本发明涉及新能源功率预测领域，具体涉及一种基于贝叶斯神经网络的光伏概率预测方法及系统。
背景技术：
近年来，随着能源危机的到来，新能源的利用率逐年升高，以2018年的中国为例，分布式光伏装机容量较2017年新增2096万千瓦，同比增长高达71％。由于分布式电源出力高度依赖外部天气情况，这使得其整体随机性较强的同时，电源与环境的时空相关性也较大。与传统电源相比，分布式电源更容易受到系统内外部的因素影响，难以简单地通过某几个特征直接反映变化特点。光伏发电功率的直接影响因素包括地外太阳辐射强度、空气质量、云层厚度与高度、光电板的装设角度、光电板光电转换效率等，而间接因素更是包括风力、温度、湿度、降雨等多种环境因素。亟需根据光伏分布式电源的自身特点提取更加精炼的特征，提高预测效率与精度。
目前分布式光伏电源功率预测大多以数值天气预报和历史光伏发电数据为支撑、以确定性的功率值为预测结果。该预测方式能够为调度系统进行日前调度方案计算时提供一定参考，但调度系统仍然无法判断短时间尺度内光伏电源可能的波动情况。电网负荷较大且天气突变时，依据确定性预测结果进行调度可能会造成功率出力与预期差距较大，这将在配电网中引发频率越限与电压越限等问题。而光伏概率预测则能够在预测光伏电源出力值的同时提供预测点的不确定性信息，为光伏电源可能的波动情况提供参考，从而指导调度系统如何提前应对可能的光伏出力波动。因此，如何根据配电网中分布式光伏电源的特点研究光伏出力概率预测方法，已经成为了保证电网实时功率平衡及新能源充分消纳重要前提。
技术实现要素：
针对现有光伏功率预测技术的缺陷，本发明的目的在于提供一种基于贝叶斯神经网络的光伏概率预测方法，旨在考虑不同环境因素的特性，根据环境因素的数据类型对贝叶斯神经网络的结构进行适应性改进，使得模型最终能够精准预测光伏功率的所在区间，指导调度系统如何提前应对可能的光伏出力波动。
本发明提供的一种基于贝叶斯神经网络的光伏概率预测方法，包括：
获取待预测点的天气预报数据和光伏设备的历史出力数据；
对所述天气预报数据进行降维处理，并基于降维处理后的天气预报数据和光伏设备的历史出力数据得到特征数据；
将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布。
优选的，所述贝叶斯神经网络模型的构建，包括：
按时序采集同时期的天气预报数据和光伏设备的历史出力数据；
对所述天气预报数据和光伏设备的历史出力数据进行相关性分析，得到与光伏出力相关性低的输入特征；
对与光伏出力相关性低的输入特征进行降维处理；
基于降维处理后的天气预报数据和光伏设备的历史出力数据，得到特征数据；
将贝叶斯神经网络的输入端设计为全连接神经网络模块、一维卷积神经网络模块和直接输入模块；
将按所述特征数据的数据类型输入所述贝叶斯神经网络的输入端，采用变分推理方法训练贝叶斯神经网络，通过学习不同输入下光伏出力的随机分布特性，得到能够输出光伏出力概率的贝叶斯神经网络模型。
优选的，所述将按所述特征数据的数据类型输入所述贝叶斯神经网络的输入端，包括：
将降维后的天气数据输入全连接神经网络模块；
将历史出力数据中距预测点最近的出力数据输入直接输入模块；
将其余历史出力数据输入一维卷积神经网络模块。
优选的，所述采用变分推理方法训练贝叶斯神经网络，通过学习不同输入下光伏出力的随机分布特性，得到能够输出光伏出力概率的贝叶斯神经网络模型，包括：
将所述特征数据作为贝叶斯神经网络的输入特征，预测点实际光伏出力值作为标签；
以证据下界为损失函数，对贝叶斯神经网络进行训练，得到输入特征和光伏出力之间的关系；
基于所述输入特征和光伏出力之间的关系构建贝叶斯神经网络模型。
优选的，所述证据下界，如下式所示：
l(x,y,q)＝eq(w)[logp(y|x,w) logp(w)-logq(w)]
式中：l(x,y,q)为证据下界，x为概率层的输入数据，y为概率层的输出数据，w为权重，p(w)为权重的先验分布，q(w)为引入的分布，eq(w)为q(w)的数学期望，p(y|x,w)为输出数据在确定概率层权重与输入数据条件下的概率分布，logp(y|x,w)为后验对数概率，logp(w)为p(w)的先验对数概率。
优选的，所述将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布，包括：
将所述特征数据多次带入预先构建的改进型贝叶斯神经网络模型，得到多组光伏概率预测结果；
对多组预测结果采用蒙特卡洛采样法进行处理，获得待预测点的光伏出力分布。
优选的，所述降维处理，包括：
分别获取高维空间中两点天气预报数据之间的条件概率和低维空间中两点天气预报数据之间的条件概率；
基于所述高维空间中两点天气预报数据之间的条件概率和低维空间中两点天气预报数据之间的条件概率获得整个天气预报数据集在高维空间与低维空间的总差异；
采用梯度下降的方法最小化整个天气预报数据集在高维空间与低维空间的总差异。
优选的，所述高维空间中两点天气预报数据之间的条件概率，按下式计算：
式中：pij为高维空间中的i点天气预报数据与j点天气预报数据间条件概率的均值，pi|j为高维空间中的i点天气预报数据与j点天气预报数据间的条件概率，pj|i为高维空间中的j点天气预报数据与i点天气预报数据间的条件概率；
其中，所述高维空间中的i点与j点间的条件概率pi|j，按下式计算：
式中：xi为高维空间中的第i个天气预报数据点，xj为高维空间中的第j个天气预报数据点，σi为以i点为中心点时天气预报数据集的标准差，xk为高维空间中的第k个天气预报数据点。
优选的，所述低维空间中两点天气预报数据之间的条件概率，按下式计算：
式中：qij为低维空间中i点天气预报数据与j点天气预报数据间的条件概率，yi为低维空间中的第i个天气预报数据点，yj为低维空间中的第j个天气预报数据点，yk为低维空间中的第k个天气预报数据点。
优选的，所述整个天气预报数据集在高维空间与低维空间的总差异，按下式计算：
式中：c为整个天气预报数据集在高维空间与低维空间的总差异，dkl为i点天气预报数据在高维空间与低维空间的分布差异，pi为天气预报数据集内的i点天气预报数据在低维空间的分布，qi为天气预报数据集内的i点天气预报数据在低维空间的分布，pij为高维空间中的i点天气预报数据与j点天气预报数据间的条件概率，qij为低维空间中i点天气预报数据与j点天气预报数据间的条件概率。
优选的，所述天气预报数据包括：所述光伏设备所在地区的气温、湿度、大气压、风速、天空云量占比、雾霾指数、能见度和天气类型。
基于同一发明构思，本发明还提供了一种基于贝叶斯神经网络的光伏概率预测系统，包括：
获取模块，用于获取待预测点的天气预报数据和光伏设备的历史出力数据；
降维处理模块，用于对所述天气预报数据进行降维处理，并基于降维处理后的天气预报数据和光伏设备的历史出力数据得到特征数据；
预测模块，用于将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布。
优选的，所述预测模块，包括：
预测单元，用于将所述特征数据多次带入预先构建的改进型贝叶斯神经网络模型，得到多组光伏概率预测结果；
采样处理单元，用于对多组预测结果采用蒙特卡洛采样法进行处理，获得待预测点的光伏出力分布。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
(1)本发明提供的技术方案，获取待预测点的天气预报数据和光伏设备的历史出力数据；对所述天气预报数据进行降维处理，并基于降维处理后的天气预报数据和光伏设备的历史出力数据得到特征数据；将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布。通过本发明提供的技术方案实现了光伏概率预测，得到了待预测点的光伏出力分布，且本发明提供的光伏概率预测方法和现有的确定性预测方式相比在达到相同预测准确率时具有更小的平均区间宽度，提高了预测精度，对提升电网的安全稳定性具有重要意义。
(2)本发明提供的技术方案，采用降维方法处理相关性低的输入特征，有效提高数据密度，降低模型过拟合。
(3)本发明提供的技术方案，根据输入特征的数据类型，将贝叶斯神经网络的输入端设计为全连接神经网络模块、一维卷积神经网络模块和直接输入模块，提高网络对不同输入特征的信息提取能力。
附图说明
图1为本发明中一种基于贝叶斯神经网络的光伏概率预测方法流程图；
图2为本实施例中基于贝叶斯神经网络的具体光伏概率预测流程示意图；
图3为输入端改进后的贝叶斯神经网络示意图；
图4为实施例中利用本发明方法与传统点预测算法对晴天条件下的光伏出力进行预测时的预测结果对比图；
图5为实施例中利用本发明方法与传统点预测算法对多云条件下的光伏出力进行预测时的预测结果对比图；
图6为实施例中利用本发明方法与传统点预测算法对雨天条件下的光伏出力进行预测时的预测结果对比图；
图7为实施例中利用本发明方法在光伏出力波动时，得出的光伏出力区间结果图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1
如图1所示，本发明提供的一种基于贝叶斯神经网络的光伏概率预测方法，包括：
s1获取待预测点的天气预报数据和光伏设备的历史出力数据；
s2对所述天气预报数据进行降维处理，并基于降维处理后的天气预报数据和光伏设备的历史出力数据得到特征数据；
s3将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布。
本发明提供的光伏概率预测方法需要构建改进型贝叶斯神经网络模型，该模型对于同一光伏设备，可以预先构建并训练，训练完成后直接利用训练好的模型进行预测，下面具体介绍如果得到改进型贝叶斯神经网络模型：
步骤1，采集光伏系统的历史数据，收集同时期内气象站的天气预报数据，并对数据进行降维处理；
步骤2，构建针对输入特征类型优化的贝叶斯神经网络；
步骤3，训练贝叶斯神经网络：将预测点时间、历史数据与降维后的天气数据作为输入特征，预测点实际光伏出力值作为标签，以证据下界为损失函数，对贝叶斯神经网络进行训练；
进一步地，所述步骤1具体包括：
首先采集光伏电站历史数据与环境数据：历史数据为预测点前30个出力点，数值天气预报来源于光伏设备所处城市的气象站。
其次，将采集的数据标准化，公式为：
式中：u为待标准化的数据集，μ为数据集u的均值，σ为数据集u的标准差。
再次，采用皮尔森相关系数定量分析输入数据与光伏出力的相关性，输入数据集为a，其中的元素为ai，光伏出力数据集为b，其中的元素为bi，则两数据集间相关性r的计算公式为：
式中：
以上一步中的相关性为基础，利用t分布邻域嵌入(t-distributedstochasticneighborembedding,t-sne)算法将多个相关性较低的输入特征进行降维处理，t-sne算法假设高维空间与低维空间中相对应的数据点分别服从高斯分布与t分布。设xi为高维空间中的第i个数据点，则高维空间中的i点与j点间的条件概率为：
式中：σi为以i点为中心点时数据集的标准差。
由于pi|j≠pj|i，通常采用两个条件概率的均值描述i点与j点间的条件概率pij以减少计算误差：
设yi为低维空间中的第i个数据点，则低维空间中i点与j点间的条件概率qij为：
引入kl散度表示同一点在高维空间与低维空间的分布差异，若数据集内的i点在高维空间的分布为pi，在低维空间的分布为qi，则整个数据集在高维空间与低维空间的总差异c可表示为：
t-sne采用梯度下降的方法最小化上式，即最小化所有数据点间的kl散度，从而最终使得高维空间中距离较近的点在低维空间中仍然较近，高维空间中距离较远的点在低维空间中仍然较远。本发明采用该算法对相关性较低的输入数据进行降维，显著提高数值天气预报的数据价值，降低输入数据的维数，增加数据密度，加快模型的训练速度。
最后，对于预测点的季节、日期等与时间相关的信息，直接采用神经网络将其转化为该预测点的光伏设备最大输出功率。
进一步地，所述步骤2具体包括：
首先，输入特征中的数值天气预报包括温度、湿度等信息，这些信息内部的隐变量较多，与光伏出力的非线性关系强。因此，本发明在贝叶斯神经网络的输入端嵌入独立的全连接神经网络作为该类数据的处理模块。全连接神经网络的隐藏层单元具有一个非线性激活函数f用以描述数据间的非线性关系，当其采用修正线性单元时，有：
f(x)＝max(0,x)(7)
此时，第i层的输出yi为：
yi＝f(wi·xi bi)(8)
式中：·表示点积；wi为第i层的权重矩阵；bi为第i层的偏置矩阵；xi为第i层的输入值。
其次，输入特征中的光伏历史出力数据与天气数据在数据特性上具有显著差异，历史出力数据展现出更强的时序性。因此，本发明在贝叶斯神经网络的输入端嵌入独立的一维卷积神经网络作为处理模块。
一维卷积神经网络的第i个卷积层中，输入为时序数据
式中：·表示点积；wi为第i层的卷积核权重；bi为第i层的单元偏置矩阵；f(x)同式(7)。
一般取卷积核长度为2k 1，其中k为任意正整数，则与
为了获取数据中分布的有效时序信息，从而将时序数据转化为具有显著特征的变量，降低神经网络的计算时间，需对卷积后的结果进行池化。本发明采用平均池化的方法，若第i个池化层的核为n，则池化层中池化单元的输出值可表示为
式中：xi,j为该池化单元中输入数据xi内部的第j个元素。
最后，由于输入特征中距预测点最近的一个光伏出力数据与预测点的相关性最强，因而直接输入贝叶斯神经网络的概率层。
进一步地，所述步骤3具体包括：
首先，由于贝叶斯神经网络具有概率层，其训练方式与传统的深度神经网络不同。设w为概率层的权重集合，x代表概率层的输入数据，y代表概率层的输出数据，在训练时，x与y均为已知量。依据贝叶斯定理，权重的后验概率分布可由下式确定：
式中，p(w|x,y)为概率层权重的后验分布，p(w)为权重的先验分布，p(y|x,w)为输出数据在确定概率层权重与输入数据条件下的概率分布，p(y|x)为输入数据在确定输入数据条件下的概率分布。
其次，由于概率层的权重w是一个高维随机变量，p(y|x,w)的计算非常困难，因而难以直接通过贝叶斯定理对概率层权重的后验分布进行计算。采用变分推理方法对网络权重的后验分布进行近似，引入一个简单的分布q(w)近似分布p(w|x,y)，两个分布间的差异采用kl散度(kullback-leiblerdivergence)衡量，在q(w)已知时，可通过最小化kl散度来对权重分布进行优化。kl散度难以直接计算，在变分推理中需引入证据下界(evidencelowerbound,elbo)l，其定义式为：
l(x,y,q)＝logp(y|x)-dkl[q(w)||p(w)](13)
式中：dkl[q(w)||p(w)]代表分布q(w)与分布p(w)之间的kl散度。
将kl散度的表达式依定义展开，可将elbo可进一步化简：
l(x,y,q)＝eq(w)[logp(y|x,w) logp(w)-logq(w)](14)
式(14)中，待求期望值的第一项为后验对数概率，其似然能够通过对总样本中的小批量抽样近似条件似然求得；第二项为p(w)的先验概率，可根据初始化的参数求得，一般将其假设为标准高斯分布；第三项需根据所假设q(w)的具体分布形式求得，采用均值场(mean-field)方法，即假设所有q(w)服从均值为0且相互独立的高斯分布，分布q(wi)的方差为σi，则可通过对每个分布求对数后取平均值得到期望。因此，证据下界转化为便于计算的形式，可以通过计算梯度的方法进行优化。由于假设q(w)服从均值为0且相互独立的高斯分布，贝叶斯神经网络中概率层的训练过程中仅需更新该高斯分布的方差，对第i个概率权重单元的方差σi更新公式如下：
σi′＝σi-f[l(xi,yi,q),σi](15)
式中：f为迭代因子计算式，需由具体的优化算法给定。
当迭代足够次数后，贝叶斯神经网络中的参数将趋于稳定，即为网络训练完成。
本发明提供的技术方案，通过将神经网络重的权重假设为概率分布，提高了神经网络网络学习数据随机特性的能力，有效实现了光伏出力概率预测。
如何利用训练好的模型进行预测，包括：
采集待预测点的输入数据，包括预测点前的光伏设备出力数据与预测点的天气预报数据，经步骤1中的输入数据预处理后作为贝叶斯神经网络的输入特征。
由于贝叶斯神经网络中概率层的存在，同一组输入特征输入模型时，输出的光伏出力预测的结果将具有随机性。
本发明采用蒙特卡洛采样法，对预测点进行多次预测，得出预测点的光伏出力分布范围，即为光伏概率预测的输出结果。
相比于传统的确定性预测方法，基于贝叶斯神经网络的光伏概率预测方法的目的在于以下几点：(1)全面分析输入特征数据与光伏出力的相关性，采用多种方法对高维度的输入数据进行降维，提高数据密度，降低训练难度，优化预测精度；(2)通过改进贝叶斯神经网络的结构，使其能够适应不同数据类型的输入特征，从而提高光伏概率预测方法的泛化性；(3)克服传统确定性预测方式下难以描述光伏出力波动性的问题，通过描述光伏设备在预测点可能的出力及其分布，完整地给出光伏出力概率预测结果。
本实施例结合附图对本发明进行进一步详细说明，如图2所示，本发明在光伏预测方法的基础上，提出一种基于贝叶斯神经网络的光伏概率预测方法，具体包括以下步骤：
步骤1：采集光伏设备的历史数据及其附近气象站的天气数据并对其进行降维。
采集的光伏电站数据包括：某园区分布式光伏发电设备输出的有功功率。采集的天气数据包括：该设备所在地区的气温、湿度、大气压、风速、天空云量占比、雾霾指数、能见度、天气类型。
因为光伏设备的历史出力数据间具有高度正相关性，无需进行降维；而气温、湿度等天气数据与光伏出力数据的相关性不明显，需通过降维进一步提取数据内部的隐藏信息。采用t分布邻域嵌入方法对其进行降维，引入光伏出力系数直观地展示降维结果，光伏出力系数η由下式算得：
η＝p/pmax(1)
式中：p为光伏设备实际出力；pmax为光伏设备理论在该时刻的理论最大出力.
将天气数据降至二维后，不同数据点依据其光伏出力系数展现出了明显的聚集性。
步骤2：输入数据中包括了天气数据、时间数据、历史数据等多种不同特点的数据，根据这些数据的特点将贝叶斯神经网络的输入端拆分为全连接神经网络部分、一维卷积神经网络部分与直接输入部分，如图3所示。
步骤3：经上述处理后，能够得到若干条可供贝叶斯神经网络进行训练的有效数据，采用变分推理方法对其进行训练，直到网络参数收敛于稳定的范围内。
步骤4：给定预测点的输入数据，实现对预测点的多次采样。在光伏出力平缓的晴天条件下，本发明所提方法的预测结果与传统的点预测对比图如图4所示；而光伏出力波动较为剧烈的多云与雨天的预测结果分别如图5与图6所示。选取多云天气中部分波动较为剧烈的区间，本发明所提方法的预测结果区间与采用深度神经网络的点预测结果对比图如图7所示。可以看出，本发明所提方法对实际出力值有着较好的覆盖效果，能够给出光伏出力发生波动的可能范围，而确定性预测难以对光伏出力的短时波动做出响应。
将本发明提供的方法得到的预测结果与经典正态分布法相比，在达到相同预测准确率时具有更小的平均区间宽度，提高了预测精度，对提升电网的安全稳定性具有重要意义。
实施例2
基于同一发明构思，本发明还提供了一种基于贝叶斯神经网络的光伏概率预测系统，包括：
获取模块，用于获取待预测点的天气预报数据和光伏设备的历史出力数据；
降维处理模块，用于对所述天气预报数据进行降维处理，并基于降维处理后的天气预报数据和光伏设备的历史出力数据得到特征数据；
预测模块，用于将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布。
实施例中，所述预测模块，包括：
预测单元，用于将所述特征数据多次带入预先构建的改进型贝叶斯神经网络模型，得到多组光伏概率预测结果；
采样处理单元，用于对多组预测结果采用蒙特卡洛采样法进行处理，获得待预测点的光伏出力分布。
实施例中，所述系统还包括构建模块，用于构建改进型贝叶斯神经网络模型。
所述构建模块，具体用于：
按时序采集同时期的天气预报数据和光伏设备的历史出力数据；
对所述天气预报数据和光伏设备的历史出力数据进行相关性分析，得到与光伏出力相关性低的输入特征；
对与光伏出力相关性低的输入特征进行降维处理；
基于降维处理后的天气预报数据和光伏设备的历史出力数据，得到特征数据；
将贝叶斯神经网络的输入端设计为全连接神经网络模块、一维卷积神经网络模块和直接输入模块；
将按所述特征数据的数据类型输入所述贝叶斯神经网络的输入端，采用变分推理方法训练贝叶斯神经网络，通过学习不同输入下光伏出力的随机分布特性，得到能够输出光伏出力概率的贝叶斯神经网络模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
1.一种基于贝叶斯神经网络的光伏概率预测方法，其特征在于，包括：
获取待预测点的天气预报数据和光伏设备的历史出力数据；
对所述天气预报数据进行降维处理，并基于降维处理后的天气预报数据和光伏设备的历史出力数据得到特征数据；
将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布。
2.如权利要求1所述的方法，其特征在于，所述贝叶斯神经网络模型的构建，包括：
按时序采集同时期的天气预报数据和光伏设备的历史出力数据；
对所述天气预报数据和光伏设备的历史出力数据进行相关性分析，得到与光伏出力相关性低的输入特征；
对与光伏出力相关性低的输入特征进行降维处理；
基于降维处理后的天气预报数据和光伏设备的历史出力数据，得到特征数据；
将贝叶斯神经网络的输入端设计为全连接神经网络模块、一维卷积神经网络模块和直接输入模块；
将按所述特征数据的数据类型输入所述贝叶斯神经网络的输入端，采用变分推理方法训练贝叶斯神经网络，通过学习不同输入下光伏出力的随机分布特性，得到能够输出光伏出力概率的贝叶斯神经网络模型。
3.如权利要求2所述的方法，其特征在于，所述将按所述特征数据的数据类型输入所述贝叶斯神经网络的输入端，包括：
将降维后的天气数据输入全连接神经网络模块；
将历史出力数据中距预测点最近的出力数据输入直接输入模块；
将其余历史出力数据输入一维卷积神经网络模块。
4.如权利要求3所述的方法，其特征在于，所述采用变分推理方法训练贝叶斯神经网络，通过学习不同输入下光伏出力的随机分布特性，得到能够输出光伏出力概率的贝叶斯神经网络模型，包括：
将所述特征数据作为贝叶斯神经网络的输入特征，预测点实际光伏出力值作为标签；
以证据下界为损失函数，对贝叶斯神经网络进行训练，得到输入特征和光伏出力之间的关系；
基于所述输入特征和光伏出力之间的关系构建贝叶斯神经网络模型。
5.如权利要求4所述的方法，其特征在于，所述证据下界，如下式所示：
l(x,y,q(w))＝eq(w)[logp(y|x,w) logp(w)-logq(w)]
式中：l(x,y,q)为证据下界，x为概率层的输入数据，y为概率层的输出数据，w为权重，p(w)为权重的先验分布，q(w)为引入的分布，eq(w)为q(w)的数学期望，p(y|x,w)为输出数据在确定概率层权重与输入数据条件下的概率分布，logp(y|x,w)为后验对数概率，logp(w)为p(w)的先验对数概率。
6.如权利要求1所述的方法，其特征在于，所述将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布，包括：
将所述特征数据多次带入预先构建的改进型贝叶斯神经网络模型，得到多组光伏概率预测结果；
对多组预测结果采用蒙特卡洛采样法进行处理，获得待预测点的光伏出力分布。
7.如权利要求1或2任一所述的方法，其特征在于，所述降维处理，包括：
分别获取高维空间中两点天气预报数据之间的条件概率和低维空间中两点天气预报数据之间的条件概率；
基于所述高维空间中两点天气预报数据之间的条件概率和低维空间中两点天气预报数据之间的条件概率获得整个天气预报数据集在高维空间与低维空间的总差异；
采用梯度下降的方法最小化整个天气预报数据集在高维空间与低维空间的总差异。
8.如权利要求7所述的方法，其特征在于，所述高维空间中两点天气预报数据之间的条件概率，按下式计算：
式中：pij为高维空间中的i点天气预报数据与j点天气预报数据间条件概率的均值，pi|j为高维空间中的i点天气预报数据与j点天气预报数据间的条件概率，pj|i为高维空间中的j点天气预报数据与i点天气预报数据间的条件概率；
其中，所述高维空间中的i点与j点间的条件概率pi|j，按下式计算：
式中：xi为高维空间中的第i个天气预报数据点，xj为高维空间中的第j个天气预报数据点，σi为以i点为中心点时天气预报数据集的标准差，xk为高维空间中的第k个天气预报数据点。
9.如权利要求7所述的方法，其特征在于，所述低维空间中两点天气预报数据之间的条件概率，按下式计算：
式中：qij为低维空间中i点天气预报数据与j点天气预报数据间的条件概率，yi为低维空间中的第i个天气预报数据点，yj为低维空间中的第j个天气预报数据点，yk为低维空间中的第k个天气预报数据点。
10.如权利要求7所述的方法，其特征在于，所述整个天气预报数据集在高维空间与低维空间的总差异，按下式计算：
式中：c为整个天气预报数据集在高维空间与低维空间的总差异，dkl为i点天气预报数据在高维空间与低维空间的分布差异，pi为天气预报数据集内的i点天气预报数据在低维空间的分布，qi为天气预报数据集内的i点天气预报数据在低维空间的分布，pij为高维空间中的i点天气预报数据与j点天气预报数据间的条件概率，qij为低维空间中i点天气预报数据与j点天气预报数据间的条件概率。
11.如权利要求1所述的方法，其特征在于，所述天气预报数据包括：所述光伏设备所在地区的气温、湿度、大气压、风速、天空云量占比、雾霾指数、能见度和天气类型。
12.一种基于贝叶斯神经网络的光伏概率预测系统，其特征在于，包括：
获取模块，用于获取待预测点的天气预报数据和光伏设备的历史出力数据；
降维处理模块，用于对所述天气预报数据进行降维处理，并基于降维处理后的天气预报数据和光伏设备的历史出力数据得到特征数据；
预测模块，用于将所述特征数据带入预先构建的改进型贝叶斯神经网络模型，得到待预测点的光伏出力分布。
13.如权利要求12所述的系统，其特征在于，所述预测模块，包括：
预测单元，用于将所述特征数据多次带入预先构建的改进型贝叶斯神经网络模型，得到多组光伏概率预测结果；
采样处理单元，用于对多组预测结果采用蒙特卡洛采样法进行处理，获得待预测点的光伏出力分布。
技术总结