基于特征筛选与ANFIS-PSO的光伏短期功率预测方法技术

本发明专利技术公开了基于特征筛选与ANFIS‑PSO的光伏短期功率预测方法，包括：选择已发生的任意时间段的某地区光伏发电功率和天气的历史数据；对该时间段该地区光伏发电功率的和天气的历史数据进行特征筛选，选择出对光伏发电功率影响相关度强的天气的历史数据作为天气特征数据；对筛选的天气特征数据输入自适应神经模糊推理算法搭建的训练网络，训练网络对筛选的天气特征数据进行数据训练并构建模糊推理系统；对天气特征数据进行训练时，采用粒子群算法对训练网络进行优化；输入该地区未来某一时间段预测的天气特征数据，得到该地区未来某一时间段的光伏发电功率预测结果。输入数据大大简化，节省了数据训练时间，在训练模型优化过程中不容易陷入局部极小值。

Short-term photovoltaic power prediction method based on feature selection and ANFIS-PSO

The invention discloses a short-term photovoltaic power prediction method based on feature screening and ANFIS PSO, which includes: selecting the historical data of photovoltaic power and weather in an area at any time interval that has occurred; selecting the historical data of photovoltaic power and weather in this area at that time interval to select the historical data of weather with strong correlation of photovoltaic power influence. As weather feature data, the selected weather feature data are input into the training network constructed by adaptive neuro-fuzzy inference algorithm, and the training network trains the selected weather feature data and constructs a fuzzy inference system. When training the weather feature data, the training network is optimized by using particle swarm optimization algorithm; and the forecast date of a certain time period in the future in the region is input. Based on the gas characteristic data, the forecast results of photovoltaic power generation in a certain period of time in the future are obtained. The input data is greatly simplified and the training time is saved. It is not easy to fall into local minimum in the process of training model optimization.

【技术实现步骤摘要】
基于特征筛选与ANFIS-PSO的光伏短期功率预测方法
本专利技术涉及光伏发电功率预测研究
，具体为基于特征筛选与ANFIS-PSO的光伏短期功率预测方法。
技术介绍
近年来，随着国家政策的不断出台，太阳能光伏发电已成为国家重点发展的新兴产业。目前，太阳能光伏发电系统逐渐由集中式转为分布式，2018年分布式光伏发电系统新增规模首次超过集中式光伏。与此同时，国家发展改革委、财政部与能源局联合印发了《关于2018年光伏发电有关事项的通知》，通知中明确指出支持分布式光伏有序发展成为下一步可再生能源工作的重中之重，并在今年计划建设一千万千瓦左右规模分布式光伏项目，大规模的分布式光伏接入将对电网优化调度与安全稳定产生巨大影响。在此背景下，如何对分布式光伏出力进行准确及时的预测，成为了亟待解决的问题。国内外学者对光伏发电功率预测方法开展了光伏研究，其现有方法主要包括时间序列算法、支持向量机、神经网络及混合算法等。但这些算法主要针对光伏电站的预测问题，对于分布式光伏的预测研究仍然较少，且以往的预测算法往往需要根据专业人士的先验知识选取输入特征中有用的信息，去掉冗余的信息。一般情况下，影响光伏发电系统输出功率的因素较为复杂，包含气压信息、太阳辐射强度、光伏面板表面温度、空中云团等，分析多元化的输入数据使得建模方式相对复杂。此外，传统的模型训练方式的周期较长，且优化过程容易陷入局部极小值，使得模型学习不能达到最优效果。为了进一步解决如上问题，专利技术一种基于RF-ANFIS-PSO的分布式光伏发电功率预测模型来准确预测分布式光伏发电功率。
技术实现思路
针对以上问题，本专利技术提供了基于特征筛选与ANFIS-PSO的光伏短期功率预测方法，输入数据大大简化，节省了数据训练时间，在训练模型优化过程中不容易陷入局部极小值，能够让模型学习达到最优结果，可以有效解决
技术介绍
中的问题。为实现上述目的，本专利技术提供如下技术方案：基于特征筛选与ANFIS-PSO的光伏短期功率预测方法，包括：S1，选择已发生的任意时间段的某地区光伏发电功率和天气的历史数据；S2，对该时间段该地区光伏发电功率的和天气的历史数据进行特征筛选，选择出对光伏发电功率影响相关度强的天气的历史数据作为天气特征数据；S3，对S2中筛选的天气特征数据输入到训练网络当中，训练网络采用自适应神经模糊推理算法搭建，训练网络对筛选的天气特征数据进行数据训练并构建模糊推理系统；S4，对天气特征数据进行训练时，采用粒子群算法对训练网络进行优化；根据筛选的天气特征数据得到该地区未来某一时间段的光伏发电功率预测模型；S5，输入该地区未来某一时间段预测的天气特征数据，得到该地区未来某一时间段的光伏发电功率预测结果。作为本专利技术一种优选的技术方案，所述S2中的特征筛选方法采用随机森林的特征贡献度分析方法，随机森林(RandomForest，RF)的各分叉增益情况进行特征筛选，有效筛选影响光伏发电功率预测的有效特征，天气的历史数据关于光伏发电功率历史数据的重要度进行排序分析，计算影响光伏发电功率大的天气的历史数据作为天气特征数据。RF是通过有放回的重复采样(BootstrapSampling)方式，从初始样本集B中随机抽取若干个样本生成新的样本子集，然后根据各个子样本生成k个决策树组成的森林集合。作为本专利技术一种优选的技术方案，S3中自适应神经模糊推理算法(AdaptiveNetwork-basedFuzzyInferenceSystem，ANFIS)将模糊逻辑单元和神经网络有机结合，从而形成一种新的模糊推理系统，模型中的前提参数和结论参数由反向传播算法与最小二乘法学习获得。作为本专利技术一种优选的技术方案，S4中粒子群算法(Particleswarmoptimization，PSO)优化算法模拟了鸟类的捕食行为，在N维搜索空间中，m为初始粒子群中粒子数量，第i个粒子在搜索空间中的位置表述为：对粒子的运动轨迹表达式为：w＝wdamp*w(4)单个粒子最优轨迹记为即个体极值，粒子群最优轨迹记为即全局极值，粒子移动速度记为其中，w表示惯性权重，wdamp为惯性权值阻尼比，c1c2为加速常数，其意义是保证具有较小值的粒子在目标值附近徘徊，具有较大值粒子冲向或超出目标边界，c1代表着粒子的自我影响，c2体现着社会影响，r1r2是[0，1]范围内变化的随机数，用来保证群体多样性。作为本专利技术一种优选的技术方案，所述S1中已发生的任意时间段的时长不小于S5中未来某一时间段的时长。作为本专利技术一种优选的技术方案，所述S2中天气的历史数据包括湿度、气压、空气密度、表面温度、太阳辐射强度、平均露点、低云覆盖率、中云覆盖率和高云覆盖率。与现有技术相比，本专利技术的有益效果是：1、输入数据大大简化，节省了数据训练时间；2、在训练模型优化过程中不容易陷入局部极小值，能够让模型学习达到最优结果3、采用PSO训练的ANFIS算法能够较快收敛到最优解，有效缩短了寻优时间，在分布式光伏发电功率预测场景中，采用RF特征筛选的ANFIS-PSO模型能够更好地权衡预测精度与预测资源消耗两方面因素。附图说明图1为本专利技术自适应神经模糊推理系统模型架构图；图2为本专利技术基于RF-ANFIS-PSO的光伏发电功率预测模型图；图3为本专利技术各个输入特征的特征评分图；图4温度与辐照度对光伏出力影响分析图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例：请参阅图1至图4，本专利技术提供一种技术方案：基于特征筛选与ANFIS-PSO的光伏短期功率预测方法，包括：S1，选择已发生的任意时间段的某地区光伏发电功率和天气的历史数据；S2，对该时间段该地区光伏发电功率的和天气的历史数据进行特征筛选，选择出对光伏发电功率影响相关度强的天气的历史数据作为天气特征数据；S3，对S2中筛选的天气特征数据输入到训练网络当中，训练网络采用自适应神经模糊推理算法搭建，训练网络对筛选的天气特征数据进行数据训练并构建模糊推理系统；S4，对天气特征数据进行训练时，采用粒子群算法对训练网络进行优化；根据筛选的天气特征数据得到该地区未来某一时间段的光伏发电功率预测模型；S5，输入该地区未来某一时间段预测的天气特征数据，得到该地区未来某一时间段的光伏发电功率预测结果。作为本专利技术一种优选的技术方案，所述S2中的特征筛选方法采用随机森林的特征贡献度分析方法，随机森林(RandomForest，RF)的各分叉增益情况进行特征筛选，有效筛选影响光伏发电功率预测的有效特征，天气的历史数据关于光伏发电功率历史数据的重要度进行排序分析，计算影响光伏发电功率大的天气的历史数据作为天气特征数据。RF是通过有放回的重复采样(BootstrapSampling)方式，从初始样本集B中随机抽取若干个样本生成新的样本子集，然后根据各个子样本生成k个决策树组成的森林集合。作为本专利技术一种优选的技术方案，S4中粒子群算法(Particleswarmoptimization，PSO)优化算法模拟了鸟类的本文档来自技高网...

【技术保护点】
1.基于特征筛选与ANFIS‑PSO的光伏短期功率预测方法，其特征在于，包括：S1，选择已发生的任意时间段的某地区光伏发电功率和天气的历史数据；S2，对该时间段该地区光伏发电功率的和天气的历史数据进行特征筛选，选择出对光伏发电功率影响相关度强的天气的历史数据作为天气特征数据；S3，对S2中筛选的天气特征数据输入到训练网络当中，训练网络采用自适应神经模糊推理算法搭建，训练网络对筛选的天气特征数据进行数据训练并构建模糊推理系统；S4，对天气特征数据进行训练时，采用粒子群算法对训练网络进行优化；根据筛选的天气特征数据得到该地区未来某一时间段的光伏发电功率预测模型；S5，输入该地区未来某一时间段预测的天气特征数据，得到该地区未来某一时间段的光伏发电功率预测结果。

【技术特征摘要】
1.基于特征筛选与ANFIS-PSO的光伏短期功率预测方法，其特征在于，包括：S1，选择已发生的任意时间段的某地区光伏发电功率和天气的历史数据；S2，对该时间段该地区光伏发电功率的和天气的历史数据进行特征筛选，选择出对光伏发电功率影响相关度强的天气的历史数据作为天气特征数据；S3，对S2中筛选的天气特征数据输入到训练网络当中，训练网络采用自适应神经模糊推理算法搭建，训练网络对筛选的天气特征数据进行数据训练并构建模糊推理系统；S4，对天气特征数据进行训练时，采用粒子群算法对训练网络进行优化；根据筛选的天气特征数据得到该地区未来某一时间段的光伏发电功率预测模型；S5，输入该地区未来某一时间段预测的天气特征数据，得到该地区未来某一时间段的光伏发电功率预测结果。2.根据权利要求1所述的基于特征筛选与ANFIS-PSO的光伏短期功率预测方法，其特征在于：所述S2中的特征筛选方法采用随机森林的特征贡献度分析方法，天气的历史数据关于光伏发电功率历史数据的重要度进行排序分析，计算影响光伏发电功率大的天气的历史数据作为天气特征数据。3.根据权利要求1所述的基于特征筛选与ANFIS-PSO的光伏短期功率预测方法，其特征在于：S3中自适应神经模糊推理算法将模糊逻辑单元和神经网络有机结合，...

【专利技术属性】
技术研发人员：时珉，王铁强，王一峰，尹瑞，胡文平，刘丽新，何琰，
申请(专利权)人：国网河北省电力有限公司，北京清软创新科技股份有限公司，
类型：发明
国别省市：河北,13