一种多能源配电网光伏功率预测方法与流程

1.本发明涉及光伏功率预测的技术领域，尤其涉及一种多能源配电网光伏功率预测方法。


背景技术：

2.目前，随着光伏电站大规模接入电力系统中，光伏发电输出功率的波动性以及随机性使得电力系统的安全稳定运行受到了一定影响。为解决这一影响，需要对光伏功率进行预测，以此保证光伏发电的稳定输出。光伏预测的精度对于电力系统网络运行的安全性与稳定性有着相当重要的意义，这能够保证相关部门在不弃光的前提下，减小光伏发电对系统运行的影响。
3.对光伏发电功率预测的方法主要分为物理建模方法以及数据驱动统计方法。物理建模方法的优点在于：能够直接对场地信息与组件参数进行分析，建立运行方程以及传递方程。但该方法在复杂天气情况下的预测精度会受到干扰从而无法达到要求。数据驱动统计方法则通常采用神经网络、支持向量机、极限学习机等智能方法，对光伏功率与气象因素之间的关系进行深度挖掘。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：目前光伏发电输出功率的波动性和随机性影响配电网的安全稳定运行，对光伏功率进行精准预测，减小光伏发电对系统运行影响的问题。
7.为解决上述技术问题，本发明提供如下技术方案，包括：
8.对光伏发电影响因素数据进行预处理，通过灰色关联度得到各个变量的关联系数；
9.选取所述关联系数较高的为输入变量计算相似度提取相似日样本数据；
10.通过优化imfo-lstm模型提高所述日样本数据精度，实现光伏功率精准预测。
11.作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：所述光伏发电影响因素包括：辐照强度、天气类型、大气温度、大气湿度以及风向风速。
12.作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：
13.对所述数据进行归一化预处理包括：
14.归一化转换函数表示为：
[0015][0016]
其中，x为当前样本数据，x
max
与x
min
分别表示当前样本数据中的最大值与最小值，
x
′
为经过归一化转换得到的样本数据。
[0017]
作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：计算预测日与第i日第k个影响因素数据之间差值的绝对值d
ik
，包括：
[0018]
绝对值d
ik
表示为：
[0019]dik
＝|a
ik-x
ik
|
[0020]
其中，a
rk
表示预测日第k个影响因素数据，x
ik
表示第i日第k个影响因素数据。
[0021]
作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：
[0022]
根据所述差值绝对值数据集中的最大值与最小值，计算关联系数，包括：
[0023]
关联系数均值，表示为：
[0024][0025]
其中，ri(k)表示关联均值系数，min表示最小值，max表示最大值。
[0026]
作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：
[0027]
选取所述关联系数均值最高的影响因素计算相似度，包括：
[0028]
均值最高的影响因素为：辐照强度、大气温度、大气湿度以及风速；
[0029]
综合求得的关联系数均值，将预测日与第i日之间的相似度，表示为：
[0030][0031]
表示其中，个关联均值系数相乘。
[0032]
作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：
[0033]
选取所述相似度最高的前j日作为相似日样本数据，改进飞蛾优化算法mfo，提高算法的收敛速度和精度，包括：
[0034]
火焰自适应更新公式，表示为：
[0035][0036]
其中，f
′
表示更新后火焰数量，f
max
表示火焰的最大数量，t为当前迭代次数，t为最大迭代次数，round表示取整计算。
[0037]
惯性权重，表示为：
[0038][0039]
其中，t为当前迭代次数，t为最大迭代次数。
[0040]
飞蛾的位置更新公式，表示为：
[0041]
s(mi，fj)＝|f
j-mi|
·ebt
·
cos(2πt) ω
·fj
[0042]
其中，mi为第i只飞蛾位置，fj
为
第j个火焰位置，|f
j-mi|表示第i只飞蛾位置与第j个火焰位置之间的距离大小，b表示一个随机常数，t为在[-1，1]范围内的随机数，其值大小代表了飞蛾下一个位置与火焰位置之间的接近程度，t＝-1代表距离最远，t＝1代表距离最
近。
[0043]
作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：
[0044]
根据所述改进蛾优化算法进一步优化lstm神经网络，降低随机性，提高预测精度，包括：
[0045]
a1：初始化lstm相关参数：隐含层神经元数目n，学习率θ，lstm迭代次数l；
[0046]
a2：初始化改进飞蛾算法的参数：最大迭代次数t，飞蛾的数量n，飞蛾的自适应度om，火焰的自适应度of；
[0047]
a3：改进飞蛾优化算法对lstm网络参数的隐含神经元数量n，以及学习率θ
[0048]
进行寻优，直至算法t函数输出true，输出网络参数最优解；否则重新初始化改进飞蛾算法的参数；
[0049]
a4：将输出的网络参数代入lstm神经网络，结合样本数据进行训练并预测光伏发电功率输出。
[0050]
作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：
[0051]
所述输出网络参数最优解，包括：
[0052]
将隐含层神经元数目n和学习率θ利用判断函数t判断mfo算法输出结果是否满足要求，若满足要求则输出true，得到输出网络参数最优解，反之输出false，并进行进一步优化。
[0053]
作为本发明所述的多能源配电网光伏功率预测方法的一种优选方案，其中：
[0054]
将所述输出网络参数最优解代入lstm神经网络，结合样本数据训练并预测光伏发电功率输出，包括：
[0055]
遗忘门f
t
，表示为：
[0056]ft
＝σ(w
fx
x
t
w
fhht-1
bf)
[0057]
记忆单元临时状态量表示为：
[0058][0059]
输出门o
t
，表示为：
[0060]ot
＝σ(w
ox
x
t
w
ohht-1
bo)
[0061]
其中，w
fx
，w
fh
，w
cx
，w
ch
，w
ox
，w
oh
表示单元之间的权值矩阵，bf，bc，bo为遗忘门，更新门和输出门单元的偏置值，t为时刻，c
t
为记忆细胞，h
t
为状态，x
t
为输入，o
t
为输出门，σ为激活函数。
[0062]
本发明的有益效果：本发明提供的光伏功率预测方法，通过对数据进行归一化预处理，将预处理后的数据利用灰色关联度计算各个影响因素的关联系数，结合关联系数，对需要输入模型的相似日样本数据进行提取，并对飞蛾优化算法的位置更新公式和火焰数量的更新公式进行改进，减少其陷入局部最优的情况，提高了算法的收敛速度和收敛精度，利用改进后的飞蛾优化算法对lstm神经网络的部分参数进行优化，降低了模型输出的随机性，提高了模型预测结果的精度。
附图说明
[0063]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用
的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0064]
图1为本发明一个实施例所述的一种多能源配电网光伏功率预测方法的算法流程示意图；
[0065]
图2为本发明一个实施例所述的一种多能源配电网光伏功率预测方法的lstm神经网络记忆单元图；
[0066]
图3为本发明一个实施例所述的一种多能源配电网光伏功率预测方法的晴天天气的相似度计算结果图；
[0067]
图4为本发明一个实施例所述的一种多能源配电网光伏功率预测方法的多云天气的相似度计算结果图；
[0068]
图5为本发明一个实施例所述的一种多能源配电网光伏功率预测方法的雨天天气的相似度计算结果图；
[0069]
图6为本发明一个实施例所述的一种多能源配电网光伏功率预测方法的晴天下的光伏输出功率对比图；
[0070]
图7为本发明一个实施例所述的一种多能源配电网光伏功率预测方法的多云下的光伏输出功率对比图；
[0071]
图8为本发明一个实施例所述的一种多能源配电网光伏功率预测方法的雨天下的光伏输出功率对比图。
具体实施方式
[0072]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0073]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0074]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0075]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0076]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0077]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0078]
实施例1
[0079]
参照图1，为本发明的第一个实施例，该实施例提供了一种多能源配电网光伏功率预测方法，包括：
[0080]
s1:对光伏发电影响因素数据进行预处理，通过灰色关联度得到各个变量的关联系数；
[0081]
更进一步的，光伏发电影响因素包括：辐照强度、天气类型、大气温度、大气湿度以及风向风速。
[0082]
应说明的是，辐照强度作为影响因素，主要是由于太阳辐射随着时间变化而产生变化，因此光伏发电的输出功率也会随其变化而改变；
[0083]
天气类型则是不同天气下的云量、温度等都是不同的，从而影响到光伏发电的输出功率。例如，晴天条件下的光伏发电功率会高于阴天条件下的光伏发电功率。
[0084]
大气温度则同样影响光伏发电的输出性能,表示为：
[0085]
pv＝αsi[1-0.005(t 25)]
[0086]
其中，α为光伏转换效率，s为光伏发电面积，i为辐照强度，t为大气温度；
[0087]
由此可以看出，温度的提升会导致光伏发电的输出功率有所降低。
[0088]
更进一步的，数据进行归一化预处理包括：
[0089]
归一化转换函数表示为：
[0090][0091]
其中，x为当前样本数据，x
max
与x
min
分别表示当前样本数据中的最大值与最小值，x
′
为经过归一化转换得到的样本数据。
[0092]
应说明的是，对数据进行预处理，降低了计算难度，同时提升了模型输出的精度。
[0093]
更进一步的，计算预测日与第i日第k个影响因素数据之间差值的绝对值d
ik
，包括：
[0094]
绝对值d
ik
表示为：
[0095]dik
＝|a
ik-x
ik
|
[0096]
其中，a
rk
表示预测日第k个影响因素数据，x
ik
表示第i日第k个影响因素数据。
[0097]
更进一步的，根据差值绝对值数据集中的最大值与最小值，计算关联系数，包括：
[0098]
关联系数均值，表示为：
[0099][0100]
其中，ri(k)表示关联均值系数，min表示最小值，max表示最大值。
[0101]
应说明的是，关联系数均值越趋近于1，则关联度越高，反之越低。
[0102]
s2:选取所述关联系数较高的为输入变量计算相似度提取相似日样本数据；
[0103]
更进一步的，选取所关联系数均值最高的影响因素计算相似度，包括：
[0104]
均值最高的影响因素为：辐照强度、大气温度、大气湿度以及风速；
[0105]
综合求得的关联系数均值，将预测日与第i日之间的相似度，表示为：
[0106][0107]
其中，表示n个关联均值系数相乘。
[0108]
应说明的是，为降低计算成本，提升模型输出结果的精度，相似日样本数据的分析只选用关联系数均值最高的四个影响因素。
[0109]
s3:通过优化imfo-lstm模型提高所述日样本数据精度，实现光伏功率精准预测；
[0110]
更进一步的，选取所述相似度最高的前j日作为相似日样本数据，改进飞蛾优化算法mfo，提高算法的收敛速度和精度，包括：
[0111]
火焰自适应更新公式，表示为：
[0112][0113]
其中，f
′
表示更新后火焰数量，f
max
表示火焰的最大数量，t为当前迭代次数，t为最大迭代次数，round表示取整计算。
[0114]
应说明的是，为加快算法的收敛速度，对火焰的数量自适应更新公式进行改进，将原先火焰数量的直线减少改进为曲线减少，火焰数量随着迭代次数的增加呈现曲线减少，提升火焰数量的收敛速度，进而保证加快算法整体的收敛速度。
[0115]
惯性权重，表示为：
[0116][0117]
其中，t为当前迭代次数，t为最大迭代次数。
[0118]
应说明的是，采用惯性权重对飞蛾的位置更新公式进行进一步改进，一般权重曲中为0.1～1，ω越大，算法搜索能力越大，ω越小，探测能力越大，能够在最优解附近进行更加仔细的搜索，通过改变算法搜索范围的变量，优化算法容易陷入局部最优，全局寻优能力较弱的问题。
[0119]
飞蛾的位置更新公式，表示为：
[0120]
s(mi，fj)＝|f
j-mi|
·ebt
·
cos(2πt) ω
·fj
[0121]
其中，mi为第i只飞蛾位置，fj为第j个火焰位置，|f
j-mi|表示第i只飞蛾位置与第j个火焰位置之间的距离大小，b表示一个随机常数，t为在[-1，1]范围内的随机数，其值大小代表了飞蛾下一个位置与火焰位置之间的接近程度，t＝-1代表距离最远，t＝1代表距离最近。
[0122]
应说明的是，通过改进火焰数量的更新公式以及飞蛾的位置更新公式，能够提高算法的收敛速度以及收敛精度。
[0123]
更进一步的，根据所述改进蛾优化算法进一步优化lstm神经网络，降低随机性，提高预测精度，包括：
[0124]
a1：初始化lstm相关参数：隐含层神经元数目n，学习率θ，lstm迭代次数l；
[0125]
a2:初始化改进飞蛾算法的参数：最大迭代次数t，飞蛾的数量n，飞蛾的自适应度om，火焰的自适应度of；
[0126]
a3:改进飞蛾优化算法对lstm网络参数的隐含神经元数量n，以及学习率θ进行寻优，直至算法t函数输出true，输出网络参数最优解；否则重新初始化改进飞蛾算法的参数；
[0127]
a4:将输出的网络参数代入lstm神经网络，结合样本数据进行训练并预测光伏发电功率输出。
[0128]
更进一步的，输出网络参数最优解，包括：
[0129]
将隐含层神经元数目n和学习率θ利用判断函数t判断mfo算法输出结果是否满足要求，若满足要求则输出true，得到输出网络参数最优解，反之输出false，并进行进一步优化。
[0130]
应说明的是，飞蛾优化算法mfo收敛度小于设定阈值0.05时，满足要求；反之不满足。
[0131]
更进一步的，将所述输出网络参数最优解代入lstm神经网络，结合样本数据训练并预测光伏发电功率输出，包括：
[0132]
遗忘门f
t
，表示为：
[0133]ft
＝σ(w
fx
x
t
w
fhht-1
bf)
[0134]
记忆单元临时状态量表示为：
[0135][0136]
输出门o
t
，表示为：
[0137]ot
＝σ(w
ox
x
t
w
ohht-1
bo)
[0138]
其中，w
fx
，w
fh
，w
cx
，w
ch
，w
ox
，w
oh
表示单元之间的权值矩阵，bf，bc，bo为遗忘门，更新门和输出门单元的偏置值，t为时刻，c
t
为记忆细胞，h
t
为状态，x
t
为输入，o
t
为输出门，σ为激活函数。
[0139]
应说明的是，传统lstm神经网络模型参数的设定通常基于研究人员的经验，计算过程中随机性较大，预测精度也会受到影响从而有所下降，增加陷入局部最优解的可能性，使用改进飞蛾算法对lstm的相关参数进行优化，提高lstm的全局优化能力，降低随机性，提高了预测精度。
[0140]
实施例2
[0141]
参照图2～7，为本发明的第二个实施例，提供了一种多能源配电网光伏功率预测方法，通过仿真对比实验分析，验证imfo-lstm模型预测结果精度。
[0142]
选用某光伏电站2018年6月至2020年9月的发电输出功率历史数据，从中抽取了144000组数据进行分析，输入影响因素包括：辐照强度，大气温度，大气湿度，大气压强，风向以及风速；输出影响因素为光伏发电实际输出功率，计算结果如表1所示：
[0143]
表1灰色关联度分析值
[0144]
[0145]
随机选取一个晴天、多云及雨天作为预测日，分别进行关联度计算，并根据计算结果计算相似度，选取相似度最高的5天分别作为该天气类型下的样本数据进行预测。三种天气类型下的相似度计算结果如图2、图3、图4所示。
[0146]
将图2、图3、图4相似日样本数据作为输入数据，选取前80％相似日样本数据作为训练集，后20％样本数据作为测试集，采用imfo-lstm模型和lstm模型进行对比实验预测。
[0147]
为突出预测结果的精确度，进一步引入平均绝对百分比误差mape以及均方根误差rmse作为评价标准；
[0148]
平均绝对百分比误差，表示为：
[0149][0150]
均方根误差，表示为：
[0151][0152]
其中，yi为光伏发电功率实际值，为光伏发电功率的模型预测值。
[0153]
对比数据结果如表2所示：
[0154]
表2不同天气类型的评价结果
[0155][0156][0157]
结合预测结果对比图如图5、图6、图7所示,在晴天天气情况下，光伏输出功率较为稳定，lstm模型以及imfo-lstm模型的预测功率误差都较小，都满足要求，但imfo-lstm模型预测精度更高；在多云天气情况下，光伏输出功率开始出现部分不稳定状况，因此两个模型的预测功率误差有所增大，但仍然满足预测精度要求；在雨天天气情况下，由于光伏输出功率的不稳定性以及lstm模型的随机性，导致lstm模型的预测精度较低，无法满足要求，而imfo-lstm模型由于优化了lstm神经网络本身的随机性，并通过优化网络参数提高了预测精度，保证了在数据不稳定的情况下预测精度仍然满足要求，实现光伏功率的精准预测。
[0158]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。