一种基于PCA-SFFS-BiGRU的光伏出力预测方法技术

本发明专利技术公开了一种基于PCA

【技术实现步骤摘要】
一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法


[0001]本专利技术涉及数据处理领域，特别涉及一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法。

技术介绍

[0002]新能源出力的准确预测对于电力系统的高效安全运行非常重要，同时，在大多数电力市场中，更好的光伏发电预测还可以减少对储备市场平衡能源的需求，从而避免了高昂的用能成本，提高光伏电站的盈利能力。因此，准确预测光伏电站出力对使其最佳地融入电力系统和电力市场至关重要。
[0003]尽管近年来光伏预测方法有了显著的改进，但仍然存在较大误差，特别是在长时间范围内，现阶段的光伏出力预测方法基本上是发展统计方法，往往忽略了利用气象数据信息提高预测准确性的潜力。因此，对气象数据信息进行深度的处理有助于光伏出力预测，但由于气象数据通常维度较多，其中夹杂部分对光伏出力影响较小的成分，如一同处理将导致计算量较大而准确率偏低，如进行分割又难以确定每个分量的影响程度，无法保证预测效果。

技术实现思路

[0004] 针对现有技术在光伏出力预测中气象数据信息维度较多，处理效率较低的同时预测准确率偏低的问题，本专利技术提供了一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，基于主成分分析（Principal Component Analysis，PCA）和序列前向特征选择算法（Sequential Forward Feature Selection，SFFS）分阶段降低数据维度，保留对光伏处理影响较大的主成分，并构建双向门控神经网络（Bidirectional gated recurrent unit，BiGRU），使用粒子群优化算法进行优化，最终得到光伏出力预测模型，既提高了处理效率，又提高了预测准确率。
[0005]以下是本专利技术的技术方案。
[0006]一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，包括以下步骤：S1：获取天气预报的气象数据，进行预处理后得到气象参数；S2：通过空间和时间权重的线性组合分解每一个气象参数，对各气象参数进行主成分分析，根据总方差确定每个气象参数保留的若干主成分，得到降维后的气象参数，组成第一特征集；S3：对第一特征集使用序列前向特征选择算法进一步提取主成分分量，得到第二特征集；S4：计算第二特征集中每个保留的主成分和观测到的光伏出力之间的距离相关性，按照距离相关性对主成分降序排列，使用相关性值最高的若干主成分再次启动序列前向特征选择算法，得到第三特征集；S5：构建双向门控神经网络，利用第三特征集和历史功率进行训练，并使用粒子群
优化算法优化双向门控神经网络，得到光伏出力预测模型；S6：获取待预测时段的天气预报的气象数据并执行S1至S4后，输入至光伏出力预测模型，输出光伏发电功率的预测值。
[0007]本专利技术中，通过主成分分析对气象参数进行第一次降维处理，在考虑光伏出力之前，先剔除气象参数中对其本身的特征表达影响较小的成分；在此基础上考虑光伏预测能力，利用序列前向特征选择算法进一步提取主成分分量，得到第二特征集；再利用保留的主成分和观测到的光伏出力之间的距离相关性进行排序筛选，进一步执行序列前向特征选择算法，得到第三特征集；最后利用优化后的双向门控神经网络进行训练，得到光伏出力预测模型，实现光伏发电功率的预测。
[0008]作为优选，所述S1：获取天气预报的气象数据，进行预处理后得到气象参数，包括：将天气预报的气象数据中的重复、冗余数据做删除处理；根据气象数据的特点，使用拉依达准则对异常数据进行辨识，设相关气象数据集服从正态分布，设置分布区间，将所设区间外的数据标识为异常数据，并通过均值法修正原始数据集；对处理后的气象数据进行数据归一化处理，得到气象参数。
[0009]作为优选，所述S2：通过空间和时间权重的线性组合分解每一个气象参数，对各气象参数进行主成分分析，根据总方差确定每个气象参数保留的若干主成分，得到降维后的气象参数，组成第一特征集，包括：对于每一个具有第j个空间点和时间依赖性的气象参数，通过空间和时间权重的线性组合分解：；式中，Z为气象参数，为主成分的得分，为协方差矩阵的特征向量，N为空间总点数；计算总方差及每个主成分的方差解释率，根据方差解释率进行降序排序并依次相加，当总解释率达到预设标准时停止，剔除未被相加的主成分，保留已被相加的主成分，得到降维后的气象参数，组成第一特征集。
[0010]作为优选，所述S3：对第一特征集使用序列前向特征选择算法进一步提取主成分分量，得到第二特征集，包括：创建一个空的最优特征子集；在每次迭代过程中，将第一特征集每个校准周期内的数据分割为训练数据和测试数据，采用十倍交叉验证法分别进行训练和验证，选择在校准周期内标准均方根误差检验值最小的气象参数主成分加入最优特征子集，如下式所示：
；式中，NRMSE为标准均方根误差检验值，T表示预测时段数，和分别表示时刻的光伏出力预测值和观测值；每当有新的主成分加入后，基于更新的最优特征子集重新计算标准均方根误差检验值，若数值未下降则移除最新加入的主成分，否侧仍然保留；继续迭代直至遍历第一特征集，将此时的最优特征子集作为第二特征集。
[0011]作为优选，在执行S4之前，还包括：从加入过最优特征子集但被移除的主成分中随机选择若干主成分，加入第二特征集。
[0012]在本专利技术中，由于需要从不同的影响层面进行多次数据降维，虽然对于每次降维操作来说均保留了最有价值的部分，但简单的累积降维操作叠加后，每次降维的误差或影响容易被放大，因此在最后一次降维之前，将部分被剔除的主成分还原，以平衡多次降维可能出现的数据精简过度问题。而加入过最优特征子集但被移除的主成分，表示其在交叉验证过程中，通过了单个主成分的检验，未通过整体最优特征子集的校验，具有一定的预测价值，从中选取部分进行还原，可以略微提高数据维度。
[0013]作为优选，所述S4：计算第二特征集中每个保留的主成分和观测到的光伏出力之间的距离相关性，按照距离相关性对主成分降序排列，使用相关性值最高的若干主成分再次启动序列前向特征选择算法，得到第三特征集，包括：计算第二特征集中每个保留的主成分和观测到的光伏出力之间的距离相关性，所述距离相关性的结果范围从0到1，结果越接近1则表示主成分和观测到的光伏出力之间的线性关系越强；按照距离相关性对主成分降序排列，选择相关性值最高的若干主成分，再次启动序列前向特征选择算法，选择最小化目标函数的若干主成分构成第三特征集。
[0014]作为优选，所述S5：构建双向门控神经网络，利用第三特征集和历史功率进行训练，并使用粒子群优化算法优化双向门控神经网络，得到光伏出力预测模型，包括：构建由两个相反方向的门控神经网络单元组成的双向门控神经网络，其中正向门控神经网络单元从特征序列的首部开始向尾部移动，反向门控神经网络单元从特征序列的尾部开始向首部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，其特征在于，包括以下步骤：S1：获取天气预报的气象数据，进行预处理后得到气象参数；S2：通过空间和时间权重的线性组合分解每一个气象参数，对各气象参数进行主成分分析，根据总方差确定每个气象参数保留的若干主成分，得到降维后的气象参数，组成第一特征集；S3：对第一特征集使用序列前向特征选择算法进一步提取主成分分量，得到第二特征集；S4：计算第二特征集中每个保留的主成分和观测到的光伏出力之间的距离相关性，按照距离相关性对主成分降序排列，使用相关性值最高的若干主成分再次启动序列前向特征选择算法，得到第三特征集；S5：构建双向门控神经网络，利用第三特征集和历史功率进行训练，并使用粒子群优化算法优化双向门控神经网络，得到光伏出力预测模型；S6：获取待预测时段的天气预报的气象数据并执行S1至S4后，输入至光伏出力预测模型，输出光伏发电功率的预测值。2.根据权利要求1所述的一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，其特征在于，所述S1：获取天气预报的气象数据，进行预处理后得到气象参数，包括：将天气预报的气象数据中的重复、冗余数据做删除处理；根据气象数据的特点，使用拉依达准则对异常数据进行辨识，设相关气象数据集服从正态分布，设置分布区间，将所设区间外的数据标识为异常数据，并通过均值法修正原始数据集；对处理后的气象数据进行数据归一化处理，得到气象参数。3.根据权利要求1所述的一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，其特征在于，所述S2：通过空间和时间权重的线性组合分解每一个气象参数，对各气象参数进行主成分分析，根据总方差确定每个气象参数保留的若干主成分，得到降维后的气象参数，组成第一特征集，包括：对于每一个具有第j个空间点和时间依赖性的气象参数，通过空间和时间权重的线性组合分解：；式中，Z为气象参数，为主成分的得分，为协方差矩阵的特征向量，N为空间总点数；计算总方差及每个主成分的方差解释率，根据方差解释率进行降序排序并依次相加，当总解释率达到预设标准时停止，剔除未被相加的主成分，保留已被相加的主成分，得到降维后的气象参数，组成第一特征集。4.根据权利要求1所述的一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，其特征在于，所述S3：对第一特征集使用序列前向特征选择算法进一步提取主成分分量，得到第二特征集，包括：
创建一个空的最优特征子集；在每次迭代过程中，将第一特征集每个校准周期内的数据分割为训练数据和测试数据，采用十倍交叉验证法分别进行训练和验证，选择在校准周期内标准均方根误差检验值最小的气象参数主成分加入最优特征子集，如下式所示：；式中，NRMSE为标准均方根误差检验值，T表示预测时段数，和分别表示时刻的光伏出力预测值和观测值；每当有新的主成分加入后，基于更新的最优特征子集重新计算标准均方根误差检验值，若数值未下降则移除最新加入的主成分，否侧仍然保留；继续迭代直至遍历第一特征集，将此时的最优特征子集作为第二特征集。5.根据权利要求4所述的一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，其特征在于，在执行S4之前，还包括：从加入过最优特征子集但被移除的主成分中随机选择若干主成分，加入第二特征集。6.根据权利要求1或5所述的一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，其特征在于，所述S4：计算第二特征集中每个保留的主成分和观测到的光伏出力之间的距离相关性，按照距离相关性对主成分降序排列，使用相关性值最高的若干主成分再次启动序列前向特征选择算法，得到第三特征集，包括：计算第二特征集中每个保留的主成分和观测到的光伏出力之间的距离相关性，所述距离相关性的结果范围从0到1，结果越接近1则表示主成分和观测到的光伏出力之间的线性关系越强；按照距离相关性对主成分降序排列，选择相关性值最高的若干主成分，再次启动序列前向特征选择算法，选择最小化目标函数的若干主成分构成第三特征集。7.根据权利要求1所述的一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，其特征在于，所述S5：构建双向门控神经网络，利用第三特征集和历史功率进行训练，并使用粒子群优化算法优化双向门控神经网络，得到光伏出力预测模型，包括：构建由两个相反方向的门控神经网络单元组成的双向门控神经网络，其中正向门控神经网络单元从特征序列的首部开始向尾部移动，反向门控神经网络单元从特征序列的尾部开始向首部移动；输入第三特征集和历史功率进行训练，同时使用粒子群优化算法优化双向门控神经网络，得到最优参数组合；基于最优参数组合优化双向门控神经网络，并训练得到光伏出力预测模型。8.根据权利要求7所述的一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测方法，其特征在于，所述S5中，使用粒子群优化算法优化双向门控神经网络，包括：
设置学习率、隐藏层神经元个数、批处理大小、时间步长、迭代次数的取值范围，并设置种群规模、惯性权重、让粒子意识到局部最优解的加速因子、让粒子意识到全局最优解的加速因子的数值；以学习率、隐藏层神经元个数、批处理大小、时间步长、迭代次数作为维度，随机生成多维种群粒子，初始化粒子的位置和速度，利用适应度函数计算每个粒子的适应度值；利用更新公式更新粒子的位置和速度，并通过比较持续更新局部最优解，将具有最小适应度值的粒子的局部最优解作为全局最优解；在一个迭代完成后，每一个粒子得到自身局部最优解，再将其与全局最优解进行比较，如果存在局部最优解优于全局最优解，就将全局最优解替换成局部最优解，最终生成的最优粒子就是最优参数组合，得到学习率、隐藏层神经元个数、批处理大小、时间步长、迭代次数。9.一种基于PCA
‑
SFFS
‑
BiGRU的光伏出力预测系统，用于执行如权利要求1所述的一种基于PCA
‑
SFFS
...

【专利技术属性】
技术研发人员：叶国庆，李付林，黄红辉，叶宏，李毓，王珂，徐浩华，贺燕，季克勤，侯健生，沃建栋，盛晨，张文杰，吴峰，瞿迪庆，朱君兴，王宁，
申请(专利权)人：金华八达集团有限公司，
类型：发明
国别省市：