一种光伏发电功率预测方法、装置、设备及介质与流程

本发明属于电力能源，具体涉及一种光伏发电功率预测方法、装置、设备及介质，特别涉及一种基于经验模态分解的鸟群算法改进极限学习机光伏发电功率预测方法、装置、设备及介质。

背景技术：

1、光伏发电是太阳能开发利用的主要形式之一，具有清洁、分布广泛等特点。然而，由于太阳能具有的波动性、间歇性等问题，大规模高比例光伏发电并网势必对电力系统的安全稳定运行带来极大风险。因此，精确可靠的光伏发电出力预测对于大规模光伏电站并网和电力系统的可靠运行具有重要意义。

技术实现思路

1、为了解决现有技术中存在的不足，本发明的目的是提供一种光伏发电功率预测方法、装置、设备及介质。该预测方法能够有效的反应光伏出力的波动性和随机性特点，预测光伏电站未来时刻的各种出力情况，为电力系统调度运行提供更充分、可靠的信息。

2、为了实现上述目的，本发明采用如下技术方案：一种光伏发电功率预测方法，包括如下步骤：

3、基于nwp数值天气数据采用k-means聚类算法对天气进行聚类分析，按照天气类型对光伏历史实际出力进行划分，得到不同类型的光伏发电数据；

4、对步骤s1中得到的不同类型的光伏发电数据，采用adf检验法进行非平稳性分析，采用bds检验法对原始测光数据和历史发电功率数据进行非线性分析；

5、对每个季节下的天气类型光伏发电功率时间序列均采用emd分解获取更加稳定的imf分量；

6、利用游程检验法进行imf分量的重构，选取出不同季节下的天气类型光伏发电功率时间序列的高频、中频和低频分量；

7、对鸟群算法的各项参数进行初始化，利用选定的训练集进行bsa-elm参数优化，利用优化获得的最佳权值与偏置构建极限学习机模型，将测试集输入极限学习机模型中进行预测，得到不同季节下的天气类型光伏发电的预测结果；

8、按照不同季节下的各种天气类型分组，将同组天气类型下的光伏发电功率时间序列高频、中频、低频预测结果进行叠加，得到该天气类型的最终的预测结果。

9、进一步的，所述预测方法在进行前还包含数据清洗和缺失值的插补。

10、进一步的，所述nwp数值天气数据包括总辐照度、法向直射辐照度、水平面散射辐照度、气温、气压和相对湿度。

11、进一步的，所述中emd分解不同季节下的天气类型光伏发电功率时间序列的方法具体如下：

12、(1)确定原始光伏发电功率时间序列的上、下包络线；

13、(2)计算原始光伏发电功率时间序列上、下包络线的均值m(t)，即：

14、

15、其中，u(t)是原始光伏发电功率时间序列的上包络线；l(t)是原始光伏发电功率时间序列的下包络线；

16、(3)将原始光伏发电功率时间序列x(t)减去上下包络线的均值m(t)得到分量d(t)，即：

17、d(t)＝x(t)-m(t)  (2)

18、(4)若d(t)满足在整个时间范围内，局部极值点和过零点的数量相等或最多相差一个并且在任何时间点，局部最大包络和局部最小包络的平均值为0，则分量d(t)为emd分解的第一个imf分量，记为c1(t)＝d(t)，而第一个残差为r1(x)＝x(t)-c1(t)；若不满足则将d(t)代替原始序列x(t)，重复进行步骤(1)-(3)的操作，直至产生的分量满足imf特征为止；

19、(5)将步骤4)中获得的残差ri(x)视为新的原始光伏发电功率时间序列x(t)，从重复进行步骤(1)-(4)，获取后续多个imf分量，直至第n个残差rn(x)过渡失真或者成为单调函数无法分解为imf分量为止；经过上述步骤，就可以将原始光伏发电功率时间序列分解为多个imf分量和一个残差分量，imf分量之间频率不同且相对稳定，分解结果可用如下公式来表示：

20、

21、进一步的，所述鸟群算法各项参数包括初始化种群规模n、搜索空间维数d、最大迭代次数t、飞行间隔fq、常量c、s、a1、a2、fl以及随机初始化鸟群个体空间位置。

22、进一步的，所述步骤s5中鸟群算法初始化参数具体如下：

23、规则一、鸟群中的每一只鸟可以随机选择处于觅食状态或者警戒状态，并且可以随机进行切换；

24、规则二、当处于觅食状态时，每一只鸟将会记录其经过的最佳觅食点的位置，并在改变位置之后进行更新，同时会将最佳觅食位置信息分享到整个种群之中；

25、规则三、当处于警戒状态时，每只鸟将会往鸟群中心靠近，不同鸟之间存在竞争关系，食物储存量大的鸟会有更大的概率飞往中心；

26、规则四、鸟群因为逃避追捕者或者觅食会定期迁移到其他区域，完成迁移之后每只鸟的身份将会产生变化，食物储存量大的变为生产者，食物储存量少得变为乞食者，食物储存量介于二者之间的随机变化生产者或者乞食者；

27、规则五、生产者将会积极觅食，而乞食者将会随机跟随一位生产者觅食；

28、根据上述五条规则构造数学模型，假设存在一个d维空间，其中存在n只鸟构成的鸟群在进行系列群体性活动，在第t次迭代时第i只鸟的位置可以用表示；

29、1)设置随机阈值p(p∈(0,1)),给每一只鸟分配任务时产生一个随机数n(n∈(0,1))，当n＜p时则这只鸟选择觅食行为，否则选择警戒行为；

30、2)鸟觅食行为都会参考自身以及整个鸟群共享的信息，觅食所对应的位置如下：

31、

32、其中，i∈[1,...,n]表示种群中第i只鸟；j∈[1,...,d]，pi,j表示第i只鸟在第t次迭代中的最优位置；gj表示在第t次迭代中种群共享的最优位置；c为认知系数，s为社会加速系数，二者皆为正数；

33、3)处于警戒状态下时每只鸟试图向鸟群中心移动，但此时由于与鸟之间存在竞争关系，故单只鸟并不是直接向中心移动；鸟之间的间接性影响由鸟群适应度的平均值来描述，a1来描述间接性影响，a2描述鸟迁移到群体中心时所受到的直接影响；此时的运动用数学公式表示如下：

34、

35、其中，meanj表示整个鸟群在第j维位置上的平均位置；k(k≠i)为正整数且取值范围为[1,n]；而a1与a2的表达式分别如下所示：

36、

37、

38、其中，a1与a2为区间[0,2]之间的常数；ε为一个极小的常量；pfiti和pfitk分别表示第i、k只鸟的适应度值；sumfit是种群中个体的最佳适应度值的总和；

39、4)根据规则四和规则五中，鸟群迁徙到新的地点之后会分为生产者与乞食者，其各自行为的数学表达式分别如下：

40、

41、

42、其中，randn(0,1)表示表示一个服从方差为1，期望为0的高斯分布的随机数，fl∈[0,1]表示了乞食者跟随生产者进行觅食的概率。

43、进一步的，所述bsa-elm参数优化的具体方法如下：

44、1)bsa-elm参数初始化；

45、2)计算适应度函数值：选择样本的预测值与实际值均方误差mse作为适应度函数，判断是否达到设定的优化终止条件，若达到则停止并输出最佳位置，否则继续进行下一步；

46、3)更新种群位置：调整鸟群个体空间位置，计算适应度函数，并根据计算结果不断进行更新迭代并保留最佳位置信息，直至达到停止条件，输出优化结果；

47、4)训练优化后的bsa-elm参数并进行测试：在进行优化后获得最佳输入权值矩阵与偏置向量，以此构建极限学习机模型，按照聚类的天气分型结果，将各组分为训练集与测试集，训练集输入bsa-elm模型中进行训练，构建光伏出力预测模型，最后利用构建好的模型对测试集进行预测。

48、进一步的，一种光伏发电功率预测装置，包括：

49、不同类型光伏发电数据获取模块，基于nwp数值天气数据采用聚类算法对天气进行聚类分析，按照天气类型对光伏历史实际出力进行划分，获取不同类型的光伏发电数据；

50、数据分析模块，对所述不同类型的光伏发电数据，采用adf检验法进行非平稳性分析，并采用bds检验法对原始测光数据和历史发电功率数据进行非线性分析；

51、数据分解模块，对经过所述非平稳分析和非线性分析后的每个季节下的天气类型光伏发电功率时间序列均采用emd分解获取稳定的imf分量；利用游程检验法进行imf分量的重构，选取出不同季节下的天气类型光伏发电功率时间序列的高频、中频和低频分量；

52、数据优化模块，对鸟群算法的各项参数进行初始化，利用选定的训练集进行bsa-elm参数优化，利用优化获得的最佳权值与偏置构建极限学习机模型；

53、数据预测模块，将测试集输入极限学习机模型中进行预测，得到不同季节下的天气类型光伏发电的预测结果，再按照不同季节下的各种天气类型分组，将同组天气类型下的光伏发电功率时间序列高频、中频、低频预测结果进行叠加，得到该天气类型下的最终的光伏发电功率预测结果。

54、进一步的，所述数据分解模块采用emd分解获取稳定的imf分量的方法具体如下：

55、(1)确定原始光伏发电功率时间序列的上、下包络线；

56、(2)计算原始光伏发电功率时间序列上、下包络线的均值m(t)，即：

57、

58、其中，u(t)是原始光伏发电功率时间序列的上包络线；l(t)是原始光伏发电功率时间序列的下包络线；

59、(3)将原始光伏发电功率时间序列x(t)减去上下包络线的均值m(t)得到分量d(t)：

60、d(t)＝x(t)-m(t)  (2)

61、(4)若d(t)满足在整个时间范围内，局部极值点和过零点的数量相等或最多相差一个并且在任何时间点，局部最大包络和局部最小包络的平均值为0，则分量d(t)为emd分解的第一个imf分量，记为c1(t)＝d(t)，而第一个残差为r1(x)＝x(t)-c1(t)；若不满足则将d(t)代替原始序列x(t)，重复进行步骤(1)-(3)的操作，直至产生的分量满足imf特征为止；

62、(5)将步骤(4)中获得的残差ri(x)视为新的原始光伏发电功率时间序列x(t)，从重复进行步骤(1)-(4)，获取后续多个imf分量，直至第n个残差rn(x)过渡失真或者成为单调函数无法分解为imf分量为止；将原始光伏发电功率时间序列分解为多个imf分量和一个残差分量，imf分量之间频率不同且相对稳定，分解结果通过如下公式来表示：

63、

64、进一步的，所述鸟群算法的各项参数包括初始化种群规模n、搜索空间维数d、最大迭代次数t、飞行间隔fq、常量c、s、a1、a2、fl以及随机初始化鸟群个体空间位置。

65、进一步的，所述数据优化模块对鸟群算法的各项参数进行初始化的规则，具体如下：

66、规则一、鸟群中的每一只鸟可以随机选择处于觅食状态或者警戒状态，并且可以随机进行切换；

67、规则二、当处于觅食状态时，每一只鸟将会记录其经过的最佳觅食点的位置，并在改变位置之后进行更新，同时会将最佳觅食位置信息分享到整个种群之中；

68、规则三、当处于警戒状态时，每只鸟将会往鸟群中心靠近，不同鸟之间存在竞争关系，食物储存量大的鸟会有更大的概率飞往中心；

69、规则四、鸟群因为逃避追捕者或者觅食会定期迁移到其他区域，完成迁移之后每只鸟的身份将会产生变化，食物储存量大的变为生产者，食物储存量少得变为乞食者，食物储存量介于二者之间的随机变化生产者或者乞食者；

70、规则五、生产者将会积极觅食，而乞食者将会随机跟随一位生产者觅食；

71、根据上述五条规则构造数学模型，假设存在一个d维空间，其中存在n只鸟构成的鸟群在进行系列群体性活动，在第t次迭代时第i只鸟的位置可以用表示；

72、1)设置随机阈值p(p∈(0,1)),给每一只鸟分配任务时产生一个随机数n(n∈(0,1))，当n＜p时则这只鸟选择觅食行为，否则选择警戒行为；

73、2)鸟觅食行为都会参考自身以及整个鸟群共享的信息，觅食所对应的位置如下：

74、

75、其中，i∈[1,...,n]表示种群中第i只鸟；j∈[1,...,d]，pi,j表示第i只鸟在第t次迭代中的最优位置；gj表示在第t次迭代中种群共享的最优位置；c为认知系数，s为社会加速系数，二者皆为正数；

76、3)处于警戒状态下时每只鸟试图向鸟群中心移动，但此时由于与鸟之间存在竞争关系，故单只鸟并不是直接向中心移动；鸟之间的间接性影响由鸟群适应度的平均值来描述，a1来描述间接性影响，a2描述鸟迁移到群体中心时所受到的直接影响；此时的运动用数学公式表示如下：

77、

78、其中，meanj表示整个鸟群在第j维位置上的平均位置；k(k≠i)为正整数且取值范围为[1,n]；而a1与a2的表达式分别如下所示：

79、

80、

81、其中，a1与a2为区间[0,2]之间的常数；ε为一个极小的常量；pfiti和pfitk分别表示第i、k只鸟的适应度值；sumfit是种群中个体的最佳适应度值的总和；

82、4)根据规则四和规则五中，鸟群迁徙到新的地点之后会分为生产者与乞食者，其各自行为的数学表达式分别如下：

83、

84、

85、其中，randn(0,1)表示表示一个服从方差为1，期望为0的高斯分布的随机数，fl∈[0,1]表示了乞食者跟随生产者进行觅食的概率。

86、进一步的，所述数据优化模块利用选定的训练集进行bsa-elm参数优化的具体方法如下：

87、1)bsa-elm参数初始化；

88、2)计算适应度函数值：选择样本的预测值与实际值均方误差mse作为适应度函数，判断是否达到设定的优化终止条件，若达到则停止并输出最佳位置，否则继续进行下一步；

89、3)更新种群位置：调整鸟群个体空间位置，计算适应度函数，并根据计算结果不断进行更新迭代并保留最佳位置信息，直至达到停止条件，输出优化结果；

90、4)训练优化后的bsa-elm参数并进行测试：在进行优化后获得最佳输入权值矩阵与偏置向量，以此构建极限学习机模型，按照聚类的天气分型结果，将各组分为训练集与测试集，训练集输入bsa-elm模型中进行训练，构建光伏出力预测模型，最后利用构建好的模型对测试集进行预测。

91、进一步的，一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至6中任意一项所述的光伏发电功率预测方法。

92、进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至6中任意一项所述的光伏发电功率预测方法。

93、与现有技术相比，本发明具备的积极有益效果在于：

94、本发明通过考虑了光伏发电功率时间序列的分解，并且同时也考虑了气象因素，能够有效的反应光伏出力的波动性和随机性特点，预测光伏电站未来时刻的各种出力情况，为电力系统调度运行提供更充分、可靠的信息，提高了光伏发电功率预测的精度。