基于GRA-LMBP权重的多天气类型下直散分离建模预测控制方法与流程

本发明涉及一种，尤其是涉及一种基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法。

背景技术：

国家能源局于2019年初召开新闻发布会时指出：截至2018年底，我国可再生能源发电装机达到7.28亿千瓦，同比增长12％，其中，光伏发电装机1.74亿千瓦，同比增长34％，居世界第1位。全年光伏发电新增装机4426万千瓦，仅次于2017年新增装机，为历史第二高。2019年，我国将以推进光伏发电高质量发展为主线，继续推动光伏产业发展，保持光伏产业合理的发展规模和发展节奏。

目前，国内外研究人员对于直散分离模型预测的研究多以单一预测模型为主，单一预测模型不但预测精度提高效果很有限，而且准确度和适用性有所不同，预测存在不确定性。概率是一种表达不确定性的方式，而组合预测(或集合预报)则是获得概率预报的一个有效途径。

目前对于“直散分离”预测模型的研究多以单一预测模型为主，然而单一预测模型本身具有局限性，预测精度提高很有限，且各单一预测模型的准确度有所不同，预测存在不确定性。

常见的“直散分离”预测模型大多只考虑少量的气象因素如清晰度指数和日照百分率等，这将影响模型预测精度；然而如果考虑大量的气象因素，不仅会增加模型复杂度，预测效果也会受各气象因素之间的多重共线性关系的影响。所以在建立预测模型时设法降低气象因素间的多重共线性关系对于模型预测精度的提高显得尤其重要。

“直散分离”预测模型分为日尺度、月尺度和小时尺度等，目前针对不同尺度模型的研究均是适用于所有天气类型的，这虽然使用方便，但模型的精度则相对较低。在小时尺度内，天气状况变化较小，因此可以利用该特点研究每种天气类型下的组合预测模型，从而提高预测精度。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法，提高建模预测精度，主要取决于数据预处理方法、预测算法和预测对象自身特性。因此本发明从前两项出发，首先利用正态拟合方法，对北京地区多年小时尺度原始数据进行典型气象年的选取；其次在每种天气类型下，首先建立三种不同模型预测方案，再对三种预测方案根据gra-lmbp方法选取适当权重进行组合，得到每种天气类型下的最优组合预测模型。该方法既保留了各个模型本身的预测优势，又通过变权重组合使单个模型预测值过于偏大或偏小的极端情况得以削弱，从而提高模型的预测精度，减小各项误差。

本发明的目的可以通过以下技术方案来实现：

基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法，包括以下步骤：

步骤1：统计收集地区多年气象数据和辐射数据并利用正态拟合对数据选取典型气象年，所述气象数据包括总云量和能见度，所述辐射数据包括总辐射、直接辐射和散射辐射；

步骤2：对清晰度指数进行修正并根据修正后的清晰度指数划分天气类型获得每一种天气类型的占比；

步骤3：针对每种天气类型分别利用主成分分析和灰色关联分析从原有多种散射比影响因子中提取主成分因子和变量；

步骤4：针对每种天气类型分别利用支持向量机、基于主成分分析的支持向量机和基于灰色关联分析的支持向量机对主成分因子和变量进行训练拟合得出三种模型的预测结果；

步骤5：计算各个模型的灰色关联系数并得出三种模型组合预测的某时刻的拟合值；

步骤6：针对每种天气类型利用各模型的预测值、权重比之间的关系训练lmbp网络模型，再将三种单一预测模型得出所需预测时间段处的预测结果输入已训练的lmbp网络模型，输出预测时段内各单一模型的权重值；

步骤7：针对每种天气类型利用所有单一模型权重值和单一模型预测值得出该种天气类型下组合模型最终预测值，并利用该最终预测值调配控制光伏发电网控制参数。

优选地，所述的步骤2中的修正后的清晰度指数，其计算公式为：

式中，为修正后的清晰度指数，kt为清晰度指数，m为大气质量。

优选地，所述的步骤2中的天气类型包括根据修正后的清晰度指数的范围区间确定的不同天气类型：

当时，天气类型为晴、晴转多云、多云转晴；

当时，天气类型为多云、阴转多云、多云转阴；

当时，天气类型为小雨、阵雨、小雪、轻雾、霾；

当时，天气类型为中雨、大雨、中雪、大雪。

优选地，所述步骤3中的主成分分析包括以下步骤：

s1：选取修正清晰度指数、pm2.5、总云量和能见度的数据进行kmo检验和bartlett球形检验；

s2：利用气象因子的标准化矩阵得出影响因子相关系数矩阵并进一步得出影响因子相关系数矩阵的特征值和特征向量；

s3：利用贡献率和累计贡献率在设定范围内的特征值以确定主成分个数；

s4：利用特征向量、气象因子的标准化矩阵和主成分个数得出主成分矩阵。

优选地，所述设定范围为75％～95％。

优选地，步骤3中的灰色关联度分析包括以下步骤：

s01：设定参考序列和比较序列，所述参考序列采用散射比，所述比较序列采用散射比的各种气象影响因子；

s02：对设定的序列进行归一化处理；

s03：计算关联系数；

s04：计算灰色关联度；

s05：按照灰色关联度排序结果确定系统主要影响因子。

优选地，所述步骤s03中的关联系数的计算公式为：

式中，ξi(k)表示关联系数，x0(k)表示参考序列中第k个散射比，xi(k)表示比较序列中第k个气象影响因子，ρ表示分辨系数。

优选地，所述步骤s04中的灰色关联度的计算公式为：

式中，ri为灰色关联度。

本发明的主要原理为：

首先统计收集北京地区多年气象辐射数据，根据正态拟合法选取典型气象年并利用修正后的清晰度指数进行天气类型的划分；其次通过支持向量机(svm)、基于灰色关联分析(gra)的支持向量机gra-svm和基于主成分分析(pca)的支持向量机(pca-svm)预测模型分别得出每一种天气类型下的三种单一模型预测结果，然后利用灰色关联分析得到每一种天气类型下各模型的权重系数，进而在每种天气类型下根据各个单一模型预测结果和预测权重系数拟合lmbp神经网络预测模型，最后利用lmbp模型求出的权重系数计算每种天气类型的组合预测模型预测结果。

与现有技术相比，本发明具有以下优点：

(1)正态拟合法仅需要引入太阳辐射观测值，便于快速有效地应用。

(2)变权重组合模型降低预测模型出现极端误差的概率，有效地解决了单一模型预测结果不稳定的问题。

(3)本发明中给单一模型预测结果一定权值，可以优化预测模型最终的输出结果，降低均方根误差和平均相对误差，从而提高预测结果准确度。

(4)日模型或月模型中，由于一天或一月内天气变化情况可能较复杂，只能考虑适用于所有天气类型的预测模型；但在小时尺度下，天气变化情况较小，因此本发明根据小时模型的特殊性，在不同天气类型下使用对应的预测模型，从而提高预测精度。

附图说明

图1为本发明方法的整体流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示为本发明方法的流程示意图，具体步骤如下：

s1:统计收集北京地区多年气象数据和辐射数据。其中气象数据包括总云量、能见度等，辐射数据包括总辐射，直接辐射、散射辐射等。利用正态拟合法对数据选取典型气象年；

s2:对清晰度指数进行修正，根据修正后的清晰度指数进行天气类型的划分并统计每一种天气类型的占比；

s3：针对每一种天气类型，分别用主成分分析(pca)、灰色关联分析(gra)从原有的具有相关关系的多种散射比影响因子中提取相互独立的主成分因子和关联度较大的变量；

s4：针对每一种天气类型，分别利用支持向量机(svm)对原始气象环境影响因子、主成分分析中提取的相互独立的主成分因子和灰色关联分析得到的关联度较大的变量

进行训练拟合，即分别利用支持向量机(svm)、基于主成分分析的支持向量机(pca-svm)和基于灰色关联分析的支持向量机(gra-svm)三种模型进行训练拟合，得到三个模型的预测结果；

s5：分别计算第j种模型在第i个时刻拟合值与观测值之间的灰色关联系数ξj(i)(j＝1、2、3)，将计算所得灰色关联系数作为单一模型的预测权重系数，则组合预测模型在第i个时刻的拟合值为x(i)＝ξ1(i)x1(i)+ξ2(i)x2(i)+ξ3(i)x3(i)，且

s6:每一种天气类型下，根据各模型的预测值、权重比之间的关系训练lmbp网络模型，再运用三种单一预测模型得出所需预测时间段处的预测结果，并将预测结果输入已训练的lmbp网络模型。lmbp网络模型的输出为预测时段内各单一模型的权重值。

s7:分别利用每一种天气类型下所有单一模型权重值和单一模型预测值得到该种天气类型下组合模型最终预测值。

s8:根据组合模型预测结果，选取rmre、rrmse、mape评估指标来评估模型，并与单一预测模型预测结果进行对比，并利用最终结果调配控制光伏发电网控制参数。

以上步骤中相关关键分支步骤的详细描述如下：

1.正态拟合法选取典型气象年：

正态分布是最便捷、工程应用最为广泛的连续概率分布，也称为高斯分布，适用于正态或近似正态分布的资料，其特征为“钟”形曲线，这种分布的概率密度函数为：

其中有两个参数，即均数μ和标准差δ，均数μ决定正态曲线的中心位置；标准差δ决定正态曲线的陡峭或者扁平程度。

根据正态拟合法选取出各月的典型气象月，并由12个典型气象月组成典型气象年。

2.天气类型分类：

清晰度指数表示大气的透明程度，与天气状况及太阳辐射密切相关，其公式为：

大气层外水平面上太阳辐射量i0:

其中，esc、γ、δ1分别为太阳常数、日地距离变化引起大气层上界的太阳辐射通量的修正值和赤纬角，ω分别为纬度和时角，其计算公式分别如下：

esc＝1367±7w/m²

然而清晰度指数不仅与气象条件相关，而且与天空中太阳位置有关。为了降低太阳高度角对清晰度指数的影响，对其进行修正如下：

其中，是修正后的清晰度指数，m是大气质量。

本发明按照修正后的清晰度指数将不同时次对应的天气状态进行划分归类：

当时，天气类型为晴、晴转多云、多云转晴；

当时，天气类型为多云、阴转多云、多云转阴；

当时，天气类型为小雨、阵雨、小雪、轻雾、霾；

当时，天气类型为中雨、大雨、中雪、大雪；

从而深度探讨不同天气类型下逐时散射比的预测效果及与各气象因子的关系。

3.主成分分析：

主成分分析是最常用的一种降维方法，其算法描述如下：

s1：首先选取修正清晰度指数、pm2.5、总云量、能见度等对散射比有影响的天文气象因子等数据进行kmo检验和bartlett球形检验，确认满足主成分分析的前提条件

s2：对气象因子的标准化的矩阵x^*求解影响因子相关系数矩阵，由相关系数矩阵r计算其特征值λ1≥λ2≥…≥λn及对应的特征向量α1，α2，…，αn。

s3：计算贡献率ek和累计贡献率et。

通过累计方差贡献率确定主成分个数，一般选取累计方差贡献率位于75％～95％范围内的特征值λ1，λ2，…，λp所对应的第1，第2，…，第p个主成分。

s4:p个主成分构成的主成分矩阵为：

u＝x^*t

其中：

t＝[α1,α2,^αp]

式中，t为p个主成分对应特征向量。

4.灰色关联分析：

灰色关联分析(gra)是灰色系统理论中的一种主要用于判断系统变化过程中各影响因子之间的关联程度，并根据关联程度的大小来确定各因子影响的分析方法。其基本思想是：根据归一化处理后的不同系统变量时间序列曲线几何形状的相似程度，判断各影响因子之间的关联程度。其具体步骤为：

s1:选择参考序列与比较序列

首先设x为灰色系统因子集，有xi∈x为系统要素。xi序列的第k个数据点表示为xi(k)，其中k＝1,2,3,…,n，n为要素样本数据个数。并且定义系统要素的参考序列为x0(本专利中x0是指散射比)，x0＝{x0(1),x0(2),x0(3),…,x0(n)}，其它列入指标体系表中的指标组成的序列即为比较序列，记为xi(本专利中xi为散射比的各种气象影响因子)，xi＝{xi(1),xi(2),…,xi(n)}，式中：i＝1,2,3,…,m1(m1为比较序列的个数)。

s2：归一化处理

式中，xmax，xmin分别为指定序列中的最大值和最小值。

s3：计算关联系数

式中，ξi(k)表示关联系数，x0(k)表示参考序列中第k个散射比，xi(k)表示比较序列中第k个气象影响因子，ρ表示分辨系数，一般在0～1之间变化。

s4：计算灰色关联度

式中，ri为灰色关联度，其取值范围为0～1。其值越接近1，表明比较序列对参考序列的影响也越大

s5：按灰色关联度大小进行排序，确定系统主要影响因子。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。