Probability Prediction of Photovoltaic Output Based on Quantile Interpolation and Deep Autoregressive Network

LIN Fan; ZHANG Yao; DONG Qi; CUI Gean; WANG Jianxue; ZHU Morun

doi:10.7500/AEPS20220730003

您当前的位置：

首页 >

文章列表页 >

Probability Prediction of Photovoltaic Output Based on Quantile Interpolation and Deep Autoregressive Network

Basic Research | 更新时间：2025-06-16

- Probability Prediction of Photovoltaic Output Based on Quantile Interpolation and Deep Autoregressive Network
- Automation of Electric Power Systems Vol. 47, Issue 9, Pages: 79-87(2023)
- 作者机构：
  
  1.西安交通大学电气工程学院，陕西省西安市710049
  2.国网陕西省电力有限公司，陕西省西安市710048
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(51907151);State Grid Corporation of China(5226SX21N02M)
- DOI：10.7500/AEPS20220730003
  CLC：
- Received：30 July 2022，
  
  Revised：2022-11-02，
  
  Published Online：29 January 2023，
  
  Published：10 May 2023
- 稿件说明：
移动端阅览
林帆,张耀,东琦等.基于分位数插值和深度自回归网络的光伏出力概率预测[J].电力系统自动化,2023,47(9):79-87.

LIN Fan,ZHANG Yao,DONG Qi,et al.Probability Prediction of Photovoltaic Output Based on Quantile Interpolation and Deep Autoregressive Network[J].Automation of Electric Power Systems,2023,47(9):79-87.
林帆,张耀,东琦等.基于分位数插值和深度自回归网络的光伏出力概率预测[J].电力系统自动化,2023,47(9):79-87. DOI： 10.7500/AEPS20220730003.

LIN Fan,ZHANG Yao,DONG Qi,et al.Probability Prediction of Photovoltaic Output Based on Quantile Interpolation and Deep Autoregressive Network[J].Automation of Electric Power Systems,2023,47(9):79-87. DOI： 10.7500/AEPS20220730003.

摘要

提出一种将分位数线性插值概率模型和深度自回归循环神经网络相结合的新型光伏出力概率预测方法，可以弥补传统方法在概率建模及刻画复杂非线性关系能力等方面的不足。首先，提出一种基于分位数线性插值的光伏出力概率模型，能够全面准确地刻画各种情况下的光伏出力概率分布。其次，提出使用连续分级概率评分(CRPS)作为训练预测模型的损失函数，并推导出CRPS积分的封闭解析表达式用于模型的训练，保证训练的可行性与效率。最后，使用深度自回归循环神经网络对光伏出力的时间序列建模，结合所提出的光伏出力概率模型，形成新型光伏出力概率预测方法。算例结果表明，所提方法能提供可靠、高质量的光伏出力概率预测。

Abstract

This paper proposes a novel probability prediction method of photovoltaic output combining the probabilistic model of quantile linear interpolation with the deep autoregressive recurrent neural network

which can make up for the shortcomings of traditional methods in probability modeling and describing complex nonlinear relationship. First

a probability model for photovoltaic output is built based on the quantile linear interpolation

which can comprehensively and accurately depict probability distribution of photovoltaic output in various circumstances. Then

continuous ranked probability score (CRPS) is used as the loss function for the training prediction model

and the closed analytic expression of the CRPS integral is derived for model training to ensure the feasibility and efficiency of training. Finally

a deep autoregressive recurrent neural network is adopted to model time-series of photovoltaic output. Combined with the proposed probability model of photovoltaic output

a new photovoltaic output probability prediction method is formed. Numerical results of the case study demonstrate that the proposed method can provide reliable and high-quality probability prediction for photovoltaic output

关键词

Keywords

references

鲁卓欣，徐潇源，严正，等 . 不确定性环境下数据驱动的电力系统优化调度方法综述［J］. 电力系统自动化， 2020 ， 44 （ 21 ）： 172 - 183 .

LU Zhuoxin ， XU Xiaoyuan ， YAN Zheng ， et al . Overview on data-driven optimal scheduling methods of power system in uncertain environment ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 21 ）： 172 - 183 .

徐超然，徐潇源，严正，等 . 考虑风电统计特性挖掘的分布鲁棒优化调度方法［J］. 电力系统自动化， 2022 ， 46 （ 2 ）： 33 - 42 .

XU Chaoran ， XU Xiaoyuan ， YAN Zheng ， et al . Distributionally robust optimal dispatch method considering mining of wind power statistical characteristics ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 2 ）： 33 - 42 .

万灿，宋永华 . 新能源电力系统概率预测理论与方法及其应用［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 2 - 16 .

WAN Can ， SONG Yonghua . Theories， methodologies and applications of probabilistic forecasting for power systems with renewable energy sources ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 2 - 16 .

许彪，徐青山，黄煜，等 . 基于藤Copula分位数回归的光伏功率日前概率预测［J］. 电网技术， 2021 ， 45 （ 11 ）： 4426 - 4434 .

XU Biao ， XU Qingshan ， HUANG Yu ， et al . Day-ahead probabilistic forecasting of photovoltaic power based on Vine Copula quantile regression ［J］. Power System Technology ， 2021 ， 45 （ 11 ）： 4426 - 4434 .

DOUBLEDAY K ， JASCOURT S ， KLEIBER W ， et al . Probabilistic solar power forecasting using Bayesian model averaging ［J］. IEEE Transactions on Sustainable Energy ， 2021 ， 12 （ 1 ）： 325 - 337 .

DAVID M ， RAMAHATANA F ， TROMBE P J ， et al . Probabilistic forecasting of the solar irradiance with recursive ARMA and GARCH models ［J］. Solar Energy ， 2016 ， 133 ： 55 - 72 .

臧海祥，程礼临，刘玲，等 . 基于数据驱动的太阳辐射估计和预测研究与展望［J］. 电力系统自动化， 2021 ， 45 （ 11 ）： 170 - 183 .

ZANG Haixiang ， CHENG Lilin ， LIU Ling ， et al . Research and prospect for data-driven estimation and prediction of solar radiation ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 11 ）： 170 - 183 .

王继东，冉冉，宋智林 . 基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测［J］. 电力自动化设备， 2018 ， 38 （ 5 ）： 43 - 49 .

WANG Jidong ， RAN Ran ， SONG Zhilin . Probability forecast of short-term photovoltaic power generation based on improved depth restricted Boltzmann machine algorithm ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 5 ）： 43 - 49 .

FATEMI S A ， KUH A ， FRIPP M . Parametric methods for probabilistic forecasting of solar irradiance ［J］. Renewable Energy ， 2018 ， 129 ： 666 - 676 .

GOLESTANEH F ， PINSON P ， GOOI H B . Very short-term nonparametric probabilistic forecasting of renewable energy generation—with application to solar energy ［J］. IEEE Transactions on Power Systems ， 2016 ， 31 （ 5 ）： 3850 - 3863 .

黎敏，林湘宁，张哲原，等 . 超短期光伏出力区间预测算法及其应用［J］. 电力系统自动化， 2019 ， 43 （ 3 ）： 10 - 16 .

LI Min ， LIN Xiangning ， ZHANG Zheyuan ， et al . Interval prediction algorithm for ultra-short-term photovoltaic output and its application ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 3 ）： 10 - 16 .

王钊，王勃，冯双磊，等 . 区域多风电场功率的分位数回归概率预测方法［J］. 电网技术， 2020 ， 44 （ 4 ）： 1368 - 1375 .

WANG Zhao ， WANG Bo ， FENG Shuanglei ， et al . Probabilistic forecasts based on quantile regression for regional wind farms ［J］. Power System Technology ， 2020 ， 44 （ 4 ）： 1368 - 1375 .

ZHANG H ， LIU Y Q ， YAN J ， et al . Improved deep mixture density network for regional wind power probabilistic forecasting ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 4 ）： 2549 - 2560 .

MUNKHAMMAR J ， VAN DER MEER D ， WIDÉN J . Probabilistic forecasting of high-resolution clear-sky index time-series using a Markov-chain mixture distribution model ［J］. Solar Energy ， 2019 ， 184 ： 688 - 695 .

苏向敬，周汶鑫，李超杰，等 . 基于双重注意力LSTM神经网络的可解释海上风电出力预测［J］. 电力系统自动化， 2022 ， 46 （ 7 ）： 141 - 151 .

SU Xiangjing ， ZHOU Wenxin ， LI Chaojie ， et al . Interpretable offshore wind power output forecasting based on long short-term memory neural network with dual-stage attention ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 7 ）： 141 - 151 .

杨晶显，张帅，刘继春，等 . 基于VMD和双重注意力机制LSTM的短期光伏功率预测［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 174 - 182 .

YANG Jingxian ， ZHANG Shuai ， LIU Jichun ， et al . Short-term photovoltaic power prediction based on variational mode decomposition and long short-term memory with dual-stage attention mechanism ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 174 - 182 .

SHARDA S ， SINGH M ， SHARMA K . RSAM： robust self-attention based multi-horizon model for solar irradiance forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2021 ， 12 （ 2 ）： 1394 - 1405 .

SALINAS D ， FLUNKERT V ， GASTHAUS J ， et al . DeepAR： probabilistic forecasting with autoregressive recurrent networks ［J］. International Journal of Forecasting ， 2020 ， 36 （ 3 ）： 1181 - 1191 .

LAURET P ， DAVID M ， PINSON P . Verification of solar irradiance probabilistic forecasts ［J］. Solar Energy ， 2019 ， 194 ： 254 - 271 .

BRÖCKER J . Evaluating raw ensembles with the continuous ranked probability score ［J］. Quarterly Journal of the Royal Meteorological Society ， 2012 ， 138 （ 667 ）： 1611 - 1617 .

HONG T ， PINSON P ， FAN S ， et al . Probabilistic energy forecasting： global energy forecasting competition 2014 and beyond ［J］. International Journal of Forecasting ， 2016 ， 32 （ 3 ）： 896 - 913 .

CANNON A J . Non-crossing nonlinear regression quantiles by monotone composite quantile regression neural network， with application to rainfall extremes ［J］. Stochastic Environmental Research and Risk Assessment ， 2018 ， 32 （ 11 ）： 3207 - 3225 .

庞传军，尚学伟，张波，等 . 基于改进梯度提升算法的短期风电功率概率预测［J］. 电力系统自动化， 2022 ， 46 （ 16 ）： 198 - 206 .

PANG Chuanjun ， SHANG Xuewei ， ZHANG Bo ， et al . Short-term wind power probability prediction based on improved gradient boosting machine algorithm ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 16 ）： 198 - 206 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Power Probability Prediction for Offshore Wind Farm Based on AGCN-LSTM Model

Related Author

NIE Liangzhao

FU Yang

CHENG Zifan

SU Xiangjing

ZHANG Senlin

LIU Meiqin

DONG Shanling

ZHANG Jiangfeng

Related Institution

Offshore Wind Power Research Institute, Shanghai University of Electric Power

School of Electrical Engineering, Shanghai University of Electric Power

China Resources Power (Hubei) Sales Co., Ltd.

College of Electrical Engineering, Zhejiang University

Electric Power Research Institute of State Grid Zhejiang Electric Power Co., Ltd.

⁰