一种短期光伏功率预测方法及系统与流程

本发明属于涉及光伏功率短期预测，具体涉及基于自适应啁啾模态分解的ssa-bigru的短期光伏功率预测方法及系统。

背景技术：

1、光伏发电因为其具有低成本，零污染的特点，已经成为了目前最具发展潜力的清洁能源。但是由于光伏发电在很大程度上取决于天气状况，天气的变化以及昼夜交替导致光伏发电具有很强的波动性，间歇性和随机性。因此探索如何提高光伏功率预测的准确性对于电力调度部门有着积极的影响，同时对电力系统的稳定性和电网经济效益也有着非常深远的意义。

2、光伏功率预测方法可以分为物理预测方法和基于数据驱动的方法。物理预测方法是通过对光伏发电各个过程建立模型，通过数学公式来进行预测。但是目前，数据驱动的方法仍是大多数学者研究的热点，该方法利用人工智能算法，学习天气预报数据和光伏输出功率间的非线性关系并通过大量历史数据来训练，最终得到预测结果。其中具有较好预测效果的方法主要包括支持向量机(support vector machine,svm)，极限学习机(extremelearning machine，elm)等模型。同时一些基于神经网络的深度学习模型也被广泛采用。如卷积神经网络(cnn)，长期短期记忆网络(lstm)、门控循环神经网络(gru)等。其中gru是lstm的一种变体，由于简化了门结构，它提高了运算效率，缩短了运算时间。但是gru仅考虑序列中的正向信息，而不考虑反向信息。双向门控递归单元(bi-gru)由两个相反的gru网络够成，对于输入时序序列特征表达具有更好的效果。

3、使用单一的功率预测方法，很难提高预测的精度。将信号处理方法与预测模型组合起来，发挥各自的优势，补齐单一模型存在的短板，可以在很大程度上改善该问题。solomon netsanet等人将变分模式分解(vmd)与神经网络结合实现短期光伏发电预测。majumder等人在使用elm预测光伏功率时，引入经验模式分解(emd)，其预测效果优于未使用信号分解的单一预测模型。然而，模态混叠的问题会导致使用emd的组合方法预测效果下降；对于使用vmd的组合预测模型，常常要提前设置分解后模态个数，对于解决实际问题，存在不便。

技术实现思路

1、本发明提供一种短期光伏功率预测方法及方法，对于分解后各子序列信号采用麻雀优化算法优化超参数的bigru神经网络进行预测，最终提高短期光伏功率预测精度。

2、本发明是这样实现的，

3、一种短期光伏功率预测方法，该方法包括：

4、步骤1：数据预处理，筛选影响光伏发电的因素，对于不同量纲和量纲单位的数据进行归一化处理；

5、步骤2：用acmd算法分解历史光伏输出功率时间序列数据，分析分解后得到的各个子序列，去除高频噪声信号，保留其余序列；

6、步骤3：将经acmd算法处理后的序列信号送入bigru神经网络模型，同时输入气象因素历史数据，并采用ssa优化神经网络超参数，输出预测结果。

7、进一步地，所述数据预处理具体包括：

8、逐行检测光伏电站原始数据中是否存在空值，如存在，则将其删除，若不存在则检测则下一行数据；

9、逐行检测光伏电站原始数据中是否存在重复行，如存在，则删除该行，若不存在则检测下一行数据；

10、检测光伏电站原始数据中存在的异常值：计算数据的标准差，若数值未分布在(μ-3σ,μ+3σ)区间内，则被是为最大误差数据并把它从原数据集中剔除。

11、进一步地，acmd算法分解历史光伏输出功率时间序列数据包括：

12、acmd算法在处理用于光伏预测的历史功率信号时，表示为：

13、

14、式中n为信号模式数，an(t)为第n个信号的瞬时幅值，fn(t)为瞬时频率，为初始相位，上式改写为：

15、

16、

17、式中pn(t),qn(t)为相位相差90°的解调算子，为解调频率，若则意味着调频相为0，此时具有最窄带宽的纯幅度调制信号，对第n个信号分量求解表示为：

18、

19、式中用于评估信号带宽，β＞0为惩罚因子，对于离散形式的光伏时间序列，离散表达式为：

20、

21、式中s＝[s(t0),…s(tm-1)]t；un＝[(pn)t,(qn)t]t；pn＝[pn(t0),…pn(tm-1)]t；qn＝[qn(t0),…qn(tm-1)]t；λ＝diag[ω,ω]；ω为二阶差分矩阵；fn为频率对角矩阵；解调信号和频率函数的交替更新最终将优化问题求解，实现对原始信号的分解。

22、进一步地，在求解下一个分量时，将前一个信号分量从原始信号中减去，直至得到全部的信号分量。

23、进一步地，步骤3具体包括：

24、对于acmd分解后得到的各子序列信号，删除数值小的高频分量，保留主要信号；

25、构建基于自适应啁啾模态分解的bigru神经网络模型，针对每个分解后的子序列信号，使用bigru神经网络模型进行预测；

26、采用麻雀优化算法优化bigru神经网络的隐含层节点数，最大训练代数，初始学习率参数；

27、叠加各子序列预测结果，得到预测结果。

28、一种短期光伏功率预测系统，

29、该系统包括：

30、预处理模块：用于进行数据预处理，筛选影响光伏发电的因素，对于不同量纲和量纲单位的数据进行归一化处理；

31、噪声去除模块：用acmd算法分解历史光伏输出功率时间序列数据，分析分解后得到的各个子序列，去除高频噪声信号，保留其余序列；

32、预测模块：将经acmd算法处理后的序列信号送入bigru神经网络模型，同时输入气象因素历史数据，并采用ssa优化神经网络超参数，输出预测结果。

33、进一步地，所述预处理模块用于：

34、逐行检测光伏电站原始数据中是否存在空值，如存在，则将其删除，若不存在则检测则下一行数据；

35、逐行检测光伏电站原始数据中是否存在重复行，如存在，则删除该行，若不存在则检测下一行数据；

36、检测光伏电站原始数据中存在的异常值：计算数据的标准差，若数值未分布在(μ-3σ,μ+3σ)区间内，则被是为最大误差数据并把它从原数据集中剔除。

37、进一步地，所述噪声去除模块用于acmd算法分解历史光伏输出功率时间序列数据，具体包括：

38、acmd算法在处理用于光伏预测的历史功率信号时，表示为：

39、

40、式中n为信号模式数，an(t)为第n个信号的瞬时幅值，fn(t)为瞬时频率，为初始相位，上式改写为：

41、

42、

43、式中pn(t),qn(t)为相位相差90°的解调算子，为解调频率，若则意味着调频相为0，此时具有最窄带宽的纯幅度调制信号，对第n个信号分量求解表示为：

44、

45、式中用于评估信号带宽，β＞0为惩罚因子，对于离散形式的光伏时间序列，离散表达式为：

46、

47、式中s＝[s(t0),…s(tm-1)]t；un＝[(pn)t,(qn)t]t；pn＝[pn(t0),…pn(tm-1)]t；qn＝[qn(t0),…qn(tm-1)]t；λ＝diag[ω,ω]；ω为二阶差分矩阵；fn为频率对角矩阵；解调信号和频率函数的交替更新最终将优化问题求解，实现对原始信号的分解。

48、进一步地，在求解下一个分量时，将前一个信号分量从原始信号中减去，直至得到全部的信号分量。

49、进一步地，所述预测模块进行预测具体包括：

50、对于acmd分解后得到的各子序列信号，删除数值小的高频分量，保留主要信号；

51、构建基于自适应啁啾模态分解的bigru神经网络模型，针对每个分解后的子序列信号，使用bigru神经网络模型进行预测；

52、采用麻雀优化算法优化bigru神经网络的隐含层节点数，最大训练代数，初始学习率参数；

53、叠加各子序列预测结果，得到预测结果。

54、本发明与现有技术相比，有益效果在于：

55、本发明方法，通过采用自适应啁啾模态分解克服了经验模式分解模态混叠以及使用变分模式分解需要提前设置分解后模态个数的诸多问题。对于阴雨天气下光伏输出功率剧烈变化的情景，自适应啁啾模态分解算法具有很好的抗噪性能，在处理具有强时变特性的信号较以往的信号分解方法有明显优势。对于预测模型本文采用双向门控递归单元(bigru)网络，该模型相较于gru网络对于输入时序序列特征表达具有更好的效果。同时采用麻雀优化算法(ssa)优化bigru网络超参数，能够进一步的提升预测精度。