综合气象因子数据的多数据融合光伏功率预测算法制造技术

综合气象因子数据的多数据融合光伏功率预测算法，包括以下步骤：Step1、对数据进行数据预处理；Step2、历史气象数据输入到气象特征选取模块，进行相关性分析，构造综合气象因子；Step3、预处理完的历史光伏发电功率数据，在功率模态重构模块中利用变分模态分解VMD将光发发电功率进行分解为一系列具有特定带宽的IMF，将所有IMF重构为高频分量和低频分量；Step4、构建AttGRU预测模型。然后对两种频率模态下的预测结果进行叠加重构，得到最终预测结果。该模型具有复杂度低、预测精度较高的特点。模型依据多数据融合后、生成的综合气象因子与光伏输出功率间的映射关系，构造了一种用于管理光伏发电站的功率预测算法，该算法可提高光伏电站管理系统中功率预测的准确性。伏电站管理系统中功率预测的准确性。伏电站管理系统中功率预测的准确性。

【技术实现步骤摘要】
综合气象因子数据的多数据融合光伏功率预测算法


[0001]本专利技术涉及光伏发电功率预测
，具体涉及一种综合气象因子数据的多数据融合光伏功率预测算法。

技术介绍

[0002]光伏发电功率预测是基于历史和当前数据，对未来一段时间的光伏功率进行预测。传统光伏发电功率预测方法主要为物理建模法，但此类方法构建复杂，需要考虑诸多地理环境因素及安装设备参数，且随时间的推移受气象变化干扰严重。随着人工智能技术在电网中大规模应用，智能算法对预测的精度、速度和模型的复杂度都有着不错的优化，光伏发电功率预测技术已由传统的物理建模预测过渡到数据驱动的人工智能算法预测。但目前所使用的智能算法如支持向量机、BP神经网络、卷积神经网络等预测性能较差，无法深度学习历史数据之中的时序信息，难以挖掘输入特征与输出功率之间的映射关系，尤其在天气波动幅度较大的日期中预测精度下降明显。
[0003]现有专利文献CN113988364A记载了一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法，使用变分模态分解(VMD)将光伏功率和气象数据分解为多个尺度，并在每个尺度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.综合气象因子数据的多数据融合光伏功率预测算法，其特征在于，包括以下步骤：Step1、在开始预测前对采集到的光伏电站输出功率及天气特征数据进行数据预处理；Step2、预处理完的数据集中包含历史气象数据和历史光伏发电功率数据，历史气象数据输入到气象特征选取模块，进行相关性分析，以提取对光伏发电功率影响大于设定值的气象特征，根据相关性分析结果剔除相关系数低于设定值或呈现负相关的无效气象特征，保留余下的气象特征输入到气象数据融合模块，利用PCA，即气象因素主成分的分析Principal Component Analysis，构造综合气象因子；Step3、在Step2的同时，预处理完的历史光伏发电功率数据，在功率模态重构模块中利用变分模态分解VMD将光发发电功率进行分解为一系列具有特定带宽的固有模态函数Intrinsic Mode Function，即IMF，并通过计算每个IMF的近似熵AE，将所有IMF重构为高频分量和低频分量，高频分量反映了功率的波动特征，低频分量反映了功率的变化趋势；Step4、在门控循环神经网络Gated Recurrent Unit Neural Network，即GRU中加入注意力机制Attention Mechanism，即Att，构建AttGRU预测模型，AttGRU预测模型由AttGRU1和AttGRU2构成，STEP2中得到的历史综合气象因子和STEP3中功率模态重构模块得到的历史高频功率分量输入AttGRU1，对未来时间点的高频功率分量做出预测；STEP2中得到的历史综合气象因子和STEP3中功率模态重构模块得到的历史低频功率分量输入AttGRU2，对未来时间点的低频功率分量做出预测；然后对两种频率模态下的预测结果进行叠加重构，得到最终预测结果。2.根据权利要求1所述的综合气象因子数据的多数据融合光伏功率预测算法，其特征在于，所述的Step1的数据预处理的具体过程为：Step1.1、对于采集到的光伏电站输出功率及天气特征数据中的缺失值，采用前后5分钟记录均值进行填补，对于其中的异常值，采用孤立森林算法Isolation Forest，即IF按照STEP1.2的后续步骤进行检测并剔除；Step1.2、IF对数据样本不断分割直至每个样本空间只包含一种数据点，分割过程如下：Step1.2.1、对于数据集X，使用一棵具有N个节点的二叉树T进行描述，每一节点N
ijr
或N
ijl
的数据为X的子集，其中的i表示树的层数，j表示上一层中第j个节点，r和l用于区分同层的右节点和左节点；Step1.2.2、对于某层所包含的数据集X
ij
，随机选择样本属性q及其值域的空间取值p来划分X
(i+1)j*l
与X
(i+1)j*r
，对应节点集N
(i+1)j*l
与N
(i+1)j*r
，小于或等于p的数据划分到N
(i+1)j*l
节点，其他划分到N
(i+1)j*r
节点，其中j*表示第i+1层第j*个节点；Step1.2.3、当遇到下面情况时得到完整的二叉树，划分结束：A.数据树的深度达到设定的最大值；B.节点N
ij
只包含一个数据点或所包含的数据点相同。3.根据权利要求2所述的综合气象因子数据的多数据融合光伏功率预测算法，其特征在于，所述的Step2的具体过程为：Step2.1、不同的气象特征对发电功率的影响程度不同，利用皮尔逊相关系数Pearson Correlation Coefficient，即PCC对气象特征进行相关性分析，计算各气象特征与光伏发电功率间的相关系数，公式(1)为PCC计算方法：
公式(1)中x
i
表示气象特征，P表示光伏发电功率，Cov(x
i
，P)为x
i
和P的协方差，Ver[x
i
]和Ver[P]分别为x
i
和P的方差；Step2.2、根据相关性分析结果剔除相关系数低于设定值或呈现负相关的无效气象特征，保留余下的气象特征输入到气象数据融合模块；Step2.3、在气象数据融合模块内，PCA对图1特征选取模块输出的多维气象特征进行降维，得到多个成分及对应贡献率，将每个成分按照其贡献率加权求和得到综合气象因子，具体过程如下：Step2.3.1、将具有m个气象特征的n个样本的数据创建为一个m
×
n维矩阵X；Step2.3.2、随后将对X中数据进行标准化处理，并计算协方差矩阵R；Step2.3.3、通过求解特征方程|λI
‑
R|＝0计算特征值和特征向量，其中I是单位矩阵，λ是特征值，各成分根据各自的特征向量按特征值的顺序排列，具有最高特征值的成分称为第一主成分，其次是第二主成分，以此类推；Step2.3.4、通过公式(2)、(3)计算主成分贡献率η
i
和累计贡献率p
k
，选取的成分对应于累积贡献率达到95％的前n个特征值；累积贡献率达到95％的前n个特征值；Step2.3.5、根据公式(4)计算各成分值z
i
：z
i
＝a
i1
x1+a
i2
x2+
…
+a
ij
x
j
+
…
+a
ip
x
p
ꢀꢀꢀꢀ
(4)式中a
ij
是特征向量矩阵中的元素；Step2.3.6、使用公式(5)将选取的各成分按照其对应的贡献率加权求得综合气象因子：F＝η1z1+η2z2+
…
+η
i
z
i
+
…
+η
m
z
m
ꢀꢀꢀꢀ
(5)公式(5)中：z
i
为成分，η
i
为z
i
对应贡献率。4.根据权利要求3所述的综合气象因子数据的...

【专利技术属性】
技术研发人员：王强，林贺凯，王皓宇，杨策，
申请(专利权)人：三峡大学，
类型：发明
国别省市：