本發(fā)明屬于光伏發(fā)電系統(tǒng)發(fā)電功率預(yù)測，具體屬于一種基于改進(jìn)svr的光伏發(fā)電功率預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、科技的快速發(fā)展使人們用能需求增加，但是資源供應(yīng)不足問題越來越嚴(yán)重，清潔能源已成為一個(gè)快速發(fā)展的領(lǐng)域，它在能源行業(yè)中扮演著越來越重要的角色。能源問題的最佳解決方案取決于可再生能源發(fā)電和負(fù)荷的可能組合，這些組合可以使用歷史統(tǒng)計(jì)數(shù)據(jù)或經(jīng)驗(yàn)推斷進(jìn)行預(yù)測。模型預(yù)測控制已成為處理能源問題的一種眾所周知的控制技術(shù)，準(zhǔn)確預(yù)測光伏發(fā)電功率能指導(dǎo)獲得最佳的能源管理策略，因此對建筑發(fā)電功率的預(yù)測被認(rèn)為是未來研究的一個(gè)重要領(lǐng)域。

2、預(yù)測方法主要分為三類：物理模型或白盒方法，包括energyplus、equest、ecoect等，其對物理機(jī)制的重度依賴使得該方法在實(shí)際應(yīng)用中顯得既費(fèi)時(shí)費(fèi)力又復(fù)雜難解；統(tǒng)計(jì)模型或灰箱方法，如溫度頻率法、梯度法等，但是灰箱方法，在準(zhǔn)確度和普適性方面沒有優(yōu)勢；數(shù)據(jù)驅(qū)動(dòng)模型或黑箱方法，包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(svm)、決策樹(decision?tree,dt)、回歸模型等，數(shù)據(jù)驅(qū)動(dòng)方法由于數(shù)據(jù)運(yùn)維系統(tǒng)的不斷完善與其算法本身的通用性、靈活性和高精度，近年來被廣泛應(yīng)用于能源預(yù)測。機(jī)器學(xué)習(xí)中的一些深度學(xué)習(xí)方法可以同時(shí)挖掘數(shù)據(jù)的特征信息和時(shí)間序列信息，但訓(xùn)練時(shí)間過長，需要的數(shù)據(jù)較多，且結(jié)構(gòu)復(fù)雜、耗時(shí)較長。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種基于改進(jìn)svr的光伏發(fā)電功率預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)，用以解決現(xiàn)有技術(shù)中存在的對于光伏發(fā)電效率預(yù)測過程復(fù)雜且效率低的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于改進(jìn)svr的光伏發(fā)電功率預(yù)測方法，包括以下步驟：

4、采集光伏發(fā)電功率的歷史數(shù)據(jù)，并進(jìn)行預(yù)處理；

5、對所述預(yù)處理后的數(shù)據(jù)進(jìn)行特征篩選，得到歷史數(shù)據(jù)關(guān)鍵特征集；

6、在svr模型中基于歷史數(shù)據(jù)關(guān)鍵特征集進(jìn)行預(yù)測，得到初始預(yù)測值，對初始預(yù)測值進(jìn)行時(shí)間粒度均值殘差反饋，得到修正反饋；

7、基于改進(jìn)麻雀搜索算法和所述修正反饋，對svr模型進(jìn)行優(yōu)化，得到tgrf-issa-svr預(yù)測模型；

8、基于所述tgrf-issa-svr預(yù)測模型進(jìn)行光伏發(fā)電功率預(yù)測，得到實(shí)際光伏發(fā)電功率預(yù)測值。

9、進(jìn)一步的，所述預(yù)處理過程為：

10、基于光伏所在地的日照時(shí)間數(shù)據(jù)，在采集的光伏發(fā)電功率的歷史數(shù)據(jù)，以及待預(yù)測光伏發(fā)電功率數(shù)據(jù)中，篩選符合預(yù)設(shè)日照時(shí)間內(nèi)的有效光伏發(fā)電功率的數(shù)據(jù)。

11、進(jìn)一步的，對所述預(yù)處理后的數(shù)據(jù)進(jìn)行特征篩選，歷史數(shù)據(jù)關(guān)鍵特征集的過程為：

12、采用隨機(jī)數(shù)森林法對預(yù)處理后的數(shù)據(jù)進(jìn)行特征篩選，歷史數(shù)據(jù)關(guān)鍵特征集；

13、所述的特征篩選為對光伏發(fā)電功率存在影響的因素，所述對光伏發(fā)電功率存在影響的因素包括云層覆蓋率、溫度和風(fēng)速。

14、進(jìn)一步的，所述在svr模型中基于歷史數(shù)據(jù)關(guān)鍵特征集進(jìn)行預(yù)測，得到初始預(yù)測值，對初始預(yù)測值進(jìn)行時(shí)間粒度均值殘差反饋，得到修正反饋的過程為：

15、將歷史數(shù)據(jù)關(guān)鍵特征集分為訓(xùn)練集td和預(yù)測集pd，

16、計(jì)算訓(xùn)練集td的時(shí)間粒度平均殘差，基于所述訓(xùn)練集td的時(shí)間粒度平均殘差，得到預(yù)測集pd的殘差特征填充值；

17、基于預(yù)測集pd的殘差特征填充值和實(shí)際光伏發(fā)電功率預(yù)測值的相關(guān)系數(shù)；

18、基于所述相關(guān)系數(shù)保留與輸出顯著相關(guān)的時(shí)間粒度均值殘差，刪除與輸出不相關(guān)的時(shí)間粒度均值殘差，得到修正反饋。

19、進(jìn)一步的，所述tgrf-issa-svr預(yù)測模型采用拉丁超立方體對種群進(jìn)行初始化，拉丁超立方體對種群進(jìn)行初始化的過程為：

20、在二維的n×n的方陣中采樣n個(gè)點(diǎn)，所述n個(gè)點(diǎn)不重疊且處于最大距離；

21、所述n個(gè)點(diǎn)定義為點(diǎn)(ci,gi)∈{1,2，…，n}2，(i＝1,2，…，n)；

22、其中ci≠cj,gi≠gj,i≠j；

23、在n×n的正方形中，逐列確定點(diǎn)，每列或每行只能指定一個(gè)點(diǎn)。

24、進(jìn)一步的，所述tgrf-issa-svr預(yù)測模型的交流機(jī)制中，麻雀搜索算法中跟隨者位置更新為：

25、

26、其中，是最差的全局位置，是發(fā)現(xiàn)者麻雀的最佳位置，是隨機(jī)發(fā)現(xiàn)者，a是每個(gè)元素隨機(jī)為1或-1的1×d的矩陣，s是麻雀數(shù)量，k為隨機(jī)跟隨者麻雀的比例。

27、進(jìn)一步的，所述tgrf-issa-svr預(yù)測模型的麻雀比例動(dòng)態(tài)控制為：

28、

29、其中，fpmax是發(fā)現(xiàn)者所占比例的最大值，fpmin是發(fā)現(xiàn)者所占比例的最小值，t是當(dāng)前迭代次數(shù)，itm是最大迭代次數(shù)。

30、一種基于改進(jìn)svr的光伏發(fā)電功率預(yù)測系統(tǒng)，包括

31、預(yù)處理單元，被配置為：

32、用于采集光伏發(fā)電功率的歷史數(shù)據(jù)并進(jìn)行預(yù)處理；

33、篩選單元，被配置為：

34、用于對所述預(yù)處理后的數(shù)據(jù)進(jìn)行特征篩選，得到歷史數(shù)據(jù)關(guān)鍵特征集；

35、修正單元，被配置為：

36、用于在svr模型中基于歷史數(shù)據(jù)關(guān)鍵特征集進(jìn)行預(yù)測，得到初始預(yù)測值，對初始預(yù)測值進(jìn)行時(shí)間粒度均值殘差反饋，得到修正反饋；

37、優(yōu)化單元，被配置為：

38、用于基于改進(jìn)麻雀搜索算法和所述修正反饋，對svr模型進(jìn)行優(yōu)化，得到tgrf-issa-svr預(yù)測模型；

39、輸出單元，被配置為：

40、用于基于所述tgrf-issa-svr預(yù)測模型進(jìn)行光伏發(fā)電功率預(yù)測，得到實(shí)際光伏發(fā)電功率預(yù)測值。

41、一種計(jì)算機(jī)設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的基于改進(jìn)svr的光伏發(fā)電功率預(yù)測方法的步驟。

42、一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的基于改進(jìn)svr的光伏發(fā)電功率預(yù)測方法的步驟。

43、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：

44、本發(fā)明提供一種基于改進(jìn)svr的光伏發(fā)電功率預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)，包括以下步驟：采集光伏發(fā)電功率的歷史數(shù)據(jù)，并進(jìn)行預(yù)處理；對所述預(yù)處理后的數(shù)據(jù)進(jìn)行特征篩選，得到歷史數(shù)據(jù)關(guān)鍵特征集；在svr模型中基于歷史數(shù)據(jù)關(guān)鍵特征集進(jìn)行預(yù)測，得到初始預(yù)測值，對初始預(yù)測值進(jìn)行時(shí)間粒度均值殘差反饋，得到修正反饋；基于改進(jìn)麻雀搜索算法和所述修正反饋，對svr模型進(jìn)行優(yōu)化，得到tgrf-issa-svr預(yù)測模型；基于所述tgrf-issa-svr預(yù)測模型進(jìn)行光伏發(fā)電功率預(yù)測，得到實(shí)際光伏發(fā)電功率預(yù)測值；本方法提高了算法的運(yùn)算速度和精度，經(jīng)實(shí)驗(yàn)驗(yàn)證，在實(shí)際的應(yīng)用中能夠更為準(zhǔn)確的反應(yīng)太陽富集區(qū)建筑的光伏發(fā)電功率大小，有助于實(shí)現(xiàn)建筑對于清潔能源的使用，解決了現(xiàn)有技術(shù)中存在的對于光伏發(fā)電效率預(yù)測過程復(fù)雜且效率低的技術(shù)問題。