基于GammaTest和NSGA‑II的分布式光伏出力预测输入变量降维方法与流程
本发明属于分布式光伏出力预测领域，特别是涉及一种基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法。
背景技术：
目前，光伏出力仍存在明显的不连续性和不确定性。当分布式光伏系统并入公共电网时，光伏系统的扰动可能会影响电网的稳定性，这对电网的调度管理和用电安全产生了巨大的挑战。为了消除这方面的影响，国内外对光伏发电系统的出力预测上做了大量研究。然而，光伏出力预测技术的实现还存在较多问题。
为了提高模型的预测精度，必须引入尽可能全面的输入因子。但过多的输入因子又会产生变量空间维度高、信息冗余等问题，影响预测模型的精度。
因此，如何对预测系统的输入变量进行降维，以提高预测模型的精度是亟需解决的问题。
技术实现要素：
为了克服已有光伏系统出力预测方式的输入变量维度较高、预测精度较低的不足，本发明提供一种有效降低输入变量维度、提升预测精度的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法。
本发明解决其技术问题所采用的技术方案是：
一种基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法，所述降维方法包括以下步骤：
步骤1.原始输入变量
分布式光伏出力预测的原始输入变量包括历史功率序列和气象数据序列，所述历史功率数据序列来自光伏电站电力参数检测装置，所述气象数据序列来自光伏气象站；
步骤2.数据预处理
对原始输入变量进行数据预处理，首先对数据进行去噪处理，其次，对数据进行归一化处理；
步骤3.构造新的变量因子
引入新的变量因子，包括组件温度、小波分析数据以及晴空指数，所述组件温度指光伏电池板表面的温度，所述小波分析数据指采用小波分析法将光伏电站输出功率分解为低频分量和高频分量，所述晴空指数指入射到水平面的实际辐射与晴空条件下的理论辐射之比；
步骤4.计算输入变量的影响因子
以步骤2中经过预处理的数据和步骤3中引入的新变量作为输入变量，首先采用Gamma Test对输入变量的噪声方差进行估计，其次，构造适应度函数，采用NSGA-II多目标遗传算法对输入变量的影响因子进行计算；
步骤5.构造降维后的输入特征向量。
根据步骤4中输入变量的影响因子确定降维后的输入变量，构造输入特征向量。
进一步，所述步骤4中，通过Gamma Test算法构造输入变量的噪声方差步骤如下：
首先，计算输入空间中点xi与其第k个最邻近点间距离的平均值为，
其中，k的范围是1≤k≤kmax，xN[i,k]表示与xi最邻近的向量，i的范围是1≤i≤M；
其次，计算对应输出数据之间的平均距离为，
其中，yN[i,k]是xi的第k个最邻近点对应的输出；
最后，构造线性方程为，
γM(k)＝Γ+AδM(k)
其中Γ代表输入变量的噪声方差。
再进一步，所述步骤4中，构造适应度函数为，
其中，gΓ和gA是惩罚项，分别是Γ和A的函数，wΓ和wA是指定值，xi'为输入向量。
更进一步，所述步骤5中，首先对影响因子为0的输入变量进行剔除，其次，将影响因子为1的输入变量组合，构造输入特征向量，实现输入变量降维。
所述步骤1中，历史功率序列包括直射辐射度、散射辐射度、水平总辐射度、倾斜面总辐射度以及输出功率，气象数据序列包括环境温度、环境湿度、大气压、空气可见度、风速、风向、天气类型。
所述步骤2中，对原始输入变量的去噪处理包含了数据填充和数据修正，采用线性插补法对缺失数据进行填充，采用相关性分析法对异常的气象数据进行修正。
所述步骤2中，将每个输入变量中的数据通过以下方法进行归一化处理：
首先，将原始输入变量表示为M＝{M1,M2,...,Mi}，其次，将每个输入变量下的样本数据累加得生成累加数序列M'＝{M1',M2',...,Mk'}，最后进行归一化处理
上式中，i为输入变量种类，M为样本累加后的数值，Mmax为样本累加后的最大值，Mmin为样本累加后的最小值，Y为归一化后的数值，Ymax为归一化后的最小值，Ymin为归一化后的最大值。
所述步骤3中，所述组件温度为光伏面板表面温度，组件温度表达式为，T＝Ta+kGt；其中Ta是环境温度，k是经验系数，Gt是t时刻倾斜面总辐射度。
所述步骤3中，引入小波分析数据是用小波分析法将光伏电站的输出功率分解为低频分量和高频分量，即通过选择合适的小波，重构各频率分量，对重构后的高频分量进行分类，从而可以针对不同天气类型选择合适的输入变量。
所述步骤3中，所述晴空指数是指入射到水平面的实际辐射与晴空条件下的理论辐射之比，表达式为，
其中，Gt为入射到水平面的实际辐射度，入射到水平面的实际辐射。
本发明的有益效果主要表现在：
1、本发明实现了分布式光伏出力预测中输入变量的降维，避免了过多的输入因子产生的信息冗余、建模复杂等问题，从而提高了光伏出力预测模型的精度。
2、该方法利用小波分析得到的高频部分特征值作为分类的依据，可以简化模型，避免天气预报不及时，天气数据不完善造成的困扰。通过引入辐射度理论计算数据作为外生变量，降低对历史数据中数据质量和数据环境的依赖。另外通过对相关因子二次计算，主要包括多时间尺度晴空指数，组件温度修正数据和各小波分量。实现充分利用数据以及降低数据耦合程度的目的。
3、该方法能够对不同天气类型下的输入变量进行分析，计算简单，可用于短时尺度的光伏出力预测研究。
附图说明
图1为本发明的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法流程图。
图2为本发明采用的NSGA-II算法流程图。
图3为本发明采用的光伏出力预测建模流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一种基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法，包括以下步骤：
步骤1，原始输入变量
本实例选择位于美国俄勒冈州的Ashland光伏发电系统(纬度：42.19°，经度：122.70°，海拔595m)作为算法研究对象，其总容量为15kW。预测的时间尺度是1小时，即预测分布式电站出力的小时平均功率。从光伏发电系统的电力参数检测装置记录的历史功率数据有：直射辐射度、散射辐射度、水平总辐射度、倾斜面总辐射度、输出功率，从光伏气象站记录的气象数据有：环境温度、环境湿度、大气压、空气可见度、风速、风向、天气类型。
步骤2，数据预处理
对步骤1中的数据进行预处理，包括去噪处理和归一化处理。
首先，对数据进行去噪处理。采用线性插补法对缺失数据进行填充，采用相关性分析法对异常的气象数据进行修正。
其次，对原始输入变量通过归一化的方法将待处理的数据归一化到[-1,1]区间。
步骤3，构造新的变量因子
引入新的变量因子，包括组件温度、小波分析数据以及晴空指数。
首先，构造组件温度。组件温度为光伏面板表面温度，组件温度表达式为，
T＝Ta+kGt
其中，Ta是环境温度，k是经验系数，Gt是t时刻倾斜面总辐射度。
其次，构造小波分析数据。以步骤2中经过预处理的光伏电站输出功率为输入，采用小波分析法进行三层分解，分解出输出功率序列的高频分量和低频分量，并通过重构得到天气相关特征值。从高频分量可以明显反映天气状况，在晴朗条件下，高频部分非常平稳，而在天气云量较大时，高频部分变化较大。
再次，构造晴空指数。晴空指数指入射到水平面的实际辐射与晴空条件下的理论辐射之比，表达式为，
其中，Gt为入射到水平面的实际辐射度，入射到水平面的实际辐射。
步骤4，计算输入变量的影响因子
以步骤2中经过预处理的数据和步骤3中引入的新变量作为输入变量，首先，采用Gamma Test对输入变量的噪声方差进行估计，方法如下：
计算输入空间中点xi与其第k个最邻近点间距离的平均值为，
其中，k的范围是1≤k≤kmax，xN[i,k]表示与xi最邻近的向量，i的范围是1≤i≤M。
计算对应输出数据之间的平均距离为，
其中，yN[i,k]是xi的第k个最邻近点对应的输出。
构造线性方程为，
γM(k)＝Γ+AδM(k)
其中Γ代表输入变量的噪声方差。
其次，构造适应度函数。采用如下适应度函数：
其中，gΓ和gA是惩罚项，分别是Γ和A的函数，wΓ和wA是指定值，xi'为输入向量。
再次，采用NSGA-II多目标遗传算法对输入变量的影响因子进行计算。
计算发现，影响因子为1的变量有：直射辐射度、水平总辐射度、时角、功率小波分析数据、倾斜面总辐射度、风速、输出功率、晴空指数，影响因子为0的变量有：组件温度、环境温度、环境湿度、大气压、空气可见度、风向、天气类型。
步骤5，构造降维后的输入特征向量
根据步骤4中输入变量的影响因子确定降维后的输入变量，构造输入特征向量。
步骤6，建立光伏出力预测模型
根据步骤5构造的输入特征向量作为样本序列，采用SVM支持向量机模型对样本进行训练，得到光伏出力预测模型。其预测的基本过程如下：
首先，根据模型假设选定因变量和果变量，其次，对数据进行预处理，第三，交叉验证选择回归的最佳参数，第四，利用最佳参数训练SVM，第五，进行拟合预测，得到预测指标。
对预测结果进行误差分析，发现：该方法实现在天气异变度较低时相对均方根误差分别为9.7％，9.1％，7.8％；异变度较高时分别为13.54％，13.36％，13.87％的预测精度。
最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！