一种光伏功率超短期在线预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113722970A(43)申请公布日2021.11.30(21)申请号202111021359.3(22)申请日2021.09.01(71)申请人河海大学常州校区地址213022江苏省常州市晋陵北路200号(72)发明人丁坤陈翔杨泽南张经炜李喆雨刘永杰(74)专利代理机构南京纵横知识产权代理有限公司32224代理人杨静(51)Int.Cl.G06F30/25(2020.01)G06F17/16(2006.01)G06F111/06(2020.01)G06F119/02(2020.01)权利要求书3页说明书9页附图4页(54)发明名称一种光伏功率超短期在线预测方法(57)摘要本发明属于光伏发电技术领域，公开了一种光伏功率超短期在线预测方法，首先，将采集到的光伏功率历史数据进行预处理，预处理过程包括对历史数据的分类以及滤波，目的在于提高训练数据的可信度；然后，采用中心频率观察法和改进的粒子群优化算法优化在线预测过程中各模型的参数；最后，将核函数极限学习机作为基础预测器，结合变分模态分解和相空间重构算法，完成超短期光伏功率预测。本发明的有益效果为通过对光伏功率数据本身存在的混沌特性进行分析，采用奇异谱分析、变分模态分解以及相空间重构方法消除了光伏功率数据的随机性与不确定性；以核函数极限学习机为基础预测器而建立一种在线预测方法，实现对光伏功率的超短期预测。CN113722970ACN113722970A权利要求书1/3页1.一种光伏功率超短期在线预测方法，其特征在于：包括以下步骤：对光伏功率的原始历史数据按其波动程度和季节特性进行数据分类，采用奇异谱分析法SSA对光伏功率的原始数据进行滤波、去噪处理；采用中心频率观察法确定变分模态分解算法VMD的最佳分解模态数；通过改进的粒子群优化算法PSO寻找相空间重构PSR算法与核函数极限学习机KELM的最优参数；以核函数极限学习机KELM为基础预测器，结合变分模态分解算法VMD和相空间重构算法PSR构建训练数据集；然后对所述基础预测器进行实时训练，在线预测未来时间点的光伏功率；对预测所得的光伏功率，采用平均绝对百分比MAPE、均方根误差RMSE和R2系数来评价所述在线预测方法的性能。2.根据权利要求1所述的一种光伏功率超短期在线预测方法，其特征在于：所述波动程度的数据分类的具体方法为：通过计算光伏功率历史数据每一天的样本熵SE和平均值，将其作为表征一天内光伏功率波动程度的特征值，进而构建全年按天为单位的特征矩阵：式(1)中，Xij和Yij分别表示一天内光伏功率的SE值和平均值，以此区分出平稳型天气和非平稳型天气。3.根据权利要求1所述的一种光伏功率超短期在线预测方法，其特征在于：所述采用中心频率的观察法确定VMD的最佳分解模态数的具体方法为：通过变分模态分解算法VMD将一段光伏功率的原始历史数据进行分解，从而获得至少2段具有不同时频特性的本征模态分量IMF，每一条IMF对应一个标准化中心频率；因此分析多种模态数下VMD所得的分解结果，即能够确定最佳分解模态数。4.根据权利要求1所述的一种光伏功率超短期在线预测方法，其特征在于：通过改进的PSO来确定PSR和KELM的最佳参数的具体方法为：PSR是将一维的时间序列重构为时间延迟为τ和嵌入维数为m的相空间向量，矩阵表达式为：式(2)中，M＝N‑τ(m‑1)，M表示重构之后矩阵的行数，N表示光伏功率数据的样本点数，Or表示重构后的第r行空间向量；τ和m分别为延时参数和嵌入维数；而与空间向量Or对应的第r个输出点Fr表示为：TTF＝[F1F2…FM]＝[o2+(m‑1)τo3+(m‑1)τ…oN+1](3)。5.根据权利要求4所述的一种光伏功率超短期在线预测方法，其特征在于：所述KELM的模型表示为：2CN113722970A权利要求书2/3页ΩELM(a,b)＝k(ξa,ξb)(5)式中，h(ξ)分别表示目标函数，隐含层的输出，表示隐含层的输出权重；H表示隐含层节点的输出；k为核函数，I为单位矩阵，C为正则化系数，σ2为核参2数；其中C和σ即需要优化的参数，λ、μ表示高斯函数中的两个变量，ΩELM表示核矩阵、ξa、ξb表示ΩELM中的两个变量。6.根据权利要求5所述的一种光伏功率超短期在线预测方法，其特征在于：所述改进的粒子群优化算法PSO寻找PSR和KELM最优参数的过程包括：以[τ,m,C,σ2]为一组粒子，构建一定数目的粒子种群，初始化粒子种群的速度、位置以及边界值；建立适应度函数，将KELM的预测结果与实测光伏功率的均方根误差作为寻优过程的适应度函数，根据所述初始化粒子种群的速度、位置以及边界值来初始化粒子种群与个体的适应度值；更新粒子种群的速度与位置；通过动态调整