一种基于ACO-KF-GRU-EC的光伏发电量组合预测方法技术

本发明专利技术涉及光伏发电预测技术领域，具体公开了一种基于ACO

【技术实现步骤摘要】
一种基于ACO
‑
KF
‑
GRU
‑
EC的光伏发电量组合预测方法


[0001]本专利技术涉及光伏发电预测
，更具体地，涉及一种基于ACO
‑
KF
‑
GRU
‑
EC的光伏发电量组合预测方法。

技术介绍

[0002]光伏发电量的准确预测被认为是大规模光伏渗透到主电网的先决条件。然而，光伏发电时间序列通常表现出非线性和不稳定的特征。光伏发电依赖于不可预测的气象条件，这使得准确的光伏发电预测变得困难。
[0003]目前，有研究工作集中在光伏功率输出预测。已经提出了许多预测方法。根据预测范围，这些方法可分为三种类型:长期、中期和短期光伏功率预测。长期预测着眼于一个月到一年。中期预测考虑一周到一个月的范围，短期预测是指一周或更短的时间范围。长期光伏功率预测有助于光伏发电、输电和配电的长期规划和决策，并确保电力系统的可靠运行。中期光伏功率预测为电力系统中期调度提供决策支持。短期光伏功率预测可以支持电力系统运行，从而提高电力系统的可靠性。
[0004]光伏功率预测模型可进一步分为物理方法、持续方法和统计方法。物理方法利用数学方程来描述气象条件的物理状态和动态运动。当天气条件稳定时，基于物理方法的预测模型表现最佳。持续性方法通常假设现在和未来的价值之间有很强的相关性。假设条件从时间t到时间+t
δ
保持不变，则计算时间序列的未来值。基于持续性方法的模型的预测精度主要取决于历史平均值。相比之下，基于统计方法的模型旨在测量历史光伏功率输出和天气参数之间的关系。统计方法通常基于预测模型和历史变量的学习过程。统计方法的性能对时间范围和输入数据的质量高度敏感。光伏功率预测中常用的统计方法包括自回归集成移动平均(ARIMA)模型，自回归和移动平均(ARMA)模型，回归方法，极限学习机，和支持向量机(SVM)。统计模型通常可以产生更准确的短期光伏功率预测结果，因为考虑了历史光伏发电值，并且模型参数不断优化。然而，仍然存在一些明显的缺点。例如，ARMA模型中使用的时间序列数据必须是平稳的；当开发基于回归的预测模型时，由于需要解释变量，所以很难开发数学模型。
[0005]随着人工智能方法的快速发展，基于深度学习的模型已经在许多领域得到了发展和应用。它是机器学习方法的一个新分支。一些基于深度学习的模型，如卷积神经网络和递归神经网络已经在光伏发电预测中产生了有希望的结果。与传统的物理、持续和统计方法相比，深度学习模型能够从光伏功率序列中挖掘深层特征，并获得更准确的预测结果。
[0006]当前虽已经有上述诸多预测方法对光伏发电量数据序列实施建模，但其针对变化多端、包含多个变量的具备动态演化行为的非线性时间序列，不能很好的表现非线性及线性特性，序列中的很多数据没有办法被充分展示，而这也会直接影响最终的预测结果，极有可能出现预报误差超限问题。

技术实现思路

[0007]为了解决现有技术中存在的不足，本专利技术提供了一种基于ACO
‑
KF
‑
GRU
‑
EC的光伏发电量组合预测方法，以解决现有技术中存在的光伏发电量数据序列中的很多数据没有办法被充分展示，会直接影响最终的预测结果，极有可能出现预报误差超限的问题。
[0008]作为本专利技术的第一个方面，提供一种基于ACO
‑
KF
‑
GRU
‑
EC的光伏发电量组合预测方法，包括：
[0009]步骤S1：获取历史光伏发电量数据，并将所述历史光伏发电量数据的序列y
t
划分成非线性序列N
t
及线性序列L
t
；
[0010]步骤S2：对所述非线性序列N
t
进行预测，得到所述非线性序列N
t
的预测值和非线性序列随机误差值ε
et1
，及对所述非线性序列随机误差值ε
et1
进行二次预测，得到新的二次提取的非线性序列随机误差预测值
[0011]步骤S3：对所述线性序列L
t
进行预测，得到所述线性序列L
t
的预测值和线性序列随机误差值ε
et2
，及对所述线性序列随机误差值ε
et2
进行二次预测，得到新的二次提取的线性序列随机误差预测值
[0012]步骤S4：根据所述非线性序列N
t
的预测值所述新的二次提取的非线性序列随机误差预测值所述线性序列L
t
的预测值以及所述新的二次提取的线性序列随机误差预测值得到光伏发电量的最终预测值
[0013]进一步地，所述对所述非线性序列N
t
进行预测，得到所述非线性序列N
t
的预测值和非线性序列随机误差值ε
et1
，还包括：
[0014]利用蚁群算法ACO优化的GRU神经网络对所述非线性序列N
t
进行预测，得到所述非线性序列N
t
的预测值和非线性序列随机误差值ε
et1
。
[0015]进一步地，还包括：
[0016](1)将所述非线性序列N
t
划分为训练样本数据和测试样本数据；
[0017](2)对所述GRU神经网络的一系列参数实施前期处理；
[0018](3)通过蚁群算法ACO寻找所述GRU神经网络的权值和阈值的最优值；
[0019](4)进行所述训练样本数据的训练，输出对应的训练样本预测值及训练样本随机误差值；
[0020](5)调整所述GRU神经网络的权值和阈值；
[0021](6)判断当前所述训练样本预测值及训练样本随机误差值是否满足结束条件，若满足，则执行步骤(7)，反之，则返回至步骤(4)；
[0022](7)保存当前GRU神经网络的权值和阈值；
[0023](8)进行所述测试样本数据的预测。
[0024]进一步地，所述对所述线性序列L
t
进行预测，得到所述线性序列L
t
的预测值和线性序列随机误差值ε
et2
，还包括：
[0025]采用卡尔曼滤波KF对所述线性序列L
t
进行预测，得到所述线性序列L
t
的预测值
和线性序列随机误差值ε
et2
。
[0026]进一步地，所述对所述非线性序列随机误差值ε
et1
进行二次预测，得到新的二次提取的非线性序列随机误差预测值还包括：
[0027]采用误差补偿方法EC对所述非线性序列随机误差值ε
et1
进行二次预测，得到新的二次提取的非线性序列随机误差预测值
[0028]进一步地，还包括：
[0029](1)将所述非线性序列随机误差值ε
e本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ACO
‑
KF
‑
GRU
‑
EC的光伏发电量组合预测方法，其特征在于，包括：步骤S1：获取历史光伏发电量数据，并将所述历史光伏发电量数据的序列y
t
划分成非线性序列N
t
及线性序列L
t
；步骤S2：对所述非线性序列N
t
进行预测，得到所述非线性序列N
t
的预测值和非线性序列随机误差值ε
et1
，及对所述非线性序列随机误差值ε
et1
进行二次预测，得到新的二次提取的非线性序列随机误差预测值步骤S3：对所述线性序列L
t
进行预测，得到所述线性序列L
t
的预测值和线性序列随机误差值ε
et2
，及对所述线性序列随机误差值ε
et2
进行二次预测，得到新的二次提取的线性序列随机误差预测值步骤S4：根据所述非线性序列N
t
的预测值所述新的二次提取的非线性序列随机误差预测值所述线性序列L
t
的预测值以及所述新的二次提取的线性序列随机误差预测值得到光伏发电量的最终预测值2.根据权利要求1所述的基于ACO
‑
KF
‑
GRU
‑
EC的光伏发电量组合预测方法，其特征在于，所述对所述非线性序列N
t
进行预测，得到所述非线性序列N
t
的预测值和非线性序列随机误差值ε
et1
，还包括：利用蚁群算法ACO优化的GRU神经网络对所述非线性序列N
t
进行预测，得到所述非线性序列N
t
的预测值和非线性序列随机误差值ε
et1
。3.根据权利要求2所述的基于ACO
‑
KF
‑
GRU
‑
EC的光伏发电量组合预测方法，其特征在于，还包括：(1)将所述非线性序列N
t
划分为训练样本数据和测试样本数据；(2)对所述GRU神经网络的一系列参数实施前期处理；(3)通过蚁群算法ACO寻找所述GRU神经网络的权值和阈值的最优值；(4)进行所述训练样本数据的训练，输出对应的训练样本预测值及训练样本随机误差值；(5)调整所述GRU神经网络的权值和阈值；(6)判断当前所述训练样本预测值及训练样本随机误差值是否满足结束条件，若满足，则执行步骤(7)，反之，则返回至步骤(4)；(7)保存当前GRU神经网络的权值和阈值；(8)进行所述测试样本数据的预测。4.根据权利要求1所述的基于ACO
‑
KF
‑
GRU
‑
EC的光伏发电量组合预测方法，其...

【专利技术属性】
技术研发人员：刘玢岑，季陈林，刘远，
申请(专利权)人：国网江苏省电力有限公司无锡供电分公司，
类型：发明
国别省市：