本發(fā)明屬于光伏功率預(yù)測方法，涉及一種基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法。

背景技術(shù)：

1、光伏發(fā)電具有很強(qiáng)的隨機(jī)性與不確定性，準(zhǔn)確的功率預(yù)測對于光伏發(fā)電在新型電力系統(tǒng)的調(diào)度和運(yùn)行具有重要意義。目前，大多數(shù)研究主要側(cè)重于確定性光伏功率預(yù)測，但在電力系統(tǒng)實(shí)際運(yùn)行中，光伏功率受其他因素影響較大，呈現(xiàn)出較高的不確定性，僅依賴確定性預(yù)測難以提供足夠的光伏信息，而區(qū)間預(yù)測能夠提供未來光伏功率的波動范圍，幫助電網(wǎng)調(diào)度人員評估不確定性和風(fēng)險因素，做出更加安全經(jīng)濟(jì)的決策，因此，準(zhǔn)確預(yù)測光伏功率區(qū)間具有重要意義。在光伏功率區(qū)間預(yù)測的研究領(lǐng)域，許多現(xiàn)有的預(yù)測模型雖然能夠生成預(yù)測區(qū)間，但往往忽視了預(yù)測區(qū)間的覆蓋率和平均寬度對模型訓(xùn)練過程的影響，這不僅可能影響預(yù)測模型的精度，還可能降低其在實(shí)際應(yīng)用中的穩(wěn)定性。此外，面對復(fù)雜多變的天氣條件和系統(tǒng)運(yùn)行狀況，傳統(tǒng)的區(qū)間量化模型在適應(yīng)光伏數(shù)據(jù)的復(fù)雜性以及提升泛化性能方面存在不足，特別是在光伏發(fā)電的非平穩(wěn)時期，現(xiàn)有模型往往難以準(zhǔn)確預(yù)測其功率變化，所以需要對數(shù)據(jù)進(jìn)一步的特征挖掘與深度學(xué)習(xí)，從而提高光伏功率預(yù)測精度，滿足實(shí)際工程中的調(diào)度要求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，解決了現(xiàn)有技術(shù)中存在的對原始數(shù)據(jù)分類準(zhǔn)確性低以及預(yù)測精度較差的問題。

2、本發(fā)明所采用的技術(shù)方案是，基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，具體按照以下步驟實(shí)施：

3、步驟1、對光伏發(fā)電的歷史數(shù)據(jù)進(jìn)行預(yù)處理；

4、步驟2、采用iceemdan算法對預(yù)處理后的光伏功率序列進(jìn)行分解，并基于得到的imf分量得到趨勢分量、周期分量和隨機(jī)分量；

5、步驟3、計(jì)算歷史數(shù)據(jù)中包含的各個氣象因素與趨勢分量、周期分量和隨機(jī)分量之間的皮爾遜相關(guān)系數(shù)，根據(jù)皮爾遜相關(guān)系數(shù)對各個分量進(jìn)行特征篩選，構(gòu)建輸入數(shù)據(jù)集；

6、步驟4、利用cnn、bigru和cqr構(gòu)建區(qū)間預(yù)測模型；

7、步驟5、將步驟3得到的各分量輸入數(shù)據(jù)集進(jìn)行劃分后輸入?yún)^(qū)間預(yù)測模型，利用issa算法對模型超參數(shù)進(jìn)行尋優(yōu)，在最優(yōu)超參數(shù)下得到區(qū)間預(yù)測結(jié)果。

8、本發(fā)明的特點(diǎn)還在于：

9、步驟1具體為：

10、采用3-sigma原則對光伏發(fā)電功率歷史數(shù)據(jù)進(jìn)行異常值識別，并剔除識別到的異常值，然后利用k-近鄰算法對空缺值進(jìn)行插補(bǔ)，最后對處理后的數(shù)據(jù)進(jìn)行歸一化形成特征矩陣。

11、步驟2具體為：

12、采用iceemdan算法對預(yù)處理后的光伏功率序列進(jìn)行分解，得到若干個imf和一個殘差序列，利用排列熵計(jì)算每個imf的復(fù)雜度，并使用主成分分析聚類算法對各個imf進(jìn)行聚類，將imf分為趨勢分量、周期分量和隨機(jī)分量。

13、iceemdan算法對光伏功率序列進(jìn)行分解的具體過程為：首先，在每次迭代中向序列自適應(yīng)地加入高斯白噪聲，然后通過iceemdan獲得一組imfs，計(jì)算所有分解得到的同一階次imf的平均值，形成最終的imfs，最后，從原始序列中減去已得到的imfs，得到殘差；重復(fù)此過程，直至整個序列分解完成，最終得到若干個imf和一個殘差序列。

14、步驟3中選擇與各個分量之間的皮爾遜相關(guān)系數(shù)≥0.3的氣象因素作為輸入特征。

15、步驟4中的區(qū)間預(yù)測模型中，cnn用于對各個分量數(shù)據(jù)進(jìn)行特征提取，bigru用于同時從前向和后向兩個方向提取具有遠(yuǎn)距離依賴的數(shù)據(jù)特征，深入挖掘光伏功率與其影響氣象因素之間的長期時間序列關(guān)系，形成光伏發(fā)電功率的預(yù)測值，然后利用cqr生成各個分量的預(yù)測區(qū)間。

16、步驟5具體為：

17、將步驟3得到的各分量輸入數(shù)據(jù)集按照6:2:2的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集，然后采用滑動窗口法將數(shù)據(jù)輸入到步驟4構(gòu)建的區(qū)間預(yù)測模型中，利用issa對模型超參數(shù)進(jìn)行尋優(yōu)，在最優(yōu)超參數(shù)下得到趨勢分量、周期分量和隨機(jī)分量的區(qū)間預(yù)測結(jié)果，最后通過加權(quán)求和的方式對三個區(qū)間預(yù)測結(jié)果進(jìn)行疊加，獲得最終的區(qū)間預(yù)測結(jié)果。

18、步驟5中的issa算法是在ssa算法的基礎(chǔ)上進(jìn)行改進(jìn)，具體的改進(jìn)包括：利用反向?qū)W習(xí)策略來初始化麻雀種群；利用步長因子動態(tài)調(diào)整策略來優(yōu)化ssa中預(yù)警偵查麻雀位置更新公式中的步長控制參數(shù)β和k；引入levy飛行來更新偵察者位置。

19、本發(fā)明的有益效果是：

20、本發(fā)明方法采用3-sigma原則和k-近鄰算法分別對歷史數(shù)據(jù)中的異常值和缺失值進(jìn)行預(yù)處理，有效提高了數(shù)據(jù)的完整性和一致性，為后續(xù)的預(yù)測模型提供了高質(zhì)量的數(shù)據(jù)輸入；采用iceemdan算法對預(yù)處理后的光伏功率序列進(jìn)行分解，降低了光伏功率序列的非平穩(wěn)性，并且考慮到光伏功率波動性強(qiáng)，分解后會產(chǎn)生眾多的imf分量，會嚴(yán)重影響計(jì)算速度與精度，因此，利用排列熵來衡量每一個imf分量的復(fù)雜度，并使用pca聚類算法將它們分為趨勢分量、周期分量和隨機(jī)分量，能夠得到更為合理的劃分?jǐn)?shù)據(jù)集，更細(xì)致地捕捉光伏功率變化的內(nèi)在規(guī)律，從而顯著提高預(yù)測精度；通過皮爾遜相關(guān)系數(shù)對各個分量進(jìn)行特征篩選，提取與各分量相關(guān)性較高的氣象變量作為輸入特征，可以構(gòu)建更具代表性和針對性的輸入數(shù)據(jù)集，從而提高模型的預(yù)測性能；利用改進(jìn)的麻雀搜索算法對神經(jīng)網(wǎng)絡(luò)超參數(shù)進(jìn)行尋優(yōu)，改進(jìn)后的算法解決了原始麻雀算法中種群多樣性不足、易于陷入局部最優(yōu)以及求解精度不高的問題，顯著提高了算法的尋優(yōu)效率和精度；采用cnn-bigru作為基礎(chǔ)模型，進(jìn)行特征提取和時間序列分析，對光伏數(shù)據(jù)進(jìn)行預(yù)測分析，深入挖掘了光伏功率與其影響因素之間的長期時間序列關(guān)系，進(jìn)一步提升了模型的預(yù)測能力，并采用cqr算法將前面cnn-bigru預(yù)測的結(jié)果變成預(yù)測區(qū)間，量化預(yù)測的不確定性，最終的區(qū)間預(yù)測結(jié)果，能夠在滿足預(yù)設(shè)置信區(qū)間的同時，獲得更窄的預(yù)測區(qū)間，提升了預(yù)測模型的精度。

21、本發(fā)明方法預(yù)測速度快、預(yù)測精度高，有效提高了對超短期光伏功率區(qū)間的預(yù)測質(zhì)量，對于整個電力系統(tǒng)的調(diào)度和運(yùn)行具有重要的實(shí)際意義。

技術(shù)特征：

1.基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，其特征在于，具體按照以下步驟實(shí)施：

2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，其特征在于，步驟1具體為：

3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，其特征在于，步驟2具體為：

4.根據(jù)權(quán)利要求3所述的基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，其特征在于，iceemdan算法對光伏功率序列進(jìn)行分解的具體過程為：首先，在每次迭代中向序列自適應(yīng)地加入高斯白噪聲，然后通過iceemdan獲得一組imfs，計(jì)算所有分解得到的同一階次imf的平均值，形成最終的imfs，最后，從原始序列中減去已得到的imfs，得到殘差；重復(fù)此過程，直至整個序列分解完成，最終得到若干個imf和一個殘差序列。

5.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，其特征在于，步驟3中選擇與各個分量之間的皮爾遜相關(guān)系數(shù)≥0.3的氣象因素作為輸入特征。

6.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，其特征在于，步驟4中的區(qū)間預(yù)測模型中，cnn用于對各個分量數(shù)據(jù)進(jìn)行特征提取，bigru用于同時從前向和后向兩個方向提取具有遠(yuǎn)距離依賴的數(shù)據(jù)特征，深入挖掘光伏功率與其影響氣象因素之間的長期時間序列關(guān)系，形成光伏發(fā)電功率的預(yù)測值，然后利用cqr生成各個分量的預(yù)測區(qū)間。

7.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，其特征在于，步驟5具體為：

8.根據(jù)權(quán)利要求1或7所述的基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，其特征在于，步驟5中的issa算法是在ssa算法的基礎(chǔ)上進(jìn)行改進(jìn)，具體的改進(jìn)包括：利用反向?qū)W習(xí)策略來初始化麻雀種群；利用步長因子動態(tài)調(diào)整策略來優(yōu)化ssa中預(yù)警偵查麻雀位置更新公式中的步長控制參數(shù)β和k；引入levy飛行來更新偵察者位置。

技術(shù)總結(jié)
本發(fā)明公開了基于數(shù)據(jù)優(yōu)化和深度學(xué)習(xí)的超短期光伏功率區(qū)間預(yù)測方法，包括：對光伏發(fā)電的歷史數(shù)據(jù)進(jìn)行預(yù)處理；采用ICEEMDAN算法對預(yù)處理后的光伏功率序列進(jìn)行分解，并基于得到的IMF分量得到趨勢分量、周期分量和隨機(jī)分量；計(jì)算歷史數(shù)據(jù)中包含的各個氣象因素與趨勢分量、周期分量和隨機(jī)分量之間的皮爾遜相關(guān)系數(shù)，根據(jù)皮爾遜相關(guān)系數(shù)對各個分量進(jìn)行特征篩選，構(gòu)建輸入數(shù)據(jù)集；利用CNN、BiGRU和CQR構(gòu)建區(qū)間預(yù)測模型；將各分量輸入數(shù)據(jù)集進(jìn)行劃分后輸入?yún)^(qū)間預(yù)測模型，利用ISSA算法對模型超參數(shù)進(jìn)行尋優(yōu)，在最優(yōu)超參數(shù)下得到區(qū)間預(yù)測結(jié)果。本發(fā)明方法解決了現(xiàn)有技術(shù)中存在的對原始數(shù)據(jù)分類準(zhǔn)確性低以及預(yù)測精度較差的問題。

技術(shù)研發(fā)人員：安源,馮昊彤,高嘉偉
受保護(hù)的技術(shù)使用者：西安理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26