一种光伏输出功率超短期局域情绪重构神经网络预测方法技术

本发明专利技术涉及一种光伏输出功率超短期局域情绪重构神经网络预测方法，采用奇异谱分析方法对原始光伏功率进行降噪能降低光伏功率时间序列的复杂性，有助于通过混沌非线性动力学方法对光伏功率时间序列进行隐含波动信息的挖掘，在实际工程中，无需提前获取气象数据，可避免因输入参数选择不当引起的模型复杂性问题以及气象数据预测不准确引起的误差累计问题；建立的局域情绪重构神经网络，无需确定隐含层节点数量，建模简单，减小预测成本；建立的局域情绪重构神经网络依据光伏功率混沌吸引子确定拓展信号以及情绪参数，使预测模型更加关注跟踪每个输入模式并挑选出最有用的输入模式信息，映射关系更准确，在不同天气情况下预测准确度较高，适应性较强。

【技术实现步骤摘要】
一种光伏输出功率超短期局域情绪重构神经网络预测方法
本专利技术涉及一种光伏发电
，特别涉及一种奇异谱分析的光伏输出功率超短期局域情绪重构神经网络预测方法。
技术介绍
为了减少由化石燃料引起的碳排放并顺应全球环境保护的趋势，光伏发电作为一种易获取的环境友好型能源已被广泛应用。然而，由于各种气象因素的影响，光伏功率在短时间内呈现高度的随机性和波动性，光伏输出功率曲线波动较大，波动本质不易挖掘，大规模光伏发电并网势必会给电网带来巨大冲击，光伏发电功率预测技术是解决该问题的重要措施。因此，通过准确预测光伏发电输出功率，并与储能系统充放电协调配合，平滑光伏输出功率波动，可进一步增强电网接纳光伏并网能力，改善电力系统运行状况。目前适用于超短期光伏功率预测的方法可分为物理法和统计法，物理法不需要大量的历史数据，但由于环境以及光伏组件参数易随时间变化，较难模拟某些极端天气条件，因此在实际应用中较多采用统计法。统计法中采用较多的模型为人工神经网络，在预测前需大量历史数据做训练，其侧重于建立历史数据和目标值之间的准确映射，已经取得了一定的成果。但在实际工程中，受制于复杂的模型结构，建立准确的映射关系需要大量的神经元，而隐藏神经元的数量往往难以确定。此外，不确定的天气条件以及数据采集过程中的噪声干扰，可能导致这些历史数据包含非平稳成分，使得光伏功率波动本质难以挖掘，导致由于模型训练不当而产生较高的预测误差，不易形成较成熟的预测条件。情绪神经网络(emotionalneuralnetwork，ENN)根据大脑情绪学习(brainemotionallearning，BEL)算法，模拟边缘系统中杏仁核与眶额皮质间信息的相互作用，依据情绪刺激在大脑短反射通路中引起快速情绪反应的机制而建立。ENN模型可分为单层ENN模型和双层ENN模型。双层情绪神经网络模型，即基于边缘系统的人工情绪神经网络(Limbic-basedartificialemotionalneuralnetwork，LiAENN)模型已在面部检测和情绪识别应用上表现出良好的自适应性能，将其应用于光伏功率预测领域，需要更加准确的建模方法。
技术实现思路
本专利技术是针对超短期光伏功率预测的问题，提出了一种光伏输出功率超短期局域情绪重构神经网络预测方法，超短期为小时内预测。本专利技术的技术方案为：一种光伏输出功率超短期局域情绪重构神经网络预测方法，具体包括如下步骤：1)利用奇异谱分析法对原始光伏功率时间序列进行降噪处理，得到较平稳的时间序列，并对混沌时间序列进行分析，利用混沌非线性动力学方法进一步挖掘此序列的隐含波动信息，进行相空间重构；2)依据重构后的相空间点推导出单步循环滚动局域预测机制，并确定预测中心点；单步循环滚动局域预测机制具体如下：2.1)假设g(t1)为待预测日第一时刻t1第一个待预测功率值，则其前一时刻t0对应功率g(t0)为已知量，g(t1)是要预测的第一个功率点，当要预测t1时刻的功率点g(t1)时，时刻t0相空间点向量G(t0)和g(t1)之间的对应关系为：G(t0)＝{g[t0-(m-1)τ],g[t0-(m-2)τ],...,g[t0-τ],g(t0)}→g(t1)，τ为延迟时间，m为相空间维数，将该相空间点向量作为模型的输入进行单步预测，可获得t1时刻的预测功率值g(t1)pre；2.2)在对t2时刻功率值进行预测时，考虑到t2时刻到来前，t1时刻的光伏发电功率实际值g(t1)real可获得，将g(t1)real加入到数据序列中t1时刻相空间点向量的末位置，即g(t1)＝g(t1)real，并基于相空间重构原理，将其与t1时刻其余相空间点向量组合，可构造基于t1时刻相空间末位功率值g(t1)的新混沌相空间点向量G(t1)为：G(t1)＝{g[t1-(m-1)τ],g[t1-(m-2)τ],...,g[t1-τ],g(t1)}，继续将G(t1)输入到训练好的预测模型，可预测出t2时刻的功率值g(t2)pre，并实现向前滚动一步的效果；以此循环来实现未来一天中每个时刻的超短期功率预测；2.3)实际预测过程可描述为具有m个输入分量和1个输出分量的延迟向量之间的局域滚动预测，即每次更新都会形成一组新的混沌相空间点，而实际预测过程中唯一未知的值是指每个延迟向量的末位相空间点，可将其定义为预测中心点，即g(tξ)(ξ＝1,2,…M)，M为延迟向量个数；3)基于推导出的单步循环滚动局域预测机制，在传统的基于边缘系统的人工情绪神经网络模型基础上，重构拓展信号和情绪参数，以建立预测模型与光伏功率时间序列特定特征之间的相关性，形成局域情绪重构神经网络；4)利用混沌时间序列分析后的实测数据对步骤3)所建立的局域情绪重构神经网络进行训练，得到训练后模型，依据单步循环滚动局域预测机制对实测数据进行预测，并计算预测值。所述步骤1)实现具体步骤如下：1.1)取窗口长度L，L为正整数，通过窗口滑动将原始一维时间序列x＝[x1,x2,…,xN]T映射为K个延迟向量，每个延迟向量均包含趋势和噪声，K＝N-L+1，由这些延迟向量构成轨迹矩阵X∈RL×K：其中，N为时间序列长度；1.2)对XXT进行奇异值分解，得到d个降序排列的非负特征值λ1,λ2,…λd，由于L<K，轨迹矩阵X可至多分解为dmax＝L个基本矩阵的和，d≤L，其表达式为：其中，为奇异值；ui和vi分别为第i个左右奇异向量；1.3)将分解得到的d个基本矩阵按对应奇异值大小分为两组，奇异值较大的基本矩阵代表原信号的主趋势成分，被用来重构信号，剩下的基本矩阵代表噪声成分，确定分界的奇异值数目l，选择奇异值较大的矩阵相加，可得到信号成分对应的矩阵定义为为中的元素，重构第j项为矩阵中所有满足下标a+b＝j+1的元素均值，则矩阵转化为对应的时间序列g＝{g(1),g(2),…,g(N}，j＝1,2,…N；因L<K，取Lp＝L，Kp＝K得：1.4)g(j)为经奇异谱降噪后的光伏功率时间序列g中的数据点，对降噪后的光伏功率时间序列g进行混沌时间序列分析，即采用C-C法对嵌入维数m和延迟时间τ进行求解；定义光伏功率时间序列的关联积分：式中，M为延迟向量个数；rη为空间距离；H为阶跃函数；ge、gf分别为嵌入到光伏功率时间序列重构相空间中的两点；应用BDS统计得到m和rη的恰当估计，取2≤m≤5，rη＝ησ/2，η＝1,2,3,4,σ为时间序列的标准差；采用分块平均策略可构造检验统计量：定义S在某一m和τ下对rη变化快慢的量：ΔS(m,τ)＝max{S(m,rη,τ)}-min{S(m,rη,τ)}分别对S和ΔS取所有m和rη组合下的均值和最佳延迟量τopt取为曲线的第一个过零点，若曲线无过零点，则取为的第一个极小值点；寻找的全局最小值作为光伏功率时间序列平均轨迹周期的最优估计量τ*，则取得的最佳嵌入维数为：式中，本文档来自技高网...

【技术保护点】
1.一种光伏输出功率超短期局域情绪重构神经网络预测方法，其特征在于，具体包括如下步骤：/n1)利用奇异谱分析法对原始光伏功率时间序列进行降噪处理，得到较平稳的时间序列，并对混沌时间序列进行分析，利用混沌非线性动力学方法进一步挖掘此序列的隐含波动信息，进行相空间重构；/n2)依据重构后的相空间点推导出单步循环滚动局域预测机制，并确定预测中心点；单步循环滚动局域预测机制具体如下：/n2.1)假设g(t

【技术特征摘要】
1.一种光伏输出功率超短期局域情绪重构神经网络预测方法，其特征在于，具体包括如下步骤：
1)利用奇异谱分析法对原始光伏功率时间序列进行降噪处理，得到较平稳的时间序列，并对混沌时间序列进行分析，利用混沌非线性动力学方法进一步挖掘此序列的隐含波动信息，进行相空间重构；
2)依据重构后的相空间点推导出单步循环滚动局域预测机制，并确定预测中心点；单步循环滚动局域预测机制具体如下：
2.1)假设g(t1)为待预测日第一时刻t1第一个待预测功率值，则其前一时刻t0对应功率g(t0)为已知量，g(t1)是要预测的第一个功率点，当要预测t1时刻的功率点g(t1)时，时刻t0相空间点向量G(t0)和g(t1)之间的对应关系为：G(t0)＝{g[t0-(m-1)τ],g[t0-(m-2)τ],...,g[t0-τ],g(t0)}→g(t1)，τ为延迟时间，m为相空间维数，将该相空间点向量作为模型的输入进行单步预测，可获得t1时刻的预测功率值g(t1)pre；
2.2)在对t2时刻功率值进行预测时，考虑到t2时刻到来前，t1时刻的光伏发电功率实际值g(t1)real可获得，将g(t1)real加入到数据序列中t1时刻相空间点向量的末位置，即g(t1)＝g(t1)real，并基于相空间重构原理，将其与t1时刻其余相空间点向量组合，可构造基于t1时刻相空间末位功率值g(t1)的新混沌相空间点向量G(t1)为：G(t1)＝{g[t1-(m-1)τ],g[t1-(m-2)τ],...,g[t1-τ],g(t1)}，继续将G(t1)输入到训练好的预测模型，可预测出t2时刻的功率值g(t2)pre，并实现向前滚动一步的效果；以此循环来实现未来一天中每个时刻的超短期功率预测；
2.3)实际预测过程可描述为具有m个输入分量和1个输出分量的延迟向量之间的局域滚动预测，即每次更新都会形成一组新的混沌相空间点，而实际预测过程中唯一未知的值是指每个延迟向量的末位相空间点，可将其定义为预测中心点，即g(tξ)(ξ＝1,2,…M)，M为延迟向量个数；
3)基于推导出的单步循环滚动局域预测机制，在传统的基于边缘系统的人工情绪神经网络模型基础上，重构拓展信号和情绪参数，以建立预测模型与光伏功率时间序列特定特征之间的相关性，形成局域情绪重构神经网络；
4)利用混沌时间序列分析后的实测数据对步骤3)所建立的局域情绪重构神经网络进行训练，得到训练后模型，依据单步循环滚动局域预测机制对实测数据进行预测，并计算预测值。


2.根据权利要求1所述光伏输出功率超短期局域情绪重构神经网络预测方法，其特征在于，所述步骤1)实现具体步骤如下：
1.1)取窗口长度L，L为正整数，通过窗口滑动将原始一维时间序列x＝[x1,x2,…,xN]T映射为K个延迟向量，每个延迟向量均包含趋势和噪声，K＝N-L+1，由这些延迟向量构成轨迹矩阵X∈RL×K：



其中，N为时间序列长度；
1.2)对XXT进行奇异值分解，得到d个降序排列的非负特征值λ1,λ2,…λd，由于L<K，轨迹矩阵X可至多分解为dmax＝L个基本矩阵的和，d≤L，其表达式为：

<...

【专利技术属性】
技术研发人员：时珊珊，王育飞，张宇，徐琴，薛花，方陈，魏新迟，
申请(专利权)人：国网上海市电力公司，上海电力大学，
类型：发明
国别省市：上海;31