一种数据物理联合驱动的短期光伏出力预测方法及系统与流程

本发明涉及光伏出力预测，尤其涉及一种数据物理联合驱动的短期光伏出力预测方法及系统。

背景技术：

1、随着科技的不断发展，人们对于电力的需求日益增加，电力发展迅猛，同时为了应对气候环境变化的挑战，许多国家提出发展清洁能源的计划，作为清洁能源中最具代表性的光伏发电成为世界各地热度最高、最具有成本竞争力的主流能源。光伏作为一种波动性较大的能源，大规模光伏并网可能对电网运行造成严重影响，因此需对光伏出力进行预测，以提前做出反映，保障接入电网后电网的安全稳定运行。

2、但现有对光伏出力预测方法中，在转折性天气下的预测误差较大，导致光伏出力预测精度不高。

技术实现思路

1、本发明提供了一种数据物理联合驱动的短期光伏出力预测方法及系统，解决了现有对光伏出力预测方法中，在转折性天气下的预测误差较大，导致光伏出力预测精度不高的技术问题。

2、有鉴于此，本发明第一方面提供了一种数据物理联合驱动的短期光伏出力预测方法，包括以下步骤：

3、获取历史光伏出力数据以及其对应的天气信息，对所述历史光伏出力数据进行聚类，得到多个相似日光伏出力数据；

4、基于最小二乘法对天气信息以及其对应的历史光伏出力数据进行拟合，构建物理驱动光伏出力预测模型；

5、基于鲸鱼优化算法优化的长短期时间序列网络对所述相似日光伏出力数据进行训练，得到数据驱动光伏出力预测模型；

6、基于stacking集成学习框架对所述物理驱动光伏出力预测模型和所述数据驱动光伏出力预测模型分别对应的光伏出力预测结果，并采用非负约束最小二乘法对两个模型分别对应的光伏出力预测结果进行泛化，输出泛化后的光伏出力预测结果。

7、优选地，获取历史光伏出力数据以及其对应的天气信息，对所述历史光伏出力数据进行聚类，得到多个相似日光伏出力数据的步骤具体包括：

8、获取历史光伏出力数据以及其对应的天气信息，对历史光伏出力数据进行归一化处理，构建数据样本集；

9、基于所述数据样本集随机选取一个数据样本作为初始聚类中心；

10、计算所述数据样本集中每个数据样本与当前的聚类中心的最短欧式距离，并通过下式计算每个数据样本成为下一个聚类中心的概率为；

11、

12、式中，p(x)表示概率值，d(x)表示最短欧式距离，x表示数据样本索引，n表示数据样本个数；

13、基于每个数据样本的概率采用轮盘法选取下一个聚类中心，再转至上一步骤，直至迭代次数达到预设最大次数或聚类中心不再变化，选取q个最佳聚类中心；

14、计算所述数据样本集中各数据样本与每个最佳聚类中心的欧式距离，将数据样本归于欧式距离最小的最佳聚类中心对应簇中，并采用下式更新每个簇的聚类中心ci：

15、

16、重复上一步骤，直至每个簇的聚类中心不再变化，完成聚类，根据聚类结果确定多个相似日光伏出力数据。

17、优选地，基于最小二乘法对天气信息以及其对应的历史光伏出力数据进行拟合，构建物理驱动光伏出力预测模型的步骤具体包括：

18、基于最小二乘法对天气信息以及其对应的历史光伏出力数据进行拟合，构建物理驱动光伏出力预测模型为：

19、ppv＝(a1+a2it+a3lnit)·[1-0.005(tc-25)]·spv·it

20、式中，ppv表示光伏出力预测值，it为光伏板接收到的总辐照度；tc为光伏面板运行温度，spv为光伏阵列的面积；a1、a2、a3均为权值，t表示时间。

21、优选地，基于鲸鱼优化算法优化的长短期时间序列网络对所述相似日光伏出力数据进行训练，得到数据驱动光伏出力预测模型的步骤具体包括：

22、基于长短期时间序列网络构建初始数据驱动光伏出力预测模型；

23、利用鲸鱼优化算法对所述初始数据驱动光伏出力预测模型的超参数进行优化；

24、利用优化后的长短期时间序列网络对所述相似日光伏出力数据进行训练，得到数据驱动光伏出力预测模型。

25、优选地，利用鲸鱼优化算法对所述初始数据驱动光伏出力预测模型的超参数进行优化的步骤具体包括：

26、初始化鲸鱼优化算法的模型参数以及初始化种群位置，设置种群数量为n，所述模型参数包括种群数量和最大迭代次数；

27、根据适应度函数计算初始种群中每个个体的的适应度值，其中，适应度函数采用长短期时间序列网络的最小均方误差函数；

28、将每个个体的适应度值进行比较，确定当前适应度值以及其对应的最优个体位置；

29、基于概率偏好选择机制确定鲸鱼种群选择包围猎物、螺旋更新位置和搜索猎物三个位置更新机制的生成概率；

30、基于生成概率确定相应的位置更新机制，基于位置更新机制进行位置更新，每次位置更新后，计算当前的适应度值，并更新最佳位置，直至达到最大迭代次数后停止更新，得到相应的超参数，所述超参数包括迭代次数、学习率和神经元数量。

31、优选地，包围猎物的位置更新机制的表达式为：

32、d＝|cx*(k)-x(k)|

33、x(k+1)＝x*(k)-ad

34、其中，k为目前迭代次数，x*(k)为当前最优解位置矢量，x(k)为单个鲸鱼位置矢量，d为鲸鱼个体与猎物之间距离，x(k+1)为下一次位置，a和c均为系数矢量，其中，系数矢量a和c分别为：

35、a＝2a·r1-a

36、c＝2r2

37、

38、式中，a为线性收敛因子，r1、r2分别为[0，1]间的随机向量，tmax是最大迭代次数；

39、螺旋更新位置的位置更新机制的表达式为：

40、d*＝|x*(k)-x(k)|

41、x(k+1)＝deblcos(2πl)+x*(k)

42、式中，d*是位置更新后鲸鱼个体与猎物之间距离，b为常数，l为(-1,1)区间内的一个随机数；

43、搜索猎物的位置更新机制的表达式为：

44、dr＝|cxr(k)-x(k)|

45、xr(k+1)＝xr(k)-adr

46、式中，xr(k)为随机选取的鲸鱼位置，dr表示单独的鲸鱼个体到最近一次选取的随机鲸鱼个体位置的距离。

47、优选地，基于stacking集成学习框架对所述物理驱动光伏出力预测模型和所述数据驱动光伏出力预测模型分别对应的光伏出力预测结果，并采用非负约束最小二乘法对两个模型分别对应的光伏出力预测结果进行泛化，输出泛化后的光伏出力预测结果的步骤具体包括：

48、将所述相似日光伏出力数据划分为四个测试集；

49、以所述物理驱动光伏出力预测模型和所述数据驱动光伏出力预测模型均作为基学习器，根据所述测试集分别对所述物理驱动光伏出力预测模型和所述数据驱动光伏出力预测模型进行光伏出力预测，得到多个光伏出力预测结果；

50、将多个光伏出力预测结果输入至元学习器，通过元学习器采用非负约束最小二乘法对多个光伏出力预测结果进行拟合，基于拟合后的光伏出力预测值对光伏出力预测结果进行误差补偿，得到光伏出力预测补偿结果。

51、第二方面，本发明还提供了一种数据物理联合驱动的短期光伏出力预测系统，包括：

52、数据获取模块，用于获取历史光伏出力数据以及其对应的天气信息，对所述历史光伏出力数据进行聚类，得到多个相似日光伏出力数据；

53、物理驱动预测模块，用于基于最小二乘法对天气信息以及其对应的历史光伏出力数据进行拟合，构建物理驱动光伏出力预测模型；

54、数据驱动预测模块，用于基于鲸鱼优化算法优化的长短期时间序列网络对所述相似日光伏出力数据进行训练，得到数据驱动光伏出力预测模型；

55、数据集成预测模块，用于基于stacking集成学习框架对所述物理驱动光伏出力预测模型和所述数据驱动光伏出力预测模型分别对应的光伏出力预测结果，并采用非负约束最小二乘法对两个模型分别对应的光伏出力预测结果进行泛化，输出泛化后的光伏出力预测结果。

56、第三方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的方法。

57、第四方面，本发明还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的方法。

58、从以上技术方案可以看出，本发明具有以下优点：

59、本发明通过对天气信息以及其对应的历史光伏出力数据进行拟合，构建物理驱动光伏出力预测模型，从而能够提取天气因素与光伏出力之间的短期变化，再基于鲸鱼优化算法优化的长短期时间序列网络对相似日光伏出力数据进行训练，得到数据驱动光伏出力预测模型，从而可以提取天气因素与光伏出力之间的长期趋势，再利用stacking集成学习框架对两个模型的光伏出力预测结果进行泛化，可以保障保障在典型天气与转折性天气下都具有较好的预测效果，具有更强的鲁棒性，提高预测的精度。