[發(fā)明專利]基于VMD-IPSO-GRU的短期光伏功率預測方法

在審

• 申請?zhí)枺?/td>: 202011263017.8
• 申請日: 2020-11-12
• 公開（公告）號: CN112348271A
• 公開（公告）日: 2021-02-09
• 發(fā)明（設計）人: 張海波;賈鵬云
• 申請（專利權）人: 華北電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/00;G06K9/62
• 代理公司: 北京眾合誠成知識產(chǎn)權代理有限公司 11246
• 代理人: 史雙元

1.一種基于VMD-IPSO-GRU的短期光伏功率預測方法，其特征在于，包括：

步驟1：對原始光伏時間序列以及多維氣象數(shù)據(jù)進行數(shù)據(jù)清洗，補全缺失值以及剔除異常值數(shù)據(jù)；

步驟2：通過Spearman和Pearson相關性系數(shù)篩選相關性較高的氣象因素Q＝(q₁,q₂,…,q_l)；

步驟3：獲得最佳分解模態(tài)數(shù)K，將光伏時間序列f(t)進行VMD分解，得到K個不同中心頻率的模態(tài)u_k＝(u₁,u₂,…,u_K)；將VMD分解后的子序列與降維后的氣象因素Q結合，作為輸入向量I_k＝(u_k,q₁,q₂,…,q_l)，同時劃分訓練集和測試集；

步驟4：IPSO參數(shù)初始化；

步驟5：構建GRU神經(jīng)網(wǎng)絡，將GRU的網(wǎng)絡參數(shù)個數(shù)作為粒子的維數(shù)分量，GRU的網(wǎng)絡參數(shù)POP＝(pop₁,pop₂,pop₃,pop₄)^T編碼為粒子位置各維度的位置向量X_ij＝(X_i1,X_i2,X_i3,X_i4)^T，pop₁-pop₄分別對應第一層隱含層的神經(jīng)元個數(shù)、第二層隱含層的神經(jīng)元個數(shù)、GRU的迭代次數(shù)以及學習率，X_ij代表第i個粒子在4維空間中的第j位置；pop₁，pop₂∈[0,300]，pop₃∈[100,1000]，pop₄∈[0.001,0.01]，其中pop₁、pop₂、pop₃都是整數(shù)；

步驟6：確定粒子的適應度函數(shù)；

步驟7：計算粒子的適應度值，并更新粒子的個體極值以及全局極值，同歷史最優(yōu)值進行比較篩選；判斷是否找到最優(yōu)解或達到最大迭代次數(shù)，若符合條件，則迭代終止，反之繼續(xù)迭代尋優(yōu)；

步驟8：將IPSO優(yōu)化后的最優(yōu)解解碼轉換得到GRU模型的最優(yōu)參數(shù)，將最優(yōu)參數(shù)賦值給GRU神經(jīng)網(wǎng)絡，并對輸入向量I_k進行訓練和預測；將所有子序列的預測值序列重構并反歸一化處理，得到最終預測值

步驟9：評價模型的預測性能。

2.根據(jù)權利要求1所述的基于VMD-IPSO-GRU的短期光伏功率預測方法，其特征在于，所述步驟1按照以下公式進行補全缺失值以及數(shù)據(jù)歸一化處理：

式中，y′_i為缺失值，表示缺失值前后四天相同時刻對應的實測值，μ表示隨機權重，且μ₁+μ₂+μ₃+μ₄＝1；為歸一化后的值，X_i為歸一化之前的值，X_max和X_min分別為數(shù)據(jù)的最大值和最小值。

3.根據(jù)權利要求1所述的基于VMD-IPSO-GRU的短期光伏功率預測方法，其特征在于，所述步驟2中Spearman和Pearson相關性系數(shù)的計算公式如下：

式中：ρ_s代表Spearman相關性系數(shù)；ρ_p代表Pearson相關性系數(shù)；s代表樣本個數(shù)；q_il代表第l維氣象因素的第i個值；代表第l維氣象因素的平均值，y_i代表歷史光伏功率序列f(t)的第i個值，代表歷史光伏功率的平均值，R(q_il)和R(y_i)分別代表q_il和y_i元素在各自列向量中排名。