基于天气变化自适应的分布式光伏短期功率预测方法

本发明属于光伏功率预测，特别是涉及到一种基于天气变化自适应分型与匹配的分布式光伏短期功率预测方法。

背景技术：

1、分布式光伏由于安装方便、调整灵活等优点走进了千家万户，近些年发展尤为迅速。而在大部分区域，光伏电站存在点多面广、安装分散等缺点，这些缺点极大地限制分布式光伏发电功率的预测，对电力调度规划起到很大的制约，不利于电力系统的安全稳定运行。准确的光伏功率日前预测可以使电网提前制定好策略来应对功率的波动，可以有效提升电力系统的消纳能力，减少弃光现象。所以提高分布式光伏用户的功率预测精度具有较高的经济价值。然而当前对于分布式光伏功率预测的研究相对较少，大多集中于场站级的研究，通常建立数值预报与功率之间简单的映射关系，难以适应复杂天气过程。

2、目前，针对集中式光伏功率预测方法较多，一是通过太阳辐射值建立物理模型直接进行预测；二是采取传统的机器学习方法将历史功率数据与数值天气预报(numericalweather prediction,nwp)数据相结合的方式进行预测。然而，分布式光伏用户空间位置分散，导致每个场站在不同地理坐标下所受天气影响又不尽相同，并且每个场站中的数据信息存在缺失，可供预测的条件不够完善，通过传统集中式的物理方法无法提升单个分布式场站的预测精度，人工智能的预测方法逐渐脱颖而出，通过插值或预测方法获得场站所需的太阳辐射值，基于临近场站的时空相依性进行了趋势数据补齐，解决光伏场站空间位置分散的问题，然而考虑到光伏用户空间分布的不均匀性以及位置的特殊性，这些方法难以适应于分布式光伏用户的功率预测需求。

3、因此，现有技术亟需一种新的技术方案来接上述问题。

技术实现思路

1、本发明所要解决的技术问题是：提供一种基于天气变化自适应的分布式光伏短期功率预测方法，以解决由于分布式光伏用户因受天气类型影响所导致导致光伏出力波动大，功率预测不准这以问题。

2、基于天气变化自适应的分布式光伏短期功率预测方法，包括以下步骤，且以下步骤顺次进行：

3、步骤一、基于皮尔逊相关系数pcc选取与光伏功率相关的特征，并对其进行降维，提取关键信息；

4、步骤二、采用离散小波变换dwt对功率曲线进行平滑处理，捕捉光伏功率数据波动特性的最大数据点；

5、步骤三、基于k-medoids算法对历史功率数据进行聚类，得到不同波动天气过程的初选基准样本；

6、步骤四、采用灰色关联分析法计算未来时段气象序列与代表性天气事件的关联度，匹配出未来时段天气类型；

7、步骤五、采用多元宇宙优化算法imvo优化的卷积神经网络cnn模型，对不同波动天气过程下各场景的功率短期预测。

8、所述步骤一获得的关键信息包括散射辐射、紫外线辐照度、紫外线指数、总辐射以及环境温度。

9、所述步骤二采用离散小波变换dwt对功率曲线进行平滑处理方法为：

10、利用dwt对原始功率进行分解，对不同小波基函数的误差进行分析，得到平稳时间序列条件下最优的小波基；通过对历史功率数据进行一阶差分，来捕捉光伏功率数据波动特性中的最大的数据点，根据分解数据中的波动大小表示高频分量信息，获得最佳分解层数；

11、

12、式中，a是一个大于零的数字，记为尺度分子，改变a的大小调整小波函数的伸缩；b为位移，其大小反映函数的平移。

13、所述步骤三k-medoids算法对历史功率数据进行聚类，将聚类中心作为代表性功率样本，首先随机选定k个原始聚类中心的位置，计算其余样本目标与聚类中心的欧氏距离，并把样本赋予到最近的聚类之中；然后计算每个类内部各样本的平均值进而得到新的聚类中心；

14、其均值的平方误差目标函数为：

15、

16、式中，j是误差的平方和，xn表示对样本目标的遍历，μk表示聚类簇的中心位置；

17、k-medoids在两个n维向量a＝(x11,x12,…,x1n)与b＝(x21,x22,…,x2n)间使用公式(3)计算样本点之间的欧式距离，

18、

19、所述步骤四采用的灰色关联分析法为：

20、(1)确定数据序列，设参考序列x0＝(x0(1)...x0(n))和比较序列xi(xi(1)...xi(k)...xi(n))。其中i＝1,2,...,m，k＝1,2,...,n；

21、(2)对原始数据采用初值无量纲化处理，具体公式为：

22、

23、(3)参考数列与比较数列的绝对差值计算公式为：

24、δi(k)＝|x'0(k)-xi'(k)|                   (5)

25、(4)计算灰色关联系数，计算公式如下：

26、

27、式中，ζ作为分辨系数取值在(0,1)之间；

28、(5)计算灰色关联度，计算公式为：

29、

30、所述步骤五多元宇宙优化算法imvo进行cnn模型优化的方法为：

31、(1)首先假定初始宇宙的数值为：

32、

33、式中，d为变量维数；n为选定的宇宙数量即候选解；

34、(2)建立白黑洞之间的数学模型和宇宙之间的物体置换，使用轮盘机制迭代更新，根据膨胀率对其进行求解排序，膨胀率高的物体拥有白洞的可能性更大，膨胀率更低的物体拥有黑洞的可能性更低；在每次迭代中，根据宇宙的膨胀率进行排序，并通过轮盘机制选择一个白洞：

35、

36、式中，定义为第i个宇宙的第j个参数，k是根据轮盘赌机制选出的数字，ri是[0,1]之间的随机数字，第i个宇宙的归一化后的膨胀率是ni；

37、为提高宇物体膨胀率，假设虫洞存在，虫洞机制的表达公式为：

38、

39、式中，xj是最优宇宙的第j个参数，uci和wcj分别是第j个参数变量的最大值和最小值；r2、r3、r4是[0,1]之间的随机数字，wep是虫洞存在可能性系数，用于定义多元宇宙之间的虫洞存在的概率；tdr是旅程距离速率系数，用来定义物体在多元宇宙之间的最优宇宙通过虫洞进行转换的距离，其求解公式如下：

40、

41、

42、式中，wepmax、wepmin分别为wep的最大值和最小值；m为当前迭代次数；m为最大迭代次数,p为设定的精度。

43、所述步骤五获得功率短期预测评价指标为：均方根误差root mean squareerror，rmse、平均绝对百分比误差mean absolute percentage error，mae、准确率accuracy rate，acc及决定系数r-square，r2：

44、

45、

46、

47、

48、式中，ci为装机容量；n表示测试样本数；pmi为标准化后的实际功率值；ppi为标准化后的实际功率预测值。

49、通过上述设计方案，本发明可以带来如下有益效果：基于天气变化自适应的分布式光伏短期功率预测方法，基于改进多元宇宙算法优化的卷积神经网络，通过对历史功率样本进行滤波处理，采用k-medoids算法对功率序列进行聚类划分得到代表性天气事件气象特征，在基于灰色关联度匹配未来时段的天气事件类型，通过天气过程聚类划分对不同天气场景的分布式光伏功率进行短期预测，得出以下结论经仿真验证，证明本方法有效提升了光伏功率在不同天气事件下的适应性，提升了整体的预测精度。