一种基于VMD分解和叠层深度学习的光伏功率预测方法技术

本发明专利技术公开一种基于VMD分解和叠层深度学习的光伏功率预测方法，将数据分解与深度学习网络CNN和LSTM模型相结合，利用LSTM保留过去信息的能力和CNN从气象知识中提取气象特征的能力，提供使用集成建模聚合每个模型的预测的输出。将ELM作为元学习器实现的优势可以从量化单个模型的误判和数据噪声的不确定性中看出，这可以克服传统的基于梯度的网络的局限性，包括速度慢和输入参数太多的问题，并利用多分支预测网络，以衰减噪声和气象变化的干扰，使得在不同环境下预测结果具有最佳的一致性和恒定性，从而提高预测的准确性。从而提高预测的准确性。从而提高预测的准确性。

【技术实现步骤摘要】
一种基于VMD分解和叠层深度学习的光伏功率预测方法


[0001]本专利技术涉及光伏发电功率预测
，尤其涉及一种基于VMD分解和叠层深度学习的光伏功率预测方法。

技术介绍

[0002]在最大净零排放和净零排放的背景下，每个国家都同意积极为清洁能源的发展做出贡献。其中，光伏能源生产作为快速发展中的重要可持续能源，在电力系统的安全、稳定和经济运行中发挥着关键作用。然而，光伏能源的生产对季节变化、气象条件、日变化和太阳辐射强度等因素敏感，并呈现出显著的随机性和波动性。接入大规模光伏电网对电力系统的运行稳定性提出了重大挑战。因此，光伏电能产能的准确预测有助于制定发电计划、电力调度、促进新能源消费。提高光伏的可靠性是光伏发展的一个紧迫问题。
[0003]大多数早期的深度学习研究主要将太阳能光伏视为一项回归任务，仅使用基本的统计和人工神经网络模型。由于其动态行为、自回归性质和天气依赖性，仅使用人工神经网络等计算智能技术很难预测太阳能光伏时间序列数据。这些技术的预测能力较差，因为它们不能成功地表征非线性时间序列的行为。为了减少数据波动以及噪声对预测精度的影响，数据分解的方法被广泛应用于时间序列预测领域，但是使用中心频域来计算分解IMF的值忽略了惩罚因素对分解结果的影响，并且只考虑了单个历史功率因素，而没有分析影响光伏功率大小的其他相关因素，如气象。
[0004]目前，针对许多学者对光伏发电功率预测技术进行研究，在机器学习领域通过随机森林和梯度增强将多个弱学习者组合在一起的集成算法，结果表明，这种组合可以从数据中进行更折衷的学习。随着人工智能的发展，在近年来越来越受欢迎，并经常活跃在各种工程专业领域。正如学习特征和复杂交互的建模所示，深度学习模型提供了出色的预测能力，如ELM、SVM、BP、CNN和LSTM多种组合结构，这些方法在太阳能生产预测中表现出了适应性和准确性。为了提高预测精度，由多个单一模型混合而成的混合模型力求从过去的可用数据中提取最大价值，其中数据分解方法VMD因为它能够分解成若干个可反映原始信号局部特征的规律性较强的模态分量，在测量噪声和避免模态混叠现象方面具有明显优势而被广泛应用。为了减少超参数的变化对预测结果的影响，通过遗传算法、粒子群等算法对单隐含层神经网络模型阈值和权值的初始分布进行优化处理，发现引入智能搜索算法后，不仅预测精度有所提高，而后计算效率也有所提高。
[0005]现有的技术能够实现对光伏功率的预测，但没有一种可以准确地进行多个案例研究。数据集的转换和机器学习模型内部参数的转换可能会产生不同的预测结果，这些模型存在波动性问题，小的数据变化会导致预期值的大变化，稳定性和可靠性较差。
[0006]目前利用群智算法来确定最优参数的研究很少，对于VMD分解大都通过使用中心频域来计算IMF分解次数，需要通过尝试不同的分解次数下分解的各分量的中心频域的变化来确定分解次数，缺乏自主性，而且忽略了惩罚因素大小对分解结果的影响。分解大都只考虑了对单个历史功率因素的分解，而没有分析影响光伏功率大小的其他相关因素，如气
象的影响。
[0007]现有研究中通过针对不同的天气类型的研究，考虑到了气象因素的影响，但是都是把气象影响因子与历史功率数据构造组合特征矩阵输入，这种方法在不同天气类型下差异明显，在波动量大的天气类型下预测性能较差。

技术实现思路

[0008]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于VMD分解和叠层深度学习的光伏功率预测方法，首先对原始光伏发电功率时间序列进行变分模态分解，然后建立双分支预测模型，通过对分解后的K个本征模态分量(IMF)与气象因素进行重构利用CNN
‑
BiLSTM预测构造第一分支，对分解后的K个本征模态分量(IMF)利用LSTM预测构造第二分支预测模型，最后利用Stacking集成的方式将双分支预测结果通过极限学习机(ELM)回归得到最终预测结果。
[0009]本专利技术采用的技术方案是：
[0010]一种基于VMD分解和叠层深度学习的光伏功率预测方法，其包括以下步骤：
[0011]步骤1，获取原始历史光伏功率数据，并分为训练样本、验证样本和测试样本；
[0012]步骤2，利用训练好的VMD分解的最优参数组合通过约束变分模型对采集的光伏发电功率数据进行VMD模态分解得到VMD分解的若干历史功率分量(IMF)，且VMD分解的最优参数组合由多策略改进的鲸鱼算法搜索得到；
[0013]步骤3，利用数据分解后的历史功率分量与历史气象数据进行重构，构造输入特征矩阵，利用CNN
‑
BiLSTM模型预测光伏发电功率数值，得到各个模态分量对应的CNN
‑
BiLSTM模型输出量，并累加各个模态分量的预测值得到第一分支的光伏发电功率预测结果；
[0014]步骤4：第二分支不考虑气象因素的影响，对数据分解后的历史功率分量，考虑光伏发电功率具有邻近相关性和周期性的特点，利用LSTM模型挖掘数据的前后信息关系进行预测，获得各模态分量的功率预测输出，并叠加每个子序列的预测值得到第二分支的光伏发电功率预测输出；
[0015]步骤5：将步骤3和步骤4的预测输出利用Stacking集成的方式送入第二层ELM网络进行训练，并利用MWOA优化ELM的权重和隐层偏置参数，以训练得到最优的ELM网络；
[0016]步骤6：将第一分支与第二分支得预测结果通过训练好最优的ELM网络线性回归得到最终的集成模型预测得光伏功率结果，并计算误差。
[0017]进一步，步骤1的具体步骤如下：
[0018]步骤101，对光伏历史数据预处理，包括数据清洗，删除无效数据，缺失值补齐以及异常值检验。
[0019]步骤102，所述数据归一化，使用Min
‑
Max方法将数据归一到[0,1]区间，公式为：
[0020][0021]步骤103，利用皮尔逊相关系数分析影响光伏功率的影响因素，其数学表达式为：
[0022][0023]式中，分别为变量x
i
,y
i
的平均值，相关系数ρ为正值说明两者是正相关，如果
为负值说明两者呈负相关，如果为0说明两者之间没有关系，即相关系数越接近于1或
‑
1相关度越强，相关系数越接近于零相关度越弱。
[0024]步骤104，按相关性划分的标准ρ＞0.4表明数据之间具有中等程度相关性，选择具有中等以上相关性的因素，作为关键影响因子。
[0025]进一步地，所述的步骤2包括以下分步骤:
[0026]步骤201：构造约束变分模型；
[0027]步骤202：对约束变分模型对应的约束问题引入惩罚因子和拉格朗日乘子，将其转为非约束的变分问题；
[0028]步骤203：利用交替方向乘子法求解非约束的变分问题，获得相应变量的更新公式，最终收敛产生中心频域为ω
k
的K个模态分量，利用多策略改进的鲸鱼优化算法(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：其包括以下步骤：步骤1，获取原始历史光伏功率数据，并分为训练样本、验证样本和测试样本；步骤2，利用训练好的VMD分解的最优参数组合通过约束变分模型对采集的光伏发电功率数据进行VMD模态分解得到VMD分解的若干历史功率分量，且VMD分解的最优参数组合由多策略改进的鲸鱼算法MWOA搜索得到；步骤3，利用数据分解后的历史功率分量与历史气象数据进行重构，构造输入特征矩阵；并利用CNN
‑
BiLSTM模型预测光伏发电功率数值，得到各个模态分量对应的CNN
‑
BiLSTM模型输出量，并累加各个模态分量的预测值得到第一分支的光伏发电功率预测结果；步骤4：基于光伏发电功率具有邻近相关性和周期性的特点，对数据分解后的历史功率分量利用LSTM模型挖掘数据的前后信息关系进行预测，获得各模态分量的功率预测输出，并叠加每个子序列的预测值得到第一分支的光伏发电功率预测结果；步骤5：将第一分支的光伏发电功率预测结果和第一分支的光伏发电功率预测结果利用Stacking集成的方式送入第二层ELM网络进行训练，并利用多策略改进的鲸鱼算法优化ELM的权重和隐层偏置参数，以训练得到最优的ELM网络；步骤6：将第一分支的光伏发电功率预测结果和第一分支的光伏发电功率预测结果通过训练好最优的ELM网络线性回归得到最终的集成模型预测得光伏功率结果，并计算误差。2.根据权利要求1所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤1的具体步骤如下：步骤101，对光伏历史数据预处理，预处理包括数据清洗、删除无效数据、缺失值补齐以及异常值检验；步骤102，对预处理后的数据进行归一化处理，使用Min
‑
Max方法将数据归一到[0,1]区间，公式为：其中，X表示待处理的输入数据，X
min
表示数据的最小值，X
max
表示数据的最小值；步骤103，利用皮尔逊相关系数分析影响光伏功率的影响因素，其数学表达式为：式中，分别为输入的各影响因素x
i
，和光伏功率y
i
平均值，ρ为皮尔逊相关系数；步骤104，按相关性划分的标准，选择ρ＞0.4的具有中等以上相关性的因素作为关键影响因子。3.根据权利要求1所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤2包括以下分步骤:步骤201：构造约束变分模型，对应的数学表达式为：
式中，{u
k
}为分解后的模态函数集合，{w
k
}为各模态函数中心频域的集合，表示偏导，δ(t)为单位脉冲函数，u
k
(t)表示K个分量，f(t)表示光伏功率的时间序列，e
‑
jwkt
表示单边际谱的指数信号；步骤202：对约束变分模型对应的约束问题引入惩罚因子和拉格朗日乘子，以转为非约束的变分问题，对应的数学表达式为：式中，α表示惩罚因子，λ表示拉格朗日乘子，表示偏导，δ(t)为单位脉冲函数，u
k
(t)表示K个分量，f(t)表示光伏功率的时间序列，e
‑
jwkt
表示单边际谱的指数信号；步骤203：利用交替方向乘子法求解非约束的变分问题，获得相应变量的更新公式，最终收敛产生中心频域为ω
k
的K个模态分量，利用多策略改进的鲸鱼优化算法搜索VMD分解的最优K值和惩罚因子的参数组合；步骤204：确定更新迭代的停止条件后，对采集的光伏功率数据进行VMD变分模态分解，得到VMD分解光伏功率序列。4.根据权利要求3所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤203中采用交替方向乘子算法更新迭代求解增广La
‑
grange式(4)的鞍点，在频域内迭代更新u
k
ω
k
，及λ.其迭代表达式如下，及λ.其迭代表达式如下，及λ.其迭代表达式如下式中，ω表示频率，上标∧表示进行傅里叶变换，γ表示更新因子，n表示迭代次数。5.根据权利要求3所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：利用多策略优化鲸鱼算法搜索分解的最优参数组合，包括以下步骤：步骤203
‑
1，将鲸鱼算法WOA种群初始化，并引入指数函数和三角正弦非线性收敛、反三角自适应权重和随机差分形成多策略改进的鲸鱼优化算法；步骤203
‑
2，将VMD分解的各个模态分量计算每个VMD分解历史功率分量的信号熵值，并以最小平均熵值作为MWOA的适应度函数，通过MWOA迭代寻优获得VMD分解的最优K值和惩罚因子。6.根据权利要求5所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤203
‑
1具体包括以下步骤：步骤203
‑1‑
1，针对线性收缩鲸鱼算法易陷入局部最优的问题，在包围捕食阶段引入指数型函数进行非线性收敛，具体数学表达式为：
其中，t为当前迭代次数，max_iter为设定的最大迭代次数，e是自然对数的底数；步骤203
‑1‑
2，在螺旋更新阶段引入反三角自适应权重，最优自适应权重公式如下：步骤203
‑1‑
3，利用随机差分进化算法对种群个体进行差分变异，用于向鲸鱼优化算法添加随机扰动，以便从局部最优创建逃逸路径，快速收敛到全局最优，随机差分变异策略具体表达式为：X(t+1)＝r1×
(X
*
‑
X(t))+r2×
(X
′
(t)
‑
X(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)式中，r1,r2对应于0和1之间的随机数，X
*
为当前最优个体位置，X
′
(t)是种群中随机选择的个体。7.根据权利要求6所述的一种基于VMD分解和叠层深度学习的光伏功率预测方法，其特征在于：步骤203
‑
2中，MWOA对VMD分解次数K值和惩罚因子优化的步骤如下：步骤203
‑2‑
1，初始化算法参数，包括鲸鱼的种群数量N，搜索空间维度D，并确定最大迭代次数T；步骤203
‑2‑
2，初始化鲸鱼种群，并对初始值...

【专利技术属性】
技术研发人员：刘丽桑，郭凯琪，
申请(专利权)人：福建工程学院，
类型：发明
国别省市：