[發明專利]基于VMD-IPSO-GRU的短期光伏功率預測方法

在審

• 申請號: 202011263017.8
• 申請日: 2020-11-12
• 公開（公告）號: CN112348271A
• 公開（公告）日: 2021-02-09
• 發明（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權代理有限公司 11246
• 代理人: 史雙元

本發明公開了屬于光伏發電與并網技術領域的一種基于VMD?IPSO?GRU的短期光伏功率預測方法。首先，將歷史光伏功率時間序列經過變分模態分解分解成不同頻率的子序列，充分挖掘光伏序列數據所包含的地理信息和組件參數，分離原始數據的信號與噪聲；其次，通過Spearman和Pearson相關性系數確定影響光伏出力的主要氣象因素；最后，對VMD分解的子序列分別建立門控循環單元網絡模型，并通過改進粒子群算法和自適應矩估計算法對GRU神經進行優化，從而提升了網絡收斂速度以及數據擬合效果，準確高效地完成了短期光伏功率預測，避免了人工調參帶來的誤差。

技術領域

本發明涉及光伏發電與并網技術領域，尤其涉及一種基于VMD-IPSO-GRU的短期光伏功率預測方法。

背景技術

隨著全球新能源發電產業的快速發展，太陽能以安全高效及分布廣泛的獨特優勢被廣泛利用，全球光伏裝機總容量正在逐年提高。光伏發電的過程隨機且不穩定，容易受環境、天氣等因素影響，為電力系統的安全運行帶來巨大的沖擊和挑戰。準確的短期光伏功率預測，不僅能提升光伏電站運營效率，而且可以幫助調度部門制定高效智能的實時調度計劃，同時確保大規模光伏電站接入電網后能夠安全穩定運行。

目前短期光伏功率預測的方法主要有物理法和統計法。物理法主要是利用詳細的氣象狀況和環境信息等因素建立物理模型進行預測。物理法不依賴大量的歷史發電數據，預測速度較快，但構建模型復雜且抗干擾能力較差，模型預測準確性難以保證。統計法主要依靠大量的歷史光伏功率數據和天氣數據等，通過人工智能算法充分挖掘數據內部特征和隱藏的變化規律，能夠較好的擬合復雜的非線性關系，實現光伏發電功率預測。但傳統統計法較多采用淺層機器學習方法，算法單一，魯棒性較低，易陷入局部最優，很難準確描述此類復雜非線性映射關系，預測精度難以提升。傳統統計法主要有支持向量機、極限學習機以及BP神經網絡等。

近年來，人工智能算法的迅速發展，深度學習算法突破了淺層機器學習模型的局限性，基于深度學習算法的混合模型已經被廣泛應用于短期光伏功率預測領域。

文獻1—《基于MIE-LSTM的短期光伏功率預測》利用互信息熵(MIE)對氣象數據進行降維處理，同時篩選出相似日樣本，最后通過長短期記憶神經網絡(LSTM)實現短期光伏功率預測，但是某些特殊天氣的相似日樣本可能較少，影響預測結果。

文獻2—《基于細粒度特征的BOA-GBDT光伏出力預測》為了深度挖掘天氣模式的特征信息，提出一種結合細粒度特征的貝葉斯優化梯度提升樹(Bayesian optimizationalgorithm gradient boosting decision tree，BOA-GBDT)的光伏功率預測模型。

文獻3—《Photovoltaic power forecasting based LSTM-ConvolutionalNetwork》提出了一種混合模型，利用卷積神經網絡深度挖掘數據的空間特征，再結合長短期記憶神經網絡進行訓練。

由于光伏功率受多種因素的影響，上述方法主要對氣象因素與歷史光伏功率數據進行簡單擬合，無法充分挖掘歷史光伏序列數據自身所包含的地理信息以及光伏組件安裝參數等特征。對此，提出一種基于VMD-IPSO-GRU的短期光伏功率預測模型。通過VMD將歷史光伏功率數據自適應分解成不同中心頻率的子序列，充分挖掘原始光伏序列的局部特征以及內部隱藏信息，將分解后的子序列結合降維后的氣象數據輸入IPSO-GRU模型進行預測，并將預測結果進行序列重構。通過實際算例，驗證了該模型明顯優于其他傳統模型。

發明內容

本發明的目的是提出一種基于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據進行數據清洗，補全缺失值以及剔除異常值數據；