是第t次迭代时种群的最优位置。
[0067]GDPSO算法步骤；
[0068] (1)粒子初始化，设置相关参数；
[0069] (2)评价和计算每个粒子的适应值；
[0070] (3)计算每个粒子的个体最优位置和群体最优位置，并计算每次迭代时粒子个体 历史最优位置的高斯扰动值。
[0071] (4)按照速度迭代公式对粒子速度和位置进行更新，并计算新的粒子适应度值；
[0072] (5)若算法满足终止条件，则停止迭代，输出全局最优粒子位置及其适应度值；否 则转到（2)继续循环；
[0073] 3)运用运用粒子群寻优的最小二乘支持向量机算法对组件温度进行预测，组件温 度预测的GDPSO-LSSVM算法步骤如下；
[0074] (1)对收集的气象数据和组件温度数据进行归一化处理，形成训练样本矩阵；
[007引 似确定LSSVM模型所需的运行参数，设定GDPSO算法的参数；
[0076] (3)计算各个粒子当前的适应值和高斯扰动项的值，更新粒子的速度和位置；
[0077] (4)计算更新后粒子的新适应值，并完成对粒子个体和群体的最优解替换；
[0078] (5)若达到最大迭代次数，则结束优化，输出优化参数。否则，返回第S步继续循 环。
[0079] 做将优化的参数赋给LSSVM，得到优化的预测模型，完成预测。
[0080] 二、相似日的选取
[0081] 在进行短期的光伏发电系统功率预测时，当预测日的天气状况与选取的某历史日 的天气状况越相似，预测的准确度就越高，该样就可W基于天气预报，选取与预测日天气相 似的历史日，用该些历史日作为相似日来对预测日的出力进行预测。本发明选定组件温度、 湿度和福照强度作为相似日选取的指标。
[0082] 在相似日的选取方式上，为避免仅利用极值或平均值进行比对，而采用每隔一小 时的指标进行对比，反映了一天内组件温度、湿度和太阳福照强度变化趋势的相似性。建立 历史日和预测日的气象向量，将不同历史日与预测日相应基值点处的各指标值做差取绝对 值并进行归一化处理获得差值归一化矩阵。运用滴权法确定历史日基值点各个指标的权 重，在此之下，将所得权重与差值归一化矩阵的相应点相乘并求取加权和，作为该天的相似 误差，并最终选择相似误差最小的五天作为相似日。
[0083] 具体相似日选取步骤如下：
[0084] (1)化每天7:00-20:00中每60min为一个基准点，提取预测日气象特征数值，构成 预测日指标向量
[0085] X〇=[x0(7),x0 (8), ???,x0 (20),y0 (7),y0 (8), ???,y0 (20),z0 (7),z0 (8), ???,z0 (20)]； 将与预测日接近的14天作为历史日，提取历史日的相对应指标构成历史日指标向量：
[0086] Xj=[Xj(7)，Xj做，…，Xj(20)，yj(7)，yj做，…，y0 (20)，Zj(7)，Zj做，…，Zj(20)]， 其中，Xj表示组件温度，y j表示湿度，z j表示福照强度，j= 1，2，…，14。
[0087] (2)求解Xj.与X。差值绝对值构成差值矩阵，并对差值矩阵进行归一化处理，得到 预测日与历史日的指标数据差值归一化矩阵。
[008引 （3)由差值矩阵确定各个基值点的权重参数，将权重与各历史天的指标差值归一 化矩阵相应点相乘，并求取加权和作为相似误差。由相似误差从小到大排序，选出相似误差 最小的5天作为预测日的相似日。
[0089] S、光伏功率预测
[0090] 采用滴权法来确定每个时刻相关气象条件所提供的信息权重，得到加权新数据， 利用新的加权数据进行预测。
[0091] 在进行预测时，对于每个时间点的预测，取相似日相应的时间点W及前后间隔五 分钟、间隔十分钟、一直到间隔半个小时的共13组数据作为输入数据，用W预测当日该 时刻的出力数据值，例如预测某日8:00的出力，输入数据为每个历史相似日7:30、7:35、 7:40、7:45、7:50、7:55、8:00、8:05、8:10、8:15、8:20、8:25、8:30 的出力数据值。在对此日 7:00-20:00每间隔半小时一次共27个时刻的出力值进行预测时，选取各个时刻点相应的 组件温度、湿度、福照强度W及输出功率输入数据，得到每个时间点的预测数据，最后输出 结果。
[0092] 运用滴权法与GDPSO-LSSVM算法对光伏出力进行短期预测的步骤：
[0093] (1)在相似日中选取与预测时刻对应的所需时刻的组件温度、湿度W及福照强度 等指标数据。
[0094] (2)构成矩阵，利用滴权法程序分析此时刻每个指标所提供的信息权重。
[0095] (3)将得到的权重与其对应的相似日中各指标原始数据进行相乘，得到新的加权 输入矩阵。
[0096] (4)将加权输入矩阵和输出功率作为输入数据，对此时刻的光伏输出功率进行预 测。
[0097] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领 域的技术人员可W对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替 代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
【主权项】
1. 一种考虑组件温度的光伏出力短期预测方法，其特征在于，包括以下步骤： 步骤1，选取相邻日影响组件温度的天气因素，对预测日组件温度进行预测，具体包括 运用粒子群进行算法参数寻优以及最小二乘支持向量机算法对组件温度进行预测两个子 步骤； 其中，所述运用粒子群进行算法参数寻优的具体方法是： 步骤1.11，粒子初始化，设置相关参数； 步骤1. 12,评价和计算每个粒子的适应值； 步骤1. 13,计算每个粒子的个体最优位置和群体最优位置，并计算每次迭代时粒子个 体历史最优位置的高斯扰动值； 步骤1. 14,按照下式对粒子速度和位置进行更新，并计算新的粒子适应度值； vi；j(t+1) =WVij j(t) +Cjr1 [pi；j(t) +r2gaussi；j(t) -xi；j(t)] +C2r3[Pg,j(t)-x i；J(t)] xi；J(t+l) = xi；J (t)+vi；J (t+1) gaussi； j (t) = r4gaussian ( u，82) 其中，W为惯性权重，Cl、c2为加速因子，r WW4表示（0, I)区间服从均匀分布的随 机数，Vu (t)为粒子i在第t次迭代时的速度，Pu (t)为粒子i在第t次迭代时的历史最 优位置，gaussu(t)为粒子i在第t迭代时产生的高斯扰动，y为均值，82为方差，1 1;」(1:) 为粒子i在第t次迭代时的位置，Pu(t)是第t次迭代时种群的最优位置； 步骤1. 15,若算法满足终止条件，则停止迭代，输出全局最优粒子位置及其适应度值； 否则转到步骤1. 12继续循环； 所述最小二乘支持向量机算法对组件温度进行预测的具体方法是： 步骤1. 21，对收集的气象数据和组件温度数据进行归一化处理，形成训练样本矩阵； 步骤1. 22,确定LSSVM模型所需的运行参数，设定⑶PSO算法的参数； 步骤1. 23,计算各个粒子当前的适应值和高斯扰动项的值，更新粒子的速度和位置； 步骤1. 24,计算更新后粒子的新适应值，并完成对粒子个体和群体的最优解替换； 步骤1. 25,若达到最大迭代次数，则结束优化，输出优化参数；否则，返回步骤1. 23继 续循环； 步骤1. 26,将优化的参数赋给LSSVM，得到优化的预测模型，完成预测； 步骤2,运用熵权法选取预测日的相似日； 步骤3,分析影响光伏出力在不同时刻在出力中的变异程度，结合统计方法 (⑶PS0-LSSVM)对光伏出力进行短期预测。2. 根据权利要求1所述的一种考虑组件温度的光伏出力短期预测方法，其特征在于， 所述的步骤2中，具体的操作步骤如下： 步骤2. 1，以每天7:00-20:00中每60min为一个基准点，提取预测日气象特征数值，构 成预测日指标向量 Xtl=[X。(7)，X。⑶，…，xQ(20), yQ(7), yQ(8),…，yQ(20), zQ(7),zQ⑶，… ，(20)];将与预测日接近的14天作为历史日，提取历史日的相对应指标构成历史日指标向 量4=[^.(7)，\(8)，...，\(20)4(7)4(8)，...，7〇(20)，\(7)，\(8)，...，\(20)]，其中， Xj表示组件温度，y」表示湿度，z」表示福照强度，j = 1，2，…，14; 步骤2. 2,求解\与X ^差值绝对值构成差值矩阵，并对差值矩阵进行归一化处理，得到 预测日与历史日的指标数据差值归一化矩阵； 步骤2. 3,由差值矩阵确定各个基值点的权重参数，将权重与各历史天的指标差值归一 化矩阵相应点相乘，并求取加权和作为相似误差；由相似误差从小到大排序，选出相似误差 最小的5天作为预测日的相似日。3.根据权利要求1所述的一种考虑组件温度的光伏出力短期预测方法，其特征在于， 所述的步骤3中，具体的操作步骤如下： 步骤3. 1，在相似日中选取与预测时刻对应的所需时刻的组件温度、湿度以及辐照强度 等指标数据； 步骤3. 2,构成矩阵，利用熵权法程序分析此时刻每个指标所提供的信息权重； 步骤3. 3,将得到的权重与其对应的相似日中各指标原始数据进行相乘，得到新的加权 输入矩阵； 步骤3. 4,将加权输入矩阵和输出功率作为输入数据，对此时刻的光伏输出功率进行预 测。
【专利摘要】本发明涉及一种光伏出力短期预测方法，尤其是涉及一种考虑组件温度的光伏出力短期预测方法。本发明将直接影响光伏出力因素之一的组件温度作为重要考虑要素对出力进行预测。本发明寻找出影响组件温度的因素主要有辐照强度、环境温度、风和湿度。为了精准的对光伏输出功率预测,本发明运用GDPSO-LSSVM对光伏组件温度进行预测。运用熵权法对相似日进行选取，并用熵权法分析不同光伏特征指标也输出功率影响中变异程度,结合所求信息熵和GDPSO-LSSVM算法对光伏输出功率进行预测。
【IPC分类】G06Q50/06, G06Q10/04
【公开号】CN104978613
【申请号】CN201510451016
【发明人】龚庆武, 王东方, 张海宁, 李春来, 杨立滨, 刘栋, 梁志远, 董可乐, 关钦月
【申请人】国家电网公司, 国网青海省电力公司, 国网青海省电力公司电力科学研究院, 武汉大学
【公开日】2015年10月14日
【申请日】2015年7月28日