[發(fā)明專(zhuān)利]一種基于改進(jìn)高斯過(guò)程回歸的光伏短期出力預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610020581.4
• 申請(qǐng)日: 2016-01-13
• 公開(kāi)（公告）號(hào): CN105701572B
• 公開(kāi)（公告）日: 2020-11-06
• 發(fā)明（設(shè)計(jì)）人: 楊俊;趙煒;賈嶸;張光儒;甄文喜;馬喜平;劉沖;劉琛琛;秦睿;胡殿剛;李韶喻;鄭偉;范迪龍;雷俊;楊勇;葛治平;袁芳;楊柯;董開(kāi)松;趙耀;李臻;沈渭程;鄭翔宇;閔占奎;劉秀良;李志敏;陳明忠;魏博;同煥珍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 國(guó)網(wǎng)甘肅省電力公司電力科學(xué)研究院;國(guó)網(wǎng)甘肅省電力公司;國(guó)家電網(wǎng)公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/06;G06N3/00;G06F30/20;G06F17/18;G06F113/04
• 代理公司: 西安弘理專(zhuān)利事務(wù)所 61214
• 代理人: 羅笛

1.一種基于改進(jìn)高斯過(guò)程回歸的光伏短期出力預(yù)測(cè)方法，其特征在于，具體按照以下步驟實(shí)施：

步驟1、數(shù)據(jù)分類(lèi)；

步驟2、建立預(yù)測(cè)模型；

步驟3、獲得預(yù)測(cè)樣本輸出期望，即功率預(yù)測(cè)值；

所述步驟1具體按照以下步驟實(shí)施：

步驟(1.1)、根據(jù)光伏電站的地理信息與出力分布信息，將各種天氣類(lèi)型按照天氣類(lèi)型指數(shù)、日平均溫度和日平均濕度相近度為參考指標(biāo)進(jìn)行分類(lèi)；

步驟(1.2)、將所述步驟(1.1)中的天氣類(lèi)型分別分為晴天、陰天、多變天氣三類(lèi)；

所述步驟(1.1)中的相近度采用加權(quán)歐式距離方法計(jì)算，計(jì)算公式如下：

上式中，d_ij為第i個(gè)粒子與第j個(gè)粒子之間的距離，所述 粒子為某一天的天氣類(lèi)型參考指標(biāo)，x_i為第i個(gè)粒子所對(duì)應(yīng)的向量，m、n分別表示向量的第m維和總維數(shù)，λ_m表示向量的權(quán)重，x_im為第i個(gè)粒子的第m維分量，x_jm為第j個(gè)粒子的第m維分量；

所述步驟2具體按照以下步驟實(shí)施：

步驟(2.1)、建立學(xué)習(xí)樣本；

步驟(2.2)、數(shù)據(jù)預(yù)處理；

步驟(2.3)、設(shè)置粒子群算法和高斯過(guò)程回歸算法的參數(shù)，并對(duì)學(xué)習(xí)樣本進(jìn)行訓(xùn)練；

所述步驟(2.3)具體按照以下步驟實(shí)施：

步驟(2.3.1)、設(shè)置協(xié)方差函數(shù)：采用平方指數(shù)協(xié)方差函數(shù)C_SEiso與有理二次協(xié)方差函數(shù)C_RQiso組合形成核函數(shù)C_sum，表示如下：

C_sum＝C_SEiso+C_RQiso

上式中：為信號(hào)方差，控制局部相關(guān)性的程度，l為關(guān)聯(lián)性測(cè)定超參數(shù)，α為函數(shù)的形狀參數(shù)，x、x'為隨機(jī)的任意輸入向量，其中，l、α為超參數(shù)；

步驟(2.3.2)、設(shè)置權(quán)重線性遞減粒子群算法和高斯過(guò)程回歸的初始參數(shù)；

步驟(2.3.3)、利用粒子群和高斯過(guò)程回歸組合的計(jì)算方法，對(duì)學(xué)習(xí)樣本進(jìn)行訓(xùn)練；

步驟(2.4)、尋找全局最優(yōu)粒子，得到優(yōu)化后的最優(yōu)超參數(shù)，所述步驟(2.4)具體為：

以高斯過(guò)程回歸超參數(shù)負(fù)對(duì)數(shù)極大似然函數(shù)的返回值作為每個(gè)粒子的適應(yīng)度，記錄最小粒子適應(yīng)度，個(gè)體最優(yōu)解pb根據(jù)所設(shè)置更新迭代找出全局最優(yōu)的粒子gb，同時(shí)保持粒子當(dāng)前狀態(tài)，粒子更新公式如下：

其中，

上式中：c1,c2為學(xué)習(xí)因子，v_i(j),x_i(j)，pb_i(j)，gb_i(j)分別為第i個(gè)粒子第j次迭代時(shí)的當(dāng)前速度、位置、個(gè)體最優(yōu)解、全局最優(yōu)解，rand1、rand2均為服從均勻分布U(0,1)的相互獨(dú)立隨機(jī)變量，ω(j)為第j迭代步的慣性權(quán)重，ω_max為最大慣性權(quán)重，ω_min為最小慣性權(quán)重，itmax為指定的最大迭代次數(shù)，j為第j迭代步，當(dāng)?shù)竭_(dá)最小誤差M或達(dá)到預(yù)設(shè)迭代次數(shù)n時(shí)，迭代終止；

所述步驟(2.1)具體為：根據(jù)步驟1的分類(lèi)結(jié)果，按照預(yù)測(cè)需求，從所對(duì)應(yīng)的數(shù)據(jù)庫(kù)中建立學(xué)習(xí)樣本D(x_i,y_i),1≤i≤N，其中，N為樣本總個(gè)數(shù)，輸入向量x_i表示光伏功率預(yù)測(cè)的影響因素，輸出標(biāo)量y_i表示真實(shí)光伏功率測(cè)量值。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)高斯過(guò)程回歸的光伏短期出力預(yù)測(cè)方法，其特征在于，所述步驟(2.2)具體按照以下步驟實(shí)施：

步驟(2.2.1)、置零粗糙值，所述粗糙值為低精度或異常的訓(xùn)練樣本；

步驟(2.2.2)、將訓(xùn)練樣本和預(yù)測(cè)樣本進(jìn)行標(biāo)準(zhǔn)歸一化。

3.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)高斯過(guò)程回歸的光伏短期出力預(yù)測(cè)方法，其特征在于，所述步驟3具體為：輸入預(yù)測(cè)樣本x^*，根據(jù)步驟(2.4)中的優(yōu)化超參數(shù)以及所述步驟2中的預(yù)測(cè)模型，得到的輸出即為與輸入預(yù)測(cè)樣本x^*相對(duì)應(yīng)的預(yù)測(cè)結(jié)果y^*，即功率預(yù)測(cè)值。