[发明专利]混沌相空间优化重构的光伏发电功率神经网络预测法

权利要求书

1.一种混沌相空间优化重构的光伏发电功率神经网络预测法，其特征在于，具体包括如下步骤：

1)利用改进的C-C法求解预处理后光伏功率时间序列的最佳延迟时间τ和嵌入维数m，根据最佳延迟时间τ和嵌入维数m，利用延迟坐标法将光伏功率时间序列重构到m维相空间中；具体步骤如下：

1.1)对光伏发电功率时间序列p_i，i＝1,2…N，定义嵌入时间序列的关联积分为:

其中：N为时间序列点数，M为重构相空间中每维的点数，r为定义的空间半径；H(a)为阶跃函数，P(I)、P(J)为光伏功率时间序列重构相空间中的两个点相量；

1.2)构造检验统计量：

S₁(m,N,r,τ)＝C(m,N,r,τ)-C^m(1,N,r,τ) (2)

计算(2)式的过程，若采用分块平均策略，且令N→∞时

选择对应检验统计量值最大和最小时的两个空间半径，r_max对应检验统计量值最大时的空间半径；r_min对应检验统计量值最小时的空间半径，两个半径之间没有必然的大小关系；定义S₁(m,r,τ)和S₂(m,r,τ)在相同的m和τ下对r变化快慢的量分别为ΔS₁(m,τ)、ΔS₂(m,τ)：

据BDS统计定理得到N、m和τ的合理估计，取N＝3000、m＝2,3,4,5、r_β＝βσ/2、σ＝std(p_i)，σ为时间序列的标准差，β＝1,2,3,4；计算

1.3)在步骤1.2)基础上比较S₁(m,N,r,τ)和S₂(m,r,τ)，在式(3)中，固定m、r，当N→∞时，S₂(m,r,τ)将随着τ的增大而出现不断增长的高频波动，而在相同条件下，总体上S₁(m,N,r,τ)和S₂(m,r,τ)具有相同的起伏规律，但去除了S₂(m,r,τ)的高频波动，改进的C-C法通过选取的第一个局部最小值作为最优时延τ；另外，对于伪周期为T的光伏发电功率时间序列，当固定m、r，N→∞时，t＝KT既是S₁的局部极大值点又是S₂的零点，K为大于零的整数，因此周期点存在比较明显的局部峰值，寻找周期点作为最优嵌入窗l；根据公式m＝l/τ+1，求得嵌入维数m；

1.4)根据所选m和τ，利用延迟坐标法将初始一维光伏发电功率时间序列重构到m维相空间中，其矩阵表达式如下：

其中：M为延迟向量个数，M＝N-(m-1)τ；

2)利用集合经验模态分解和峰值频段划分对步骤1)重构到m维相空间各维数据进行分解重构，以优化重构混沌吸引子，减小功率随机波动对预测准确度的影响；其中，集合经验模态分解对相空间各维功率序列进行分解的步骤具体为：

2.1)初始化经验模态分解的试验次数C，附加高斯白噪声的幅值标准差系数W；

2.2)将随机高斯白噪声n_noise(t)附加在相空间各维功率序列P(t)中，得到加噪处理的功率时间序列，即：

P_noise(t)＝P(t)+Wn_noise(t) (7)

2.3)对p_i(t)进行第k次经验模态分解，得到x个IMF分量c_y.k(t)和一个剩余分量R_x.k(t)；

2.4)当终止条件k≥C满足时，算法终止，对C次经验模态分解所得的IMF分量和剩余分量求均值，并将其作为最终的分解结果，即：

在利用集合经验模态分解法对步骤1)重构到m维相空间各维数据进行分解后，根据相似波动原理采用峰值频段划分对其进行聚类划分，提取集中特征信息，峰值频段划分法对分解所得的IMF分量进行聚类重构，其步骤具体为：

2.5)利用find-peaks函数求解每组IMF分量的峰值点数量，以此刻画各IMF分量的波动程度；

2.6)综合考虑保持原功率序列的整体变化趋势、提升IMF分量的整体波动平稳性和降低预测输入量的维数，确定划分高频分量、中频分量和低频分量的阈值；

2.7)根据步骤2.6)所选阈值，将集合经验模态分解所得的对应于每维相空间序列的分量重构成高频分量、中频分量和低频分量，并形成各频段分量对应的混沌吸引子；

3)利用GA优化BP神经网络的初始权值和阈值，构建GA-BP神经网络预测模型学习混沌吸引子演化规律，实现光伏发电功率预测，获得功率预测值。

2.根据权利要求1所述混沌相空间优化重构的光伏发电功率神经网络预测法，其特征在于，所述步骤3)构建的GA-BP神经网络预测模型的网络结构为I_input→2I_input+1→1，其中：输入层节点数I_input取为优化混沌吸引子对应的数据序列维数；输出为光伏功率待预测值，节点数取为1，以避免分项预测产生的误差积累问题；中间层节点数取为2I_input+1；GA种群数量为30，种群个体编码长度为2I_input²+5I_input+3，交叉概率为0.8，变异概率为0.05；利用构建的GA-BP神经网络学习优化混沌吸引子的演化规律，实现光伏发电功率预测。