CN114004424A - 一种光伏功率预测方法、系统、设备及存储介质 - Google Patents

一种光伏功率预测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN114004424A
CN114004424A CN202111566541.7A CN202111566541A CN114004424A CN 114004424 A CN114004424 A CN 114004424A CN 202111566541 A CN202111566541 A CN 202111566541A CN 114004424 A CN114004424 A CN 114004424A
Authority
CN
China
Prior art keywords
particles
data
formula
particle
photovoltaic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111566541.7A
Other languages
English (en)
Inventor
周保荣
梁宇涛
李江南
赵文猛
王滔
毛田
黄馨仪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China South Power Grid International Co ltd
Original Assignee
China South Power Grid International Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China South Power Grid International Co ltd filed Critical China South Power Grid International Co ltd
Priority to CN202111566541.7A priority Critical patent/CN114004424A/zh
Publication of CN114004424A publication Critical patent/CN114004424A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种光伏功率预测方法、系统、设备及存储介质，方法包括通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO‑BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。本发明能够应对光伏出力的随机性和波动性，具有收敛速度快、预测精度高、性能优越的优点。

Description

一种光伏功率预测方法、系统、设备及存储介质
技术领域
本发明涉及电力系统技术领域，尤其是涉及一种光伏功率预测方法、系统、设备及存储介质。
背景技术
随着全球能源供应紧张局面的进一步加剧以及化石能源利用对气候升温与环境污染的影响作用日益突显，世界各国正积极寻求自身能源结构的转型。随着煤电装机在电力总装机比重的下降和可再生能源发电比例的提高，为保证电力系统的安全稳定运行，对电网供需两侧功率保持实时平衡的能力提出了更大的挑战，而我国电源结构单一（2019年火电占比59.2%），缺少调峰、调频机组，储能技术由于经济性限制尚未大规模应用，电网灵活性不足，弃风、弃光现象经常发生。同时，随着我国用电负荷的稳步增长，全国多省市地区夏季尖峰负荷连年创下新高，峰谷差不断较大，为平衡持续时间很短的尖峰负荷，须配套大量调节资源，造成电网投资和运行效率未充分利用和发挥。由此可见，仅靠传统调节资源来调控电网的难度不断增加，传统调节资源的调度空间越来越小。
随着能源电力网络互联互通，以及“大云物移智链”等先进信息、网络、控制技术的广泛应用，各类负荷终端装置的技术水平大幅提升，使得对末端负荷的互联感知和可测可控成为可能。在这个背景下，虚拟电厂技术应运而生。虚拟电厂能够实现分布式电源、储能系统、可控负荷、电动汽车等分布式资源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。
楼宇建筑作为城市电网用电的基础组成，随着信息技术、智能终端、自动化技术的发展，城市楼宇正在向着智能化、节能化发展。同时，电动汽车、分布式光伏、储能等电网新兴元素正在越来越多地配置到城市电网楼宇建筑，形成新兴智能楼宇。面向新兴智能楼宇的虚拟电厂能有效聚合调控各类楼宇资源，进一步起到促进资源合理利用的作用。对屋顶光伏系统功率的准确预测有助于充分挖掘楼宇资源的调节潜力，将为电网运行提供可观的系统灵活性资源。
发明内容
本发明提供一种光伏功率预测方法、系统、设备及存储介质，能够应对光伏出力的随机性和波动性，具有收敛速度快、预测精度高、性能优越的优点。
为了解决上述技术问题，本发明实施例提供了一种光伏功率预测方法，包括以下步骤：
通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；
对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；
基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；
将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。
作为优选方案，所述通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据，包括：
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表，并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件；
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据；
获取电网光伏历史功率之间的皮尔逊相关系数，选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据；其中，s为小于U的正实数。
作为优选方案，所述数据预处理为消除数据维数和量纲不同影响的归一化处理。
作为优选方案，所述预设的PSO算法，包括：
迭代过程中速度的更新公式：
Figure 18405DEST_PATH_IMAGE001
迭代过程中位置的更新公式：
Figure 767793DEST_PATH_IMAGE002
式中，w为惯性权重，取值范围为[0.4,0.9]；k为当前迭代次数；
Figure DEST_PATH_IMAGE003
、
Figure 874290DEST_PATH_IMAGE004
为学习因子，取值范围为[0.4,0.9]；
Figure DEST_PATH_IMAGE005
和
Figure 476172DEST_PATH_IMAGE006
为分布于[0,1]之间的随机数；
Figure DEST_PATH_IMAGE007
为粒子i第k次迭代时在Z维空间中的位置；
Figure 326317DEST_PATH_IMAGE008
为粒子i第k次迭代时在Z维空间中的速度；
Figure DEST_PATH_IMAGE009
为粒子i在第k次迭代时的当前最优位置；
Figure 962834DEST_PATH_IMAGE010
为第k次迭代整个种群目前搜索到的最优解；
在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式：
Figure DEST_PATH_IMAGE011
式中，
Figure 240232DEST_PATH_IMAGE012
为全局最优粒子在第z维的分量；
Figure DEST_PATH_IMAGE013
表示第j个粒子在第z维的分量，设定一欧氏距离
Figure 830875DEST_PATH_IMAGE014
作为边界条件，将整个搜索空间分为界内区域和界外区域两部分；
对惯性权重进行动态调整的表达式为：
Figure DEST_PATH_IMAGE015
式中，
Figure 219131DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
分别为最大惯性权重和最小惯性权重；
Figure 975735DEST_PATH_IMAGE018
为第i次迭代粒子j的惯性权重；
Figure DEST_PATH_IMAGE019
为第i次迭代；
Figure 689613DEST_PATH_IMAGE020
为总迭代次数；
Figure DEST_PATH_IMAGE021
为粒子与全局最优粒子最大欧氏距离，
Figure 509DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
对学习因子动态调整的表达式为：
当
Figure DEST_PATH_IMAGE023
时：
Figure 192456DEST_PATH_IMAGE024
当
Figure DEST_PATH_IMAGE025
时：
Figure 302101DEST_PATH_IMAGE026
式中，
Figure DEST_PATH_IMAGE027
和
Figure 921301DEST_PATH_IMAGE028
分别为第i次迭代粒子j的学习因子；
Figure DEST_PATH_IMAGE029
、
Figure 719492DEST_PATH_IMAGE030
分别为学习因子最大值和最小值；
Figure 449551DEST_PATH_IMAGE014
为粒子与全局最优粒子最小欧氏距离，
Figure 384009DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
引入自适应变异，通过以下两个条件判断粒子是否集中于极小区域:
1）全局最优粒子
Figure DEST_PATH_IMAGE031
在连续x次迭代无变化，则x理想取值为：
Figure 174111DEST_PATH_IMAGE032
式中，
Figure 194019DEST_PATH_IMAGE020
为总迭代次数，x为全局最优粒子无变化的连续迭代次数。
2）假设
Figure DEST_PATH_IMAGE033
为全局最优粒子ｇ和粒子j之间的欧氏距离，则距离函数
Figure 229234DEST_PATH_IMAGE034
定义为：
Figure DEST_PATH_IMAGE035
满足：
Figure 549356DEST_PATH_IMAGE036
式中，a为[0,1]之间的常数，e为自然常数，J为粒子总数，
Figure DEST_PATH_IMAGE037
为第i次迭代，D为粒子维数；
若满足上式两条件之一，则粒子陷入局部最优；
利用粒子与全局最优粒子的欧氏距离大小决定其变异概率p，表达式为：
Figure 775938DEST_PATH_IMAGE038
式中，d为变异概率调节因子，其值在[0,1]之间，
Figure 283143DEST_PATH_IMAGE021
为粒子与全局最优粒子最大欧氏距离，
Figure 823846DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
对于粒子
Figure DEST_PATH_IMAGE039
产生一个[0,1]之间的随机数r，若满足
Figure 264054DEST_PATH_IMAGE040
则粒子发生变异操作；随机选取界外区域粒子
Figure DEST_PATH_IMAGE041
，按以下公式进行变异：
Figure 395959DEST_PATH_IMAGE042
式中，
Figure DEST_PATH_IMAGE043
、
Figure 420153DEST_PATH_IMAGE044
分别为粒子
Figure DEST_PATH_IMAGE045
和
Figure 30126DEST_PATH_IMAGE046
在空间中的位置；
Figure DEST_PATH_IMAGE047
为粒子
Figure 324841DEST_PATH_IMAGE048
变异后的位置。
作为优选方案，所述基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果，包括：
1）确定BPNN模型的网络拓扑结构，初始化BPNN权值、阈值并进行参数设置；
2）对BPNN权值、阈值编码确定粒子维数D，建立粒子群位置维数与BPNN权值和阈值的映射，公式为：
Figure DEST_PATH_IMAGE049
式中，M为BPNN输入层节点数目；Q为BPNN隐含层节点数目；N为BPNN输出层节点数目；
3）初始化粒子群位置和速度并进行参数设置，将BPNN训练误差作为适应度函数以对粒子进行评价，表达式为：
Figure 893226DEST_PATH_IMAGE050
式中，
Figure DEST_PATH_IMAGE051
表示训练样本数；
Figure 640602DEST_PATH_IMAGE052
表示实际输出；
Figure DEST_PATH_IMAGE053
表示期望输出；
4）根据所述将BPNN训练误差作为适应度函数以对粒子进行评价的表达式计算适应度，以确定个体和群体的最优位置；
5）根据所述在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式计算每个粒子的欧氏距离，将种群划分为界内区域和界外区域；
6）判断种群是否陷入极小区域，若是执行变异操作，转到步骤8），否则继续执行步骤7）；
7）根据所述惯性权重进行动态调整的表达式、所述学习因子动态调整的表达式计算粒子的惯性权重和学习因子；
8）根据所述迭代过程中速度的更新公式、所述迭代过程中位置的更新公式更新粒子的位置和速度；
9）判断算法是否满足结束条件，不满足转入步骤4），以满足解码获得BPNN最优初始权值和阈值；
10）进行BPNN训练，网络训练结束进行仿真预测。
作为优选方案，所述将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果，包括：
利用重构公式将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果，所述重构公式包括：
Figure 54265DEST_PATH_IMAGE054
式中，a为尺度参数，b为平移参数；
Figure DEST_PATH_IMAGE055
；
Figure 704952DEST_PATH_IMAGE056
为重构后的函数；
Figure DEST_PATH_IMAGE057
为表征可容性的值；
Figure 444238DEST_PATH_IMAGE058
为连续小波变换函数；
Figure DEST_PATH_IMAGE059
为一个基本小波或母小波。
Figure 678910DEST_PATH_IMAGE060
式中，
Figure DEST_PATH_IMAGE061
、
Figure 630686DEST_PATH_IMAGE062
表示分解后的低频信号序列和高频信号序列；H、G分别为表征低通离散滤波器和高通离散滤波器的矩阵；
Figure DEST_PATH_IMAGE063
、
Figure 899993DEST_PATH_IMAGE064
分别为
Figure DEST_PATH_IMAGE065
、
Figure 308715DEST_PATH_IMAGE066
的共轭转置矩阵；n为小波分解层数，q表示第q层小波分解层。
本发明实施例还提供一种光伏功率预测系统，包括：
输入数据选择模块，用于通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；
输入数据处理模块，用于对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；
模型计算模块，用于基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；
模型预测模块，用于将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。
作为优选方案，所述输入数据选择模块，还用于：
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表，并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件；
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据；
获取电网光伏历史功率之间的皮尔逊相关系数，选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据；其中，s为小于U的正实数。
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的光伏功率预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的光伏功率预测方法。
相比于现有技术，本发明实施例的有益效果在于，光伏功率预测方法，包括通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果，本发明能够应对光伏出力的随机性和波动性，具有收敛速度快、预测精度高、性能优越的优点。
附图说明
图1是本发明实施例中的光伏功率预测方法的流程步骤图；
图2是本发明实施例中的光伏功率预测方法的小波分解示意图；
图3是本发明实施例中的光伏功率预测方法的BPNN结构示意图；
图4是本发明实施例中的光伏功率预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1和图4，本发明实施例提供了一种光伏功率预测方法，包括以下步骤：
S1通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；
S2、对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；
S3、基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；
S4、将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。
在本发明实施例中，所述步骤S1、通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据，包括：
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表，并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件；
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据；
获取电网光伏历史功率之间的皮尔逊相关系数，选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据；其中，s为小于U的正实数。
具体说明如下：
影响光伏出力的因素有很多，为定量评价各种气象数据对实际光伏出力的影响，选择合理的输入数据集，提升功率预测精度，引入皮尔逊相关系数：
Figure DEST_PATH_IMAGE067
（1）
式中：X，Y表示随机变量；
Figure 30684DEST_PATH_IMAGE068
为X，Y的协方差；
Figure DEST_PATH_IMAGE069
和
Figure 786150DEST_PATH_IMAGE070
为X，Y的有限方差；E表示有限期望。某光伏电站全年历史输出功率与气象数据的皮尔逊相关系数如表1所示。皮尔逊相关系数越大，表明数据间的相关性越高。因此选定太阳辐射强度、湿度、温度以及风速构建光伏功率预测输入数据集。
表1 光伏输出功率与气象数据的皮尔逊相关系数表
风速 太阳辐射 风向 温度 气压 湿度
光伏出力 0.3218 0.9419 0.0184 0.4684 0.0368 -0.7027
光伏历史输出功率之间也存在一定的关联性，增加历史数据作为预测模型的输入，在气象条件一致的情况下，保证输出功率的时间连续性。如预测第U天t时刻的功率输出，虽然我们无法获得第U-1天U-2等前t时刻的实际功率，但是我们可以得到第U-1天、U-2天等t时刻的历史功率数据。将光伏历史功率数据与气象数据共同作为预测模型的输入在一定程度上可以纠正由气象数据本身的误差所导致的模型预测误差，从而提高预测精度。光伏历史输出功率之间的皮尔逊相关系数如表2所示。可以理解的是，此时t表示输入数据的t时刻。
表2 光伏输出功率与历史功率的皮尔逊相关系数表
（U-1,t） （U-2,t） （U-3,t） （U-4,t） （U-5,t）
光伏出力 0.9286 0.9016 0.9050 0.9075 0.9099
由表2可知，由于光伏出力的日特性比较明显，蒙东电网光伏历史功率之间的皮尔逊相关系数基本维持在0.9左右，因此选择（U-1，t）和（U-2，t）的历史功率数据也作为光伏功率预测输入数据。
在本发明实施例中，所述步骤S2、对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据，具体为：
光伏出力具有很强的波动性、随机性，其时间序列又具有一定的周期性、相关性。小波分析克服了傅里叶变换时间信息丢失以及对非平稳信号分析困难的问题，可以实现给定时间序列中的时域信息和频域信息的提取，在时域和频域都有很强的信号表征能力。因此，将小波分析技术引入屋顶光伏的出力预测。
设
Figure DEST_PATH_IMAGE071
，其傅里叶变换为
Figure 644385DEST_PATH_IMAGE072
，当
Figure 194315DEST_PATH_IMAGE073
满足式（2），称
Figure 138000DEST_PATH_IMAGE074
为一个基本小波或母小波。
Figure 431578DEST_PATH_IMAGE075
（2）
式中：
Figure 878740DEST_PATH_IMAGE076
表示一维空间平方可积函数组成的矢量空间；t表示时间；
Figure 599571DEST_PATH_IMAGE077
表示频率；
Figure 266438DEST_PATH_IMAGE078
表示
Figure 98128DEST_PATH_IMAGE074
的傅里叶变换； 为表征可容性的值。
将母函数
Figure 557108DEST_PATH_IMAGE080
经过伸缩和平移后，得到一个小波序列
Figure 475385DEST_PATH_IMAGE081
如式（3）所示：
Figure 110766DEST_PATH_IMAGE082
（3）
式中：a为尺度参数，b为平移参数；
Figure 266941DEST_PATH_IMAGE083
。
对于任意的函数
Figure 595154DEST_PATH_IMAGE084
的连续小波变换如式（4）所示，
Figure 469569DEST_PATH_IMAGE085
（4）
式中＊表示共轭复数。
在实际运用中，连续小波必须离散化，将式（3）中的a和b分别取为
Figure 908641DEST_PATH_IMAGE086
，则对应的离散小波可写做：
Figure 450481DEST_PATH_IMAGE087
（5）
实际中常用二进制动态采样网络，取离散化参数：a 0 ＝２，b 0 ＝１,对任意函数f(t)的离散小波变换为：
Figure 684016DEST_PATH_IMAGE088
（6）
采用“mallat”算法可表示为：
Figure 544262DEST_PATH_IMAGE089
（7）
式中：
Figure 787025DEST_PATH_IMAGE061
、
Figure 917792DEST_PATH_IMAGE062
表示分解后的低频信号序列和高频信号序列；H、G分别表示低通离散滤波器和高通离散滤波器，小波选定后，离散滤波器也就确定了；n为小波分解层数，小波分解示意图如图2所示。
此外，为提高BPNN的训练速度与泛化能力，消除数据维数和量纲不同影响，除风向外各变量通过式（8）对输入数据进行归一化处理：
Figure 322228DEST_PATH_IMAGE090
（8）
式中：
Figure 436815DEST_PATH_IMAGE091
为归一化后的标量值；h为除风向外各输入数据的实际值；
Figure 952110DEST_PATH_IMAGE092
为数据序列最大值；
Figure 202963DEST_PATH_IMAGE093
为数据序列最小值。
在本发明实施例中，所述步骤S3、基于预设的PSO算法和BP神经网络算法为改进标准PSO算法和BP神经网络算法：
（1）BP算法的改进
BP神经网络（Back Propagation Neural Network，BPNN）是指基于误差反向传播算法的多层前向神经网络，因其具有非线性映射、自适应学习、泛化能力强以及分布式并行处理的优点，在多个领域得到了广泛应用。图3为三层BPNN结构示意图。
BP算法本身存在一些不足。标准的BPNN权值、阈值的初始化通常是根据经验随机给定，缺乏合理性，对网络进行训练后，可能会产生使网络不能收敛到全局最小，收敛速度慢等问题，最终影响预测精度。粒子群算法（Particle Swarm Optimization，PSO）具有全局搜索能力强且性能优越的特点，可以很好地弥补BP算法的不足，因此引入PSO算法对BPNN进行优化。
（2）PSO算法的改进
粒子群优化算法是一种模拟鸟群觅食行为的群体智能优化算法，基于迭代原理通过搜索当前个体的局部最优解从而找到全局最优解，在迭代过程中速度和位置更新公式分别为：
迭代过程中速度的更新公式：
Figure 43880DEST_PATH_IMAGE094
（9）
迭代过程中位置的更新公式：
Figure 380183DEST_PATH_IMAGE002
（10）
式中，w为惯性权重，取值范围为[0.4,0.9]；k为当前迭代次数；
Figure 964748DEST_PATH_IMAGE003
、
Figure 70107DEST_PATH_IMAGE004
为学习因子，取值范围为[0.4,0.9]；
Figure 816347DEST_PATH_IMAGE005
和
Figure 141411DEST_PATH_IMAGE006
为分布于[0,1]之间的随机数；
Figure 264088DEST_PATH_IMAGE007
为粒子i第k次迭代时在Z维空间中的位置；
Figure 223953DEST_PATH_IMAGE008
为粒子i第k次迭代时在Z维空间中的速度；
Figure 406673DEST_PATH_IMAGE095
为粒子i在第k次迭代时的当前最优位置；
Figure 717569DEST_PATH_IMAGE096
为第k次迭代整个种群目前搜索到的最优解；
标准PSO算法存在容易“早熟”收敛、搜索速度慢和后期迭代效率不高的问题，通过引入欧氏距离的区域划分在以下几个方面对标准PSO算法进行改进：
（1）计算Z维空间中的所有粒子和全局最优位置粒子之间的欧氏距离，并按照距离的由近到远进行排序，设定某一欧氏距离
Figure 643936DEST_PATH_IMAGE097
作为边界条件，将整个搜索空间分为界内区域和界外区域两部分。
在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式：
Figure 458309DEST_PATH_IMAGE098
（11）
式中，
Figure 811930DEST_PATH_IMAGE099
为全局最优粒子在第z维的分量；
Figure 610121DEST_PATH_IMAGE013
表示第j个粒子在第z维的分量；
对惯性权重进行动态调整的表达式为：
Figure 74601DEST_PATH_IMAGE015
（12）
式中，
Figure 743479DEST_PATH_IMAGE016
、
Figure 32116DEST_PATH_IMAGE017
分别为最大惯性权重和最小惯性权重；
Figure 52025DEST_PATH_IMAGE018
为第i次迭代粒子j的惯性权重；
Figure 320195DEST_PATH_IMAGE019
为第i次迭代；
Figure 109159DEST_PATH_IMAGE020
为总迭代次数；
Figure 804583DEST_PATH_IMAGE021
为粒子与全局最优粒子最大欧氏距离，
Figure 311788DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
对学习因子动态调整的表达式为：
当
Figure 118070DEST_PATH_IMAGE023
时：
Figure 27120DEST_PATH_IMAGE024
（13）
当
Figure 893445DEST_PATH_IMAGE025
时：
Figure 887945DEST_PATH_IMAGE026
（14）
式中，
Figure 497918DEST_PATH_IMAGE027
和
Figure 261475DEST_PATH_IMAGE028
分别为第i次迭代粒子j的学习因子；
Figure 534587DEST_PATH_IMAGE029
、
Figure 281963DEST_PATH_IMAGE030
分别为学习因子最大值和最小值；
Figure 695627DEST_PATH_IMAGE014
为粒子与全局最优粒子最小欧氏距离，
Figure 579269DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
（3）引入自适应变异，通过自适应变异进一步加强粒子的动态寻优性能，避免算法在参数寻优过程中陷入局部最优，通过以下两个条件判断粒子是否集中于极小区域:
1）全局最优粒子
Figure 787397DEST_PATH_IMAGE031
在连续x次迭代无变化，则x理想取值为：
Figure 756490DEST_PATH_IMAGE032
式中，
Figure 442686DEST_PATH_IMAGE020
为总迭代次数，x为全局最优粒子无变化的连续迭代次数。
2）假设
Figure 446414DEST_PATH_IMAGE033
为全局最优粒子ｇ和粒子j之间的欧氏距离，则距离函数
Figure 559863DEST_PATH_IMAGE034
定义为：
Figure 16253DEST_PATH_IMAGE035
（16）
满足：
Figure 293692DEST_PATH_IMAGE036
（17）
式中，a为[0,1]之间的常数，e为自然常数，J为粒子总数，
Figure 886347DEST_PATH_IMAGE019
为第i次迭代，D为粒子维数；
若满足上式两条件之一，则粒子陷入局部最优；
利用粒子与全局最优粒子的欧氏距离大小决定其变异概率p，表达式为：
Figure 701856DEST_PATH_IMAGE038
（18）
式中，d为变异概率调节因子，其值在[0,1]之间，
Figure 379962DEST_PATH_IMAGE021
为粒子与全局最优粒子最大欧氏距离，
Figure 407961DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
对于粒子
Figure 120702DEST_PATH_IMAGE039
产生一个[0,1]之间的随机数r，若满足
Figure 841534DEST_PATH_IMAGE040
则粒子发生变异操作；随机选取界外区域粒子
Figure 6936DEST_PATH_IMAGE041
，按以下公式进行变异：
Figure 104205DEST_PATH_IMAGE042
（19）
式中，
Figure 405873DEST_PATH_IMAGE043
、
Figure 563185DEST_PATH_IMAGE044
分别为粒子
Figure 717348DEST_PATH_IMAGE045
和
Figure 87149DEST_PATH_IMAGE046
在空间中的位置；
Figure 774483DEST_PATH_IMAGE047
为粒子
Figure 837117DEST_PATH_IMAGE048
变异后的位置。
在本发明实施例中，所述基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果，包括：
用改进的PSO算法，即区域划分自适应变异粒子群算法（Regional-segmentationSelf-adapting Variation Particle Swarm Optimization，RSVPSO）优化BPNN的初始权值和阈值，并对分解后的子序列分别进行训练和预测。请参见图3，RSVPSO－BPNN算法具体步骤为：
1）确定BPNN模型的网络拓扑结构，初始化BPNN权值、阈值并进行参数设置；
2）对BPNN权值、阈值编码确定粒子维数D，建立粒子群位置维数与BPNN权值和阈值的映射，公式为：
Figure 977111DEST_PATH_IMAGE049
（20）
式中，M为BPNN输入层节点数目；Q为BPNN隐含层节点数目；N为BPNN输出层节点数目；
3）初始化粒子群位置和速度并进行参数设置，将BPNN训练误差作为适应度函数以对粒子进行评价，表达式为：
Figure 416183DEST_PATH_IMAGE050
（21）
式中，
Figure 692443DEST_PATH_IMAGE051
表示训练样本数；
Figure 191558DEST_PATH_IMAGE052
表示实际输出；
Figure 553269DEST_PATH_IMAGE053
表示期望输出；
4）根据所述将BPNN训练误差作为适应度函数以对粒子进行评价的表达式计算适应度，以确定个体和群体的最优位置；
5）根据所述在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式计算每个粒子的欧氏距离，将种群划分为界内区域和界外区域；
6）判断种群是否陷入极小区域，若是执行变异操作，转到步骤8），否则继续执行步骤7）；
7）根据所述惯性权重进行动态调整的表达式（12）、所述学习因子动态调整的表达式（13）（14）计算粒子的惯性权重和学习因子；
8）根据所述迭代过程中速度的更新公式、所述迭代过程中位置的更新公式更新粒子的位置和速度；
9）判断算法是否满足结束条件，不满足转入步骤4），以满足解码获得BPNN最优初始权值和阈值；
10）进行BPNN训练，网络训练结束进行仿真预测。
在本发明实施例中，所述步骤S4、将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果，包括：
利用重构公式将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果，所述重构公式包括：
对于任意的函数的连续小波变换如式（4）所示，式中＊表示共轭复数，其对应的重构公式为：
Figure 264873DEST_PATH_IMAGE054
式中，a为尺度参数，b为平移参数；
Figure 926798DEST_PATH_IMAGE055
；
Figure 331235DEST_PATH_IMAGE056
为重构后的函数；
Figure 944357DEST_PATH_IMAGE057
为表征可容性的值；
Figure 459651DEST_PATH_IMAGE058
为连续小波变换函数；
Figure 710504DEST_PATH_IMAGE059
为一个基本小波或母小波。可以理解的是，此时t表示训练并预测之后得到的输出数据的t时刻。
在实际运用中，连续小波必须离散化，常用二进制动态采样网络，取离散化参数：a 0 ＝２，b 0 ＝１，对任意函数f(t)的离散小波变换为式（6），采用“mallat”算法可表示为式（7），其对应的重构公式为：
Figure 551421DEST_PATH_IMAGE060
式中，
Figure 887725DEST_PATH_IMAGE061
、
Figure 206711DEST_PATH_IMAGE062
表示分解后的低频信号序列和高频信号序列；H、G分别为表征低通离散滤波器和高通离散滤波器的矩阵；
Figure 577649DEST_PATH_IMAGE063
、
Figure 323888DEST_PATH_IMAGE064
分别为
Figure 147488DEST_PATH_IMAGE065
、
Figure 270164DEST_PATH_IMAGE066
的共轭转置矩阵；n为小波分解层数，q表示第q层小波分解层。
本发明实施例还提供一种光伏功率预测系统，包括：
输入数据选择模块，用于通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；
输入数据处理模块，用于对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；
模型计算模块，用于基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；
模型预测模块，用于将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。
作为优选方案，所述输入数据选择模块，还用于：
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表，并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件；
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据；
获取电网光伏历史功率之间的皮尔逊相关系数，选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据；其中，s为小于U的正实数。
本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述的光伏功率预测方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元（如计算机程序1、计算机程序2、……），所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器301也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡（SmartMedia Card，SMC）、安全数字（Secure Digital，SD）卡和闪存卡（Flash Card）等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，终端设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的光伏功率预测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种光伏功率预测方法，其特征在于，包括以下步骤：
通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；
对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；
基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；
将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。
2.如权利要求1所述的光伏功率预测方法，其特征在于，所述通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据，包括：
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表，并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件；
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据；
获取电网光伏历史功率之间的皮尔逊相关系数，选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据；其中，s为小于U的正实数。
3.如权利要求1所述的光伏功率预测方法，其特征在于，所述数据预处理为消除数据维数和量纲不同影响的归一化处理。
4.如权利要求1所述的光伏功率预测方法，其特征在于，所述预设的PSO算法，包括：
迭代过程中速度的更新公式：
Figure 632785DEST_PATH_IMAGE001
迭代过程中位置的更新公式：
Figure 866320DEST_PATH_IMAGE002
式中，w为惯性权重，取值范围为[0.4,0.9]；k为当前迭代次数；
Figure 228031DEST_PATH_IMAGE003
、
Figure 470794DEST_PATH_IMAGE004
为学习因子，取值范围为[0.4,0.9]；
Figure 867140DEST_PATH_IMAGE005
和
Figure 537156DEST_PATH_IMAGE006
为分布于[0,1]之间的随机数；
Figure 386163DEST_PATH_IMAGE007
为粒子i第k次迭代时在Z维空间中的位置；
Figure 167037DEST_PATH_IMAGE008
为粒子i第k次迭代时在Z维空间中的速度；
Figure 417890DEST_PATH_IMAGE009
为粒子i在第k次迭代时的当前最优位置；
Figure 258807DEST_PATH_IMAGE010
为第k次迭代整个种群目前搜索到的最优解；
在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式：
Figure 329531DEST_PATH_IMAGE011
式中，
Figure 412632DEST_PATH_IMAGE012
为全局最优粒子在第z维的分量；
Figure 783570DEST_PATH_IMAGE013
表示第j个粒子在第z维的分量，设定一欧氏距离
Figure 795389DEST_PATH_IMAGE014
作为边界条件，将整个搜索空间分为界内区域和界外区域两部分；
对惯性权重进行动态调整的表达式为：
Figure 884567DEST_PATH_IMAGE015
式中，
Figure 803982DEST_PATH_IMAGE016
、
Figure 295006DEST_PATH_IMAGE017
分别为最大惯性权重和最小惯性权重；
Figure 212146DEST_PATH_IMAGE018
为第i次迭代粒子j的惯性权重；
Figure 24507DEST_PATH_IMAGE019
为第i次迭代；
Figure 685295DEST_PATH_IMAGE020
为总迭代次数；
Figure 765247DEST_PATH_IMAGE021
为粒子与全局最优粒子最大欧氏距离，
Figure 118868DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
对学习因子动态调整的表达式为：
当
Figure 651480DEST_PATH_IMAGE023
时：
Figure 381539DEST_PATH_IMAGE024
当
Figure 315997DEST_PATH_IMAGE025
时：
Figure 840519DEST_PATH_IMAGE026
式中，
Figure 860428DEST_PATH_IMAGE027
和
Figure 128598DEST_PATH_IMAGE028
分别为第i次迭代粒子j的学习因子；
Figure 183142DEST_PATH_IMAGE029
、
Figure 612986DEST_PATH_IMAGE030
分别为学习因子最大值和最小值；
Figure 884305DEST_PATH_IMAGE014
为粒子与全局最优粒子最小欧氏距离，
Figure 690587DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
引入自适应变异，通过以下两个条件判断粒子是否集中于极小区域:
1）全局最优粒子
Figure 599637DEST_PATH_IMAGE031
在连续x次迭代无变化，则x理想取值为：
Figure 465962DEST_PATH_IMAGE032
式中，
Figure 194884DEST_PATH_IMAGE020
为总迭代次数，x为全局最优粒子无变化的连续迭代次数。
2）假设
Figure 70436DEST_PATH_IMAGE033
为全局最优粒子ｇ和粒子j之间的欧氏距离，则距离函数
Figure 568413DEST_PATH_IMAGE034
定义为：
Figure 871219DEST_PATH_IMAGE035
满足：
Figure 87436DEST_PATH_IMAGE036
式中，a为[0,1]之间的常数，e为自然常数，J为粒子总数，
Figure 501100DEST_PATH_IMAGE037
为第i次迭代，D为粒子维数；
若满足上式两条件之一，则粒子陷入局部最优；
利用粒子与全局最优粒子的欧氏距离大小决定其变异概率p，表达式为：
Figure 119163DEST_PATH_IMAGE038
式中，d为变异概率调节因子，其值在[0,1]之间，
Figure 828755DEST_PATH_IMAGE021
为粒子与全局最优粒子最大欧氏距离，
Figure 797849DEST_PATH_IMAGE022
为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；
对于粒子
Figure 749624DEST_PATH_IMAGE039
产生一个[0,1]之间的随机数r，若满足
Figure 487773DEST_PATH_IMAGE040
则粒子发生变异操作；随机选取界外区域粒子
Figure 866802DEST_PATH_IMAGE041
，按以下公式进行变异：
Figure 323191DEST_PATH_IMAGE042
式中，
Figure 813078DEST_PATH_IMAGE043
、
Figure 405733DEST_PATH_IMAGE044
分别为粒子
Figure 955663DEST_PATH_IMAGE045
和
Figure 633769DEST_PATH_IMAGE046
在空间中的位置；
Figure 192927DEST_PATH_IMAGE047
为粒子
Figure 138624DEST_PATH_IMAGE048
变异后的位置。
5.如权利要求4所述的光伏功率预测方法，其特征在于，所述基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果，包括：
1）确定BPNN模型的网络拓扑结构，初始化BPNN权值、阈值并进行参数设置；
2）对BPNN权值、阈值编码确定粒子维数D，建立粒子群位置维数与BPNN权值和阈值的映射，公式为：
Figure 125034DEST_PATH_IMAGE049
式中，M为BPNN输入层节点数目；Q为BPNN隐含层节点数目；N为BPNN输出层节点数目；
3）初始化粒子群位置和速度并进行参数设置，将BPNN训练误差作为适应度函数以对粒子进行评价，表达式为：
Figure 24857DEST_PATH_IMAGE050
式中，
Figure 856547DEST_PATH_IMAGE051
表示训练样本数；
Figure 689374DEST_PATH_IMAGE052
表示实际输出；
Figure 581106DEST_PATH_IMAGE053
表示期望输出；
4）根据所述将BPNN训练误差作为适应度函数以对粒子进行评价的表达式计算适应度，以确定个体和群体的最优位置；
5）根据所述在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式计算每个粒子的欧氏距离，将种群划分为界内区域和界外区域；
6）判断种群是否陷入极小区域，若是执行变异操作，转到步骤8），否则继续执行步骤7）；
7）根据所述惯性权重进行动态调整的表达式、所述学习因子动态调整的表达式计算粒子的惯性权重和学习因子；
8）根据所述迭代过程中速度的更新公式、所述迭代过程中位置的更新公式更新粒子的位置和速度；
9）判断算法是否满足结束条件，不满足转入步骤4），以满足解码获得BPNN最优初始权值和阈值；
10）进行BPNN训练，网络训练结束进行仿真预测。
6.如权利要求1所述的光伏功率预测方法，其特征在于，所述将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果，包括：
利用重构公式将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果，所述重构公式包括：
Figure 233805DEST_PATH_IMAGE054
式中，a为尺度参数，b为平移参数；
Figure 869185DEST_PATH_IMAGE055
；
Figure 556518DEST_PATH_IMAGE056
为重构后的函数；
Figure 619152DEST_PATH_IMAGE057
为表征可容性的值；
Figure 759147DEST_PATH_IMAGE058
为连续小波变换函数；
Figure 434104DEST_PATH_IMAGE059
为一个基本小波或母小波。
Figure 710365DEST_PATH_IMAGE060
式中，
Figure 209479DEST_PATH_IMAGE061
、
Figure 571190DEST_PATH_IMAGE062
表示分解后的低频信号序列和高频信号序列；H、G分别为表征低通离散滤波器和高通离散滤波器的矩阵；
Figure 813953DEST_PATH_IMAGE063
、
Figure 944720DEST_PATH_IMAGE064
分别为
Figure 614735DEST_PATH_IMAGE065
、
Figure 463743DEST_PATH_IMAGE066
的共轭转置矩阵；n为小波分解层数，q表示第q层小波分解层。
7.一种光伏功率预测系统，其特征在于，包括：
输入数据选择模块，用于通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；
输入数据处理模块，用于对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；
模型计算模块，用于基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；
模型预测模块，用于将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。
8.如权利要求7所述的光伏功率预测系统，其特征在于，所述输入数据选择模块，还用于：
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表，并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件；
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据；
获取电网光伏历史功率之间的皮尔逊相关系数，选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据；其中，s为小于U的正实数。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的光伏功率预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的光伏功率预测方法。
CN202111566541.7A 2021-12-21 2021-12-21 一种光伏功率预测方法、系统、设备及存储介质 Pending CN114004424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111566541.7A CN114004424A (zh) 2021-12-21 2021-12-21 一种光伏功率预测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111566541.7A CN114004424A (zh) 2021-12-21 2021-12-21 一种光伏功率预测方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114004424A true CN114004424A (zh) 2022-02-01

Family

ID=79931907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111566541.7A Pending CN114004424A (zh) 2021-12-21 2021-12-21 一种光伏功率预测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114004424A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662807A (zh) * 2022-05-26 2022-06-24 国网浙江省电力有限公司电力科学研究院 基于序列编码重构的多尺度区域光伏出力预测方法及系统
CN115271253A (zh) * 2022-09-05 2022-11-01 中国长江三峡集团有限公司 一种水风光发电功率预测模型构建方法、装置及存储介质
CN116167508A (zh) * 2023-01-16 2023-05-26 南通电力设计院有限公司 一种基于气象因素分解的短期光伏出力快速预测方法及系统
CN116307291A (zh) * 2023-05-22 2023-06-23 国网信息通信产业集团有限公司 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN116307287A (zh) * 2023-05-19 2023-06-23 国网信息通信产业集团有限公司 一种光伏发电有效时段的预测方法、系统及预测终端
CN116388865A (zh) * 2023-06-05 2023-07-04 深圳市飞思卓科技有限公司 一种基于pon光模块光功率异常的自动筛选方法
CN116404645A (zh) * 2023-06-07 2023-07-07 山东大学 考虑时空相关特性的分布式光伏短期功率预测方法及系统
CN116776134A (zh) * 2023-08-16 2023-09-19 国网浙江省电力有限公司金华供电公司 一种基于PCA-SFFS-BiGRU的光伏出力预测方法
CN116776935A (zh) * 2023-06-09 2023-09-19 淮阴工学院 一种基于改进micn的光伏功率预测方法
CN117293826A (zh) * 2023-11-27 2023-12-26 山东大学 一种分布式光伏缺失功率实时预测方法、系统、介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165770A (zh) * 2018-07-09 2019-01-08 江苏大学 基于AFSA-Elman的新型光伏功率预测方法
CN109840629A (zh) * 2019-01-21 2019-06-04 南京邮电大学 基于小波变换-树突状神经元模型的光伏功率预测方法
CN112348271A (zh) * 2020-11-12 2021-02-09 华北电力大学 基于vmd-ipso-gru的短期光伏功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165770A (zh) * 2018-07-09 2019-01-08 江苏大学 基于AFSA-Elman的新型光伏功率预测方法
CN109840629A (zh) * 2019-01-21 2019-06-04 南京邮电大学 基于小波变换-树突状神经元模型的光伏功率预测方法
CN112348271A (zh) * 2020-11-12 2021-02-09 华北电力大学 基于vmd-ipso-gru的短期光伏功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐国强: "蒙东电网新能源消纳能力评估与消纳措施研究", 《中国优秀博硕士论文全文数据库（硕士） 工程科技Ⅱ辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114662807A (zh) * 2022-05-26 2022-06-24 国网浙江省电力有限公司电力科学研究院 基于序列编码重构的多尺度区域光伏出力预测方法及系统
CN115271253B (zh) * 2022-09-05 2023-07-14 中国长江三峡集团有限公司 一种水风光发电功率预测模型构建方法、装置及存储介质
CN115271253A (zh) * 2022-09-05 2022-11-01 中国长江三峡集团有限公司 一种水风光发电功率预测模型构建方法、装置及存储介质
CN116167508A (zh) * 2023-01-16 2023-05-26 南通电力设计院有限公司 一种基于气象因素分解的短期光伏出力快速预测方法及系统
CN116167508B (zh) * 2023-01-16 2024-03-15 南通电力设计院有限公司 一种基于气象因素分解的短期光伏出力快速预测方法及系统
CN116307287B (zh) * 2023-05-19 2023-08-01 国网信息通信产业集团有限公司 一种光伏发电有效时段的预测方法、系统及预测终端
CN116307287A (zh) * 2023-05-19 2023-06-23 国网信息通信产业集团有限公司 一种光伏发电有效时段的预测方法、系统及预测终端
CN116307291B (zh) * 2023-05-22 2023-08-29 国网信息通信产业集团有限公司 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN116307291A (zh) * 2023-05-22 2023-06-23 国网信息通信产业集团有限公司 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN116388865A (zh) * 2023-06-05 2023-07-04 深圳市飞思卓科技有限公司 一种基于pon光模块光功率异常的自动筛选方法
CN116388865B (zh) * 2023-06-05 2023-09-15 深圳市飞思卓科技有限公司 一种基于pon光模块光功率异常的自动筛选方法
CN116404645B (zh) * 2023-06-07 2023-08-25 山东大学 考虑时空相关特性的分布式光伏短期功率预测方法及系统
CN116404645A (zh) * 2023-06-07 2023-07-07 山东大学 考虑时空相关特性的分布式光伏短期功率预测方法及系统
CN116776935B (zh) * 2023-06-09 2024-02-23 淮阴工学院 一种基于改进micn的光伏功率预测方法
CN116776935A (zh) * 2023-06-09 2023-09-19 淮阴工学院 一种基于改进micn的光伏功率预测方法
CN116776134A (zh) * 2023-08-16 2023-09-19 国网浙江省电力有限公司金华供电公司 一种基于PCA-SFFS-BiGRU的光伏出力预测方法
CN116776134B (zh) * 2023-08-16 2023-10-24 国网浙江省电力有限公司金华供电公司 一种基于PCA-SFFS-BiGRU的光伏出力预测方法
CN117293826A (zh) * 2023-11-27 2023-12-26 山东大学 一种分布式光伏缺失功率实时预测方法、系统、介质及设备
CN117293826B (zh) * 2023-11-27 2024-04-05 山东大学 一种分布式光伏缺失功率实时预测方法、系统、介质及设备

Similar Documents

Publication Publication Date Title
CN114004424A (zh) 一种光伏功率预测方法、系统、设备及存储介质
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
Wang et al. The study and application of a novel hybrid forecasting model–A case study of wind speed forecasting in China
CN112926795B (zh) 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统
CN110556820B (zh) 用于确定能量系统操作场景的方法和设备
CN111210082A (zh) 一种基于优化的bp神经网络算法的降水量预测方法
CN103268366A (zh) 一种适用于分散式风电场的组合风电功率预测方法
Guo et al. An ensemble solar power output forecasting model through statistical learning of historical weather dataset
Verma et al. Data analysis to generate models based on neural network and regression for solar power generation forecasting
CN103489038A (zh) 基于lm-bp神经网络的光伏超短期功率预测方法
CN112052913B (zh) 一种分布式光伏电站功率数据虚拟采集方法
Liang et al. A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting
CN107679687A (zh) 一种光伏出力建模方法以及发电系统可靠性评估方法
CN113177673B (zh) 一种空调冷负荷预测优化方法、系统及设备
Hu et al. Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model
CN104732300A (zh) 一种基于模糊分区理论的神经网络风功率短期预测方法
CN111709109A (zh) 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置
Zhang et al. Photovoltaic power prediction based on hybrid modeling of neural network and stochastic differential equation
CN110264012A (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
CN112149905A (zh) 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法
Zhang et al. Prediction of building energy consumption based on PSO-RBF neural network
CN117613883A (zh) 发电功率预测方法、装置、计算机设备及存储介质
CN114862023A (zh) 基于四维逐点气象预报的分布式光伏功率预测方法及系统
CN116822672A (zh) 一种空调冷负荷预测优化方法、系统
Zhong et al. PV power short-term forecasting model based on the data gathered from monitoring network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220201