一种基于改进高斯过程回归的光伏短期出力预测方法
【技术领域】
[0001] 本发明属于新能源光伏发电功率预测技术领域，具体设及一种基于改进高斯过程 回归的光伏短期出力预测方法。
【背景技术】
[0002] 由于太阳能具有随机性、波动性和不可控制性，当大规模光伏接入电网时，对电力 系统安全性、稳定性、经济性运行造成不利影响。光伏输出功率预测对电网管理、调度、操 作，系统优化、能源充分利用、电网安全稳定运行具有重要意义。
[0003] 目前，对光伏功率预测问题方法主要分为物理方法和统计法。物理方法是将气象 数据作为输入，采用物理模型进行预测，缺点是需要光伏电站的地理信息和光伏电站功率 曲线；统计法是对电站统计数据，找出内在规律，分析发电功率与气象数据的关系进行预 测，主要方法有持续预测法、时间序列分析法、卡尔曼滤波法、自适应神经模糊推理系统、人 工神经网络法(ANN)和支持向量机等。运些方法在一定程度上都取得了较好的成果，然而人 工神经网络存在结构选择的随意性，样本庞大，存在过拟合和易陷入局部极小，鲁棒性差的 缺点；支持向量机可W取得比MN较好的预测效果，但其存在惩罚函数、核函数和核参数选 择困难的问题。
[0004] 高斯过程回归作为一种新型的机器学习算法，在构建模型时，其具有易实现、超参 数自适应获得及输出具有概率意义等优点，已被成功运用到电力负荷预测、风速预测、证券 预测、交通流量预测等领域。
[0005] 传统的GPR超参数的寻优采用共辆梯度法，其容易陷入局部最优，且优化效果及迭 代的收敛性过于依赖初始值，难W保证优化的效果。
【发明内容】
[0006] 本发明的目的是提供一种基于改进高斯过程回归的光伏短期出力预测方法，解决 了现有技术中的光伏短期出力预测方法寻优过程易陷入局部最优、且优化效果及迭代的收 敛性过于依赖初始值的问题。
[0007] 本发明所采用的技术方案是，一种基于改进高斯过程回归的光伏短期出力预测方 法，具体按照W下步骤实施：
[000引步骤1、数据分类；
[0009] 步骤2、建立预测模型；
[0010] 步骤3、获得预测样本输出期望，即功率预测值。
[0011] 本发明的特点还在于，
[0012] 步骤1具体按照W下步骤实施：
[0013] 步骤(1.1)、根据光伏电站的地理信息与出力分布信息，将各种天气类型按照天气 类型指数、日平均溫度和日平均湿度相近度为参考指标进行分类；
[0014] 步骤(1.2)、将步骤(1.1)中的天气类型分别分为晴天、阴天、多变天气S类。
[0015]步骤(I. I)中的相近度采用加权欧式距离方法计算，计算公式如下：
[0017] 上式中，du为第i个粒子与第j个粒子之间的距离，本专利中所指的粒子为某一天 的天气类型参考指标，Xi为第i个粒子所对应的向量，m、n分别表示向量的第m维和总维数，Am 表示向量的权重，Xim为第i个粒子的第m维分量为第j个粒子的第m维分量。
[0018] 步骤2具体按照W下步骤实施：
[0019]步骤(2.1)、建立学习样本；
[0020] 步骤(2.2)、数据预处理；
[0021] 步骤(2.3)、设置粒子群算法和高斯过程回归算法的参数，并对学习样本进行训 练；
[0022] 步骤(2.4)、寻找全局最优粒子，得到优化后的最优超参数。
[0023] 步骤(2.1)具体为:根据步骤1的分类结果，按照预测需求，从所对应的数据库中建 立学习样本DUi，yi)，1含i含N，其中，N为样本总个数，输入向量Xi表示光伏功率预测的影响 因素，输出标量yi表示真实光伏功率测量值。
[0024] 步骤(2.2)具体按照W下步骤实施：
[0025] 步骤(2.2.1)、置零粗糖值，所述粗糖值为低精度或异常的训练样本；
[0026] 步骤(2.2.2)、将训练样本和预测样本进行标准归一化。
[0027] 步骤(2.3)具体按照W下步骤实施：
[0028] 步骤(2.3.1)、设置协方差函数:采用平方指数协方差函数CsEis。与有理二次协方差 函数CRQiso组合形成核函数Csum,表示如下：
[0032] 上式中：《7^为信号方差，控制局部相关性的程度，1为关联性测定超参数，〇为函数 的形状参数，X、x'为随机的任意输入向量，其中，、l、a为超参数；
[0033] 步骤(2.3.2)、设置权重线性递减粒子群算法和高斯过程回归的初始参数；
[0034] 步骤（2.3.3)、利用粒子群和高斯过程回归组合的计算方法，对学习样本进行训 练。
[0035] 步骤(2.4)具体为：
[0036] W高斯过程回归超参数负对数极大似然函数的返回值作为每个粒子的适应度，记 录最小粒子适应度，个体最优解Pb根据所设置更新迭代找出全局最优的粒子gb，同时保持 粒子当前状态，粒子更新公式如下：
[003引 其中，
[0040] 上式中：cl，c2为学习因子，乂1〇'），扣〇'），口61〇)，邑131〇'）分别为第1个粒子第^7欠迭 代时的当前速度、位置、个体最优解、全局最优解，randl、rand2均为服从均匀分布U(0，1)的 相互独立随机变量，《 (j)为第j迭代步的惯性权重，Umax为最大惯性权重，COmin为最小惯性 权重，itmax为指定的最大迭代次数，j为第j迭代步，当到达最小误差M或达到预设迭代次数 n时，迭代终止。
[0041] 步骤3具体为:输入预测样本根据步骤(2.4)中的优化超参数W及所述步骤2中 的预测模型，得到的输出即为与输入预测样本X寸目对应的预测结果/，即功率预测值。
[0042] 本发明的有益效果是，一种基于改进高斯过程回归的光伏短期出力预测方法，通 过W天气类型指数、日平均溫度和湿度相似度为参考，对数据进行分类，针对不同的天气类 型选择不同的影响因素，在matlab中建立对应的权重线性递减粒子群高斯过程回归 LinWPSO-GPR预测模型，对GPR模型超参数选取进行优化，最终得到功率预测值。
【附图说明】
[0043] 图1是本发明一种基于改进高斯过程回归的光伏短期出力预测方法中晴天各模型 预测对比图；
[0044] 图2是本发明一种基于改进高斯过程回归的光伏短期出力预测方法中雨天各模型 预测对比图；
[0045] 图3是本发明一种基于改进高斯过程回归的光伏短期出力预测方法中多变天气各 模型预测对比图。
【具体实施方式】
[0046] 下面结合附图和【具体实施方式】对本发明进行详细说明。
[0047] 传统的GPR超参数的寻优采用共辆梯度法，其容易陷入局部最优，且优化效果及迭 代的收敛性过于依赖初始值，难W保证优化的效果，针对运一问题，本文采用线性权重递减 粒子群优化算法代替共辆梯度优化算法，对GPR模型超参数选取进行优化。
[004引本发明一种基于改进高斯过程回归的光伏短期出力预测方法，具体按照W下步骤 实施：
[0049] 步骤1、数据分类；
[0050] 步骤2、建立预测模型；
[0051] 步骤3、获得预测样本输出期望，即功率预测值。
[0052] 其中，步骤I具体按照W下步骤实施：
[0053] 步骤(1.1)、根据光伏电站的地理信息与出力分布信息，将各种天气类型按照天气 类型指数、日平均溫度和日平均湿度相近度为参考指标进行分类，其中的相近度采用加权 欧式距离方法计算，计算公式如下：
[0055] 上式中，du为第i个粒子与第j个粒子之间的距离，本专利中所指的粒子为某一天 的天气类型参考指标，Xi为第i个粒子所对应的向量，m、n分别表示向量的第m维和总维数，Am 表示向量的权重，Xim为第i个粒子的第m维分量为第j个粒子的第m维分量；
[0056] 步骤(1.2)、将所述步骤(1.1)中的天气类型分别分为晴天、阴天、多变天气S类。
[0057] 步骤2具体按照W下步骤实施：
[005引步骤(2.1)、建立学习样本，具体为:根据步骤1的分类结果，按照预测需求，从所对 应的数据库中建立学习样本D(xi，yi)，1含i含N，其中，N为样本总个数，输入向量Xi表示光伏 功率预测的影响因素，输出标量yi表示真实光伏功率测量值；
[0059] 步骤(2.2)、数据预处理:具体按照W下步骤实施：
[0060] 步骤(2.2.1)、置零粗糖值，所述粗糖值为低精度或异常的训练样本；
[0061 ]步骤(2.2.2)、将训练样本和预测样本进行标准归一化；
[0062] 步骤(2.3)、设置粒子群算法和高斯过程回归算法的参数，并对学习样本进行训 练，具体按照W下步骤实施：
[0063] 步骤(2.3.1)、设置协方差函数:采用平方指数协方差函数CsEis。与有理二次协方差 函数CRQiso组合形成核函数Csum,表示如下：
[0067] 上式中：^4为信号方差，控制局部相关性的程度，1为关联性测