CN116644970A - 一种基于vmd分解和叠层深度学习的光伏功率预测方法 - Google Patents
一种基于vmd分解和叠层深度学习的光伏功率预测方法 Download PDFInfo
- Publication number
- CN116644970A CN116644970A CN202310522688.9A CN202310522688A CN116644970A CN 116644970 A CN116644970 A CN 116644970A CN 202310522688 A CN202310522688 A CN 202310522688A CN 116644970 A CN116644970 A CN 116644970A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- value
- decomposition
- optimal
- data
- 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
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000003475 lamination Methods 0.000 title claims abstract description 7
- 241000283153 Cetacea Species 0.000 claims description 75
- 238000004422 calculation algorithm Methods 0.000 claims description 72
- 230000006870 function Effects 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 27
- 238000010248 power generation Methods 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000001976 improved effect Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 3
- 238000005065 mining Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 230000004931 aggregating effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 230000019637 foraging behavior Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于VMD分解和叠层深度学习的光伏功率预测方法，将数据分解与深度学习网络CNN和LSTM模型相结合，利用LSTM保留过去信息的能力和CNN从气象知识中提取气象特征的能力，提供使用集成建模聚合每个模型的预测的输出。将ELM作为元学习器实现的优势可以从量化单个模型的误判和数据噪声的不确定性中看出，这可以克服传统的基于梯度的网络的局限性，包括速度慢和输入参数太多的问题，并利用多分支预测网络，以衰减噪声和气象变化的干扰，使得在不同环境下预测结果具有最佳的一致性和恒定性，从而提高预测的准确性。
Description
技术领域
本发明涉及光伏发电功率预测技术领域，尤其涉及一种基于VMD分解和叠层深度学习的光伏功率预测方法。
背景技术
在最大净零排放和净零排放的背景下，每个国家都同意积极为清洁能源的发展做出贡献。其中，光伏能源生产作为快速发展中的重要可持续能源，在电力系统的安全、稳定和经济运行中发挥着关键作用。然而，光伏能源的生产对季节变化、气象条件、日变化和太阳辐射强度等因素敏感，并呈现出显著的随机性和波动性。接入大规模光伏电网对电力系统的运行稳定性提出了重大挑战。因此，光伏电能产能的准确预测有助于制定发电计划、电力调度、促进新能源消费。提高光伏的可靠性是光伏发展的一个紧迫问题。
大多数早期的深度学习研究主要将太阳能光伏视为一项回归任务，仅使用基本的统计和人工神经网络模型。由于其动态行为、自回归性质和天气依赖性，仅使用人工神经网络等计算智能技术很难预测太阳能光伏时间序列数据。这些技术的预测能力较差，因为它们不能成功地表征非线性时间序列的行为。为了减少数据波动以及噪声对预测精度的影响，数据分解的方法被广泛应用于时间序列预测领域，但是使用中心频域来计算分解IMF的值忽略了惩罚因素对分解结果的影响，并且只考虑了单个历史功率因素，而没有分析影响光伏功率大小的其他相关因素，如气象。
目前，针对许多学者对光伏发电功率预测技术进行研究，在机器学习领域通过随机森林和梯度增强将多个弱学习者组合在一起的集成算法，结果表明，这种组合可以从数据中进行更折衷的学习。随着人工智能的发展，在近年来越来越受欢迎，并经常活跃在各种工程专业领域。正如学习特征和复杂交互的建模所示，深度学习模型提供了出色的预测能力，如ELM、SVM、BP、CNN和LSTM多种组合结构，这些方法在太阳能生产预测中表现出了适应性和准确性。为了提高预测精度，由多个单一模型混合而成的混合模型力求从过去的可用数据中提取最大价值，其中数据分解方法VMD因为它能够分解成若干个可反映原始信号局部特征的规律性较强的模态分量，在测量噪声和避免模态混叠现象方面具有明显优势而被广泛应用。为了减少超参数的变化对预测结果的影响，通过遗传算法、粒子群等算法对单隐含层神经网络模型阈值和权值的初始分布进行优化处理，发现引入智能搜索算法后，不仅预测精度有所提高，而后计算效率也有所提高。
现有的技术能够实现对光伏功率的预测，但没有一种可以准确地进行多个案例研究。数据集的转换和机器学习模型内部参数的转换可能会产生不同的预测结果，这些模型存在波动性问题，小的数据变化会导致预期值的大变化，稳定性和可靠性较差。
目前利用群智算法来确定最优参数的研究很少，对于VMD分解大都通过使用中心频域来计算IMF分解次数，需要通过尝试不同的分解次数下分解的各分量的中心频域的变化来确定分解次数，缺乏自主性，而且忽略了惩罚因素大小对分解结果的影响。分解大都只考虑了对单个历史功率因素的分解，而没有分析影响光伏功率大小的其他相关因素，如气象的影响。
现有研究中通过针对不同的天气类型的研究，考虑到了气象因素的影响，但是都是把气象影响因子与历史功率数据构造组合特征矩阵输入，这种方法在不同天气类型下差异明显，在波动量大的天气类型下预测性能较差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于VMD分解和叠层深度学习的光伏功率预测方法，首先对原始光伏发电功率时间序列进行变分模态分解，然后建立双分支预测模型，通过对分解后的K个本征模态分量(IMF)与气象因素进行重构利用CNN-BiLSTM预测构造第一分支，对分解后的K个本征模态分量(IMF)利用LSTM预测构造第二分支预测模型，最后利用Stacking集成的方式将双分支预测结果通过极限学习机(ELM)回归得到最终预测结果。
本发明采用的技术方案是：
一种基于VMD分解和叠层深度学习的光伏功率预测方法，其包括以下步骤：
步骤1，获取原始历史光伏功率数据，并分为训练样本、验证样本和测试样本；
步骤2，利用训练好的VMD分解的最优参数组合通过约束变分模型对采集的光伏发电功率数据进行VMD模态分解得到VMD分解的若干历史功率分量(IMF)，且VMD分解的最优参数组合由多策略改进的鲸鱼算法搜索得到；
步骤3，利用数据分解后的历史功率分量与历史气象数据进行重构，构造输入特征矩阵，利用CNN-BiLSTM模型预测光伏发电功率数值，得到各个模态分量对应的CNN-BiLSTM模型输出量，并累加各个模态分量的预测值得到第一分支的光伏发电功率预测结果；
步骤4：第二分支不考虑气象因素的影响，对数据分解后的历史功率分量，考虑光伏发电功率具有邻近相关性和周期性的特点，利用LSTM模型挖掘数据的前后信息关系进行预测，获得各模态分量的功率预测输出，并叠加每个子序列的预测值得到第二分支的光伏发电功率预测输出；
步骤5：将步骤3和步骤4的预测输出利用Stacking集成的方式送入第二层ELM网络进行训练，并利用MWOA优化ELM的权重和隐层偏置参数，以训练得到最优的ELM网络；
步骤6：将第一分支与第二分支得预测结果通过训练好最优的ELM网络线性回归得到最终的集成模型预测得光伏功率结果，并计算误差。
进一步，步骤1的具体步骤如下：
步骤101，对光伏历史数据预处理，包括数据清洗，删除无效数据，缺失值补齐以及异常值检验。
步骤102，所述数据归一化，使用Min-Max方法将数据归一到[0,1]区间，公式为：
步骤103，利用皮尔逊相关系数分析影响光伏功率的影响因素，其数学表达式为：
式中，分别为变量xi,yi的平均值，相关系数ρ为正值说明两者是正相关，如果为负值说明两者呈负相关，如果为0说明两者之间没有关系，即相关系数越接近于1或-1相关度越强，相关系数越接近于零相关度越弱。
步骤104，按相关性划分的标准ρ＞0.4表明数据之间具有中等程度相关性，选择具有中等以上相关性的因素，作为关键影响因子。
进一步地，所述的步骤2包括以下分步骤:
步骤201：构造约束变分模型；
步骤202：对约束变分模型对应的约束问题引入惩罚因子和拉格朗日乘子，将其转为非约束的变分问题；
步骤203：利用交替方向乘子法求解非约束的变分问题，获得相应变量的更新公式，最终收敛产生中心频域为ωk的K个模态分量，利用多策略改进的鲸鱼优化算法(MWOA)搜索VMD分解的最优K值和惩罚因子的参数组合；
步骤204：确定更新迭代的停止条件后，对采集的光伏功率数据进行VMD变分模态分解，得到VMD分解光伏功率序列。
进一步地，所述的步骤201的约束变分模型，对应的数学表达式为：
式中，{uk}为分解后的模态函数集合，{wk}为各模态函数中心频域的集合，表示偏导，δ(t)为单位脉冲函数，f(t)表示光伏功率的时间序列，表示单边际谱的指数信号。
进一步地，所述步骤202中的非约束的变分问题，其数学表达式为：
式中，α表示惩罚因子，λ表示拉格朗日乘子。
进一步地，所述步骤203中采用交替方向乘子算法(ADMM)更新迭代求解增广La-grange式(4)的鞍点，在频域内迭代更新ukωk，及λ.其迭代表达式如下
式中，上标∧表示进行傅里叶变换，γ表示更新因子。
进一步地，步骤203中利用多策略优化鲸鱼算法(MWOA)搜索分解的最优参数组合：
标准WOA根据座头鲸觅食行为进行建模，模拟了包围捕食、螺旋气泡捕食和随机搜索猎物三个主要的觅食行为。鲸鱼通过随机搜索确定目标，然后通过包围捕食、螺旋气泡捕食两种策略围捕猎物，捕食过程中包围捕食和螺旋气泡捕食是同时存在的，为了模拟这种行为，设置两种策略的概率相等，通过产生随机数r∈(0,1)，来决定使用哪种觅食行为。
步骤203-1，鲸鱼算法WOA种群初始化，引入指数函数和三角正弦非线性收敛，反三角自适应权重和随机差分形成多策略改进的鲸鱼优化算法(MWOA)；
步骤203-2，将VMD分解的各个模态分量计算每个VMD分解历史功率分量的信号熵值，并以最小平均熵值作为MWOA的适应度函数，通过MWOA迭代寻优获得VMD分解的最优K值和惩罚因子。
进一步地，步骤203-1多策略改进的鲸鱼优化算法具体包括以下步骤：
步骤203-1-1，针对线性收缩鲸鱼算法易陷入局部最优的问题，在包围捕食阶段引入指数型函数进行非线性收敛，具体数学表达式为：
其中，t为当前迭代次数，max_iter为设定的最大迭代次数，随着迭代次数的增加，a呈非线性递减，即衰减速度由慢到快，在迭代初期鲸鱼以大步长游走，游动较快，进行全局搜索最优解，迭代后期鲸鱼游走步长减小，游动较慢，在局部精细搜索。
步骤203-1-2，基础WOA在迭代后期，由于不能很好地寻找到最优解。所以在算法中加入自适应权重可以有效提高算法的寻优能力。当权重较大时，有利于算法进行全局搜索；当权重较小时，有利于算法进行局部寻优。因此在螺旋更新阶段引入反三角自适应权重，最优自适应权重公式如下：
步骤203-1-3，差分进化算法具有强大的全局开发能力，而局部开发能力较弱，利用随机差分进化算法对种群个体进行差分变异，它可以用于向鲸鱼优化算法添加随机扰动，以便从局部最优创建逃逸路径。通过提高种群的个体多样性，使算法能跳出局部最优解，快速收敛到全局最优，随机差分变异策略具体表达式为：
X(t+1)＝r1×(X*(t)-X(t))+r2×(X′(t)-X(t)) (10)
式中，r1,r2对应于0和1之间的随机数，X′(t)是种群中随机选择的个体。
进一步地，步骤203-2中，MWOA对VMD分解次数K值和惩罚因子优化的步骤如下：
步骤203-2-1，初始化算法参数，包括鲸鱼的种群数量N，搜索空间维度D，并确定最大迭代次数T；
步骤203-2-2，初始化鲸鱼种群，并对初始值进行编码，使鲸鱼个体位置X(t)与VMD分解的惩罚因子大小和K值对应；
步骤203-2-3，确定适应度函数，计算每个VMD分解历史功率分量的信号熵值，并以最小平均熵值作为MWOA的适应度函数来评价算法的性能，其数学表达式为：
式中，x表示随机变量，H(x)表示信息熵，p(xi)表示第xi个事件发生的概率，log2是以二为底的对数，K表示VMD分解的次数，n表示样本数量；
步骤203-2-4，对MWOA算法传入的参数进行解码，得到对应的惩罚因子和分解K值，构建预测模型，并用训练集对模型进行训练，计算适应度值，将当前种群个体适应度排序，更新当前最优解，即适应度最优个体位置X*；
步骤203-2-5，根据式(8)中的非线性收缩函数计算收敛因子a，并更新控制鲸鱼走位系数向量A、C、参数l和概率p，其中公式为：
式中，为[0,1]间的随机向量，p[0,1]间的随机数。
步骤203-2-6，根据概率p和系数向量对鲸鱼个体位置进行更新；
当p＜0.5，且时，鲸鱼采取包围捕食策略，适应度最高的最优个体或最佳候选解带领其余个体向猎物包围靠近，根据式(9)中的自适应权重计算该阶段的鲸鱼个体位置更新规则的具体表达式为：
式中，表示第t次迭代时的种群最优个体位置，表示种群个体与最优个体之间的向量距离；
当p＜0.5，且时，此时种群鲸鱼个体位置更新规则的具体表达式为：
式中，rand是指从种群中随机选取的鲸鱼个体，表示第t次迭代时的种群个体向量；
当p≥0.5，此时根据式(9)中的自适应权重计算种群鲸鱼个体位置更新规则的具体表达式为：
式中，b为定义对数螺旋形状的一个常数，鲸鱼以螺旋搜索的形式更新位置，参数l为[-1,1]间的随机数；
步骤203-2-7，根据式(10)进行随机差分变异，增加种群多样性；
步骤203-2-8，判断是否达到最大循环迭代次数；如果是，则执行步骤203-2-9；否则，迭代次数+1，算法转至执行步骤203-2-4；
步骤203-2-9，输出最优个体X*与当前适应度值，输出得到VMD分解的次数K和惩罚因子α；
进一步地，所述步骤204中的迭代停止条件，其数学表达式为：
式中，ε表示判别精度。
进一步地，所述的步骤5包括以下分步骤:
步骤501，根据双分支预测模型得到的光伏功率结果，送入第二层元学习器ELM网络，假设预测电站的发电量的训练样本为(xi,yi),xi＝[xi1,xi2,…,xiN]T∈Rn作为影响光伏出力的主要因素yi＝[yi1,yi2,…yiN]T∈Rm，为训练的学习样本即输出值，ELM模型的数学表达式为：
式中，ωi,βi为输入层与隐含层神经元之间的连接权值，G(x)为隐含层神经元的激活函数。
步骤502，基于经验公式确定隐含层神经元个数，具体数学表达式为：
式中，h为隐含层神经元个数；m为输入层神经元个数；n为输出层神经元个数；a是介于1-10之间的常数。
步骤503，选择一个无限可微的隐含层神经元的激活函数，本发明选用Sigmoid函数作为激活函数，计算出隐含层输出矩阵H；
步骤504，构建ELM基本结构，根据输入的训练和测试数据随机产生连接权值和阈值；
步骤505，初始化，设定多策略改进的鲸鱼优化算法(MWOA)的参数，包括鲸鱼的种群数量N，搜索空间维度D，并确定最大迭代次数T.
步骤506，将光伏功率训练数据预测的误差绝对值之和作为个体的适应度值，个体适应度越小，则个体最优，适应度函数为:
式中，Oi为预测功率值；Ti是实际功率值，N表示样本总数。
ELM神经网络能以零误差逼近训练样本，即∑||yi-ti||＝0:
故隐含层输出矩阵H表示为：
步骤507，计算隐含层与输出层的连接权值β；
β＝H+T′ (24)
式中，H+表示H的Moore-Penrose广义逆；T′为网络输出的偏置。
步骤508，对MWOA算法传入的参数进行解码，得到对应的ELM连接权值和阈值，构建预测模型，并用训练集对模型进行训练，计算适应度值，将当前种群个体适应度排序，更新当前最优解，即适应度最优个体位置X*；
步骤507，执行步骤203-2-5至步骤2030-2-8；
步骤508，输出最优个体X*与当前适应度值，输出得到优化后的ELM网络权值和阈值建立最优ELM网络结构；
进一步地，所述的步骤6包括以下分步骤:
步骤601，通过stacking集成的方式，将第一层学习器学习的结果输入第二层学习器得到最终光伏功率输出值；
步骤602，进一步所述得误差计算采用得方法包括平均绝对误差MAE，均方根误差RMSE，相关系数R2。其描述公式为：
式中，yireal表示实际值，yipred表示预测值，yireal为实际值的平均值。
本发明采用以上技术方案，将数据分解与深度学习网络CNN和LSTM模型相结合，利用LSTM保留过去信息的能力和CNN从气象知识中提取气象特征的能力，提供使用集成建模聚合每个模型的预测的输出。ELM可以克服传统的基于梯度的网络的中收敛速度慢，模型参数太对易过拟合等的局限性，其作为元学习器实现的优势可以从量化单个模型的误判和数据噪声的不确定性中看出。本发明建立的多分支预测网络，以衰减噪声和气象变化的干扰，使得在不同环境下预测结果具有最佳的一致性和恒定性，从而提高预测的准确性。与现有技术相比，本发明具有如下技术优势：(1)采用指数函数非线性收敛、反三角自适应权重和随机差分进行多策略优化鲸鱼算法；(2)利用多策略优化的鲸鱼算法(MWOA)搜索VMD分解的最优参数组合；(3)采用MWOA-VMD分解光伏发电功率数据进行数据重构；(4)由CNN、LSTM和ELM相互集成的(MVMD-CLES)多分支预测网络，以衰减噪声和气象变化的干扰，使得在不同环境下预测结果具有最佳的一致性和恒定性。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明一种基于VMD分解和叠层深度学习的光伏功率预测方法(MVMD-CLES)的流程示意图；
图2为MWOA优化VMD分解的流程示意图；
图3为光伏历史发电功率VMD分解示意图；
图4不同优化算法寻优VMD分解参数的收敛曲线示意图；
图5为本发明方法实施例中采用本发明的模型预测结果图。
实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述。
本发明将优化鲸鱼算法(MWOA)用于变模态分解的参数搜索优化，通过对鲸鱼算法的改进提高了算法的收敛速度和精度，使用MWOA-VMD数据的分解同时考虑到分解次数和惩罚因子的影响，收敛速度快，陷入局部最优的几率较低。
本发明使用了CNN-BiLSTM模型来详细研究与气象和PV变量相关的各种特征，并使用LSTM保留过去信息的能力来解决历史数据信息问题以及ELM网络的快速、简单、泛化性好的优势，提出基于堆叠的多分支预测集成网络(MVMD-CLES)，将气象变量和历史功率数据放入不同的模型中。当使用这种多分支特征提取方法时，包含气象参数和由于天气变化引起的预期变化不太可能产生干扰，提高了预测性能。
如图1至图5所示，本发明公开了一种基于VMD分解和叠层深度学习的光伏功率预测方法，其包括以下步骤：
(1)获取原始历史光伏功率数据，针对数据集的特点对数据进行预处理操作，数据归一化，并通过皮尔逊相关系数选取具有中等相关性以上的光伏功率影响因素作为关键影响因子，减少数据冗余带来的计算成本过高和存在过拟合的问题，选取70％为训练样本、20％为验证样本和10％为测试样本。
所述数据归一化，使用Min-Max方法将数据归一到[0,1]区间，公式为：
利用皮尔逊相关系数分析影响光伏功率的影响因素，其数学表达式为：
式中，分别为变量xi,yi的平均值，相关系数ρ为正值说明两者是正相关，如果为负值说明两者呈负相关，如果为0说明两者之间没有关系，即相关系数越接近于1或-1相关度越强，相关系数越接近于零相关度越弱。
按相关性划分的标准ρ＞0.4表明数据之间具有中等程度相关性，选择具有中等以上相关性的因素，作为关键影响因子。
(2)利用训练好的VMD分解的最优参数组合通过约束变分模型对采集的光伏发电功率数据进行VMD模态分解得到VMD分解的若干历史功率分量(IMF)，且VMD分解的最优参数组合由多策略改进的鲸鱼算法搜索得到。
构造约束变分模型，其数学表达式为：
式中，{uk}为分解后的模态函数集合，{wk}为各模态函数中心频域的集合，表示偏导，δ(t)为单位脉冲函数，f(t)表示光伏功率的时间序列，表示单边际谱的指数信号。
对约束变分模型对应的约束问题引入惩罚因子和拉格朗日乘子，将其转为非约束的变分问题，其数学表达式为：
式中，α表示惩罚因子，λ表示拉格朗日乘子。
采用交替方向乘子算法(ADMM)更新迭代求解增广La-grange式(4)的鞍点，在频域内迭代更新ukωk，及λ.最终收敛产生中心频域为ωk的K个模态分量，利用多策略改进的鲸鱼优化算法(MWOA)搜索VMD分解的最优K值和惩罚因子的参数组合，其迭代表达式为：
式中，上标∧表示进行傅里叶变换，γ表示更新因子。
确定更新迭代的停止条件后，对采集的光伏功率数据进行VMD变分模态分解，得到VMD分解光伏功率序列，停止条件数学表达式为：
式中，ε表示判别精度。
多策略改进的鲸鱼优化算法(MWOA)搜索VMD分解的最优K值和惩罚因子的参数组合的基本步骤如下：
鲸鱼算法WOA种群初始化，引入指数函数和三角正弦非线性收敛，反三角自适应权重和随机差分形成多策略改进的鲸鱼优化算法(MWOA)；
进一步地，多策略改进的鲸鱼优化算法具体包括以下步骤：
步骤01，针对线性收缩鲸鱼算法易陷入局部最优的问题，在包围捕食阶段引入指数型函数进行非线性收敛，具体数学表达式为：
其中，t为当前迭代次数，max_iter为设定的最大迭代次数，随着迭代次数的增加，a呈非线性递减，即衰减速度由慢到快，在迭代初期鲸鱼以大步长游走，游动较快，进行全局搜索最优解，迭代后期鲸鱼游走步长减小，游动较慢，在局部精细搜索。
步骤02，基础WOA在迭代后期，由于不能很好地寻找到最优解。所以在算法中加入自适应权重可以有效提高算法的寻优能力。当权重较大时，有利于算法进行全局搜索；当权重较小时，有利于算法进行局部寻优。因此在螺旋更新阶段引入反三角自适应权重，最优自适应权重公式如下：
步骤03，差分进化算法具有强大的全局开发能力，而局部开发能力较弱，利用随机差分进化算法对种群个体进行差分变异，它可以用于向鲸鱼优化算法添加随机扰动，以便从局部最优创建逃逸路径。通过提高种群的个体多样性，使算法能跳出局部最优解，快速收敛到全局最优，随机差分变异策略具体表达式为：
X(t+1)＝r1×(Xp(t)-X(t))+r2×(X′(t)-X(t)) (11)
式中，r1,r2对应于0和1之间的随机数，X′(t)是种群中随机选择的个体。
进一步地，MWOA对VMD分解次数K值和惩罚因子优化的步骤如下：
步骤S1，初始化算法参数，包括鲸鱼的种群数量N，搜索空间维度D，并确定最大迭代次数T；
步骤S2，初始化鲸鱼种群，并对初始值进行编码，使鲸鱼个体位置X(t)与VMD分解的惩罚因子大小和K值对应；
步骤S3，确定适应度函数，计算每个VMD分解历史功率分量的信号熵值，并以最小平均熵值作为MWOA的适应度函数来评价算法的性能，其数学表达式为：
式中，x表示随机变量，H(x)表示信息熵，p(xi)表示第xi个事件发生的概率，log2是以二为底的对数，K表示VMD分解的次数，n表示样本数量；
步骤S4，对MWOA算法传入的参数进行解码，得到对应的惩罚因子和分解K值，构建预测模型，并用训练集对模型进行训练，计算适应度值，将当前种群个体适应度排序，更新当前最优解，即适应度最优个体位置X*；
步骤S5，根据式(9)中的非线性收缩函数计算收敛因子a，并更新控制鲸鱼走位系数向量A、C、参数l和概率p，其中公式为：
式中，为[0,1]间的随机向量，p[0,1]间的随机数。
步骤S6，根据概率p和系数向量对鲸鱼个体位置进行更新；
当p＜0.5，且时，鲸鱼采取包围捕食策略，适应度最高的最优个体或最佳候选解带领其余个体向猎物包围靠近，根据式(10)中的自适应权重计算该阶段的鲸鱼个体位置更新规则的具体表达式为：
式中，表示第t次迭代时的种群最优个体位置，表示种群个体与最优个体之间的向量距离；
当p＜0.5，且时，此时种群鲸鱼个体位置更新规则的具体表达式为：
式中，rand是指从种群中随机选取的鲸鱼个体，表示第t次迭代时的种群个体向量；
当p≥0.5，此时根据式(10)中的自适应权重计算种群鲸鱼个体位置更新规则的具体表达式为：
式中，b为定义对数螺旋形状的一个常数，鲸鱼以螺旋搜索的形式更新位置，参数l为[-1,1]间的随机数；
步骤S7，根据式(11)进行随机差分变异，增加种群多样性；
步骤S8，判断是否达到最大循环迭代次数；如果是，则执行步骤203-2-9；否则，迭代次数+1，算法转至执行步骤S4；
步骤S9，输出最优个体X*与当前适应度值，输出得到VMD分解的次数K和惩罚因子α；
(3)构建双分支预测模型，利用数据分解后的历史功率分量与历史气象数据进行重构，构造输入特征矩阵，利用CNN-BiLSTM模型预测光伏发电功率数值，得到各个模态分量对应的CNN-BiLSTM模型输出量，并累加各个模态分量的预测值得到第一分支的光伏发电功率预测结果；
将VMD分解的{uk}＝{u1,u2,…uk}个模态分量，将uk分量与影响光伏功率的关键气象因素重构，构造特征矩阵方程如下：
式中，xtn是指当t时刻时，第n个气象影响因子，ut1表示t时刻的VMD分解的IMF第一分量。
令输入训练样本{Xi,Yi}，其中输入样本Xi,i＝1,2,…l，输出样本Yi,i＝1,2,…l。Xi为训练特征，Yi为训练目标，CNN-BiLSTM的训练过程为：
卷积层通过不同的卷积核对输入数据进行卷积运算，并通过卷积运算提取输入数据的特征。池层出现在连续卷积层的中间，通过池操作消除冗余数据特征。池化层通过数据压缩和降维采样来提取更关键的信息。卷积过程如等式所示：
式中，x表示用于CNN的输入，Ci表示卷积层输出的第i个局部特征，表示卷积运算，本研究选择非线性激活函数Relu作为该模型的激活函数。
LSTM采用选通机制，三种门控机制和一个记忆单元，来解决循环神经网络的梯度更新中存在的问题，同时保留了输入模式的模型内存。BiLSTM网络使每个输入数据在正方向和负方向上都通过LSTM网络。可以递归地反馈过去和未来的隐藏状态，以实现双向循环，LSTM模型的具体计算过程为：
式中，ft,it,ot分别表示遗忘门、更新门、和输出门，xt表示输入变量，ht表示隐藏层状态，σ表示Sigmoid函数。
BiLSTM网络的具体计算过程为：
式中Ht为BiLSTM网络输出的状态，它由两个隐藏层组成和
对其预测结果叠加求和，得到第一分支预测模型的光伏功率结果。
(4)第二分支不考虑气象因素的影响，对数据分解后的历史功率分量，考虑光伏发电功率具有邻近相关性和周期性的特点，利用LSTM模型挖掘数据的前后信息关系进行预测，获得各模态分量的功率预测输出，并叠加每个子序列的预测值得到第二分支的光伏发电功率预测输出；
将VMD分解的{uk}＝{u1,u2,...uk}个模态分量，将uk作为输入数据然后通过LSTM模型分别对其预测，将uk中前2个小时(前8维)的光伏功率数据作为输入，将uk中当前时刻(最后一维)的功率数据作为输出Yi。
通过LSTM模型训练，对其预测结果叠加求和，得到第二分支预测模型的光伏功率结果。
(5)根据双分支预测模型得到的光伏功率结果，送入第二层元学习器ELM网络，假设预测电站的发电量的训练样本为(xi,yi),xi＝[xi1,xi2,…,xiN]T∈Rn作为影响光伏出力的主要因素，yi＝[yi1,yi2,…yiN]T∈Rm为训练的学习样本即输出值，ELM模型的数学表达式为：
式中，ωi,βi为输入层与隐含层神经元之间的连接权值，g(x)为隐含层神经元的激活函数。
基于MWOA对ELM网络的隐藏层权值和阈值优化的步骤如下：
步骤1，基于经验公式确定隐含层神经元个数，具体数学表达式为：
式中，h为隐含层神经元个数；m为输入层神经元个数；n为输出层神经元个数；a是介于1-10之间的常数。
步骤2，选择一个无限可微的隐含层神经元的激活函数，本发明选用Sigmoid函数作为激活函数，计算出隐含层输出矩阵H；
步骤3，构建ELM基本结构，根据输入的训练和测试数据随机产生连接权值和阈值；
步骤4，初始化，设定多策略改进的鲸鱼优化算法(MWOA)的参数，包括鲸鱼的种群数量N，搜索空间维度D，并确定最大迭代次数T.
步骤5，将光伏功率训练数据预测的误差绝对值之和作为个体的适应度值，个体适应度越小，则个体最优，适应度函数为:
式中，Oi为预测功率值；Ti是实际功率值，N表示样本总数。
ELM神经网络能以零误差逼近训练样本，即∑||yi-ti||＝0:
故隐含层输出矩阵H表示为：
步骤507，计算隐含层与输出层的连接权值β；
β＝H+T′ (29)
式中，H+表示H的Moore-Penrose广义逆；T′为网络输出的偏置。
步骤6，对MWOA算法传入的参数进行解码，得到对应的ELM连接权值和阈值，构建预测模型，并用训练集对模型进行训练，计算适应度值，将当前种群个体适应度排序，更新当前最优解，即适应度最优个体位置X*；
步骤7，执行步骤S5至步骤S8；
步骤8，输出最优个体X*与当前适应度值，输出得到优化后的ELM网络权值和阈值建立最优ELM网络结构；
(5)通过stacking集成的方式，将第一层学习器学习的结果输入第二层学习器得到最终光伏功率输出值；采用平均绝对误差MAE，均方根误差RMSE，相关系数R2对模型进行评估，其描述公式为：
式中，yireal表示实际值，yipred表示预测值，为实际值的平均值。
本发明采用以上技术方案，将数据分解与深度学习网络CNN和LSTM模型相结合，利用LSTM保留过去信息的能力和CNN从气象知识中提取气象特征的能力，提供使用集成建模聚合每个模型的预测的输出。将ELM作为元学习器实现的优势可以从量化单个模型的误判和数据噪声的不确定性中看出，这可以克服传统的基于梯度的网络的局限性，包括速度慢和输入参数太多的问题，并利用多分支预测网络，以衰减噪声和气象变化的干扰，使得在不同环境下预测结果具有最佳的一致性和恒定性，从而提高预测的准确性。
本发明相较于现有技术具有如下技术优点：(1)采用指数函数非线性收敛、反三角自适应权重和随机差分进行多策略优化鲸鱼算法；(2)利用多策略优化的鲸鱼算法(MWOA)搜索VMD分解的最优参数组合；(3)采用MWOA-VMD分解光伏发电功率数据进行数据重构；(4)由CNN、LSTM和ELM相互集成的(MVMD-CLES)多分支预测网络，以衰减噪声和气象变化的干扰，使得在不同环境下预测结果具有最佳的一致性和恒定性。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
Claims (10)
1.一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：其包括以下步骤：
步骤1，获取原始历史光伏功率数据，并分为训练样本、验证样本和测试样本；
步骤2，利用训练好的VMD分解的最优参数组合通过约束变分模型对采集的光伏发电功率数据进行VMD模态分解得到VMD分解的若干历史功率分量，且VMD分解的最优参数组合由多策略改进的鲸鱼算法MWOA搜索得到；
步骤3，利用数据分解后的历史功率分量与历史气象数据进行重构，构造输入特征矩阵；并利用CNN-BiLSTM模型预测光伏发电功率数值，得到各个模态分量对应的CNN-BiLSTM模型输出量，并累加各个模态分量的预测值得到第一分支的光伏发电功率预测结果；
步骤4：基于光伏发电功率具有邻近相关性和周期性的特点，对数据分解后的历史功率分量利用LSTM模型挖掘数据的前后信息关系进行预测，获得各模态分量的功率预测输出，并叠加每个子序列的预测值得到第一分支的光伏发电功率预测结果；
步骤5：将第一分支的光伏发电功率预测结果和第一分支的光伏发电功率预测结果利用Stacking集成的方式送入第二层ELM网络进行训练，并利用多策略改进的鲸鱼算法优化ELM的权重和隐层偏置参数，以训练得到最优的ELM网络；
步骤6：将第一分支的光伏发电功率预测结果和第一分支的光伏发电功率预测结果通过训练好最优的ELM网络线性回归得到最终的集成模型预测得光伏功率结果，并计算误差。
2.根据权利要求1所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤1的具体步骤如下：
步骤101，对光伏历史数据预处理，预处理包括数据清洗、删除无效数据、缺失值补齐以及异常值检验；
步骤102，对预处理后的数据进行归一化处理，使用Min-Max方法将数据归一到[0,1]区间，公式为：
其中，X表示待处理的输入数据，Xmin表示数据的最小值，Xmax表示数据的最小值；
步骤103，利用皮尔逊相关系数分析影响光伏功率的影响因素，其数学表达式为：
式中，分别为输入的各影响因素xi，和光伏功率yi平均值，ρ为皮尔逊相关系数；
步骤104，按相关性划分的标准，选择ρ＞0.4的具有中等以上相关性的因素作为关键影响因子。
3.根据权利要求1所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤2包括以下分步骤:
步骤201：构造约束变分模型，对应的数学表达式为：
式中，{uk}为分解后的模态函数集合，{wk}为各模态函数中心频域的集合，表示偏导，δ(t)为单位脉冲函数，uk(t)表示K个分量，f(t)表示光伏功率的时间序列，e-jwkt表示单边际谱的指数信号；
步骤202：对约束变分模型对应的约束问题引入惩罚因子和拉格朗日乘子，以转为非约束的变分问题，对应的数学表达式为：
式中，α表示惩罚因子，λ表示拉格朗日乘子，表示偏导，δ(t)为单位脉冲函数，uk(t)表示K个分量，f(t)表示光伏功率的时间序列，e-jwkt表示单边际谱的指数信号；
步骤203：利用交替方向乘子法求解非约束的变分问题，获得相应变量的更新公式，最终收敛产生中心频域为ωk的K个模态分量，利用多策略改进的鲸鱼优化算法搜索VMD分解的最优K值和惩罚因子的参数组合；
步骤204：确定更新迭代的停止条件后，对采集的光伏功率数据进行VMD变分模态分解，得到VMD分解光伏功率序列。
4.根据权利要求3所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤203中采用交替方向乘子算法更新迭代求解增广La-grange式(4)的鞍点，在频域内迭代更新ukωk，及λ.其迭代表达式如下
式中，ω表示频率，上标∧表示进行傅里叶变换，γ表示更新因子，n表示迭代次数。
5.根据权利要求3所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：利用多策略优化鲸鱼算法搜索分解的最优参数组合，包括以下步骤：
步骤203-1，将鲸鱼算法WOA种群初始化，并引入指数函数和三角正弦非线性收敛、反三角自适应权重和随机差分形成多策略改进的鲸鱼优化算法；
步骤203-2，将VMD分解的各个模态分量计算每个VMD分解历史功率分量的信号熵值，并以最小平均熵值作为MWOA的适应度函数，通过MWOA迭代寻优获得VMD分解的最优K值和惩罚因子。
6.根据权利要求5所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤203-1具体包括以下步骤：
步骤203-1-1，针对线性收缩鲸鱼算法易陷入局部最优的问题，在包围捕食阶段引入指数型函数进行非线性收敛，具体数学表达式为：
其中，t为当前迭代次数，max_iter为设定的最大迭代次数，e是自然对数的底数；
步骤203-1-2，在螺旋更新阶段引入反三角自适应权重，最优自适应权重公式如下：
步骤203-1-3，利用随机差分进化算法对种群个体进行差分变异，用于向鲸鱼优化算法添加随机扰动，以便从局部最优创建逃逸路径，快速收敛到全局最优，随机差分变异策略具体表达式为：
X(t+1)＝r1×(X*-X(t))+r2×(X′(t)-X(t)) (10)
式中，r1,r2对应于0和1之间的随机数，X*为当前最优个体位置，X′(t)是种群中随机选择的个体。
7.根据权利要求6所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤203-2中，MWOA对VMD分解次数K值和惩罚因子优化的步骤如下：
步骤203-2-1，初始化算法参数，包括鲸鱼的种群数量N，搜索空间维度D，并确定最大迭代次数T；
步骤203-2-2，初始化鲸鱼种群，并对初始值进行编码，使鲸鱼个体位置X(t)与VMD分解的惩罚因子大小和K值对应；
步骤203-2-3，确定适应度函数，计算每个VMD分解历史功率分量的信号熵值，并以最小平均熵值作为MWOA的适应度函数来评价算法的性能，其数学表达式为：
式中，x表示随机变量，H(x)表示信息熵，p(xi)表示第xi个事件发生的概率，log2是以二为底的对数，K表示VMD分解的次数，n表示样本数量；
步骤203-2-4，对MWOA算法传入的参数进行解码，得到对应的惩罚因子和分解K值，构建预测模型，并用训练集对模型进行训练，计算适应度值，将当前种群个体按适应度值排序，选使得平均熵值最小的个体作为当前最优解，即适应度最优个体位置X*；
步骤203-2-5，根据式(8)中的非线性收缩函数计算收敛因子a，并更新控制鲸鱼走位系数向量A、C、参数l和概率p，其中公式为：
式中，a表示收敛因子，为[0,1]间的随机向量，和是系数向量，p为[0,1]间的随机数；步骤203-2-6，根据概率p和系数向量对鲸鱼个体位置进行更新；
当p＜0.5，且时，鲸鱼采取包围捕食策略，适应度最高的最优个体或最佳候选解带领其余个体向猎物包围靠近，根据式(9)中的自适应权重计算该阶段的鲸鱼个体位置更新规则的具体表达式为：
式中，ω为权重大小，表示当前种群个体位置，表示第t次迭代时的种群最优个体位置，表示种群个体与最优个体之间的向量距离；
当p＜0.5，且时，种群鲸鱼个体位置更新规则的具体表达式为：
式中，rand是指从种群中随机选取的鲸鱼个体，表示第t次迭代时的种群个体向量；
当p≥0.5时，根据式(9)中的自适应权重计算种群鲸鱼个体位置更新规则的具体表达式为：
式中，b为定义对数螺旋形状的一个常数，鲸鱼以螺旋搜索的形式更新位置，参数l为[-1,1]间的随机数,表示第t次迭代时的种群最优个体位置；
步骤203-2-7，根据式(10)进行随机差分变异，增加种群多样性；
步骤203-2-8，判断是否达到最大循环迭代次数；如果是，则执行步骤203-2-9；否则，迭代次数+1，算法转至执行步骤203-2-4；
步骤203-2-9，输出最优个体X*与当前适应度值，输出得到VMD分解的次数K和惩罚因子α。
8.根据权利要求3所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤204中的迭代停止条件，其数学表达式为：
式中，uk为分解后的模态函数,上标∧表示进行傅里叶变换，ε表示判别精度。
9.根据权利要求7所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤5包括以下分步骤:
步骤501，根据双分支预测模型得到的光伏功率结果，送入第二层元学习器ELM网络，假设预测电站的发电量的训练样本为(xi,yi),xi＝[xi1,xi2,…,xiN]T∈Rn作为影响光伏出力的主要因素，yi＝[yi1,yi2,…yiN]T∈Rm为训练的学习样本即输出值，ELM模型的数学表达式为：
式中，ωi,βi为输入层与隐含层神经元之间的连接权值，g(x)为隐含层神经元的激活函数；
步骤502，基于经验公式确定隐含层神经元个数，具体数学表达式为：
式中，h为隐含层神经元个数；m为输入层神经元个数；n为输出层神经元个数；a是介于1-10之间的常数；
步骤503，选择一个无限可微的隐含层神经元的激活函数，计算出隐含层输出矩阵H；
式中，g(x)为Sigmoid激活函数；
步骤504，构建ELM基本结构，根据输入的训练和测试数据随机产生连接权值和阈值；
步骤505设定多策略改进的鲸鱼优化算法MWOA的参数，参数包括鲸鱼的种群数量N、搜索空间维度D，并确定最大迭代次数T；
步骤506，将光伏功率训练数据预测的误差绝对值之和作为个体的适应度值，适应度函数为:
式中，Oi为预测功率值；Ti是实际功率值，N表示样本总数；
进而，ELM神经网络能以零误差逼近训练样本，即∑||yi-ti||＝0:
故隐含层输出矩阵H表示为：
步骤507，计算隐含层与输出层的连接权值β；
β＝H+T′ (24)
式中，H+表示H的Moore-Penrose广义逆；T′为网络输出的偏置；
步骤508，对MWOA算法传入的参数进行解码，得到对应的ELM连接权值和阈值，构建预测模型，并用训练集对模型进行训练，计算适应度值，将当前种群个体适应度排序，更新当前最优解，即适应度最优个体位置X*；
步骤507，执行步骤203-2-5至步骤203-2-8；
步骤508，输出最优个体X*与当前适应度值，输出得到优化后的ELM网络权值和阈值建立最优ELM网络结构。
10.根据权利要求1所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤6包括以下分步骤:
步骤601，通过stacking集成的方式，将第一层学习器学习的结果输入第二层学习器得到最终光伏功率输出值；
步骤602，误差计算采用得方法包括平均绝对误差MAE、均方根误差RMSE、相关系数R2，对应的描述公式为：
式中，yireal表示实际值，yipred表示预测值，为实际值的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310522688.9A CN116644970A (zh) | 2023-05-10 | 2023-05-10 | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310522688.9A CN116644970A (zh) | 2023-05-10 | 2023-05-10 | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116644970A true CN116644970A (zh) | 2023-08-25 |
Family
ID=87642625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310522688.9A Pending CN116644970A (zh) | 2023-05-10 | 2023-05-10 | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116644970A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150421A (zh) * | 2023-11-01 | 2023-12-01 | 江苏沙洲电气有限公司 | 一种新的低压开关柜数据监测方法及系统 |
| CN117454233A (zh) * | 2023-12-22 | 2024-01-26 | 厦门锋联信息技术有限公司 | 基于定位识别的安全生产管理方法及系统 |
| CN117574781A (zh) * | 2024-01-15 | 2024-02-20 | 国网湖北省电力有限公司经济技术研究院 | 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统 |
| CN117725378A (zh) * | 2023-11-13 | 2024-03-19 | 国网青海省电力公司海北供电公司 | 一种基于vmd-elm-aefa的避雷器阻性电流预测方法 |
| CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
| CN118412865A (zh) * | 2024-07-03 | 2024-07-30 | 国网安徽省电力有限公司经济技术研究院 | 一种基于复杂气象的光伏电站发电功率预测方法 |
-
2023
- 2023-05-10 CN CN202310522688.9A patent/CN116644970A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150421A (zh) * | 2023-11-01 | 2023-12-01 | 江苏沙洲电气有限公司 | 一种新的低压开关柜数据监测方法及系统 |
| CN117725378A (zh) * | 2023-11-13 | 2024-03-19 | 国网青海省电力公司海北供电公司 | 一种基于vmd-elm-aefa的避雷器阻性电流预测方法 |
| CN117454233A (zh) * | 2023-12-22 | 2024-01-26 | 厦门锋联信息技术有限公司 | 基于定位识别的安全生产管理方法及系统 |
| CN117454233B (zh) * | 2023-12-22 | 2024-03-22 | 厦门锋联信息技术有限公司 | 基于定位识别的安全生产管理方法及系统 |
| CN117574781A (zh) * | 2024-01-15 | 2024-02-20 | 国网湖北省电力有限公司经济技术研究院 | 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统 |
| CN117574781B (zh) * | 2024-01-15 | 2024-04-16 | 国网湖北省电力有限公司经济技术研究院 | 抽水蓄能电站地下厂房围岩安全风险智能预测方法及系统 |
| CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
| CN117851922B (zh) * | 2024-03-08 | 2024-06-07 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
| CN118412865A (zh) * | 2024-07-03 | 2024-07-30 | 国网安徽省电力有限公司经济技术研究院 | 一种基于复杂气象的光伏电站发电功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112653142B (zh) | 优化深度Transformer网络的风电功率预测方法及系统 | |
| CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN109754113A (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
| Ding et al. | Research on using genetic algorithms to optimize Elman neural networks | |
| CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
| Li et al. | Multi-step ahead wind speed forecasting approach coupling maximal overlap discrete wavelet transform, improved grey wolf optimization algorithm and long short-term memory | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
| CN113177673B (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
| Said et al. | AI-based solar energy forecasting for smart grid integration | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| CN116702831A (zh) | 一种考虑数据大量丢失的混合短期风电功率预测方法 | |
| CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
| CN114004152B (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
| CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
| CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
| CN116721327A (zh) | 一种基于泛化界的神经网络架构搜索方法 | |
| CN115630316A (zh) | 基于改进长短期记忆网络的超短期风速预测方法 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 |
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 |