CN117318036A - 一种基于改进鲸鱼优化算法的超短期光伏功率预测方法 - Google Patents

一种基于改进鲸鱼优化算法的超短期光伏功率预测方法 Download PDF

Info

Publication number
CN117318036A
CN117318036A CN202311259683.8A CN202311259683A CN117318036A CN 117318036 A CN117318036 A CN 117318036A CN 202311259683 A CN202311259683 A CN 202311259683A CN 117318036 A CN117318036 A CN 117318036A
Authority
CN
China
Prior art keywords
photovoltaic power
value
prediction
error
whale
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
CN202311259683.8A
Other languages
English (en)
Inventor
张颖超
曾伟麟
叶小岭
熊雄
陈昕
张永胜
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202311259683.8A priority Critical patent/CN117318036A/zh
Publication of CN117318036A publication Critical patent/CN117318036A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明公开了一种基于改进鲸鱼优化算法的超短期光伏功率预测方法，包括步骤：预处理历史数据，并对气象因素与光伏发电功率进行相关性分析；通过聚类划分出雨天、阴天、晴天相似日样本数据；对历史数据归一化处理；通过预测模型挖掘光伏功率时序特征；通过改进鲸鱼优化算法对预测模型的超参数进行寻优；将最优的超参数输入到预测模型并反归一化处理，得到初步光伏功率预测结果和预测误差序列；将预测误差序列分解为多个分量及残差；对每个分量及残差通过IWOA‑BiGRU模型进行预测，得到误差预测结果；将初步光伏功率预测结果与误差预测结果求和，得到误差修正后的光伏功率预测结果。本发明建立不同天气的训练模型来训练，提高预测精度。

Description

一种基于改进鲸鱼优化算法的超短期光伏功率预测方法
技术领域
本发明涉及光伏发电领域，尤其涉及一种基于改进鲸鱼优化算法的超短期光伏功率预测方法。
背景技术
由于光伏发电具有间歇性，且受气象和环境的影响，具有较大的波动性和随机性，对于光伏能源大规模并网带来挑战。通过对国内外电网系统故障事件及光伏功率预测的研究，还存在以下几个问题：
问题一：光伏发电功率在不同天气条件下出力差异性较大，且由于其波动性和不稳定性导致预测效果不佳，尤其在阴雨天等波动较大的天气。由于机器学习模型训练集对于测试集有较大影响，因此需要区分出不同天气下的训练集输入到模型提高预测精度。而传统的Kmeans聚类算法虽然可以进行无监督聚类出不同天气数据样本，但是对于非线性数据的处理有所缺陷并且对于初始值比较敏感，因此需要改进Kmeans聚类算法来提高聚类的效果，进一步提升预测精度。
问题二：针对超短期光伏发电功率预测，利用BiGRU神经网络虽然可以捕捉时间序列和天气特征之间的关联性，但其预测精度可能受到超参数选择的影响。传统的鲸鱼优化算法对于大规模的参数空间搜索效率较低，容易陷入局部最优解，从而无法充分发挥BiGRU神经网络的预测性能。因此，需要通过改进鲸鱼优化算法，提高收敛效果来提升寻优能力进而提高预测精度。
鲸鱼优化算法在运行前期，其种群初始化会影响每个鲸鱼个体的位置向量，进而影响寻优过程，原始的鲸鱼优化算法其种群初始化的方法是随机数生成法，此方法生成的初始种群在解空间中分布不均，容易存在聚集现象，导致后期寻优效果不佳。
并且原始鲸鱼优化算法其中的线性递减因子在迭代过程中变化较为单一无法较好的平衡全局搜索与局部寻优之间的关系，导致算法容易陷入局部最优并且影响其最终收敛性。
再者鲸鱼优化算法模拟鲸鱼气泡捕食过程中对猎物进行包围时前期较快，后期较慢，在算法的数学模型中并未有考虑这一情况，导致算法的局部寻优效果仍有待提升。
问题三：对于超短期光伏功率预测，使用优化后的预测模型可以较好地挖掘天气变化和功率之间的信息。但是，由于一些转折性天气等复杂因素的影响，初步预测结果可能存在较大的误差，导致预测的准确性仍有待提高，因此需要对初步的预测结果进一步处理来提高预测精度。
发明内容
发明目的：本发明的目的是提供一种能提升光伏发电功率预测精度，提高光伏发电并网电力系统稳定性和可靠性的基于改进鲸鱼优化算法的超短期光伏功率预测方法。
技术方案：本发明的超短期光伏功率预测方法，包括步骤如下：
S1，对采集的每条历史数据进行预处理，所述每条历史数据包括光伏发电功率和气象因素；并利用皮尔逊相关系数法对历史数据中所有的气象因素与光伏发电功率进行相关性分析；
S2，通过谱-核Kmeans聚类划分出雨天、阴天、晴天相似日样本数据；
S3，对历史数据进行归一化处理；
S4，通过BiGRU预测模型，挖掘光伏功率时序特征；
S5，通过改进鲸鱼优化算法对BiGRU预测模型的超参数进行寻优，输出最优的超参数；
S6，将最优的超参数输入到BiGRU预测模型进行预测并反归一化处理，得到初步光伏功率预测结果；并将初步光伏功率预测结果与样本标签值Y进行作差，得到预测误差序列W；
S7，对预测误差序列W进行变分模态分解，得到多个分量fj(t)及残差rp(t)；
S8，对每个分量fj(t)及残差rp(t)通过IWOA-BiGRU模型进行预测，得到每个分量的预测值，将每个分量的预测值求和得到误差预测结果；
S9，将初步光伏功率预测结果与误差预测结果求和，得到误差修正后的最终光伏功率预测结果。
进一步，步骤S1中，所述气象因素包括太阳直接辐射值、太阳散射辐射值、环境温度、风速、相对湿度、风向和降雨量；并且剔除夜间数据，设定采样周期；
则历史数据X表示为：
式中，g＝8；xt1、xt2、…、xtg分别为t时刻的光伏发电功率、太阳直接辐射值、太阳散射辐射值、环境温度、风速、相对湿度、风向、降雨量的数值；
某气象因素与光伏发电功率的相关性分析的表达式如下：
式中，r为某气象因素与光伏发电功率的相关系数值；H为原始输入数据的长度，t为第t个时刻；Xt为第t个时刻与光伏发电功率计算相关系数的某项气象因素值；为对应气象因素的平均数值；Yt为第t个时刻光伏发电功率数值；为光伏发电功率的平均值。
进一步，步骤S2中，将含有N个历史数据的集合C通过谱-核Kmeans聚类，划分为k个簇Ch，h＝1,2,...,k，实现步骤如下：
S21，将每日所有采样点的太阳直接辐射值取平均值，并通过E-P核函数计算每日太阳直接辐射均值的核距离，再构建每日太阳直接辐射均值的相似性矩阵E；
其中，E-P核函数κ(xR,xO)的表达式如下：
式中，κ1(xR,xO)为指数核函数的输出；κ2(xR,xO)为多项式核函数的输出；xR、xO为第R、O天的平均太阳辐射值；R、O为总天数M的任意两天；σ为带宽参数；η为多项式系数；γ为常数偏移量；ρ为多项式的阶数；T表示矩阵转置；
S22，将相似性矩阵作为邻接矩阵B，并计算度矩阵E,E是eR组成的M×M维的对角矩阵；
eR计算公式如下：
其中，BRO为矩阵B第R行第O列的元素值；
S23，构建拉普拉斯矩阵并计算拉普拉斯矩阵L的特征值，取最小的前k个特征值并计算特征向量，构建特征向量矩阵U＝{u1,u2,...,uk}，其中，I为M维的单位矩阵，uk为初始聚类中心；
S24，计算每个样本数据到各个初始聚类中心的核距离κ(xR,xO)，选择距离最近的聚类中心形成k簇，并根据最小化平方误差Δ更新k簇，最小化平方误差的表达式如下：
其中，rh为簇Ch的中心样本；xR为第R天的平均太阳辐射值；
S25，对新的k簇通过公式重新计算聚类中心，直到满足设定终止条件或达到预设迭代次数，得到聚类后的数据样本[C1,C2,...,Ck]；
其中，终止条件为|rh+1-rh|≤ε，ε为任意给定的正数。
进一步，步骤S3中，采用min-max归一化方法，对历史数据进行归一化处理，计算公式为：
其中，θ'为归一化后输入的值，包括光伏发电功率和气象因素；θ为原始输入数据的值；θmin为输入数据中该特征最大的值；θmax为输入数据中该特征最小的值。
进一步，步骤S4中，在进行预测时，BiGRU预测模型同时考虑过去和未来时刻的信息，挖掘光伏功率时序特征，BiGRU预测模型的表达式为：
式中，Xt表示t时刻GRU模型的输入；δ表示sigmoid激活函数；表示t时刻前向GRU模型的输出量；表示t-1时刻前向GRU模型的输出量；表示t时刻后向GRU模型的输出量；表示t+1时刻后向GRU模型的输出量；ht表示隐藏层输出；Wf1与Wf2分别表示为前向GRU模型输入权重矩阵和t-1时刻输出权重矩阵；Wb1和Wb2分别为后向GRU模型输入权重矩阵和t+1时刻输出权重矩阵；W1与W2分别为前向GRU模型和后向GRU模型输出权重矩阵。
进一步，步骤S5中，改进鲸鱼优化算法对BiGRU预测模型的超参数进行寻优的实现步骤如下：
S51，将BiGRU预测模型的均方误差函数作为鲸鱼群的适应度函数，其表达式为：
其中，f()为适应度函数；α1为第一隐藏层神经元个数；α2为第二隐藏层神经元个数；β为学习率；χ为批处理个数；N为总样本数；i为当前样本号；yi为第i个样本预测值；为第i个样本标签值；
S52，通过改进Cicle混沌映射进行鲸鱼种群的初始化，改进混沌映射的表达式为：
式中，mod()为取余函数；xξ为产生的混沌值；ξ为混沌值的维度；
S53，选取M个鲸鱼构成鲸鱼种群，其中每个鲸鱼都是G维向量[α1,α2,β,χ]，并更新鲸鱼优化算法中A、C参数：
A＝2a×r1-a
C＝2·r2
式中，r1、r2为取值范围在[0,1]中的随机向量；a为非线性递减因子，表达式为：
式中，amax、amin为非线性递减因子a的最大值、最小值；v为当前迭代次数；vmax为最大迭代次数；gammaincinv()为逆不完全Γ函数；λ为逆不完全Γ函数中的参数；
S54，迭代更新鲸鱼个体位置；若r3＜0.5且|A|＜1，则按以下式子更新当前鲸鱼个体位置：
X(v+1)＝ω·X*(v)-A·D
若r3≥0.5且|A|＜1，则按下式更新当前鲸鱼个体的位置：
X(v+1)＝D'·ebl·cos(2πl)+ω·X*(v)
若|A|≥1，则按下式更新当前鲸鱼个体的位置：
X(v+1)＝Xrand-A·D
式中，D为当前鲸鱼个体位置与当前最优解之间的距离；ω为惯性权重；r3为[0,1]之间的随机数；X(v+1)为鲸鱼个体下一次迭代后的位置向量；X*(v)为当前最优解的位置向量；Xrand为随机选择的鲸鱼个体位置向量；b为常数；e为自然对数；l为[-1,1]之间的随机数；ω为模拟鲸鱼捕食速度提出来的惯性权重，ω＝0.5×a；
S55，判断是否达到最大迭代次数，若达到则停止计算,并输出鲸鱼最优位置和对应适应度值；反之，重复执行步骤S51～S54。
进一步，步骤S7中，设初步预测结果的误差序列为W＝[w(1)，w(2)，...，w(t)]，w(t)为t时刻的误差值，对误差值进行变分模态分解的分解公式为：
其中，fj(t)为第j个IMF分量；rp(t)为残差分量Re；p为IMFs的个数。
进一步，步骤S8中，对每个分量fj(t)及残差rp(t)通过IWOA-BiGRU模型进行预测，得到每个分量的预测值并求和得到误差预测结果其公式为：
其中，为第j个IMF分量的预测值；为残差分量Re的预测值。
进一步，步骤S9中，将初步光伏功率预测结果与误差预测结果求和得到误差修正后的最终光伏功率预测结果其公式如下：
其中，为t时刻的初步光伏功率预测结果；为t时刻的误差预测结果；为t时刻的最终光伏功率预测结果。
本发明与现有技术相比，其显著效果如下：
1、针对Kmeans聚类算法处理非线性数据和对初始值敏感的缺陷，设计了一种E-P核函数，通过E-P核函数计算核距离代替传统Kmeans聚类中的欧氏距离并结合了谱聚类算法；其中，E-P核函数由指数核函数和多项式核函数组成，可以同时处理线性和非线性数据且对于高维的数据也更有优势，稳定性和泛化性更佳；通过谱-核Kmeans聚类的方法对历史数据进行不同天气划分，可以更精确地区分出晴天、阴天、雨天三类不同天气的数据集建立不同天气的训练模型分别进行训练提高预测精度；
2、对于初步预测结果，对比真实标签值得到误差序列，通过变分模态分解方法对误差序列进行信号分解得到多个子分量，并对每个子分量分别通过预测模型进行预测并作算术和得到误差预测结果，结合初步预测结果作算术和得到误差修正后的最终功率预测结果；
3、针对鲸鱼优化算法容易陷入局部最优并且收敛精度低的问题，通过引入改进Circle混沌映射初始化、非线性收敛因子及添加惯性权重的方法提出改进鲸鱼优化算法；利用改进鲸鱼优化算法寻优BiGRU神经网络的超参数，建立IWOA-BiGRU预测模型，提高预测精度。
附图说明
图1为本发明的整体流程图；
图2为改进鲸鱼优化算法的运行流程图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
为了提升鲸鱼优化算法收敛性及超短期光伏功率预测精度，本发明提出了基于改进鲸鱼优化算法的超短期光伏功率预测方法，通过构建相似日及改进鲸鱼优化算法寻优BiGRU超参数和误差修正方法进行超短期光伏功率预测。
如图1所示为本发明的整体流程图，本发明的实现步骤如下：
步骤一，对历史数据预处理及相关性分析。
选取江苏省句容市一光伏电站2015年1月、4月、7月及10月一共4个月的数据，共计M天。每条历史数据由光伏发电功率和包含太阳直接辐射值、太阳散射辐射值、环境温度、风速、相对湿度、风向、降雨量的7类气象数据组成。并且剔除了夜间数据，保留每天07:35—18:25的数据，每5分钟采样一次数据，每日有131个采样点，共16113条数据，经过数据质量控制删除异常值及缺失值剩15921条数据。并利用皮尔逊相关系数法对历史数据中所有的气象因素与光伏发电功率进行相关性分析。
历史数据X可表示为：
式中，g＝8；xt1、xt2、…、xtg分别为t时刻的光伏发电功率、太阳直接辐射值、太阳散射辐射值、环境温度、风速、相对湿度、风向、降雨量的数值。
计算各气象因素与光伏发电功率的相关性可以通过皮尔逊相关系数法由下式实现：
式中，r为某气象因素与光伏发电功率的相关系数值；H为原始输入数据的长度，t为第t个时刻；Xt为第t个时刻与光伏发电功率计算相关系数的某项气象因素值；为对应气象因素的平均数值；Yt为第t个时刻光伏发电功率数值；为光伏发电功率的平均值。
步骤二，通过谱-核Kmeans聚类划分出雨天、阴天、晴天相似日样本数据。
通过谱-核Kmeans聚类对历史数据不同天气的聚类，把含有N个历史数据X的集合C划分为k个簇Ch，h＝1,2,...,k。主要的步骤如下：
步骤21，将每日131个采样点的太阳直接辐射值取平均值，并通过新构造的E-P核函数计算每日太阳直接辐射均值的核距离，再以该核距离为相似性度量构建每日太阳直接辐射均值的相似性矩阵Q。
其中，E-P核函数κ(xR,xO)的具体公式为：
式中，κ1(xR,xO)为指数核函数的输出；κ2(xR,xO)为多项式核函数的输出；xR、xO为第R、O天的平均太阳辐射值；R、O为总天数M的任意两天；σ为带宽参数；η为多项式系数；γ为常数偏移量；ρ为多项式的阶数，T为矩阵转置。步骤22，将相似性矩阵作为邻接矩阵B，并且计算度矩阵E，计算度矩阵E是eR组成的M×M维的对角矩阵；
eR计算公式如下：
其中，BRO为矩阵B第R行第O列的元素值。
步骤23，构建拉普拉斯矩阵并计算拉普拉斯矩阵L的特征值，取最小的前k个特征值并计算特征向量，构建特征向量矩阵U＝{u1,u2,...,uk}，其中，I为M维的单位矩阵，uk为初始聚类中心。
步骤24，计算每个样本数据到各个初始聚类中心的核距离κ(xR,xO)，选择距离最近的聚类中心形成k簇，并根据最小化平方误差Δ更新k簇，最小化平方误差的表达式如下：
其中，rh为簇Ch的中心样本；xR为第R天的平均太阳辐射值。
步骤25，对新的k簇通过公式重新计算聚类中心，直到满足终止条件达到预设迭代次数，或者满足式子|rh+1-rh|≤ε意味着已收敛，其中ε为任意给定的正数。得到聚类后的数据样本[C1,C2,...,Ck]，其中，k的值为3。
步骤三，对历史数据进行归一化处理。
为了减少模型处理的复杂量以及提高准确度，对输入数据，包括有光伏发电功率和包含太阳直接辐照度、太阳散射辐照度、环境温度、风速、相对湿度、风向、降雨量进行归一化处理，采用min-max归一化方法，归一化方法的数据范围均在[0,1]之间，计算公式为：
其中，θ'为归一化后输入的值，包括有光伏发电功率和包含太阳直接辐照度、太阳散射辐照度、环境温度、风速、相对湿度、风向、降雨量；θ为原始输入数据的值；θmin为输入数据中该特征最大的值；θmax为输入数据中该特征最小的值。
步骤四，构建BiGRU预测模型。
双向门控循环单元(BiGRU)是GRU的特殊变体结构，由两层输出相同但信息传递方向相反的GRU模型组成，在进行预测时BiGRU可同时考虑过去和未来时刻的信息，充分挖掘光伏功率时序特征，提高数据利用率和模型预测精度。BiGRU的具体计算公式可表示为：
式中，Xt表示t时刻GRU模型的输入；δ表示sigmoid激活函数；表示t时刻前向GRU模型的输出量；表示t-1时刻前向GRU模型的输出量；表示t时刻后向GRU模型的输出量；表示t+1时刻后向GRU模型的输出量；ht表示隐藏层输出；Wf1与Wf2分别表示为前向GRU模型输入权重矩阵和t-1时刻输出权重矩阵；Wb1和Wb2分别为后向GRU模型输入权重矩阵和t+1时刻输出权重矩阵；W1与W2分别为前向GRU模型和后向GRU模型输出权重矩阵。
步骤五，构建IWOA优化BiGRU模型。
将归一化后的数据按照8比2的比例划分训练集[Xtrain,Ytrain]与测试集[Xtest,Ytest]，并输入到IWOA-BiGRU模型中。BiGRU预测模型中待优化的超参数有[α1,α2,β,χ]。通过提出改进鲸鱼优化算法改善鲸鱼优化算法收敛效果有待提高的问题，对BiGRU模型的超参数进行寻优，最后输出最优的超参数[α1,α2,β,χ]。其中，Xtrain为训练集的输入向量矩阵；Ytrain为训练集的输出向量矩阵；Xtest为测试集的输入向量矩阵；Ytest为测试集的输出向量矩阵；α1、α2为BiGRU预测模型中第一、二层神经元个数；β为学习率；χ为批处理个数。
改进鲸鱼优化算法进行超参数寻优过程如图2所示，具体步骤为：
步骤51，定义鲸鱼群的目标函数。将BiGRU预测模型的均方误差函数作为鲸鱼群的适应度函数，其具体式子为：
其中，f()为适应度函数；α1为第一隐藏层神经元个数；α2为第二隐藏层神经元个数；β为学习率；χ为批处理个数；N为总样本数；i为当前样本号；yi为第i个样本预测值；为第i个样本标签值。
步骤52，初始化鲸鱼种群的位置。
对于鲸鱼优化算法采用的是随机生成的方式对种群进行初始化，这种方式存在最初种群在空间上的分布不够均匀，初始解容易存在聚集的现象，为了解决这个问题，通过采取Circle混沌模型进行初始值映射。由于Circle混沌映射在[0.2,0.6]之间取值比较紧密，容易导致混沌值分布不够均匀，因此将Circle混沌映射公式作改进，目的是使初始种群分布更加均匀。改进混沌映射公式在原公式基础上改变公式结构，打破其结果在[0.2,0.6]取值的密集性，使生成的初始种群在空间分布更均匀。
通过改进Cicle混沌映射进行鲸鱼种群的初始化。改进混沌映射公式在原公式基础上改变公式结构，打破其结果在[0.2,0.6]取值的密集性，具体公式为：
式中，mod()为取余函数；xξ为产生的混沌值；ξ为混沌值的维度。
步骤53，选取M个鲸鱼构成鲸鱼种群，其中每个鲸鱼都是G维向量[α1,α2,β,χ]，并更新鲸鱼优化算法中A、C等参数。
A＝2a×r1-a
C＝2·r2
式中，r1、r2为取值范围在[0,1]中的随机向量；a为非线性递减因子，具体计算公式为：
式中，amax、amin为非线性递减因子a的最大值、最小值；v为当前迭代次数；vmax为最大迭代次数；gammaincinv()为逆不完全Γ函数；λ为逆不完全Γ函数中的参数，值取0.01。
本实施例利用一个基于逆不完全函数Γ的非线性递减因子替代a，在原始的鲸鱼优化算法当中，由于a是由2线性递减到0，而线性递减因子在迭代过程中变化较为简单无法较好的平衡全局寻优与局部寻优之间的关系，因此利用一个基于逆不完全Γ函数的非线性递减因子替代a，通过构造一个前期变化快提高全局寻优效果，在迭代后期变化较慢利于算法的局部寻优的非线性递减因子，使算法在实现全局寻优与局部寻优的过程中达到一个更好的平衡。
步骤54，迭代更新鲸鱼个体位置。
考虑到鲸鱼在捕食过程中，前期捕食过程中运行速度比后期快，为了在算法上更好地模拟此过程，在鲸鱼种群位置更新时，添加一种基于逆不完全函数Γ设置惯性权重更新来提高算法的寻优能力，当惯性权重大于1时，算法会逐渐发散，而权重小于0时，算法则将进入停滞状态；并且，考虑到在算法迭代前期主要注重全局寻优，此时的权重要大一些，而在算法迭代后期主要注重局部寻优，此时的权重要小一些，因此设计一个从1非线性下降到0的惯性权重，添加到鲸鱼种群位置更新公式中。
比较|A|的大小，同时将随机生成的值r3与0.5作比较，选择相应的位置更新公式。若r3＜0.5且|A|＜1，则按以下式子更新当前鲸鱼个体位置：
X(v+1)＝ω·X*(v)-A·D (13)
若r3≥0.5，则按下式更新当前鲸鱼个体的位置：
X(v+1)＝D'·ebl·cos(2πl)+ω·X*(v) (14)
若|A|≥1，则按下式更新当前鲸鱼个体的位置：
X(v+1)＝Xrand(v)-A·D (15)
式中，D为当前鲸鱼个体位置与当前最优解之间的距离；ω为惯性权重；r3为[0,1]之间的随机数；X(v+1)为鲸鱼个体下一次迭代后的位置向量；X*(v)为当前最优解的位置向量；Xrand为随机选择的鲸鱼个体位置向量；b为常数；e为自然对数；l为[-1,1]之间的随机数。
其中，ω为模拟鲸鱼捕食速度提出来的惯性权重，其具体公式为：
ω＝0.5×a (16)
式中，a为非线性递减因子。
步骤55，判断是否达到最大迭代次数，若达到则停止计算,并输出鲸鱼最优位置和对应适应度值；反之，重复执行步骤51～步骤54。
步骤六，优化BiGRU预测模型并进行预测。
根据步骤五的改进鲸鱼优化算法优化BiGRU预测模型，得到IWOA-BiGRU预测模型并进行超短期光伏功率预测。
将寻优得到的超参数输入到BiGRU预测模型进行预测并反归一化处理，得到初步光伏功率预测结果并将初步光伏功率预测结果与样本标签值Y＝[y(1)，y(2)，...，y(t)]进行作差得到预测误差序列W＝[w(1)，w(2)，...，w(t)]。其中，为第t个时刻光伏功率预测值；y(t)为第t个时刻样本标签值；w(t)为第t个时刻的预测数据与标签值的误差。
步骤七，对预测误差序列W＝[w(1)，w(2)，...，w(t)]进行变分模态分解，得到多个分量fj(t)及残差rp(t)。变分模态分解可以自适应地将误差序列W分解为多个具有平稳特征的IMFs分量和残差分量Re，则t时刻的误差w(t)的分解公式为：
其中，fj(t)为第j个IMF分量；rp(t)为残差分量Re；p为IMFs的个数。
步骤八，对每个分量fj(t)及残差rp(t)通过IWOA-BiGRU预测模型进行预测，得到每个分量的预测值并求和得到误差预测结果其公式如下：
其中，为第j个IMF分量的预测值；为残差分量Re的预测值。
步骤九，将初步光伏功率预测结果与误差预测结果求和，得到误差修正后的最终光伏功率预测结果其公式如下：
其中，为t时刻的初步光伏功率预测结果；为t时刻的误差预测结果；为t时刻的最终光伏功率预测结果。

Claims (9)

1.一种基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，包括步骤如下：
S1，对采集的每条历史数据进行预处理，所述每条历史数据包括光伏发电功率和气象因素；并利用皮尔逊相关系数法对历史数据中所有的气象因素与光伏发电功率进行相关性分析；
S2，通过谱-核Kmeans聚类划分出雨天、阴天、晴天相似日样本数据；
S3，对历史数据进行归一化处理；
S4，通过BiGRU预测模型，挖掘光伏功率时序特征；
S5，通过改进鲸鱼优化算法对BiGRU预测模型的超参数进行寻优，输出最优的超参数；
S6，将最优的超参数输入到BiGRU预测模型进行预测并反归一化处理，得到初步光伏功率预测结果；并将初步光伏功率预测结果与样本标签值Y进行作差，得到预测误差序列W；
S7，对预测误差序列W进行变分模态分解，得到多个分量fj(t)及残差rp(t)；
S8，对每个分量fj(t)及残差rp(t)通过IWOA-BiGRU模型进行预测，得到每个分量的预测值，将每个分量的预测值求和得到误差预测结果；
S9，将初步光伏功率预测结果与误差预测结果求和，得到误差修正后的最终光伏功率预测结果。
2.根据权利要求1所述基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，步骤S1中，所述气象因素包括太阳直接辐射值、太阳散射辐射值、环境温度、风速、相对湿度、风向和降雨量；并且剔除夜间数据，设定采样周期；
则历史数据X表示为：
式中，g＝8；xt1、xt2、…、xtg分别为t时刻的光伏发电功率、太阳直接辐射值、太阳散射辐射值、环境温度、风速、相对湿度、风向、降雨量的数值；
某气象因素与光伏发电功率的相关性分析的表达式如下：
式中，r为某气象因素与光伏发电功率的相关系数值；H为原始输入数据的长度，t为第t个时刻；Xt为第t个时刻与光伏发电功率计算相关系数的某项气象因素值；为对应气象因素的平均数值；Yt为第t个时刻光伏发电功率数值；为光伏发电功率的平均值。
3.根据权利要求1所述基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，步骤S2中，将含有N个历史数据的集合C通过谱-核Kmeans聚类，划分为k个簇Ch，h＝1,2,...,k，实现步骤如下：
S21，将每日所有采样点的太阳直接辐射值取平均值，并通过E-P核函数计算每日太阳直接辐射均值的核距离，再构建每日太阳直接辐射均值的相似性矩阵E；
其中，E-P核函数κ(xR,xO)的表达式如下：
式中，κ1(xR,xO)为指数核函数的输出；κ2(xR,xO)为多项式核函数的输出；xR、xO为第R、O天的平均太阳辐射值；R、O为总天数M的任意两天；σ为带宽参数；η为多项式系数；γ为常数偏移量；ρ为多项式的阶数；T表示矩阵转置；
S22，将相似性矩阵作为邻接矩阵B，并计算度矩阵E,E是eR组成的M×M维的对角矩阵；
eR计算公式如下：
其中，BRO为矩阵B第R行第O列的元素值；
S23，构建拉普拉斯矩阵并计算拉普拉斯矩阵L的特征值，取最小的前k个特征值并计算特征向量，构建特征向量矩阵U＝{u1,u2,...,uk}，其中，I为M维的单位矩阵，uk为初始聚类中心；
S24，计算每个样本数据到各个初始聚类中心的核距离κ(xR,xO)，选择距离最近的聚类中心形成k簇，并根据最小化平方误差Δ更新k簇，最小化平方误差的表达式如下：
其中，rh为簇Ch的中心样本；xR为第R天的平均太阳辐射值；
S25，对新的k簇通过公式重新计算聚类中心，直到满足设定终止条件或达到预设迭代次数，得到聚类后的数据样本[C1,C2,...,Ck]；
其中，终止条件为|rh+1-rh|≤ε，ε为任意给定的正数。
4.根据权利要求1所述基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，步骤S3中，采用min-max归一化方法，对历史数据进行归一化处理，计算公式为：
其中，θ'为归一化后输入的值，包括光伏发电功率和气象因素；θ为原始输入数据的值；θmin为输入数据中该特征最大的值；θmax为输入数据中该特征最小的值。
5.根据权利要求1所述基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，步骤S4中，在进行预测时，BiGRU预测模型同时考虑过去和未来时刻的信息，挖掘光伏功率时序特征，BiGRU预测模型的表达式为：
式中，Xt表示t时刻GRU模型的输入；δ表示sigmoid激活函数；表示t时刻前向GRU模型的输出量；表示t-1时刻前向GRU模型的输出量；表示t时刻后向GRU模型的输出量；表示t+1时刻后向GRU模型的输出量；ht表示隐藏层输出；Wf1与Wf2分别表示为前向GRU模型输入权重矩阵和t-1时刻输出权重矩阵；Wb1和Wb2分别为后向GRU模型输入权重矩阵和t+1时刻输出权重矩阵；W1与W2分别为前向GRU模型和后向GRU模型输出权重矩阵。
6.根据权利要求1所述基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，步骤S5中，改进鲸鱼优化算法对BiGRU预测模型的超参数进行寻优的实现步骤如下：
S51，将BiGRU预测模型的均方误差函数作为鲸鱼群的适应度函数，其表达式为：
其中，f()为适应度函数；α1为第一隐藏层神经元个数；α2为第二隐藏层神经元个数；β为学习率；χ为批处理个数；N为总样本数；i为当前样本号；yi为第i个样本预测值；为第i个样本标签值；
S52，通过改进Cicle混沌映射进行鲸鱼种群的初始化，改进混沌映射的表达式为：
式中，mod()为取余函数；xξ为产生的混沌值；ξ为混沌值的维度；
S53，选取M个鲸鱼构成鲸鱼种群，其中每个鲸鱼都是G维向量[α1,α2,β,χ]，并更新鲸鱼优化算法中A、C参数：
A＝2a×r1-a
C＝2·r2
式中，r1、r2为取值范围在[0,1]中的随机向量；a为非线性递减因子，表达式为：
式中，amax、amin为非线性递减因子a的最大值、最小值；v为当前迭代次数；vmax为最大迭代次数；gammaincinv()为逆不完全Γ函数；λ为逆不完全Γ函数中的参数；
S54，迭代更新鲸鱼个体位置；若r3＜0.5且|A|＜1，则按以下式子更新当前鲸鱼个体位置：
X(v+1)＝ω·X*(v)-A·D
若r3≥0.5且|A|＜1，则按下式更新当前鲸鱼个体的位置：
X(v+1)＝D'·ebl·cos(2πl)+ω·X*(v)
若|A|≥1，则按下式更新当前鲸鱼个体的位置：
X(v+1)＝Xrand-A·D
式中，D为当前鲸鱼个体位置与当前最优解之间的距离；ω为惯性权重；r3为[0,1]之间的随机数；X(v+1)为鲸鱼个体下一次迭代后的位置向量；X*(v)为当前最优解的位置向量；Xrand为随机选择的鲸鱼个体位置向量；b为常数；e为自然对数；l为[-1,1]之间的随机数；ω为模拟鲸鱼捕食速度提出来的惯性权重，ω＝0.5×a；
S55，判断是否达到最大迭代次数，若达到则停止计算,并输出鲸鱼最优位置和对应适应度值；反之，重复执行步骤S51～S54。
7.根据权利要求1所述基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，步骤S7中，设初步预测结果的误差序列为W＝[w(1)，w(2)，...，w(t)]，w(t)为t时刻的误差值，对误差值进行变分模态分解的分解公式为：
其中，fj(t)为第j个IMF分量；rp(t)为残差分量Re；p为IMFs的个数。
8.根据权利要求7所述基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，步骤S8中，对每个分量fj(t)及残差rp(t)通过IWOA-BiGRU模型进行预测，得到每个分量的预测值并求和得到误差预测结果其公式为：
其中，为第j个IMF分量的预测值；为残差分量Re的预测值。
9.根据权利要求1所述基于改进鲸鱼优化算法的超短期光伏功率预测方法，其特征在于，步骤S9中，将初步光伏功率预测结果与误差预测结果求和得到误差修正后的最终光伏功率预测结果其公式如下：
其中，为t时刻的初步光伏功率预测结果；为t时刻的误差预测结果；为t时刻的最终光伏功率预测结果。
CN202311259683.8A 2023-09-27 2023-09-27 一种基于改进鲸鱼优化算法的超短期光伏功率预测方法 Pending CN117318036A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311259683.8A CN117318036A (zh) 2023-09-27 2023-09-27 一种基于改进鲸鱼优化算法的超短期光伏功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311259683.8A CN117318036A (zh) 2023-09-27 2023-09-27 一种基于改进鲸鱼优化算法的超短期光伏功率预测方法

Publications (1)

Publication Number Publication Date
CN117318036A true CN117318036A (zh) 2023-12-29

Family

ID=89296569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311259683.8A Pending CN117318036A (zh) 2023-09-27 2023-09-27 一种基于改进鲸鱼优化算法的超短期光伏功率预测方法

Country Status (1)

Country Link
CN (1) CN117318036A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649001A (zh) * 2024-01-29 2024-03-05 南京信息工程大学 基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法
CN118378759A (zh) * 2024-06-21 2024-07-23 南昌工程学院 一种基于逆向云场景聚类的风电功率区间预测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649001A (zh) * 2024-01-29 2024-03-05 南京信息工程大学 基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法
CN117649001B (zh) * 2024-01-29 2024-04-16 南京信息工程大学 基于改进金枪鱼群算法优化gbdt对气温进行偏差订正的方法
CN118378759A (zh) * 2024-06-21 2024-07-23 南昌工程学院 一种基于逆向云场景聚类的风电功率区间预测方法及系统

Similar Documents

Publication Publication Date Title
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN117318036A (zh) 一种基于改进鲸鱼优化算法的超短期光伏功率预测方法
CN101414366B (zh) 基于改进极端学习机方法的电力系统短期负荷预测方法
CN111667098B (zh) 一种基于多模型组合优化的风力电站输出功率预测方法
CN108205717A (zh) 一种光伏发电功率多时间尺度预测方法
CN106503867A (zh) 一种遗传算法最小二乘风电功率预测方法
CN112564098A (zh) 基于时间卷积神经网络的高比例光伏配电网电压预测方法
CN114897129A (zh) 一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN115275991A (zh) 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
CN114676923A (zh) 发电功率的预测方法、装置、计算机设备和存储介质
CN116629416A (zh) 光伏电站功率预测方法及装置
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN117154690A (zh) 一种基于神经网络的光伏发电功率预测方法及系统
CN113435595A (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN117371335A (zh) 一种基于动态组合模型的光伏发电功率超短期预测方法及系统
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
CN115169742A (zh) 一种短期风力发电功率预测方法
CN118157127A (zh) 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统
Chen et al. Short-term Wind Speed Forecasting Based on Singular Spectrum Analysis, Fuzzy C-Means Clustering, and Improved POABP
CN112418504B (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
CN117374941A (zh) 一种基于神经网络的光伏发电功率预测方法
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法

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