1.一种基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。
2.如权利要求1所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。
3.如权利要求2所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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,x′i为输入向量。
4.如权利要求1~3之一所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。
5.如权利要求1~3之一所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。
6.如权利要求1~3之一所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。
7.如权利要求6所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。
8.如权利要求1~3之一所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。
9.如权利要求8所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。
10.如权利要求8所述的基于Gamma Test和NSGA-II的分布式光伏出力预测输入变量降维方法,其特征在于: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。