[發(fā)明專利]一種基于VMD-SVM-WSA-GM組合模型的光伏電站輸出功率預測方法

有效

• 申請?zhí)枺?/td>: 201910351027.8
• 申請日: 2019-04-28
• 公開（公告）號: CN110059891B
• 公開（公告）日: 2023-06-06
• 發(fā)明（設計）人: 曾亮;江鑫;常雨芳;黃文聰;徐操;李庚;詹逸鵬
• 申請（專利權）人: 湖北工業(yè)大學
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J3/38;G06Q10/04;G06Q50/06;G06N3/006;G06N20/10
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魯力

1.一種基于組合模型的光伏電站輸出功率預測方法，其特征在于，組合模型是VMD-SVM-WSA-GM組合模型，根據光伏電站歷史輸出功率數據，預測其在未來時段內的發(fā)電功率值，包含以下步驟：

步驟1，獲取目標光伏電站歷史輸出功率數據，所述歷史輸出功率數據以設定時間為單位，按采樣時間排列成時間序列；

步驟2，對所述歷史輸出功率數據序列進行預處理，預處理措施包括等間隔化和一階累加生成，具體如下：

等間隔化用于補全某個輸出功率采樣點缺失的數據，取采樣點前后給定步長內數據的平均值，所述步長取為3～6；

一階累加生成用于消除光伏電站歷史輸出功率數據序列中隨機因素的影響，所述歷史輸出功率數據序列為X⁽⁰⁾，其一階累加生成序列為X⁽¹⁾，如下：

X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n))

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n))

其中，x⁽⁰⁾(j)為光伏電站歷史輸出功率數據序列中的元素，j為該元素在歷史輸出功率數據序列中的序號，j∈[1,n]；x⁽¹⁾(k)為一階累加生成序列中的元素，k為該元素在一階累加生成序列中的序號，k∈[1,n]；

步驟3，將所述歷史輸出功率數據的一階累加生成序列采用變分模態(tài)分解方法VMD分解成有限帶寬的子序列，每個子序列對應不同的模態(tài)，分別為模態(tài)1、模態(tài)2、…、模態(tài)q；

VMD的分解層數q需要外部設定，采用頻譜分析方法，通過所述歷史輸出功率數據的一階累加生成序列頻譜圖中主要頻率數量的方式，確定VMD的分解層數q；

步驟4，對步驟3中由VMD分解出的每一個子序列分別建立支持向量機SVM預測模型，支持向量機的核函數K(x_i,x)類型確定為徑向基核函數RBF，如下：

其中，x_i和x分別代表空間中任一點和某一中心，σ為徑向基核函數的寬度參數；

步驟5，應用鯨魚群優(yōu)化算法WSA對每一個支持向量機SVM預測模型的參數進行尋優(yōu)，待優(yōu)化的SVM參數為懲罰參數C、敏感損失參數ε和徑向基核函數的寬度參數σ；

步驟6，對各個SVM模型的預測結果進行求和重構，得到光伏電站輸出功率一階累加結果預測值序列，記為如下：

步驟7，計算所述歷史輸出功率數據的一階累加生成序列X⁽¹⁾和光伏電站輸出功率一階累加結果預測值序列二者的差值，記為誤差序列E，如下：

E＝(e(1),e(2),…,e(n))

步驟8，應用GM(1,N)灰色模型對誤差序列E進行預測，得到誤差的預測值序列，記為如下：

步驟9，計算所述預測的輸出功率一階累加結果和誤差的預測值序列二者的差值，并進行累減還原，得到目標光伏電站輸出功率的預測值序列Y，如下：

Y＝(y(1),y(2),…,y(n))

其中，y(1)為目標光伏電站輸出功率的預測值序列中的第1個元素，和分別為光伏電站輸出功率一階累加結果預測值序列和誤差的預測值序列中的第1個元素；y(k)為目標光伏電站輸出功率的預測值序列中的第k個元素，k為序號，和分別為光伏電站輸出功率一階累加結果預測值序列中的第k和k-1個元素，和分別為誤差的預測值序列中的第k和k-1個元素；

步驟10，計算相對誤差，檢驗基于VMD-SVM-WSA-GM組合模型的光伏電站輸出功率預測方法的預測精度。

2.根據權利要求1所述的一種基于組合模型的光伏電站輸出功率預測方法，其特征在于，所述步驟5中應用鯨魚群優(yōu)化算法WSA對支持向量機SVM預測模型的參數進行尋優(yōu)的詳細流程如下：

步驟501，建立支持向量機SVM預測模型參數優(yōu)化問題的數學表達，如下：

s.t.C_min≤C_p≤C_max

ε_min≤ε_p≤ε_max

σ_min≤σ_p≤σ_max

1≤p≤q

其中，C_p、ε_p和σ_p分別為第p個SVM預測模型的懲罰參數、敏感損失參數和徑向基核函數的參數，C_min和C_max、ε_min和ε_max、σ_min和σ_max分別懲罰參數C、敏感損失參數ε和徑向基核函數的寬度參數σ的取值下限/上限；

所述參數優(yōu)化問題的優(yōu)化目標為最小化誤差序列E之和，即歷史輸出功率數據的一階累加生成序列X⁽¹⁾和光伏電站輸出功率一階累加結果預測值序列二者中對應分量差值之和最小；所述參數優(yōu)化問題的約束條件為SVM預測模型的參數應滿足的取值范圍約束；所述參數優(yōu)化問題的優(yōu)化變量為q個SVM預測模型的參數排列構成的行向量，如下：

C₁ε₁σ₁C₂ε₂σ₂…C_pε_pσ_p…C_qε_qσ_q

步驟502，初始化鯨魚群算法中鯨魚群Ω，種群規(guī)模popsize取為100，最大進化代數maxgen取為10000；

步驟503，初始化鯨魚群中鯨魚位置；

步驟504，初次評價每個鯨魚個體，計算其適應度值；

步驟505，對鯨魚群中的當前個體Ω_i，尋找“較優(yōu)且最近”的鯨魚W，如果W存在，則Ω_i移向W，并計算移動后Ω_i的適應度值；

步驟506，判斷是否遍歷了當前鯨魚群中的所有Ω_i，是，繼續(xù)下一步；否，跳轉至步驟505；

步驟507，判斷是否達到了預先設定的最大進化代數maxgen，是，繼續(xù)下一步；否，進化代數自增1，并跳轉至步驟505；

步驟508，優(yōu)化計算結束，輸出各個SVM預測模型的優(yōu)化參數。