[发明专利]一种光伏功率超短期在线预测方法

权利要求书

1.一种光伏功率超短期在线预测方法，其特征在于：包括以下步骤：

对光伏功率的原始历史数据按其波动程度和季节特性进行数据分类，采用奇异谱分析法SSA对光伏功率的原始数据进行滤波、去噪处理；

采用中心频率观察法确定变分模态分解算法VMD的最佳分解模态数；通过改进的粒子群优化算法PSO寻找相空间重构PSR算法与核函数极限学习机KELM的最优参数；

以核函数极限学习机KELM为基础预测器，结合变分模态分解算法VMD和相空间重构算法PSR构建训练数据集；然后对所述基础预测器进行实时训练，在线预测未来时间点的光伏功率；

对预测所得的光伏功率，采用平均绝对百分比MAPE、均方根误差RMSE和R²系数来评价所述在线预测方法的性能；

通过改进的PSO来确定PSR和KELM的最佳参数的具体方法为：

PSR是将一维的时间序列重构为时间延迟为τ和嵌入维数为m的相空间向量，矩阵表达式为：

式(2)中，M＝N-τ(m-1)，M表示重构之后矩阵的行数，N表示光伏功率数据的样本点数，O_r表示重构后的第r行空间向量；τ和m分别为延时参数和嵌入维数；而与空间向量O_r对应的第r个输出点F_r表示为：

F＝[F₁ F₂ … F_M]^T＝[o_2+(m-1)τ o_3+(m-1)τ … o_N+1]^T        (3)

所述KELM的模型表示为：

Ω_ELM(a,b)＝k(ξ_a,ξ_b)                                             (5)

式中，h(ξ)分别表示目标函数，隐含层的输出，表示隐含层的输出权重；H表示隐含层节点的输出；k为核函数，I为单位矩阵，C为正则化系数，σ2为核参数；其中C和σ2即需要优化的参数，λ、μ表示高斯函数中的两个变量，Ω_ELM表示核矩阵、ξ_a、ξ_b表示Ω_ELM中的两个变量；

所述改进的粒子群优化算法PSO寻找PSR和KELM最优参数的过程包括：

以[τ,m,C,σ²]为一组粒子，构建一定数目的粒子种群，初始化粒子种群的速度、位置以及边界值；

建立适应度函数，将KELM的预测结果与实测光伏功率的均方根误差作为寻优过程的适应度函数，根据所述初始化粒子种群的速度、位置以及边界值来初始化粒子种群与个体的适应度值；

更新粒子种群的速度与位置；通过动态调整惯性权重DAIW来增强粒子群算法迭代过程中的全局搜索能力，减少算法陷入局部最优的可能性，其表达式为：

式(7)中，t为当前迭代次数，t_max为最大迭代次数；ε为惯性调整因子；ω_max为初始惯性权重，ω_min为算法最大迭代次数时的惯性权重，p、q分别表示betarnd分布中的变量，[τ,m,C,σ²]中τ、m、C、σ2分别表示分别为延时参数，嵌入维数，正则化系数和核参数；

根据更新后的速度与位置来更新粒子种群与个体的适应度值；并筛选出适应度值较小的粒子种群和个体；

重复上述更新粒子种群的速度与位置、更新粒子种群与个体的适应度值的步骤，直到改进后的PSO满足停止条件，最终获得寻优迭代过程中适应度值最小的一组粒子，即所寻的最优参数[τ,m,C,σ²]。

2.根据权利要求1所述的一种光伏功率超短期在线预测方法，其特征在于：所述波动程度的数据分类的具体方法为：

通过计算光伏功率历史数据每一天的样本熵SE和平均值，将其作为表征一天内光伏功率波动程度的特征值，进而构建全年按天为单位的特征矩阵：

式(1)中，X_ij和Y_ij分别表示一天内光伏功率的SE值和平均值，以此区分出平稳型天气和非平稳型天气。