本發(fā)明屬于新能源發(fā)電功率預測，具體涉及一種基于icso-svm模型的光伏發(fā)電功率預測方法。

背景技術(shù)：

1、“雙碳”目標下，構(gòu)建清潔能源占比逐漸提高的新型電力系統(tǒng)是未來電力行業(yè)發(fā)展的主要方向。光伏發(fā)電是最主要的新能源發(fā)電技術(shù)之一，已經(jīng)得到迅猛發(fā)展。但是，其間歇性、多變性、隨機性的特點又給新能源消納和電網(wǎng)穩(wěn)定性帶來極大的挑戰(zhàn)。光伏功率預測能夠在一定程度上緩解新能源消納的問題，降低棄光率，同時在電網(wǎng)管理和調(diào)度中發(fā)揮積極作用，進一步提供可靠的電力成本分析，提高經(jīng)濟效益。

2、現(xiàn)階段對光伏發(fā)電功率預測的方法有很多，包括統(tǒng)計學方法、光伏性能模型、機器學習法以及混合模型等。由于機器學習模型可以實現(xiàn)端到端的映射，使用多種機器學習組合模型實現(xiàn)光伏出力的預測，不僅能夠為模型提供多維度、高深度的數(shù)據(jù)信息，還可以進一步拓展模型本身的復雜度，提高模型學習特征間非線性關(guān)系的能力。

3、基于上述背景，基于深度學習建立一個高精度的預測模型進行短期光伏發(fā)電功率預測，對于幫助電力調(diào)度部門完善調(diào)度計劃、提升光伏發(fā)電預測能力、提高光伏產(chǎn)業(yè)的經(jīng)濟收益，以及進行相關(guān)的理論研究等諸多方面都具備實用價值和指導意義。

技術(shù)實現(xiàn)思路

1、本發(fā)明是為了克服現(xiàn)有技術(shù)的不足，針對目前在復雜天氣工況下光伏發(fā)電功率預測精度不高的問題，提出一種基于icso-svm模型的光伏發(fā)電功率預測方法，所提方法采用svm作為預測主模型，并利用改進競爭粒子群算法對其權(quán)重和偏置參數(shù)進行更新，從而彌補傳統(tǒng)方法在面對天氣波動較大場景下預測準確度不高、預測收斂速度較慢的缺點。

2、本發(fā)明所采用的技術(shù)方案為：一種基于icso-svm模型的光伏發(fā)電功率預測方法，包括如下步驟：

3、s1：獲取原始數(shù)據(jù)并對數(shù)據(jù)進行預處理；

4、s2：對原始特征進行相關(guān)性分析并剔除相關(guān)性較低的特征；

5、s3：對標準競爭粒子群算法進行改進；

6、s4：基于改進cso算法對svm的超參數(shù)進行尋優(yōu)，建立icso-svm預測模型對光伏發(fā)電功率進行預測；

7、s5：數(shù)據(jù)反歸一化及模型預測效果評價。

8、具體的，所述步驟s1：獲取原始數(shù)據(jù)并對數(shù)據(jù)進行預處理。原始數(shù)據(jù)集中可能存在因為數(shù)據(jù)采集設(shè)備或傳感器異常導致的缺失值和異常值等不良數(shù)據(jù)，需要對數(shù)據(jù)進行預處理。在此基礎(chǔ)上，對數(shù)據(jù)進行歸一化處理，避免因量綱不同導致機器學習模型預測精度降低。該部分具體包括：

9、(1)缺失值填充。將數(shù)據(jù)表示為{x1，x2，…，xn}，并將其分為觀察數(shù)據(jù)和缺失數(shù)據(jù)，觀察數(shù)據(jù)是未缺失的數(shù)值，觀察數(shù)據(jù)可以表示為xobs＝{x1，x2，…，xp}，缺失數(shù)據(jù)表示為xmiss＝{xp+1，xp+2，…，xn}，p<n。采用em算法對缺失值進行填充，步驟如下：

10、1)初始化當前迭代次數(shù)k、收斂參數(shù)ε、迭代k次時的評價參量θ(k)、預測值xfill、觀測值xobs、最大期望值e(xfill|xobs,θ(k))；

11、2)執(zhí)行最大期望步(e步)，即計算迭代第k次時的填充數(shù)據(jù)期望值，計算公式如下：

12、e(xfill|xobs,θ(k))＝θ(k-1)?(1)

13、3)執(zhí)行最大化步(m步)，計算公式為：

14、

15、式中，xi為觀察數(shù)據(jù)。

16、4)判斷是否滿足收斂條件，滿足條件時轉(zhuǎn)到下一步，否則執(zhí)行k＝k+1，轉(zhuǎn)步驟3)。收斂條件為：

17、|e(xfill|xobs,θ(k))-e(xfill|xobs,θ(k-1))|＜ε?(3)

18、5)輸出預測值xfill，將該值作為對本數(shù)據(jù)集所有缺失數(shù)據(jù)的填充值，計算公式為：

19、xfill＝e(xfill|xobs,θ(k))?(4)

20、(2)使用箱線圖法對異常數(shù)據(jù)進行檢測并采用em算法填充。利用箱線圖原理對原始數(shù)據(jù)進行異常值檢測，隨后將異常值視為缺失值，并采用em算法對缺失值進行填充。箱線圖判斷為異常值的條件為：

21、

22、式中，xa表示異常值；q1、q3分別表示箱線圖的上四分位數(shù)和下四分位數(shù)；iqr表示四分位間距，即iqr＝q1-q3；

23、(3)數(shù)據(jù)歸一化處理。原始數(shù)據(jù)集中各時序數(shù)據(jù)量綱不同、數(shù)值差別較大，若直接用于模型訓練，會使模型學習非線性特征的能力變?nèi)?，需要對?shù)據(jù)進行歸一化處理至[0,1]區(qū)間。采用min-max法對數(shù)據(jù)進行歸一化，計算公式為：

24、

25、式中，xi(k)為特征i的第k個樣本的原始值，xi,max、xi,min分別為特征i中最小值和最大值，xi′(k)為歸一化值。

26、具體的，所述步驟s2：對原始特征進行相關(guān)性分析并剔除相關(guān)性系數(shù)較低的特征。光伏系統(tǒng)出力情況主要受氣象因子的變化影響，例如太陽輻照度、氣溫、濕度、氣壓等。為在眾多氣象因素中篩選出影響光伏出力的主要特征，減少關(guān)聯(lián)性小的因素對結(jié)果的負面影響，需要先對氣象因素進行相關(guān)性分析。

27、斯皮爾曼相關(guān)系數(shù)法是一種有效的判斷向量相似度的方式，與皮爾遜相關(guān)系數(shù)相比，斯皮爾曼相關(guān)系數(shù)不受離群值影響，適用于兩個非線性向量的相關(guān)性計算，不需要關(guān)心數(shù)據(jù)如何變化、符合什么樣的分布，只需要關(guān)心每個變量對應(yīng)數(shù)值的位置，如果兩個變量的對應(yīng)值在各組內(nèi)的排列順位是相同或類似的(或者理解為一個變量是另外一個變量的嚴格單調(diào)函數(shù))，則具有顯著的相關(guān)性，利用斯皮爾曼相關(guān)系數(shù)法對氣象特征進行分析，提取關(guān)鍵特征作為模型訓練的輸入特征。

28、對于兩個序列x和y的斯皮爾曼相關(guān)性系數(shù)計算公式為：

29、

30、式中，n為序列長度，xi和yi分別為序列x和y的第i個變量，和分別為序列x和y的平均值。s的取值范圍為[-1,1]，s越趨近于0，兩個向量的相關(guān)性越低，越趨近于-1則成負相關(guān)，趨近于1成正相關(guān)。

31、具體的，所述步驟s3：對標準競爭粒子群算法進行改進。設(shè)種群大小為m，在解空間內(nèi)隨機地初始化種群，在每一次迭代過程中首先將種群隨機均分為2組，兩組粒子兩兩進行競爭比較，根據(jù)適應(yīng)值的大小分別為勝利者(winner)與失敗者(loser)，勝利者直接進入下一次迭代，失敗者根據(jù)下式向勝利者學習并更新自身位置和速度。

32、

33、式中，xlosser(t)、xwinner(t)分別表示失敗者和勝利者的位置向量；vlosser(t)表示失敗者的速度向量；t為迭代次數(shù)；r1(t)、r2(t)、r3(t)為3個[0,1]內(nèi)的隨機向量；為控制因子，控制對失敗者位置更新的影響；有兩種選擇，一種表示所有粒子的平均位置，具有全局性，另外一種表示局部范圍內(nèi)所有粒子的平均位置，具有局部性，通常情況下，表示所有粒子的平均位置。

34、cso算法每次迭代只更新失敗者的速度與位置，導致種群的收斂速度緩慢。另外，由于種群在全局空間的探索僅依賴失敗者向勝利者的學習過程，使得種群的開發(fā)不足，因此采用以下方法對其進行改進。

35、(1)在標準cso算法中，種群的初始化是隨機產(chǎn)生的，初始位置的散布程度及其在搜索空間中的位置是否均勻，將直接影響整個搜索過程的收斂速度和算法的尋優(yōu)效率。利用混沌優(yōu)化策略對粒子群進行初始化，tent映射具有較均勻的遍歷性分布區(qū)間，能產(chǎn)生分布均勻的混沌序列，有效地保證了種群在解空間中的均勻分布，從而提高算法的搜索效率，數(shù)學表達式為：

36、

37、式中，xn為混沌變量，n混沌變量序號，n＝1,2,…,m；β∈[0,1]，可根據(jù)具體的情況選擇合適的β值。

38、利用tent混沌映射生成初始化粒子群位置，步驟如下：

39、1)對于d維空間中的n個初始粒子位置，首先隨機產(chǎn)生一個d維向量作為第一個混沌向量r1∈[0,1]；

40、2)將r1的每一維利用tent混沌映射公式進行n-1次迭代，生成n-1個混沌向量，r2,r3,…,rn；

41、3)將產(chǎn)生的n個混沌向量按照下式映射到解的搜索空間。

42、

43、式中，xmax、xmin分別表示進搜索空間的上下限；xi即為第i個混沌初始化粒子位置信息。

44、(2)由于變異算子在提升算法收斂性能和種群多樣性方面有著顯著表現(xiàn)，因此引入t-分布擾動變異來增強種群的多樣性，幫助粒子跳出局部最優(yōu)位置，其數(shù)學本表達式為：

45、

46、式中，γ為變異步長，表達式為γ＝0.01+0.49(t/tmax)；tmax為最大迭代次數(shù)；t_distrub表示自由度參數(shù)，隨著迭代次數(shù)的變化而變化；xj、xk表示隨機兩個粒子的位置；pm表示變異概率。

47、利用上式對粒子個體進行t-分布擾動，t-分布的自由度隨著迭代次數(shù)的變化而變化，隨自由度參數(shù)t值的增長，數(shù)值分布狀態(tài)逐漸由柯西分布趨近于高斯分布，算法迭代前期，t-分布表現(xiàn)出的特征與柯西分布特征一致，幫助開采新的搜索空間，提高算法的全局搜索能力；在中后期時，t-分布表現(xiàn)出的特征與高斯分布特征一致，有助于算法在當前解鄰域范圍內(nèi)進行搜索。

48、具體的，所述步驟s4：基于改進cso算法對svm的超參數(shù)進行尋優(yōu)，建立icso-svm預測模型對光伏發(fā)電功率進行預測。

49、svm是一種基于統(tǒng)計學理論的機器學習方法，根據(jù)結(jié)構(gòu)風險最小化原則提出，具有泛化能力強及計算速度快的特點。svm通過引入核函數(shù)實現(xiàn)非線性變化，目標函數(shù)為：

50、

51、式中，w、b表示權(quán)重和偏置；c為懲罰參數(shù)；xi為svm的輸入量。

52、引入核函數(shù)k(xi,xj)后，上述目標函數(shù)轉(zhuǎn)為了：

53、

54、核函數(shù)的選擇直接影響了支持向量機的模型性能，徑向基核函數(shù)具有處理簡單、分析性好、徑向?qū)ΨQ性好、平滑性好等優(yōu)點，因此選取徑向基函數(shù)作為svm的核函數(shù)。核函數(shù)表達式為：

55、

56、式中，γ為徑向基核函數(shù)的核參數(shù)。

57、svm中兩個關(guān)鍵參數(shù)為懲罰參數(shù)c、核函數(shù)的核參數(shù)γ。利用改進icso算法對兩個超參數(shù)進行尋優(yōu)，進而構(gòu)建icso-svm回歸預測模型，尋優(yōu)步驟如下：

58、1)將svm超參數(shù)與icso算法中的粒子位置進行一一對應(yīng)，粒子的最佳位置即為最佳超參數(shù)值；

59、2)初始化算法的最大迭代次數(shù)、種群規(guī)模、變異步長等參數(shù)；

60、3)對粒子群初始位置進行tent混沌初始化；

61、4)根據(jù)svm的目標函數(shù)計算每個粒子的適應(yīng)度值；

62、5)將種群隨機進行兩兩競爭比較，根據(jù)適應(yīng)度值的大小分為勝利者winner和失敗者loser；

63、6)根據(jù)對應(yīng)公式更新失敗粒子和勝利粒子的速度以及位置，隨后計算更新粒子的適應(yīng)度值，并更新全局最優(yōu)值和最優(yōu)解；

64、7)達到最大迭代次數(shù)的時候，算法結(jié)束，轉(zhuǎn)到步驟8)，否則繼續(xù)步驟5)；

65、8)得到最優(yōu)粒子位置，即得到最優(yōu)的svm超參數(shù)值。

66、具體的，所述步驟s5：數(shù)據(jù)反歸一化及模型預測效果評價。對預測得到的光伏發(fā)電功率數(shù)據(jù)進行反歸一化處理，使其具有物理意義，計算公式為：

67、xi(k)＝xi′(k)(xi,max-xi,min)+xi,min

68、并利用均方根誤差(rmse)、平均絕對百分比誤差(mape)對模型預測效果進行評價。將測試集輸入訓練好的最佳icso-svm模型中對光伏發(fā)電功率進行預測，采用rmse、mape對模型預測效果進行評估，并與多個對比算法進行比較分析，驗證所提方法的有效性和優(yōu)越性。rmse、mape具體計算表達式如下：

69、

70、式中，yi表示實際值，yi′表示預測值，為平均值，n表示預測樣本數(shù)量。

71、本發(fā)明的有益效果：在光伏發(fā)電功率預測工作中，預測模型超參數(shù)設(shè)置需要依靠大量經(jīng)驗和人為設(shè)置，不同參數(shù)的模型的預測效果差距較大，預測精度不夠高，在多種工況下模型預測效果不夠穩(wěn)定，為進一步提高模型預測效果，本發(fā)明提出一種基于icso-svm模型的光伏發(fā)電功率預測方法，利用icso對svm的超參數(shù)進行優(yōu)化，經(jīng)過算例驗證，所提模型可以有效提升光伏發(fā)電功率預測的精度，且在非晴天工況下依然具有較高的預測穩(wěn)定性。