CN112418502A - 一种基于组合模型的光伏发电预测方法 - Google Patents

Abstract

本发明提供了一种基于组合模型的光伏发电预测方法，包括以下步骤：S1.对光伏发电样本数据进行预处理；S2.对预处理后的数据进行特征提取以提取样本数据中高相关的特征变量；S3.通过马尔科夫链动态调整不同预测模型的权重，将动态权重下不同预测模型的预测值的线性组合作为最终的预测值。本方案能够进行准确的光伏发电预测，保障电力系统平稳、安全运行，可有效减轻分布式光伏系统份额高对电力质量的不利影响。

Description

一种基于组合模型的光伏发电预测方法

技术领域

本发明属于光伏发电技术领域，尤其是涉及一种基于组合模型的光伏发电预测方法。

背景技术

在过去的几年中，使用风能，太阳能和热能等可持续能源变得越来越普及，并有望在未来对电力供应做出更加积极的贡献。太阳能易于使用且在环境上可持续，可通过光伏系统将太阳能转化为电能，并且在全世界的城乡电气化方面取得了巨大的普及，发展和进步。由于光伏发电量的可变性和间歇性，光伏系统所占份额的不断增加对电网的稳定性提出了新的挑战。准确的光伏发电预测是对电力系统平稳、安全运行的保障，可减轻分布式光伏系统份额高对电力质量的不利影响。

目前，很多的研究人员对光伏发电预测进行了研究。在现有的研究中，对于光伏发电的预测技术主要分为两类：物理法、统计法。物理法主要基于光伏组件和影响电力生产的天气条件：太阳辐照度，温度等。这些技术使用数学模型将天气条件转换为电能的机会。统计法通过对历史数据进行分析然后预测未来一段时间的光伏发电。相比于物理法，统计法可以更好的适用于光伏发电功率预测。

发明内容

本发明的目的是针对上述问题，提供一种基于组合模型的光伏发电预测方法。

为达到上述目的，本发明采用了下列技术方案：

一种基于组合模型的光伏发电预测方法，包括以下步骤：

S1.对光伏发电样本数据进行预处理；

S2.对预处理后的数据进行特征提取以提取样本数据中高相关的特征变量；

S3.通过马尔科夫链动态调整不同预测模型的权重，将动态权重下不同预测模型的预测值的线性组合作为最终的预测值。

在上述的基于组合模型的光伏发电预测方法中，在步骤S1 中，对光伏发电数据的预处理步骤包括异常值处理步骤和噪音去除步骤。

在上述的基于组合模型的光伏发电预测方法中，步骤S1中，在异常值处理过程中，采用箱型图来识别异常值，然后再利用插值的方式替换掉异常值。

在上述的基于组合模型的光伏发电预测方法中，步骤S1中，在噪音去除过程中，采用离散小波变换对数据进行降噪，通过小波变换处理消除高频波动和随机噪声。

在上述的基于组合模型的光伏发电预测方法中，在步骤S2 中，通过随机森林方法提取高相关的特征变量。

在上述的基于组合模型的光伏发电预测方法中，步骤S2具体包括以下步骤：

S21.利用bootstrap方法从训练数据集中随机抽取K个新的自助样本集，然后返回，构造K个分类和回归树；

S22.在每棵树的每个节点上随机抽取特征作为随机生成的特征子集，通过计算该特征子集中包含的每个特征所包含的信息，在特征中选择一个分类能力最好的特征进行节点分割；

S23.利用基尼指数计算不同特征的重要性，并依据计算结果提取高相关的特征变量。

在上述的基于组合模型的光伏发电预测方法中，利用基尼指数计算不同特征重要性的方法如下：

VIM_j表示特征X_j的重要性；VIM_j ^(Gini)为特征X_j的基尼指数；C 表示特征数量；

表示所有特征的基尼指数和。

在上述的基于组合模型的光伏发电预测方法中，在步骤S23 中，基尼指数的获取方法包括：

N表示随机深林中总共有N棵树，VIM_ij ^(Gini)为特征X_j在决策树i中的重要性；

VIM_jm ^(Gini)表示特征X_j在节点m分支前后的基尼指数变化量；

其中，GI_l和GI_r表示分支后两个新节点的基尼索引；

其中，k表示一共有k个类别，p_mk表示在节点m中类别k所占的比例。

在上述的基于组合模型的光伏发电预测方法中，在步骤S3 中，所述的线性组合方式如下：

其中，

表示线性组合结果，y_i表示第i个预测模型的预测值，ω_i表示y_i的权重系数。

在上述的基于组合模型的光伏发电预测方法中，步骤S3具体包括；

S31.根据样本数据和被组合预测模型的预测值的统计结果确定马尔科夫链中的初始状态概率分布并得到用于表述不同预测模型之间转移概率的状态转移矩阵，

其中，P₁₁表示维持状态1的概率；P_1n表示从状态1转移到状态 n的概率；P_n1表示从状态n转移到状态1的概率，P_nn表示维持状态n的概率；

S32.将根据所述状态转移矩阵得到的各预测模型的状态概率分布代入公式(6)得到

其中，

为最终得到的时刻t的最终预测值；n表示被组合的预测模型数量；p_it表示时刻t处于第i个预测模型的概率，

表示时刻t时第i个预测模型的预测值。

本发明的优点在于：能够进行准确的光伏发电预测，保障电力系统平稳、安全运行，可有效减轻分布式光伏系统份额高对电力质量的不利影响；对样本数据进行预处理，能够避免异常值和噪音数据对训练造成影响；通过随机森林提取样本中高相关的特征变量，能够降低模型训练的复杂度；将多种预测模型结合，能够结合各种不同预测模型的优势；通过马尔科夫链动态调整不同时刻下不同预测模型的权重值，避免了权重固定导致精度不够的问题。

附图说明

图1为本发明基于组合模型的光伏发电预测方法的方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步详细的说明。

在光伏发电中存在很多预测模型，通过数据驱动的预测模型一般都有较高的预测精度，人工神经网络，支持向量机，BP神经网络等在很多文献中都被很好地用来做光伏发电的预测，但是这些模型都存在一定优劣性。如图1所示，本发明提出通过结合不同预测模型的优势来提高预测的准确性，并提出了一种基于马尔科夫链的组合模型下的光伏发电预测方法。首先处理样本数据中的异常值，然后对样本数据进行去噪处理，接着通过随机森林方法提取特征向量，将不同的预测模型相结合，并通过马尔科夫链动态确定不同预测模型的权重，最终将动态权重下的不同预测模型的预测值的线性组合作为最终的预测值。在动态权重的帮助下，可以保证短期预测和长期预测精度。

具体包括以下步骤：

步骤S1.对光伏数据进行预处理：

S11.异常值处理，通常，当系统中发生故障操作或损坏时就会产生异常值，异常值是指明显变异观测数据的数值，异常值显然是不合理的数据，如果不处理异常值就进行模型训练，会对训练的模型产生一些不良的影响。本方案采用箱型图来识别异常值，然后再利用插值的方法替换掉异常值；

S12.噪音去除，由于光伏发电量的可变性和间歇性，原始光伏数据通常具有随机噪声，因此在预处理过程中必须进行降噪处理。由于数据中的噪声类型不确定，因此本方案采用离散小波变换对数据降噪，离散小波变换如公式(1)所示。

其中，t代表离散时间抽样指数，T表示函数的维度，a,b为实参数。

小波分解算法表达式如公式(2)和(3)所示。

通过小波变换处理后，消除了高频波动和随机噪声，提高了数据质量。

步骤S2.特征提取：

随机森林使用随机重采样引导程序技术和节点随机分类技术构造多个不相关的决策树，并通过投票产生最终的分类结果。通过随机森林可以得到不同特征在在多个决策树上做的贡献，通过贡献度的大小选择特征。基尼系数或袋外数据的错误率通常用于衡量评估功能的重要性。

假设样本数据有C个特征X₁,X₂,...,X_C，计算每个特征变量X_j的重要性的步骤如下所示：

S21.利用bootstrap方法从训练数据集中随机抽取K个新的自助样本集，然后返回，构造K个分类和回归树；

S22.在每棵树的每个节点上随机抽取特征作为随机生成的特征子集，通过计算该特征子集中包含的每个特征所包含的信息，在特征中选择一个分类能力最好的特征进行节点分割，增加了决策树的多样性；

S23.利用基尼指数

计算不同特征的重要性，并依据计算结果提取高相关的特征变量。将重要性超过相关阈值的特征作为高相关的特征变量，相关阈值根据具体情况设定。

特征X_j的基尼指数

表示所有随机森林决策树中第j个特征的节点分裂不纯度的平均变化量。基尼指数获取方式如下：

其中，k表示一共有k个类别，p_mk表示在节点m中类别k所占的比例。

特征X_j在节点m分支前后的Gini指数的变化量如下：

其中，GI_l和GI_r表示分支后两个新节点的基尼索引。

假如特征X_j出现在决策树i中的节点隶属于集合M，那么特征 X_j在决策树i中的重要性如下：

如果随机森林中一共有N颗树，则

归一化计算的重要分数如下所示：

步骤S3.组合预测模型的建立及模型预测

S31.为了进一步提高预测的精度，通过马尔科夫链来动态的调整不同时刻不同预测模型的权重系数。根据样本数据和被组合预测模型的预测值的统计结果确定马尔科夫链中的初始状态概率分布，即初始状态下各预测模型的概率分布，并对马尔科夫链进行训练得到用于表述不同预测模型之间转移概率的状态转移矩阵；

S32.根据S31中确定的初始状态概率分布和不同状态之间的状态转移概率确定时刻t处于第i个预测模型的概率p_it和预测值

最终，不同时刻的预测值为该时刻下不同预测模型的预测值与其概率值乘积的和，动态地调整不同时刻不同预测模型的权重系数可以提高预测的精度。

具体地，最终的预测值为不同模型预测值的线性组合，如公式 (9)所示，

其中，y_i表示第i个预测模型的预测值，ω_i表示y_i的权重系数。

马尔科夫链是近年来在科学论文和研究中引起关注的概率原理之一。假设随机过程X＝{X_n,n∈T}的时间参数T＝{0,1,2……}，且状态空间E也为离散的，即E＝{i₀,i₁,……}，则称X为马尔科夫链，若对于任意的n∈R以及i₀,i₁,i₂……i_n∈E，有

P(X_t＝i_t|X_t-1＝i_t-1,X_t-2＝i_t-2,……,X₀＝i₀)＝P(X_t＝i_t|X_t-1＝i_t-1) (10)

其中，P(g)表示概率，{X_i＝i_t}表示在t时刻处于i_t状态，根据马尔科夫链的性质可以将公式(10)简化为公式(11)所示，

P_ij＝{X_t+1＝S_j|X_t＝S_i} (11)

上式表示t时刻的状态S_i到t+1时刻的状态S_j的概率，所有的概率组成状态转移矩阵，用来表示从一个状态转移到另一个状态的概率分布，P＝{p_ij}，如公式(12)所示，

其中，P₁₁表示维持状态1的概率；P_1n表示从状态1转移到状态 n的概率；P_n1表示从状态n转移到状态1的概率，P_nn表示维持状态n的概率。

状态转移矩阵是描述马尔科夫链的重要参数，但是训练马尔科夫链还需要确定初始概率分布矩阵π，π＝{π_i}，π_i＝P{X₁＝S_i},1≤i≤N，用来表示在初始时刻网络状态处于S_i状态的概率。

将根据状态转移矩阵得到的各预测模型状态的概率代入公式 (9),得到

其中，p_it表示时刻t处于第i个预测模型的概率，

表示时刻t时第i个预测模型的预测值。

假设被组合的预测模型有三种，那么，初始状态概率分布矩阵为：

π＝{π₁，π₂，π₃}

π₁，π₂，π₃分别为初始状态下三种预测模型的概率，即初始状态下的预测值为：

不同状态之间的转移概率为：

表示，

模型1保持、转移为模型2和模型3的概率分别为P₁₁、 P₁₂、P₁₃；

模型2保持、转移为模型1和模型3的概率分别为P₂₂、 P₂₁、P₂₃；

模型3保持、转移为模型1和模型2的概率分别为P₃₃、 P₃₁、P₃₂；

那么此时，下一时刻预测值计算公式如下：

π₁P₁₁+π₂P₂₁+π₃P₃₁为下一时刻模型1的概率，简化为A；

π₁P₁₂+π₂P₂₂+π₃P₃₂为下一时刻模型2的概率，简化为B；

π₁P₁₃+π₂P₂₃+π₃P₃₃为下一时刻模型3的概率，简化为C；

若再下一时刻，则分别以上一时刻各模型的概率为基础进行预测：

接下去每一时刻的预测均以此类推。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于组合模型的光伏发电预测方法，其特征在于，包括以下步骤：

S1.对光伏发电样本数据进行预处理；

S2.对预处理后的数据进行特征提取以提取样本数据中高相关的特征变量；

S3.通过马尔科夫链动态调整不同预测模型的权重，将动态权重下不同预测模型的预测值的线性组合作为最终的预测值。

2.根据权利要求1所述的基于组合模型的光伏发电预测方法，其特征在于，在步骤S1中，对光伏发电数据的预处理步骤包括异常值处理步骤和噪音去除步骤。

3.根据权利要求2所述的基于组合模型的光伏发电预测方法，其特征在于，步骤S1中，在异常值处理过程中，采用箱型图来识别异常值，然后再利用插值的方式替换掉异常值。

4.根据权利要求3所述的基于组合模型的光伏发电预测方法，其特征在于，步骤S1中，在噪音去除过程中，采用离散小波变换对数据进行降噪，通过小波变换处理消除高频波动和随机噪声。

5.根据权利要求1-4任意一项所述的基于组合模型的光伏发电预测方法，其特征在于，在步骤S2中，通过随机森林方法提取高相关的特征变量。

6.根据权利要求5所述的基于组合模型的光伏发电预测方法，其特征在于，步骤S2具体包括以下步骤：

S21.利用bootstrap方法从训练数据集中随机抽取K个新的自助样本集，然后返回，构造K个分类和回归树；

S22.在每棵树的每个节点上随机抽取特征作为随机生成的特征子集，通过计算该特征子集中包含的每个特征所包含的信息，在特征中选择一个分类能力最好的特征进行节点分割；

S23.利用基尼指数计算不同特征的重要性，并依据计算结果提取高相关的特征变量。

7.根据权利要求6所述的基于组合模型的光伏发电预测方法，其特征在于，利用基尼指数计算不同特征重要性的方法如下：

VIM_j表示特征X_j的重要性；VIM_j ^(Gini)为特征X_j的基尼指数；C表示特征数量；

表示所有特征的基尼指数和。

8.根据权利要求7所述的基于组合模型的光伏发电预测方法，其特征在于，在步骤S23中，基尼指数的获取方法包括：

N表示随机深林中总共有N棵树，VIM_ij ^(Gini)为特征X_j

在决策树i中的重要性；

VIM_jm ^(Gini)表示特征X_j在节点m分支前后的基尼指数变化量；

其中，GI_l和GI_r表示分支后两个新节点的基尼索引；

其中，k表示一共有k个类别，p_mk表示在节点m中类别k所占的比例。

9.根据权利要求8所述的基于组合模型的光伏发电预测方法，其特征在于，在步骤S3中，所述的线性组合方式如下：

其中，

表示线性组合结果，y_i表示第i个预测模型的预测值，ω_i表示y_i的权重系数。

10.根据权利要求9所述的基于组合模型的光伏发电预测方法，其特征在于，步骤S3具体包括；

S31.根据样本数据和被组合预测模型的预测值的统计结果确定马尔科夫链中的初始状态概率分布并得到用于表述不同预测模型之间转移概率的状态转移矩阵，

其中，P₁₁表示维持状态1的概率；P_1n表示从状态1转移到状态n的概率；P_n1表示从状态n转移到状态1的概率，P_nn表示维持状态n的概率；

S32.将根据所述状态转移矩阵得到的各预测模型的状态概率分布代入公式(6)得到

其中，

为最终得到的时刻t的最终预测值；n表示被组合的预测模型数量；p_it表示时刻t处于第i个预测模型的概率，

表示时刻t时第i个预测模型的预测值。

Images