一種基于改進高斯過程回歸的光伏短期出力預測方法
【技術領域】
[0001] 本發明屬于新能源光伏發電功率預測技術領域，具體設及一種基于改進高斯過程 回歸的光伏短期出力預測方法。
【背景技術】
[0002] 由于太陽能具有隨機性、波動性和不可控制性，當大規模光伏接入電網時，對電力 系統安全性、穩定性、經濟性運行造成不利影響。光伏輸出功率預測對電網管理、調度、操 作，系統優化、能源充分利用、電網安全穩定運行具有重要意義。
[0003] 目前，對光伏功率預測問題方法主要分為物理方法和統計法。物理方法是將氣象 數據作為輸入，采用物理模型進行預測，缺點是需要光伏電站的地理信息和光伏電站功率 曲線；統計法是對電站統計數據，找出內在規律，分析發電功率與氣象數據的關系進行預 測，主要方法有持續預測法、時間序列分析法、卡爾曼濾波法、自適應神經模糊推理系統、人 工神經網絡法(ANN)和支持向量機等。運些方法在一定程度上都取得了較好的成果，然而人 工神經網絡存在結構選擇的隨意性，樣本龐大，存在過擬合和易陷入局部極小，魯棒性差的 缺點；支持向量機可W取得比MN較好的預測效果，但其存在懲罰函數、核函數和核參數選 擇困難的問題。
[0004] 高斯過程回歸作為一種新型的機器學習算法，在構建模型時，其具有易實現、超參 數自適應獲得及輸出具有概率意義等優點，已被成功運用到電力負荷預測、風速預測、證券 預測、交通流量預測等領域。
[0005] 傳統的GPR超參數的尋優采用共輛梯度法，其容易陷入局部最優，且優化效果及迭 代的收斂性過于依賴初始值，難W保證優化的效果。
【發明內容】
[0006] 本發明的目的是提供一種基于改進高斯過程回歸的光伏短期出力預測方法，解決 了現有技術中的光伏短期出力預測方法尋優過程易陷入局部最優、且優化效果及迭代的收 斂性過于依賴初始值的問題。
[0007] 本發明所采用的技術方案是，一種基于改進高斯過程回歸的光伏短期出力預測方 法，具體按照W下步驟實施：
[000引步驟1、數據分類；
[0009] 步驟2、建立預測模型；
[0010] 步驟3、獲得預測樣本輸出期望，即功率預測值。
[0011] 本發明的特點還在于，
[0012] 步驟1具體按照W下步驟實施：
[0013] 步驟(1.1)、根據光伏電站的地理信息與出力分布信息，將各種天氣類型按照天氣 類型指數、日平均溫度和日平均濕度相近度為參考指標進行分類；
[0014] 步驟(1.2)、將步驟(1.1)中的天氣類型分別分為晴天、陰天、多變天氣S類。
[0015]步驟(I. I)中的相近度采用加權歐式距離方法計算，計算公式如下：
[0017] 上式中，du為第i個粒子與第j個粒子之間的距離，本專利中所指的粒子為某一天 的天氣類型參考指標，Xi為第i個粒子所對應的向量，m、n分別表示向量的第m維和總維數，Am 表示向量的權重，Xim為第i個粒子的第m維分量為第j個粒子的第m維分量。
[0018] 步驟2具體按照W下步驟實施：
[0019]步驟(2.1)、建立學習樣本；
[0020] 步驟(2.2)、數據預處理；
[0021] 步驟(2.3)、設置粒子群算法和高斯過程回歸算法的參數，并對學習樣本進行訓 練；
[0022] 步驟(2.4)、尋找全局最優粒子，得到優化后的最優超參數。
[0023] 步驟(2.1)具體為:根據步驟1的分類結果，按照預測需求，從所對應的數據庫中建 立學習樣本DUi，yi)，1含i含N，其中，N為樣本總個數，輸入向量Xi表示光伏功率預測的影響 因素，輸出標量yi表示真實光伏功率測量值。
[0024] 步驟(2.2)具體按照W下步驟實施：
[0025] 步驟(2.2.1)、置零粗糖值，所述粗糖值為低精度或異常的訓練樣本；
[0026] 步驟(2.2.2)、將訓練樣本和預測樣本進行標準歸一化。
[0027] 步驟(2.3)具體按照W下步驟實施：
[0028] 步驟(2.3.1)、設置協方差函數:采用平方指數協方差函數CsEis。與有理二次協方差 函數CRQiso組合形成核函數Csum,表示如下：
[0032] 上式中：《7^為信號方差，控制局部相關性的程度，1為關聯性測定超參數，〇為函數 的形狀參數，X、x'為隨機的任意輸入向量，其中，、l、a為超參數；
[0033] 步驟(2.3.2)、設置權重線性遞減粒子群算法和高斯過程回歸的初始參數；
[0034] 步驟（2.3.3)、利用粒子群和高斯過程回歸組合的計算方法，對學習樣本進行訓 練。
[0035] 步驟(2.4)具體為：
[0036] W高斯過程回歸超參數負對數極大似然函數的返回值作為每個粒子的適應度，記 錄最小粒子適應度，個體最優解Pb根據所設置更新迭代找出全局最優的粒子gb，同時保持 粒子當前狀態，粒子更新公式如下：
[003引 其中，
[0040] 上式中：cl，c2為學習因子，乂1〇'），扣〇'），口61〇)，邑131〇'）分別為第1個粒子第^7欠迭 代時的當前速度、位置、個體最優解、全局最優解，randl、rand2均為服從均勻分布U(0，1)的 相互獨立隨機變量，《 (j)為第j迭代步的慣性權重，Umax為最大慣性權重，COmin為最小慣性 權重，itmax為指定的最大迭代次數，j為第j迭代步，當到達最小誤差M或達到預設迭代次數 n時，迭代終止。
[0041] 步驟3具體為:輸入預測樣本根據步驟(2.4)中的優化超參數W及所述步驟2中 的預測模型，得到的輸出即為與輸入預測樣本X寸目對應的預測結果/，即功率預測值。
[0042] 本發明的有益效果是，一種基于改進高斯過程回歸的光伏短期出力預測方法，通 過W天氣類型指數、日平均溫度和濕度相似度為參考，對數據進行分類，針對不同的天氣類 型選擇不同的影響因素，在matlab中建立對應的權重線性遞減粒子群高斯過程回歸 LinWPSO-GPR預測模型，對GPR模型超參數選取進行優化，最終得到功率預測值。
【附圖說明】
[0043] 圖1是本發明一種基于改進高斯過程回歸的光伏短期出力預測方法中晴天各模型 預測對比圖；
[0044] 圖2是本發明一種基于改進高斯過程回歸的光伏短期出力預測方法中雨天各模型 預測對比圖；
[0045] 圖3是本發明一種基于改進高斯過程回歸的光伏短期出力預測方法中多變天氣各 模型預測對比圖。
【具體實施方式】
[0046] 下面結合附圖和【具體實施方式】對本發明進行詳細說明。
[0047] 傳統的GPR超參數的尋優采用共輛梯度法，其容易陷入局部最優，且優化效果及迭 代的收斂性過于依賴初始值，難W保證優化的效果，針對運一問題，本文采用線性權重遞減 粒子群優化算法代替共輛梯度優化算法，對GPR模型超參數選取進行優化。
[004引本發明一種基于改進高斯過程回歸的光伏短期出力預測方法，具體按照W下步驟 實施：
[0049] 步驟1、數據分類；
[0050] 步驟2、建立預測模型；
[0051] 步驟3、獲得預測樣本輸出期望，即功率預測值。
[0052] 其中，步驟I具體按照W下步驟實施：
[0053] 步驟(1.1)、根據光伏電站的地理信息與出力分布信息，將各種天氣類型按照天氣 類型指數、日平均溫度和日平均濕度相近度為參考指標進行分類，其中的相近度采用加權 歐式距離方法計算，計算公式如下：
[0055] 上式中，du為第i個粒子與第j個粒子之間的距離，本專利中所指的粒子為某一天 的天氣類型參考指標，Xi為第i個粒子所對應的向量，m、n分別表示向量的第m維和總維數，Am 表示向量的權重，Xim為第i個粒子的第m維分量為第j個粒子的第m維分量；
[0056] 步驟(1.2)、將所述步驟(1.1)中的天氣類型分別分為晴天、陰天、多變天氣S類。
[0057] 步驟2具體按照W下步驟實施：
[005引步驟(2.1)、建立學習樣本，具體為:根據步驟1的分類結果，按照預測需求，從所對 應的數據庫中建立學習樣本D(xi，yi)，1含i含N，其中，N為樣本總個數，輸入向量Xi表示光伏 功率預測的影響因素，輸出標量yi表示真實光伏功率測量值；
[0059] 步驟(2.2)、數據預處理:具體按照W下步驟實施：
[0060] 步驟(2.2.1)、置零粗糖值，所述粗糖值為低精度或異常的訓練樣本；
[0061 ]步驟(2.2.2)、將訓練樣本和預測樣本進行標準歸一化；
[0062] 步驟(2.3)、設置粒子群算法和高斯過程回歸算法的參數，并對學習樣本進行訓 練，具體按照W下步驟實施：
[0063] 步驟(2.3.1)、設置協方差函數:采用平方指數協方差函數CsEis。與有理二次協方差 函數CRQiso組合形成核函數Csum,表示如下：
[0067] 上式中：^4為信號方差，控制局部相關性的程度，1為關聯性測