一种多能源配电网光伏功率预测方法与流程

技术特征：
1.一种多能源配电网光伏功率预测方法，其特征在于，包括：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；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；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。2.如权利要求1所述的一种多能源配电网光伏功率预测方法，其特征在于，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。3.如权利要求2所述的一种多能源配电网光伏功率预测方法，其特征在于，对所述数据进行归一化预处理包括：归一化转换函数表示为：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。4.如权利要求3所述的一种多能源配电网光伏功率预测方法，其特征在于，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：绝对值d
ik
表示为：d
ik
＝|a
ik-x
ik
|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。5.如权利要求4所述的一种多能源配电网光伏功率预测方法，其特征在于，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：关联系数均值，表示为：其中，r
i
(k)表示关联均值系数，min表示最小值，max表示最大值。6.如权利要求5所述的一种多能源配电网光伏功率预测方法，其特征在于，选取所述关联系数均值最高的影响因素计算相似度，包括：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；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：其中，表示n个关联均值系数相乘。7.如权利要求6所述的一种多能源配电网光伏功率预测方法，其特征在于，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：火焰自适应更新公式，表示为：
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。惯性权重，表示为：其中，t为当前迭代次数，t为最大迭代次数。飞蛾的位置更新公式，表示为：s(m
i
,f
j
)＝|f
j-m
i
|
·
e
bt
·
cos(2πt) ω
·
f
j
其中，m
i
为第i只飞蛾位置，f
j
为第j个火焰位置，|f
j-m
i
|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。8.如权利要求7所述的一种多能源配电网光伏功率预测方法，其特征在于，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：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；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；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；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。9.如权利要求8所述的一种多能源配电网光伏功率预测方法，其特征在于，所述输出网络参数最优解，包括：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。10.如权利要求9所述的一种多能源配电网光伏功率预测方法，其特征在于，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：遗忘门f
t
，表示为：f
t
＝σ(w
fx
x
t
w
fh
h
t-1
b
f
)记忆单元临时状态量表示为：输出门o
t
，表示为：o
t
＝σ(w
ox
x
t
w
oh
h
t-1
b
o
)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，b
f
，b
c
，b
o
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。

技术总结
本发明公开了一种多能源配电网光伏功率预测方法，包括：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；选取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；通过优化IMFO-LSTM模型提高日样本数据精度，实现光伏功率精准预测。本发明提供的光伏功率预测方法，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。度。度。


技术研发人员：龙家焕 白浩 李震 袁智勇 李庆生 李巍 邓朴 潘姝慧 薛毅 汪黔江 郭琦 罗宁 喻磊 卢嗣斌 史训涛 罗文雲 徐敏
受保护的技术使用者：南方电网科学研究院有限责任公司
技术研发日：2022.06.30
技术公布日：2022/10/25