[0001] 本发明涉及微电网电源和负荷功率预测技术领域，具体涉及一种用于微电网源、荷功率预测的基于多变量统一信息系数的敏感气象因素提取法。

[0002] 微电网中分布式电源包括风力发电、光伏发电、海洋能发电等发电形式，它们的出力随气象因素变化而随机波动。随着社会的进步，微电网中主动负荷、与天气敏感的负荷种类、数量逐渐增加，负荷功率也随气象因素变化而变化。因此微电网的源、荷功率都具有不确定性，且随气象因素变化而变化。在微电网运行时，需要根据微电网的同一时刻、同一环境条件下源、荷功率的大小进行优化调度。而微电网所属区域相对较小，微电网所属区域的天气特征、周围环境、社会因素等因素同时影响分布式电源出力和负荷功率变化。若将所有影响因素都输入到预测模型中进行训练，则会导致训练集极为庞大，影响预测模型的泛化能力，容易发生过拟合现象。因此需要考虑各种气象特征同时与源、荷功率的相关性，得到敏感特征因素对源荷功率预测输入进行降维。

[0003] 目前只是分别利用单变量相关系数法提取天气特征与微电网分布式电源出力和负荷功率的相关性，降低输入变量的维度，均未同时考虑天气特征对微电网分布式电源出力和负荷功率的影响，提取敏感气象因素降低预测维度。

[0004] 因此，现需要一种用于微电网源、荷功率预测的基于多变量统一信息系数的敏感气象因素提取法。

[0026] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0027] 如图1所示的一种用于微电网源、荷功率预测的基于多变量统一信息系数的敏感气象因素提取法，具体包括如下步骤：

[0028] S1，获取数据集D＝{(PDG，PL)，H}，其中，H为微电网所在区域某段时间的气象信息(即敏感气象特征序列)，PDG为同一区域、相同时间段的微电网中的电源出力历史数据，PL为同一区域、相同时间段的微电网中负荷功率历史数据。

[0029] S2，对气象信息、电源出力和负荷功率进行归一化处理。

[0030] S3，基于多变量统一信息系数IMV‑UIC进行气象信息与电源出力和负荷功率的相关性分析。

[0031] 具体地，步骤S1中获取微电网所在区域的某段时间的气象信息，包括反照率、雪反照率、高云量、低云量、2m相对湿度、10m风速、30m风速、50m风速、70m风速、温度、风向、表面压力、可见度。

[0032] 具体地，步骤S2具体包括如下步骤：

[0033] S2.1，将区域气象特征向量H放在X轴，表示为X＝[xi]，i＝1，2，…n，n为序列长度；将电源出力和负荷功率(PDG，PL)放到Y轴，表示为P＝[yi]，i＝1，2，…n。

[0034] S2.2，按照均匀划分方法，可得X、Y轴均匀划分为r、s段后的每段长度为：

[0035]

[0036] 式中：dx与dy分别为X轴与Y轴的分区单元长度；xmax与xmin分别为特征向量X的最大0.6
值与最小值；ymax与ymin分别为特征向量Y的最大值与最小值；n 代表分区网格大小，通常取为数据量的0.6次方。

[0037] S2.3，把落入相应网格中的点的数目与总点数的比例定义为该网格的近似概率密度，得到气象信息H被均匀划分为r个网格下的边缘概率密度p(x)，电源出力和负荷功率(PDG，PL)被均匀划分为s个网格划分下的边缘概率密度p(y)，数据集D被划分在r×s个网格下的联合概率密度p(xy)。

[0038] 具体地，步骤S3具体包括如下步骤：

[0039] S3.1，把p(x)、p(y)和p(xy)带入式(1)，得到气象特征变量H与电源功率PDG和负荷功率PL之间的互信息系数IMI(r，s，(PDG，PL)，H)；

[0040]

[0041] S3.2，利用公式(2)计算气象信息、电源出力和负荷功率之间的关系：

[0042]

[0043] 式中log2(min(r，s))为归一化处理，min(r，s)为r，s的最小值，B为最大网格划分数目，即r，s＜B。

[0044] 基于式(1)、(2)分别计算微电网电源出力和负荷功率与气象环境IMV‑UIC的关系值，IMV‑UIC值越大，表明相应气象特征变量与微电网分布式电源出力和负荷功率的相关性越强。从气象特征中选择具有高相关性的天气特征序列作为状态预测模型的输入序列，对剩余特征进行过滤剔除，从而避免变量过多和冗余计算等问题，提高预测准确性。

[0045] 当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。