CN116167508A - 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 - Google Patents

Abstract

本发明公开了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，预测方法包括：（1）提出一种气象因素相关性分解系数计算方法，实现对光伏出力气象因素分量的快速分解计算；（2）建立改进支持向量机的预测模型对气象因素数值进行预测，采用一种一致性测度函数来选择模型的训练样本对模型进行训练，并基于改进鱼群觅食优化算法优化模型参数；（3）最后，基于优化完成的模型，快速预测下一时刻的气象因素值，计算其对应的光伏出力分量，并利用气象因素相关性分解系数计算总光伏出力。本发明实现对光伏出力气象因素分量的快速分解计算；同样也能基于预测的个光伏出力气象因素分量反求总光伏出力，实现光伏短期出力的快速预测，提高光伏电站的实际运行效率。

Description

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

技术领域

本发明属于光伏出力预测技术领域，尤其涉及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。

背景技术

随着世界经济以及全球化的快速发展，能源也越来越不能完全满足现代人们的日常生产以及生活使用需求。因此如何发展可再生清洁能源，对于整个世界各国的经济发展意义重大。太阳能发电作为可再生清洁能源之一，其性能清洁环保无污染，生产成本低，而且光伏发电系统的正常运行以及维护的主要工作量较小。然而，光伏发电装机容量的迅速增大也给电网的安全稳定运行带来了一些问题。光伏发电是一种光生伏特效应，光的质量将影响光伏出力，而光的质量会受温度、相对湿度、风速、云层厚度等气象因素的影响特别大。可能会给其他电网设备造成冲击、带来电压波动，不利于电力系统的稳定正常运行。当天气变化时，光伏出力会出现间歇、波动较大的情况。当光伏装机容量达到一定规模并入电网后，会对整个电网的稳定运行造成较大的冲击，加大了电网调度部门协调安排发电的难度。

因此，当大规模光伏并网时，同时保证电网对光伏发电功率的消纳，需要对光伏发电功率进行预测，尤其是针对不确定性的天气的光伏出力预测。对光伏出力预测有利于提高电力系统的安全稳定运行和电网调度部门的调度决策，包括安排发电计划、调整发电功率的峰谷差、电力系统的潮流优化和安排设备检修等。对大型光伏电站在不同天气下发电功率的精准预测，能为电网调度部门提供数据依据，有利于电网调度部门统筹安排常规发电厂与光伏电站发电的协调配合，对电力系统安全稳定运行有积极的影响。

发明内容

本发明针对现有技术中的不足，提供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。本发明基于改进支持向量机模型对气象因素进行快速预测，计算其对应的光伏出力分量，并利用气象因素相关性分解系数计算总光伏出力总量，实现光伏短期出力的快速预测，提高光伏电站的实际运行效率。

为实现上述目的，本发明采用以下技术方案：

一种基于气象因素分解的短期光伏出力快速预测方法，其特征在于，包括：

提出一种将气象因素相关性分解系数计算方法，实现对光伏出力气象因素分量的快速分解计算；

建立改进支持向量机的预测模型对气象因素数值进行预测，采用一种一致性测度函数来选择模型的训练样本对模型进行训练，并基于改进鱼群觅食优化算法优化模型参数，

最后，基于优化完成的模型，快速预测下一时刻的气象因素值，计算其对应的光伏出力分量，并利用气象因素相关性分解系数计算总光伏出力总量。

提出一种分解光伏出力的气象因素相关性系数计算方法，可以根据此系数将光伏出力进行分解，计算方法见式(1)

式中，P_pv表示光伏出力总量，P_pv ^Z、P_pv ^W和P_pv ^R分别表示光伏出力基于太阳辐照度、环境温度和相对湿度这三种气象因素的气象分量，λ^Z、λ^W和λ^R分别表示气象因素太阳辐照度、环境温度和相对湿度对光伏出力的相关性权重因子，其计算方法见式(2),

式中，k^Z、k^W和k^R分别表示气象因素太阳辐照度、环境温度和相对湿度对光伏出力的相关性系数，其计算方法见式(3),

式中，Q表示计算所用的样本数量，Z_q ^*表示第q个样本中气象因素Z归一化处理后的数值，

表示第q个样本中光伏的输出功率经过式(4)归一化处理后的数值，Y_Z ^*和Y_P ^*分别表示对应样气象因素Z和本的光伏的输出P_pv的样本平均值。

式中，P_pv ^*表示经过式归一化处理后的某时刻光伏输出功率数值，P_pv为某时刻光伏输出功率实际值，P_{pv min}和P_{pv max}分别为光伏电站出力最小值和最大值。

气象因素太阳辐照度、环境温度和相对湿度其归一化计算方式见式(5)～(7)，

式中，Z^*、W^*和R^*分别为太阳辐照度、环境温度和相对湿度这三种气象因素经过归一化处理后的数值，Z、W和R分别为太阳辐照度、环境温度和相对湿度这三种气象因素的实际数值，Z_min和Z_max分别为太阳辐照度的最小值和最大值。

同理可求出λ^W和λ^R。

采用一种改进支持向量机相的预测模型，该模型运用一种一致性测度函数，从大量的历史气象-光伏出力数据中提取与预测样本一致性较高的数据创建训练样本，训练支持向量机预测模型，最后预测下一时刻的气象因素数值，

具体预测过程如下

步骤1，基于一致性理论，采用一种一致性测度函数，选取一致性较高的训练样本；

步骤2，利用一种改进鱼群觅食优化算法，求得气象因素对应的支持向量机相模型中的最优惩罚系数和核函数参数

步骤3，构造样本对(X_t,Y _t)，X_t＝{x_t-m,x_t-m+1,…,x_t-1}为模型输入，Y_t＝x_t即为模型的输出，m为决定预测值的历史数据个数，即模型输入向量的维数；

步骤4，若是单步预测则将最新实际的x_t加入历史序列末端，若是进行多步预测则将预测出来的x_t加入历史序列末端，确定输入为X_t+1，X_t+1＝{x_t-m+1,x_t-m+2,…,x_t}对x_t+1预测，利用上面的方法，最终得到x_t+1的值。

步骤5，每预测完一步，用最新的实际数据或者预测值更新历史数据，再对下一时刻的值进行预测。

步骤6，根据预测得到t+1时刻的气象因素太阳辐照度、环境温度和相对湿度归一化后的值Z^* _t+1、W^* _t+1和R^* _t+1数值，根据式(8)计算t+1时刻光伏出力的各气象因素分量

和/>

式中，Z^* _t、W^* _t和R^* _t分别为气象因素太阳辐照度、环境温度和相对湿度归一化后的值，

和/>

分别为t时刻光伏出力的太阳辐照度、环境温度和相对湿度分量值。

再根据式(1)，可以快速计算出t+1时刻光伏出力总值P_{pv t+1}。

其中所述改进支持向量机模型具体建立方式见下，

对于非线性回归问题，给定训练样本集{x_n,y_n},n＝1、2、…、N,其中输入量x_n∈Rⁿ，对应的输出量y_n∈R，N为样本数。通过非线性函数将x_n,映射到高维特征空间，再进行回归运算，支持向量回归表达式见式(9)：

式中，α_n,α′_n,为大于零的拉格朗日乘子，对应的向量为支持向量，其值根据式(10)来确定。x_n为训练样本中的输入分量，x为测试样本中的输入分量，x_n、x∈Rⁿ。b为偏置值，是一个常数。

式中，c为惩罚系数；β₁和β₂是松弛变量，其值大于零；ε为允许误差系数，y_n为样本输入x_n对应实际值，f(x_n)为模型输出值。

ψ(x_n,x)为核函数，其作用是给定低维空间的x_n和x，直接计算出在高维空间的内积值,其具体函数表达式见式(11)。

式中，σ为核函数参数。

在运用模型对气象因素进行预测时，需要确定模型的2个参数值，即惩罚系数C和核函数参数σ。为提高模型的预测精度采用一种改进鱼群觅食优化算法，对这2个参数进行优化选择。

所述一致性测度函数计算方法见式(12)

式中，A＝{a₁,a₂,…,a_D}为待测样本序列，B＝{b₁,b₂,…,b_D}为待选样本序列，

上式函数的值域为[0 1]，τ(A,B)越接近1，则待测样本序列A与待与选样本序列B的一致性越高。

若满足式(13)，则选取序列B为改进支持向量机模型的训练样本。

τ(A,B)≥γ (13)

式中，γ为一致性系数基准值，其取值范围为[0 1]。

采用一种改进鱼群觅食优化算法，对改进的支持向量机模型中的2个参数值，即惩罚系数c和核函数参数σ进行寻优计算。

改进鱼群觅食优化是一种新的群体智能优化算法，其模拟动物界中鱼群觅食过程和行为，主要包括5个步骤，具体如下。

步骤1：参数设置，设置鱼群优化算法的种群数量L，最大迭代次数S，变量个数H；变量的上边界O^U＝[o^U ₁,o^U ₂,…]，变量的下边界O^D＝[o^D ₁,o^D ₂,…]；

步骤2：种群位置的初始化，种群包括鱼群和食物2种生物，食物位置U和鱼儿个体位置V由式(14)和式(15)

式中：U和V分别为食物和鱼儿个体的位置矩阵；u_ln和v_ln分别为第l个食物和鱼儿个体对应的第h个参数值；l＝1,2,…,L，h＝1,2,…,H。

鱼个体和食物初始位置U_0n和v_0n根据式(16)计算

/>

式中：r₁和r₂为随机数；o^U _h和o^D _h分别为第h个变量的上、下边界。

步骤3：精英鱼的选择，精英鱼是指每次迭代过程所有鱼群中最优的鱼个体，可由适应度值E进行判断，可以根据式(17)计算。

式中：f(x)和y分别为关于输入x的改进支持向量机模型预测值关于输入x的和实际值。

每次迭代过程中鱼儿的适应度矩阵E为：

因此，初代精英鱼即为算法首次迭代过程中具有最优适应度值的鱼个体。

步骤4：优化迭代，在算法中，每个食物的位置移动受精英个体和鱼个体的影响。第s代食物的位置u_l ^s为：

式中：R₁ ^s为依据精英鱼个体位置的第s代食物个体的随机游走；R₂ ^s为依据鱼群位置的第s代食物的随机游走。

为更有利于鱼群觅食，算法中会根据式(20)逐渐缩小随机游走的范围，

式中：J随机游走范围缩小比例，可由式(21)计算得出。

式中：s^#为当前迭代次数位置系数，计算方法见式(22)

步骤5：最优鱼儿(精英)的选择，鱼儿在捕猎食物之后，为了更有利于新的觅食，鱼儿将调整位置。在优化算法中，适应度值大于鱼儿的这类食物将被捕获。在捕获到食物后，鱼儿将根据捕获到的食物的位置更新其位置，即：

v_l ^s＝u_l ^s,f(u_l ^s)＞f(v_l ^s) (23)

在每次迭代过程中，鱼儿都会根据式(23)更新其位置和对应的适应度，进而可确定在该次迭代中最优的鱼儿个体。当达到算法终止的条件时，即可获得最优的鱼儿个体(即精英)，此时其值就是改进支持向量机模型的最优惩罚系数c和核函数参数σ。

一种基于气象因素分解的短期光伏出力快速预测系统，其特征在于，包括：

光伏出力气象分量分解模块，用于确定分解光伏出力的气象因素相关性系数；

基于改进支持向量机模型的预测模块，用于快速预测下一时刻的气象因素值，并根据气象因素预测值计算光伏总出力预测值；

模型训练样本选择模块，用于选择与待测数据组一致性较高的历史数据作为训练样本数据；

模型优化模块，用于基于一种改进鱼群觅食优化算法，对改进的支持向量机模型中的惩罚系数c和核函数参数σ进行寻优计算。

一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-5任一项所述的基于气象因素分解的短期光伏出力快速预测方法。

本发明的有益效果是：

1、针对光伏出力受气象因素影响较大的问题，本发明一种气象因素相关性分解系数计算方法，实现对光伏出力气象因素分量的快速分解计算；同样也能基于预测的个光伏出力气象因素分量反求总光伏出力；

2、建立一种改进支持向量机的预测模型对气象因素数值进行预测，采用一种一致性测度函数来选择模型的训练样本对模型进行训练，并基于改进鱼群觅食优化算法优化模型参数，实现光伏短期出力的快速预测，提高光伏电站的实际运行效率。

附图说明

图1是本发明提出的一种基于气象因素分解的短期光伏出力快速预测方法的总体流程图。

图2本发明所建立改进支持向量机模型结构图。

图3本发明所采用改进鱼群觅食优化算法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细的说明。

如图1所示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，首先提出一种气象因素相关性分解系数计算方法，实现对光伏出力气象因素分量的快速分解计算；其次建立一种如图2所示改进支持向量机的预测模型对气象因素数值进行预测，采用一种一致性测度函数来选择模型的训练样本对模型进行训练，并采用一种如图3所示基于改进鱼群觅食优化算法优化模型参数；最后，基于优化完成的模型，快速预测下一时刻的气象因素值，计算其对应的光伏出力分量，并利用气象因素相关性分解系数计算总光伏出力，实现光伏短期出力的快速预测，提高光伏电站的实际运行效率。

本发明所提出的一种面向交直流混合电网的电力系统无功优化方法，具体实

施过程如下：

一、提出一种分解光伏出力的气象因素相关性系数计算方法，可以根据此系数将光伏出力进行分解，计算方法见式(1)

P_pv＝λ^Z·P_pv ^Z+λ^W·P_pv ^W+λ^R·P_pv ^R (1)

式中，P_pv表示光伏出力总量，P_pv ^Z、P_pv ^W和P_pv ^R分别表示光伏出力基于太阳辐照度、环境温度和相对湿度这三种气象因素的气象分量，λ^Z、λ^W和λ^R分别表示气象因素太阳辐照度、环境温度和相对湿度对光伏出力的相关性权重因子，其计算方法见式(2),

式中，k^Z、k^W和k^R分别表示气象因素太阳辐照度、环境温度和相对湿度对光伏出力的相关性系数，其计算方法见式(3),

式中，Q表示计算所用的样本数量，Z_q ^*表示第q个样本中气象因素Z归一化处理后的数值，P_pv ^* _q表示第q个样本中光伏的输出功率经过式(4)归一化处理后的数值，Y_Z ^*和Y_P ^*分别表示对应样气象因素Z和本的光伏的输出P_pv的样本平均值。

相关系数k的取值范围为(-1，1)，其中k>0为正相关，表明一组变量随另一组变量的增大(减小)一致的发生增大(减小)，k<0为负相关，表明一组变量随另一组变量的增大(减小)相反的发生减小(增大)，其中的绝对值越接近1则相关程度越大、越接近0则相关程度越小。

式中，P_pv ^*表示经过式归一化处理后的某时刻光伏输出功率数值，P_pv为某时刻光伏输出功率实际值，P_{pv min}和P_{pv max}分别为光伏电站出力最小值和最大值。

气象因素太阳辐照度、环境温度和相对湿度其归一化计算方式见式(5)～(7)，

式中，Z^*、W^*和R^*分别为太阳辐照度、环境温度和相对湿度这三种气象因素经过归一化处理后的数值，Z、W和R分别为太阳辐照度、环境温度和相对湿度这三种气象因素的实际数值，Z_min和Z_max分别为太阳辐照度的最小值和最大值。

湿度是用来形容大气干燥程度的物理量，一般自身就是一个相对百分数。

同理可求出λ^W和λ^R。

二、采用一种改进支持向量机相的预测模型，该模型运用一种一致性测度函数，从大量的历史气象-光伏出力数据中提取与预测样本一致性较高的数据创建训练样本，训练支持向量机预测模型，最后预测下一时刻的气象因素数值，

具体预测过程如下

步骤1，基于一致性理论，采用一种一致性测度函数，选取一致性较高的训练样本；

步骤2，利用一种改进鱼群觅食优化算法，求得气象因素对应的支持向量机相模型中的最优惩罚系数和核函数参数

步骤3，构造样本对(X_t,Y _t)，X_t＝{x_t-m,x_t-m+1,…,x_t-1}为模型输入，Y_t＝x_t即为模型的输出，m为决定预测值的历史数据个数，即模型输入向量的维数；

步骤4，若是单步预测则将最新实际的x_t加入历史序列末端，若是进行多步预测则将预测出来的x_t加入历史序列末端，确定输入为X_t+1，X_t+1＝{x_t-m+1,x_t-m+2,…,x_t}对x_t+1预测，利用上面的方法，最终得到x_t+1的值。

步骤5，每预测完一步，用最新的实际数据或者预测值更新历史数据，再对下一时刻的值进行预测。

步骤6，根据预测得到t+1时刻的气象因素太阳辐照度、环境温度和相对湿度归一化后的值Z^* _t+1、W^* _t+1和R^* _t+1数值，根据式(8)计算t+1时刻光伏出力的各气象因素分量P_pv ^Z _t+1、P_pv ^W _t+1和P_pv ^R _t+1，

式中，Z^* _t、W^* _t和R^* _t分别为气象因素太阳辐照度、环境温度和相对湿度归一化后的值，P_pv ^Z _t、P_pv ^W _t和P_pv ^R _t分别为t时刻光伏出力的太阳辐照度、环境温度和相对湿度分量值。

再根据式(1)，可以快速计算出t+1时刻光伏出力总值P_{pv t+1}。

其中所述改进支持向量机的结构如图2所示，具体建立方式见下，

对于非线性回归问题，给定训练样本集{x_n,y_n},n＝1、2、…、N,其中输入量x_n∈Rⁿ，对应的输出量y_n∈R，N为样本数。通过非线性函数将x_n,映射到高维特征空间，再进行回归运算，支持向量回归表达式见式(9)：

式中，α_n,α′_n,为大于零的拉格朗日乘子，对应的向量为支持向量，其值根据式(10)来确定。x_n为训练样本中的输入分量，x为测试样本中的输入分量，x_n、x∈Rⁿ。b为偏置值，是一个常数。

式中，c为惩罚系数；β₁和β₂是松弛变量，其值大于零；ε为允许误差系数，y_n为样本输入x_n对应实际值，f(x_n)为模型输出值。

ψ(x_n,x)为核函数，其作用是给定低维空间的x_n和x，直接计算出在高维空间的内积值,其具体函数表达式见式(11)。

式中，σ为核函数参数。

在运用模型对气象因素进行预测时，需要确定模型的2个参数值，即惩罚系数C和核函数参数σ。为提高模型的预测精度采用一种改进鱼群觅食优化算法，对这2个参数进行优化选择。

三、所述一致性测度函数计算方法见式(12)

式中，A＝{a₁,a₂,…,a_D}为待测样本序列，B＝{b₁,b₂,…,b_D}为待选样本序列，

上式函数的值域为[0 1]，τ(A,B)越接近1，则待测样本序列A与待与选样本序列B的一致性越高。

若满足式(13)，则选取序列B为改进支持向量机模型的训练样本。

τ(A,B)≥γ (13)

式中，γ为一致性系数基准值，其取值范围为[0 1]。

四、采用一种改进鱼群觅食优化算法，对改进的支持向量机模型中的2个参数值，即惩罚系数c和核函数参数σ进行寻优计算。

改进鱼群觅食优化是一种新的群体智能优化算法，其模拟动物界中鱼群觅食过程和行为，主要包括5个步骤，具体如下。

步骤1：参数设置，设置鱼群优化算法的种群数量L，最大迭代次数S，变量个数H；变量的上边界O^U＝[o^U ₁,o^U ₂,…]，变量的下边界O^D＝[o^D ₁,o^D ₂,…]；

步骤2：种群位置的初始化，种群包括鱼群和食物2种生物，食物位置U和鱼儿个体位置V由式(14)和式(15)

式中：U和V分别为食物和鱼儿个体的位置矩阵；u_ln和v_ln分别为第l个食物和鱼儿个体对应的第h个参数值；l＝1,2,…,L，h＝1,2,…,H。

鱼个体和食物初始位置U_0n和v_0n根据式(16)计算

式中：r₁和r₂为随机数；o^U _h和o^D _h分别为第h个变量的上、下边界。

步骤3：精英鱼的选择，精英鱼是指每次迭代过程所有鱼群中最优的鱼个体，可由适应度值E进行判断，可以根据式(17)计算。

式中：f(x)和y分别为关于输入x的改进支持向量机模型预测值关于输入x的和实际值。

每次迭代过程中鱼儿的适应度矩阵E为：

因此，初代精英鱼即为算法首次迭代过程中具有最优适应度值的鱼个体。

步骤4：优化迭代，在算法中，每个食物的位置移动受精英个体和鱼个体的影响。第s代食物的位置u_l ^s为：

式中：R₁ ^s为依据精英鱼个体位置的第s代食物个体的随机游走；R₂ ^s为依据鱼群位置的第s代食物的随机游走。

为更有利于鱼群觅食，算法中会根据式(20)逐渐缩小随机游走的范围，

式中：J随机游走范围缩小比例，可由式(21)计算得出。

式中：s^#为当前迭代次数位置系数，计算方法见式(22)

步骤5：最优鱼儿(精英)的选择，鱼儿在捕猎食物之后，为了更有利于新的觅食，鱼儿将调整位置。在优化算法中，适应度值大于鱼儿的这类食物将被捕获。在捕获到食物后，鱼儿将根据捕获到的食物的位置更新其位置，即：

v_l ^s＝u_l ^s,f(u_l ^s)＞f(v_l ^s) (23)

在每次迭代过程中，鱼儿都会根据式(23)更新其位置和对应的适应度，进而可确定在该次迭代中最优的鱼儿个体。当达到算法终止的条件时，即可获得最优的鱼儿个体(即精英)，此时其值就是改进支持向量机模型的最优惩罚系数c和核函数参数σ。

在另一实施例中，本发明提出了一种计算机可读存储介质，存储有计算机程序，计算机程序使计算机执行如上所述的基于气象因素分解的短期光伏出力快速预测方法。

在另一实施例中，本发明提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如上所述的基于气象因素分解的短期光伏出力快速预测方法。

在本申请所公开的实施例中，计算机存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

本领域普通技术人员可以意识到，结合本申请所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于气象因素分解的短期光伏出力快速预测方法，其特征是：包括下列步骤：

(1)提出一种气象因素相关性分解系数计算方法，实现对光伏出力气象因素分量的快速分解计算；

(2)建立改进支持向量机的预测模型对气象因素数值进行预测，采用一种一致性测度函数来选择模型的训练样本对模型进行训练，并基于改进鱼群觅食优化算法优化模型参数；

(3)最后，基于优化完成的模型，快速预测下一时刻的气象因素值，计算其对应的光伏出力分量，并利用气象因素相关性分解系数计算总光伏出力。

2.根据权利要求1所述的基于气象因素分解的短期光伏出力快速预测方法，其特征是：

步骤(1)所述的气象因素相关性分解系数计算方法，见式(1)

P_pv＝λ^Z·P_pv ^Z+λ^W·P_pv ^W+λ^R·P_pv ^R (1)

式中，P_pv表示光伏出力总量，P_pv ^Z、P_pv ^W和P_pv ^R分别表示光伏出力基于太阳辐照度、环境温度和相对湿度这三种气象因素的气象分量；λ^Z、λ^W和λ^R分别表示气象因素太阳辐照度、环境温度和相对湿度对光伏出力的相关性权重因子，其计算方法见式(2),

式中，k^Z、k^W和k^R分别表示气象因素太阳辐照度、环境温度和相对湿度对光伏出力的相关性系数，其计算方法见式(3),

式中，Q表示计算所用的样本数量，Z_q ^*表示第q个样本中气象因素Z归一化处理后的数值，P_pv ^* _q表示第q个样本中光伏的输出功率经过式(4)归一化处理后的数值，Y_Z ^*和Y_P ^*分别表示对应样气象因素Z和本的光伏的输出P_pv的样本平均值；

式中，P_pv ^*表示经过式归一化处理后的某时刻光伏输出功率数值，P_pv为某时刻光伏输出功率实际值，P_{pv min}和P_{pv max}分别为光伏电站出力最小值和最大值；

气象因素太阳辐照度、环境温度和相对湿度其归一化计算方式见式(5)～(7)，

式中，Z^*、W^*和R^*分别为太阳辐照度、环境温度和相对湿度这三种气象因素经过归一化处理后的数值，Z、W和R分别为太阳辐照度、环境温度和相对湿度这三种气象因素的实际数值，Z_min和Z_max分别为太阳辐照度的最小值和最大值；

同理可求出λ^W和λ^R。

3.根据权利要求1所述的基于气象因素分解的短期光伏出力快速预测方法，其特征是：步骤(2)包括：

采用一种改进支持向量机相的预测模型，该模型运用一种一致性测度函数，从大量的历史气象-光伏出力数据中提取与预测样本一致性较高的数据创建训练样本，训练支持向量机预测模型，最后预测下一时刻的气象因素数值；

具体预测过程如下

步骤1，基于一致性理论，采用一种一致性测度函数，选取一致性较高的训练样本；

步骤2，利用一种改进鱼群觅食优化算法，求得气象因素对应的支持向量机相模型中的最优惩罚系数和核函数参数

步骤3，构造样本对(X_t,Y_t)，X_t＝{x_t-m,x_t-m+1,…,x_t-1}为模型输入，Y_t＝x_t即为模型的输出，m为决定预测值的历史数据个数，即模型输入向量的维数；

步骤4，若是单步预测则将最新实际的x_t加入历史序列末端，若是进行多步预测则将预测出来的x_t加入历史序列末端，确定输入为X_t+1，X_t+1＝{x_t-m+1,x_t-m+2,…,x_t}对x_t+1预测，利用上面的方法，最终得到x_t+1的值；

步骤5，每预测完一步，用最新的实际数据或者预测值更新历史数据，再对下一时刻的值进行预测；

步骤6，根据预测得到t+1时刻的气象因素太阳辐照度、环境温度和相对湿度归一化后的值Z^* _t+1、W^* _t+1和R^* _t+1数值，根据式(8)计算t+1时刻光伏出力的各气象因素分量P_pv ^Z _t+1、P_pv ^W _t+1和P_pv ^R _t+1，

式中，Z^* _t、W^* _t和R^* _t分别为气象因素太阳辐照度、环境温度和相对湿度归一化后的值，P_pv ^Z _t、P_pv ^W _t和P_pv ^R _t分别为t+1时刻光伏出力的太阳辐照度、环境温度和相对湿度分量值；

再根据式(1)，可以快速计算出t+1时刻光伏出力总值P_{pv t+1}；

其中所述改进支持向量机模型具体建立方式见下：

对于非线性回归问题，给定训练样本集{x_n,y_n},n＝1、2、…、N,其中输入量x_n∈Rⁿ，对应的输出量y_n∈R，N为样本数；通过非线性函数将x_n,映射到高维特征空间，再进行回归运算，支持向量回归表达式见式(9)：

式中，α_n,α′_n,为大于零的拉格朗日乘子，对应的向量为支持向量，其值根据式(10)来确定；x_n为训练样本中的输入分量，x为测试样本中的输入分量，x_n、x∈Rⁿ；b为偏置值，是一个常数；

式中，c为惩罚系数；β₁和β₂是松弛变量，其值大于零；ε为允许误差系数，y_n为样本输入x_n对应实际值，f(x_n)为模型输出值；

ψ(x_n,x)为核函数，其作用是给定低维空间的x_n和x，直接计算出在高维空间的内积值,其具体函数表达式见式(11)：

式中，σ为核函数参数。

4.根据权利要求3所述的基于气象因素分解的短期光伏出力快速预测方法，其特征是：

所述一致性测度函数，其计算方法见式(12)：

式中，A＝{a₁,a₂,…,a_D}为待测样本序列，B＝{b₁,b₂,…,b_D}为待选样本序列，

上式函数的值域为[0 1]，τ(A,B)越接近1，则待测样本序列A与待与选样本序列B的一致性越高；

若满足式(13)，则选取序列B为改进支持向量机模型的训练样本；

τ(A,B)≥γ (13)

式中，γ为一致性系数基准值，其取值范围为[0 1]。

5.根据权利要求3所述的基于气象因素分解的短期光伏出力快速预测方法，其特征是：

采用一种改进鱼群觅食优化算法，对改进的支持向量机模型中的2个参数值，即惩罚系数c和核函数参数σ进行寻优计算；

改进鱼群觅食优化是一种新的群体智能优化算法，其模拟动物界中鱼群觅食过程和行为，主要包括5个步骤，具体如下：

步骤1：参数设置，设置鱼群优化算法的种群数量L，最大迭代次数S，变量个数H；变量的上边界O^U＝[o^U ₁,o^U ₂,…]，变量的下边界O^D＝[o^D ₁,o^D ₂,…]；

步骤2：种群位置的初始化，种群包括鱼群和食物2种生物，食物位置U和鱼儿个体位置V由式(14)和式(15)

/>

式中：U和V分别为食物和鱼儿个体的位置矩阵；u_ln和v_ln分别为第l个食物和鱼儿个体对应的第h个参数值；l＝1,2,…,L，h＝1,2,…,H；

鱼个体和食物初始位置U_0n和v_0n根据式(16)计算

式中：r₁和r₂为随机数；o^U _h和o^D _h分别为第h个变量的上、下边界；

步骤3：精英鱼的选择，精英鱼是指每次迭代过程所有鱼群中最优的鱼个体，可由适应度值E进行判断，可以根据式(17)计算；

式中：f(x)和y分别为关于输入x的改进支持向量机模型预测值关于输入x的和实际值；

每次迭代过程中鱼儿的适应度矩阵E为：

因此，初代精英鱼即为算法首次迭代过程中具有最优适应度值的鱼个体；

步骤4：优化迭代，在算法中，每个食物的位置移动受精英个体和鱼个体的影响；第s代食物的位置u_l ^s为：

式中：R₁ ^s为依据精英鱼个体位置的第s代食物个体的随机游走；R₂ ^s为依据鱼群位置的第s代食物的随机游走；

为更有利于鱼群觅食，算法中会根据式(20)逐渐缩小随机游走的范围，

式中：J随机游走范围缩小比例，可由式(21)计算得出：

式中：s^#为当前迭代次数位置系数，计算方法见式(22)

步骤5：最优鱼儿(精英)的选择，鱼儿在捕猎食物之后，为了更有利于新的觅食，鱼儿将调整位置；在优化算法中，适应度值大于鱼儿的这类食物将被捕获；在捕获到食物后，鱼儿将根据捕获到的食物的位置更新其位置，即：

v_l ^s＝u_l ^s,f(u_l ^s)＞f(v_l ^s) (23)

在每次迭代过程中，鱼儿都会根据式(23)更新其位置和对应的适应度，进而可确定在该次迭代中最优的鱼儿个体；当达到算法终止的条件时，即可获得最优的鱼儿个体(即精英)，此时其值就是改进支持向量机模型的最优惩罚系数c和核函数参数σ。

6.一种基于气象因素分解的短期光伏出力快速预测系统，其特征是：包括：

光伏出力气象分量分解模块，用于确定分解光伏出力的气象因素相关性系数；

基于改进支持向量机模型的预测模块，用于快速预测下一时刻的气象因素值，并根据气象因素预测值计算光伏总出力预测值；

模型训练样本选择模块，用于选择与待测数据组一致性较高的历史数据作为训练样本数据；

模型优化模块，用于基于一种改进鱼群觅食优化算法，对改进的支持向量机模型中的惩罚系数c和核函数参数σ进行寻优计算。

7.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-6任一项所述的基于气象因素分解的短期光伏出力快速预测方法。

Images