模式的arima模型，是根据式(3)重构的光伏电站出力时间序列。
[0175]
本实施例中，步骤2)具体包括：用匹配得到的历史数据和重构得到的太阳能线性趋势时间序列数据作为输入，训练gru模型，gru模型的表达式为：
[0176][0177]
上式中，h
t
为隐层，z
t
为更新门，为候选隐层，r
t
为复位门，y
t
为输出层，wz、uz、w、u、wr、ur是预设的权重矩阵，h
t-1
为上一次的隐藏状态，是当前输入，t为0时，当前输入为
匹配得到的历史数据和重构得到的太阳能线性趋势时间序列数据，σ(
·
)是sigmoid激活函数；tanh(
·
)是双曲正切函数；
⊙
表示hadamard乘积。
[0178]
本实施例中，步骤3)具体包括：基于线性/非线性混合预测技术，将前一天的历史数据和对应初始模式按照步骤s2)生成场景将场景和前一天的历史数据输入到训练好的gru模型中，以预测第二天的出力数据。
[0179]
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。