[发明专利]基于VMD-IPSO-GRU的短期光伏功率预测方法

权利要求书

1.一种基于VMD-IPSO-GRU的短期光伏功率预测方法，其特征在于，包括：

步骤1：对原始光伏时间序列以及多维气象数据进行数据清洗，补全缺失值以及剔除异常值数据；

步骤2：通过Spearman和Pearson相关性系数筛选相关性较高的气象因素Q＝(q₁,q₂,…,q_l)；

步骤3：获得最佳分解模态数K，将光伏时间序列f(t)进行VMD分解，得到K个不同中心频率的模态u_k＝(u₁,u₂,…,u_K)；将VMD分解后的子序列与降维后的气象因素Q结合，作为输入向量I_k＝(u_k,q₁,q₂,…,q_l)，同时划分训练集和测试集；

步骤4：IPSO参数初始化；

步骤5：构建GRU神经网络，将GRU的网络参数个数作为粒子的维数分量，GRU的网络参数POP＝(pop₁,pop₂,pop₃,pop₄)^T编码为粒子位置各维度的位置向量X_ij＝(X_i1,X_i2,X_i3,X_i4)^T，pop₁-pop₄分别对应第一层隐含层的神经元个数、第二层隐含层的神经元个数、GRU的迭代次数以及学习率，X_ij代表第i个粒子在4维空间中的第j位置；pop₁，pop₂∈[0,300]，pop₃∈[100,1000]，pop₄∈[0.001,0.01]，其中pop₁、pop₂、pop₃都是整数；

步骤6：确定粒子的适应度函数；

步骤7：计算粒子的适应度值，并更新粒子的个体极值以及全局极值，同历史最优值进行比较筛选；判断是否找到最优解或达到最大迭代次数，若符合条件，则迭代终止，反之继续迭代寻优；

步骤8：将IPSO优化后的最优解解码转换得到GRU模型的最优参数，将最优参数赋值给GRU神经网络，并对输入向量I_k进行训练和预测；将所有子序列的预测值序列重构并反归一化处理，得到最终预测值

步骤9：评价模型的预测性能。

2.根据权利要求1所述的基于VMD-IPSO-GRU的短期光伏功率预测方法，其特征在于，所述步骤1按照以下公式进行补全缺失值以及数据归一化处理：

式中，y′_i为缺失值，表示缺失值前后四天相同时刻对应的实测值，μ表示随机权重，且μ₁+μ₂+μ₃+μ₄＝1；为归一化后的值，X_i为归一化之前的值，X_max和X_min分别为数据的最大值和最小值。

3.根据权利要求1所述的基于VMD-IPSO-GRU的短期光伏功率预测方法，其特征在于，所述步骤2中Spearman和Pearson相关性系数的计算公式如下：

式中：ρ_s代表Spearman相关性系数；ρ_p代表Pearson相关性系数；s代表样本个数；q_il代表第l维气象因素的第i个值；代表第l维气象因素的平均值，y_i代表历史光伏功率序列f(t)的第i个值，代表历史光伏功率的平均值，R(q_il)和R(y_i)分别代表q_il和y_i元素在各自列向量中排名。