一种基于多算法优化的双层混合光伏预测方法及计算机设备

1.本发明涉及一种基于多算法优化的双层混合光伏预测方法及计算机设备，属于光伏预测技术领域。


背景技术：

2.当前，利用太阳能的主要问题是其时空规律性不明显，太阳辐射量的大小可以分为两部分，第一部分表示时序部分，第二部分表示随机部分。时序分量是由地球的自转和公转运动决定的，随机分量是由天气等随机因素决定的，这就导致光伏出力也存在时序性和确定性两部分。太阳能的间歇性对光伏电站输出功率的影响很大，增加了电力系统能量调度的难度。
3.自上个世纪八十年代人工神经网络诞生以来，越来越多的学者将其应用到光伏功率预测的研究上。如今，随着时间序列神经网络，如循环神经网络(rnn)的出现，利用时间序列预测已成为光伏功率预测的一大热门方法。然而，现有的时间序列预测方法基本上都是将光伏出力直接看作时间序列进行预测，而未专门考虑天气等随机因素对光伏出力的影响。
4.为了提高光伏短期的预测精度，很多学者选择对气象数据进行分类预测，即天气分型。这种分型预测方法有效地减小了相似日下的光伏短期预测误差，从整体上提高了预测精度。然而，常规的天气分型方法通常采取降水，风速，辐射量等随机因素进行分析，缺乏对时序分量的考虑，效果欠佳。
5.因此，现有的光伏出力预测方案，没有综合考虑随机因素和时序因素对模型的影响，导致模型预测的准确度不高，无法实现短期光伏功率准确预测，进而不利于电网管理人员合理调度和安排电能消纳，影响电力系统整体稳定性。


技术实现要素：

6.针对现有技术的缺陷，本发明的目的在于提供一种能兼顾考虑随机因素和时序因素的模型，对获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；并将光伏历史输出功率数据分成时序分量和随机分量，并根据时序特征量形成时序层、随机层；然后叠加时序层和随机层，得到光伏出力预测模型，对光伏出力进行预测；有效提高模型预测的准确度，有助于电网管理人员合理调度和安排电能消纳，以增强电力系统整体稳定性的基于多算法优化的双层混合光伏预测方法及计算机设备。
7.为实现上述目的，本发明的技术方案为：
8.一种基于多算法优化的双层混合光伏预测方法，包括以下步骤：
9.步骤1：获取某地天文数据、地理数据、气象数据、气象数据以及光伏历史输出功率数据；
10.步骤2：对步骤1中获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；
11.步骤3：对步骤1的气象数据，利用修正大气清晰度指数k’t
和水平面直射比b
d
，运用聚类分析算法，将其划分为天气类型1，天气类型2，天气类型3；
12.并将天气类型2细分为天气类型2
‑
1和天气类型2
‑
2；
13.步骤4：利用集合经验模态分解eemd方法，并根据皮尔逊相关性模型将步骤1中的光伏历史输出功率数据分成时序分量和随机分量；
14.所述皮尔逊相关性模型，用于构建某地光伏输出功率与某地天文、地理、气象指标的关联性，并能根据光伏历史输出功率各信号分量的关联性大小，把各信号分量划分为时序分量或随机分量；
15.所述关联性为各信号分量与步骤2中时序特征量的相关系数；
16.步骤5：结合步骤3中天气类型，构建时序训练模型，对步骤4中的时序分量进行训练，形成滑动窗口，得到时序层；
17.所述时序训练模型为经过引力搜索算法gsa优化的长短期记忆人工神经网络lstm模型；
18.步骤6：结合步骤3中天气类型，构建随机训练模型，对步骤4中的随机分量进行训练,得到随机层；
19.所述随机训练模型为经过贝叶斯优化的机器学习模型；
20.步骤7：叠加步骤5中时序层和步骤6中随机层，得到光伏出力预测模型；
21.所述光伏出力预测模型能够根据某地某时的天文数据、地理数据、气象数据，得到某时间段的光伏输出功率。
22.由于现有的光伏短期预测方法在天气分型上大多忽略了时序因素对模型的影响；现有的时间序列光伏短期预测方法在原理设计上大多忽略了随机部分对模型的影响。
23.因此本发明综合考虑随机因素和时序因素对模型的影响，对获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；并将光伏历史输出功率数据分成时序分量和随机分量，并根据时序特征量形成时序层、随机层；然后叠加时序层和随机层，得到光伏出力预测模型，对光伏出力进行准确预测；有效提高模型预测的准确度，实现光伏出力的短期准确预测，有助于电网管理人员合理调度和安排电能消纳，以增强电力系统整体稳定性。
24.进一步，本发明兼顾了光伏出力的时间连续性和随机波动性，有效提高预测准确度，可以适用于大多数光伏出力预测情景，预测速度快，适用性强。
25.作为优选技术措施：
26.所述步骤1中，获取的数据特征量包括年，月，日，时，本站气压，环境温度，相对湿度，降水，平均风速，水平能见度，总云量，赤纬角，时角，修正大气清晰度指数，地外总辐射，水平面总辐射，散射辐射，法向辐射，反射辐射和日照百分率。
27.作为优选技术措施：
28.所述步骤2中对获取的数据进行处理，包括对获取的某地天文、地理和气象数据进行分类，筛选；
29.其中时序特征量包括年、月、日、时、赤纬角、时角、地外总辐射i0；
30.所述随机特征量包括本站气压，环境温度，相对湿度，降水，平均风速，水平能见度，总云量，修正大气清晰度指数，水平面总辐射，散射辐射，法向辐射，反射辐射和日照百
分率；
31.同时筛除异常值，其包括筛除太阳高度角小于10
°
的数据。
32.作为优选技术措施：
33.所述步骤3中的天气类型1为恶劣天气，天气类型2为转折天气，天气类型3为晴空天气，天气类型2
‑
1为晴转阴，天气类型2
‑
2为阴转晴。
34.作为优选技术措施：
35.所述步骤3中聚类分析算法为二阶聚类和逻辑回归；
36.所述修正大气清晰度指数k’t
，其计算公式为：
[0037][0038]
式中，k
t
为修正前的大气清晰度指数，m为大气质量；
[0039]
所述修正前的大气清晰度指数，其计算公式为：
[0040][0041][0042]
式中，i表示获取的气象数据中的水平面总辐射，γ为日地距离订正系数，e
sc
为太阳常数，取值为1367
±
7w/m2，δ为赤纬角，φ和ω分别为纬度和时角；
[0043]
所述赤纬角，其计算公式为：
[0044][0045]
式中，n为所求日期在一年中的日序数；
[0046]
所述日地距离订正系数，其计算公式为：
[0047][0048]
式中，n为所求日期在一年中的日序数。
[0049]
作为优选技术措施：
[0050]
所述步骤4中，信号分量的个数为12个；
[0051]
选取与步骤2中时序特征量相关系数最大的信号分量作为光伏历史输出功率数据的时序分量，其余11个信号分量作为光伏历史输出功率数据的随机分量。
[0052]
作为优选技术措施：
[0053]
所述步骤5中的引力搜索算法gsa算法选取的超参数变量为训练迭代次数和训练长度；其适应度函数为预测值与实际值的平均绝对百分比误差mape。
[0054]
作为优选技术措施：
[0055]
所述训练迭代次数为14次，训练长度为6天；
[0056]
所述平均绝对百分比误差mape的计算公式为：
[0057][0058]
其中n为测试集样本数量，p
f
为预测值，p
o
为实际值。
[0059]
作为优选技术措施：
[0060]
所述步骤6中的经过贝叶斯优化的机器学习算法迭代次数为50次，所述随机层为机器学习算法的预测结果，机器学习算法包括装袋bagging和高斯过程回归gaussian process regression,gpr。
[0061]
作为优选应用技术措施：
[0062]
一种计算机设备，包括一个或多个处理器；
[0063]
存储装置，用于存储一个或多个程序；
[0064]
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种基于多算法优化的双层混合光伏预测方法。
[0065]
与现有技术相比，本发明具有以下有益效果：
[0066]
本发明经过不断探索以及试验，对获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；并将光伏历史输出功率数据分成时序分量和随机分量，并根据时序特征量形成时序层、随机层；然后叠加时序层和随机层，得到光伏出力预测模型，对光伏出力进行准确预测。
[0067]
本发明能够综合考虑随机因素和时序因素对模型的影响，有效提高模型预测的准确度，实现光伏出力的短期准确预测，有助于电网管理人员合理调度和安排电能消纳，以增强电力系统整体稳定性。
附图说明
[0068]
图1为本发明的方法流程图。
[0069]
图2为本发明时序特征量与不同信号分量imf之间的相关性示意图。
[0070]
图3为本发明滑动窗口lstm示意图；
[0071]
图4为本发明不同天气类型与直射比、修正清晰度指数的关系示意图。
[0072]
图5为本发明预测结果和实际值对比示意图。
具体实施方式
[0073]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0074]
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
[0075]
一种基于多算法优化的双层混合光伏预测方法，包括以下步骤：
[0076]
步骤1：获取某地天文数据、地理数据、气象数据、气象数据以及光伏历史输出功率
数据；
[0077]
步骤2：对步骤1中获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；
[0078]
步骤3：对步骤1的气象数据，利用修正大气清晰度指数k’t
和水平面直射比b
d
，运用聚类分析算法，将其划分为天气类型1，天气类型2，天气类型3；
[0079]
并将天气类型2细分为天气类型2
‑
1和天气类型2
‑
2；
[0080]
步骤4：利用集合经验模态分解eemd方法，并根据皮尔逊相关性模型将步骤1中的光伏历史输出功率数据分成时序分量和随机分量；
[0081]
所述皮尔逊相关性模型，用于构建某地光伏输出功率与某地天文、地理、气象指标的关联性，并能根据光伏历史输出功率各信号分量的关联性大小，把各信号分量划分为时序分量或随机分量；
[0082]
所述关联性为各信号分量与步骤2中时序特征量的相关系数；
[0083]
步骤5：结合步骤3中天气类型，构建时序训练模型，对步骤4中的时序分量进行训练，形成滑动窗口，得到时序层；
[0084]
所述时序训练模型为经过引力搜索算法gsa优化的长短期记忆人工神经网络lstm模型；
[0085]
步骤6：结合步骤3中天气类型，构建随机训练模型，对步骤4中的随机分量进行训练,得到随机层；
[0086]
所述随机训练模型为经过贝叶斯优化的机器学习模型；
[0087]
步骤7：叠加步骤5中时序层和步骤6中随机层，得到光伏出力预测模型；
[0088]
所述光伏出力预测模型能够根据某地某时的天文数据、地理数据、气象数据，得到某时间段的光伏输出功率。
[0089]
本发明经过不断探索以及试验，对获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；并将光伏历史输出功率数据分成时序分量和随机分量，并根据时序特征量形成时序层、随机层；然后叠加时序层和随机层，得到光伏出力预测模型，对光伏出力进行准确预测。
[0090]
本发明能够综合考虑随机因素和时序因素对模型的影响，有效提高模型预测的准确度，实现光伏出力的短期准确预测，有助于电网管理人员合理调度和安排电能消纳，以增强电力系统整体稳定性。本发明一种最佳实施例：
[0091]
一种基于多算法优化的双层混合光伏预测方法，包括以下步骤：
[0092]
步骤1：获取当地天文、地理和气象数据；
[0093]
步骤2：对获取的数据进行分类和筛选；
[0094]
步骤3：利用修正大气清晰度指数k’t
和水平面直射比b
d
，运用聚类分析算法，将气象数据中的历史天气样本划分为天气类型1，天气类型2，天气类型3，并将天气类型2细分为天气类型2
‑
1和天气类型2
‑
2；
[0095]
步骤4：利用集合经验模态分解(eemd)并依据各信号分量(imf分量)与各天文、地理、气象指标的皮尔逊相关性将历史功率数据分成时序分量和随机分量；
[0096]
步骤5：利用经过引力搜索算法(gsa)优化的长短期记忆人工神经网络(lstm)对各个天气类型的时序分量进行训练，形成滑动窗口，得到时序层；
[0097]
步骤6：利用经过贝叶斯优化的机器学习算法对各个天气类型的随机分量进行训练,得到随机层；
[0098]
步骤7：叠加时序层和随机层，得到光伏出力预测结果。
[0099]
本发明获取数据特征量的一种具体实施例：
[0100]
获取的特征量共有20个，分别为年，月，日，时，本站气压，环境温度，相对湿度，降水，平均风速，水平能见度，总云量，赤纬角，时角，修正大气清晰度指数，地外总辐射，水平面总辐射，散射辐射，法向辐射，反射辐射和日照百分率。
[0101]
本发明对获取的数据进行处理的一种具体实施例：
[0102]
对获取的数据进行处理，包括对的获取当地天文、地理和气象数据进行分类，筛选。其中将年、月、日、时、赤纬角、时角、地外总辐射i0定义为时序特征量，其他特征量定义为随机特征量，筛除异常值并筛除太阳高度角小于10
°
的数据。
[0103]
本发明天气类型划分的一种具体实施例：
[0104]
天气类型1为恶劣天气，天气类型2为转折天气，天气类型3为晴空天气，天气类型2
‑
1为晴转阴，天气类型2
‑
2为阴转晴。所述步骤3中的聚类分析算法指二阶聚类和逻辑回归。
[0105]
本发明功率数据划分的一种具体实施例：
[0106]
利用eemd将功率数据共分为12个imf分量，经皮尔逊相关性分析后，选取与每个时序特征量相关系数最大的imf分量作为历史功率数据的时序分量，其余特征量为随机分量。
[0107]
本发明时序分量进行训练的一种具体实施例：
[0108]
gsa算法选取的超参数变量为训练迭代次数和训练长度。适应度函数选取为预测值与实际值的平均绝对百分比误差(mape),计算公式为：
[0109][0110]
其中n为测试集样本数量，p
f
为预测值，p
o
为实际值。
[0111]
经过gsa优化的lstm算法每轮迭代次数为14次，训练集长度选择为6天，所述时序层为滑动窗口lstm的结果。
[0112]
本发明随机分量进行训练的一种具体实施例：
[0113]
经过贝叶斯优化的机器学习算法迭代次数为50次，所述随机层为机器学习算法的预测结果，机器学习算法包括装袋树(bagging)和高斯过程回归(gaussian process regression,gpr)。
[0114]
本发明修正大气清晰度指数的计算实施例：
[0115]
修正大气清晰度指数k’t
，其计算公式为：
[0116][0117]
式中，k
t
为修正前的大气清晰度指数，m为大气质量。
[0118]
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：
[0119][0120]
大气层外水平面上太阳辐射量i0：
[0121][0122]
其中，i
sc
、γ、δ分别为太阳常数、日地距离订正系数和赤纬角，φ、ω分别为纬度和时角，其计算公式分别如下：
[0123]
i
sc
＝1367
±
7w/m2ꢀꢀ
(17)
[0124][0125][0126]
式中，n为所求日期在一年中的日序数。
[0127]
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：
[0128][0129]
其中，k’t
是修正后的清晰度指数，m是大气质量。
[0130]
如图1所示，应用本发明的一种实施例：
[0131]
1)获取当地天文、地理和气象数据；
[0132]
2)对获取的数据进行分类和筛选；
[0133]
3)利用修正大气清晰度指数k’t
和水平面直射比b
d
，运用聚类分析算法，将历史天气样本划分为天气类型1，天气类型2，天气类型3，并将天气类型2细分为天气类型2
‑
1和天气类型2
‑
2，
[0134]
如图2和表1所示，在不同特征量下，不同天气类型表现出不同的特点。总体而言，天气类型1为恶劣天气，天气类型2为转折天气，天气类型3为晴空天气，天气类型2
‑
1为晴转阴，天气类型2
‑
2为阴转晴。
[0135]
表1:不同天气的类型的特征量平均值
[0136][0137]
4)利用集合经验模态分解(eemd)并依据各信号分量(imf分量)与各天文、地理、气象指标的皮尔逊相关性将历史功率数据分成时序分量和随机分量，如图2所示，选取的时序分量为imf2、imf7、imf10、imf11、imf12，选取的随机分量为imf1、imf3、imf4、imf5、imf6、imf8、imf9。
[0138]
5)利用经过gsa优化的长短期记忆人工神经网络(lstm)对各个天气类型的时序分量进行训练，形成滑动窗口，得到时序层，可参见图3。
[0139]
滑动窗口是建立时序模型中的一种数据滚动方式，其工作原理为：每次都选择下个时刻之前的66组数据，即时间跨度为6天的数据进行训练。这种训练方式比起传统的整体训练方式，训练时间短，迭代效果好。在针对时序模型的训练中，优势更为明显。
[0140]
6)利用经过贝叶斯优化的机器学习算法对各个天气类型的随机分量进行训练,得到随机层，具体使用的算法如表2所示。
[0141]
表2：不同天气类型使用的机器学习算法
[0142][0143]
7)叠加时序层和随机层，得到光伏出力预测结果。
[0144]
所述叠加指最终所得时序层结果和随机层结果直接相加。
[0145]
8)将经过优化的双层混合预测方法所得预测结果与其他方法所得结果相比，如图5以及表3所示，易见其准确度有显著优势。
[0146]
表3：不同预测方法的误差指标
[0147]
[0148]
本发明方法中的天气分型，特征量选择相关参数计算过程及方式如下：
[0149]
k
t
为修正前的大气清晰度指数，m为大气质量。
[0150]
所述修正前的大气清晰度指数，参见图4，其计算公式为：
[0151][0152][0153]
式中，i表示获取的气象数据中的水平面总辐射，γ为日地距离订正系数，e
sc
为太阳常数，取值为1367
±
7w/m2，δ为赤纬角，φ和ω分别为纬度和时角。
[0154]
所述赤纬角，其计算公式为：
[0155][0156]
式中，n为所求日期该天在一年中的日序数。
[0157]
所述日地距离订正系数，其计算公式为：
[0158][0159]
式中，n为所求日期该天在一年中的日序数。
[0160]
修正大气清晰度指数k’t
，其计算公式为：
[0161][0162]
评价预测准确度的指标有归一化均方根误差(nrmse)和平均绝对百分比误差(mape),计算公式为：
[0163][0164][0165]
本发明的计算机设备实施例：
[0166]
一种计算机设备，其包括：
[0167]
一个或多个处理器；
[0168]
存储装置，用于存储一个或多个程序；
[0169]
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种基于多算法优化的双层混合光伏预测方法。
[0170]
本技术是参照根据本技术实施例的方法、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。
[0171]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。