[發明專利]基于改進MKPLS的光伏發電功率短期滾動預測方法

有效

• 申請號: 202110644827.6
• 申請日: 2021-06-09
• 公開（公告）號: CN113361782B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 吳麒;張文安;黃大建;王林青;黃柳柳;張寶強
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06Q50/06
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于改進多尺度核函數偏最小二乘的光伏發電功率短期滾動預測方法，其特征在于，所述方法包括以下步驟：

1)采集四類數據集，記數據集X＝{X₁，X₂，X₃}，分別是所在地附近氣象狀況歷史數據集X₁，包括溫度、濕度、氣壓、雨量、風向和風速；太陽輻射強度相關歷史數據集X₂，包括太陽日照時數、斜面輻射、直射輻射和散射輻射；光伏發電系統自身狀況歷史數據集X₃，包括面板溫度和電池電壓；以及對應光伏發電歷史功率數據集Y，采樣周期為5分鐘，采樣長度為8萬個樣本數據；

根據短期預測任務需求，通過重采樣方法改變采樣周期，采樣周期為24小時，

x_i(t)＝x_0i(t)+v_xi(t) (1)

y(t)＝y₀(t)+v_y(t) (2)

其中,x_i(t)表示數據集X中第i項狀態量的第t個采樣時刻獲得的量測數據，x_0i(t)是x_i(t)去噪后的真實值，v_xi(t)表示與x_i(t)對應的量測噪聲，y(t)表示數據集Y中第t個采樣時刻獲得的發電功率數據，v_y(t)表示與y(t)對應的量測噪聲，L表示數據集長度，N表示數據集X的狀態量個數，i∈[1,N]；

2)數據預處理：首先，根據數據集中太陽日照時間，結合閾值判斷法，剔除光伏發電功率在日照時間之外仍然高于給定閾值的相應數據；

其中，和分別構成了去除異常值后的數據集和Y_TH為設定功率閾值，s是由日照時間之外的采樣時刻構成的時間集合，在步驟(1)中采用了重采樣技術獲得以24小時為采樣周期的數據集，但原先以5分鐘為采樣周期的原始數據集仍需保留，方便異常數據處理；

其次，基于自適應噪聲的完備經驗模態分解與排列熵的閾值濾波算法提高數據集和的信噪比，由信號和構成待分解初始信號集合對于集合中的每一個待分解初始信號準備Ns組正負成對的高斯白噪聲，并計算第一階EMD分解量，

其中，(-1)^qη₀n^ξ(t)為第ξ組正負成對的高斯白噪聲,q＝{1,2},η₀為給定幅值，記表示添加高斯白噪聲后的待分解信號，E(·)表示EMD分解算法，表示對應的第ξ組第一階IMF分量，表示對應的第ξ組第一階殘差，對獲得Ns組內部模態分量信號進行加總平均運算，得到第一階IMF分量u¹(t)和對應殘差r¹(t)；

同理，重復公式(4)-(6)獲得剩余IMF分量u^k(t)和殘差r^k(t)，

其中，η_k-1為給定幅值，當r^k(t)為單調函數且不能再被分解時，則基于自適應噪聲的完備總體經驗模態分解完成，得到所有K階IMF分量{u^k(t)}和殘差{r^k(t)}，k∈[1,K]；

針對每階IMF分量u^k(t)，分別計算其時間序列的排列熵PE值，長度為時間序列L的時間序列{u^k(t),t＝1,2,…,L}，其相空間重構為

其中，μ表示嵌入維數，τ表示時間延遲，重構后的時間序列U(t)各有μ個向量，且對其進行升序排列共有μ！種不同的排列，將所有可能出現的排列編號構成集合G＝{g_d},d＝1,2,…,μ！，并記概率P_d為對應編號g_d出現的概率，則有

定義時間序列{u^k(t),t＝1,2,…,L}的排列熵為

其中，排列熵H_P(μ)的標準化形式為H_P，0≤H_P≤1，當P_d＝1/μ時，H_P(μ)達到最大值ln(μ！)，選取閾值H_TH，對上述時間序列{u^k(t),t＝1,2,…,L}進行閾值濾波，

高頻分量中包含高斯白噪聲，假設剔除了前l階IMF分量，對剩下的K-l階IMF分量重構，

其中，為去除高頻噪聲后的重構信號，同樣記和分別為去除高頻噪聲后的解釋變量數據集和因變量數據集；

3)進行特征選擇：由于解釋變量數據集具有N個狀態量，其生成的高維特征矩陣會增加預測模型的建模難度，通過對解釋變量數據集的每個狀態量與因變量進行相關性分析，剔除相關系數低的狀態量以降低特征矩陣維度，簡化模型，

其中，和分別為和的均值，為與間的相關系數，給定系數閾值r_TH＝0.8，根據閾值濾波完成特征選擇，

其中，和分別表示經過特征選擇后的解釋變量數據集和因變量數據集，表示數據集的狀態量個數；

4)訓練樣本集和測試樣本集的劃分：根據數據集記錄時間順序，將解釋變量數據集與對應因變量數據集劃分成四個子數據集，其中，前80％的解釋變量數據集與對應因變量數據集構成訓練樣本集X_train和Y_train；后20％的解釋變量數據集與對應因變量數據集構成測試樣本集X_test和Y_test；

L₁＝ROUND(0.8*L) (17)

其中，L₁表示訓練樣本集的樣本長度；

5)在訓練樣本集上，構建多尺度高斯核函數偏最小二乘回歸模型，記E₀和F₀分別為經過標準化后的訓練樣本集，相應標準化公式為

其中，和分別表示和Y_train的均值，和為對應的標準差；

通過設計多尺度高斯核函數把輸入空間映射到高維特征空間H，即

其中，Φ(·)表示從輸入空間到其特征空間的非線性映射，Θ表示核格拉姆矩陣，采用多尺度高斯核函數；

在高維特征空間H上構造線性偏最小二乘回歸模型，

u_h＝F_hc_h,u_h←u_h/||u_h|| (23)

其中，t_h和u_h分別為特征空間中Θ_h和F_h的得分分量，c_h表示F_h的權值分量，h表示所提取成分的下標號，重復公式(21)-(25)，得到多尺度核函數偏最小二乘模型,

B＝Φ^TU(T^TΘU)^-1T^TF₀ (26)

其中，T、U為得分向量t、u構成的矩陣，為擬合結果，將公式(26)代入公式(27)，獲得訓練樣本擬合公式

當獲得新數據時，同樣采用公式(19)進行標準化處理，得到E_new，令Θ_new＝Φ(E_new)Φ(E_new)^T，同理得預測模型為

其中，Θ_new為新數據E_new對應的核格拉姆矩陣，為標準化的預測結果，去標準化即得到對應光伏發電功率的預測值；

6)更新模型參數，建立光伏發電功率的滾動預測模型；

采用滑動窗口法，固定窗口長度m和滑動步長p，重構多尺度高斯核格拉姆矩陣，

其中，Θ₍₁₎和Θ₍₂₎分別表示窗口滑動前多尺度高斯核格拉姆矩陣和滑動后的重構核格拉姆矩陣，和分別為構成Θ₍₁₎和Θ₍₂₎的分塊矩陣，w∈{11,12,21,22}；

7)在測試集上驗證模型并給出模型精度評價：采用均方根誤差和平均絕對百分比誤差指標分別對模型精度進行評價，對應計算公式如下

其中,為Y_test(t)的預測值,L-L₁為待預測樣本個數,Q_RMSE表示RMSE評價指標得分,Q_MAPE表示MAPE評價指標得分；

8)實現光伏發電功率的滾動預測：首先，根據滑動步長p，繼續采集傳感器數據X_new，其次，進行數據預處理和特征選擇,得到解釋變量數據集然后，根據公式(19)標準化得到E_new，并根據公式(31)重構核格拉姆矩陣Θ₍₂₎，最終，將E_new和Θ₍₂₎代入所建立的滾動預測模型(29)，實現光伏發電功率的短期滾動預測。