[发明专利]基于VMD-IPSO-GRU的短期光伏功率预测方法

说明书

本发明公开了属于光伏发电与并网技术领域的一种基于VMD‑IPSO‑GRU的短期光伏功率预测方法。首先，将历史光伏功率时间序列经过变分模态分解分解成不同频率的子序列，充分挖掘光伏序列数据所包含的地理信息和组件参数，分离原始数据的信号与噪声；其次，通过Spearman和Pearson相关性系数确定影响光伏出力的主要气象因素；最后，对VMD分解的子序列分别建立门控循环单元网络模型，并通过改进粒子群算法和自适应矩估计算法对GRU神经进行优化，从而提升了网络收敛速度以及数据拟合效果，准确高效地完成了短期光伏功率预测，避免了人工调参带来的误差。

技术领域

本发明涉及光伏发电与并网技术领域，尤其涉及一种基于VMD-IPSO-GRU的短期光伏功率预测方法。

背景技术

随着全球新能源发电产业的快速发展，太阳能以安全高效及分布广泛的独特优势被广泛利用，全球光伏装机总容量正在逐年提高。光伏发电的过程随机且不稳定，容易受环境、天气等因素影响，为电力系统的安全运行带来巨大的冲击和挑战。准确的短期光伏功率预测，不仅能提升光伏电站运营效率，而且可以帮助调度部门制定高效智能的实时调度计划，同时确保大规模光伏电站接入电网后能够安全稳定运行。

目前短期光伏功率预测的方法主要有物理法和统计法。物理法主要是利用详细的气象状况和环境信息等因素建立物理模型进行预测。物理法不依赖大量的历史发电数据，预测速度较快，但构建模型复杂且抗干扰能力较差，模型预测准确性难以保证。统计法主要依靠大量的历史光伏功率数据和天气数据等，通过人工智能算法充分挖掘数据内部特征和隐藏的变化规律，能够较好的拟合复杂的非线性关系，实现光伏发电功率预测。但传统统计法较多采用浅层机器学习方法，算法单一，鲁棒性较低，易陷入局部最优，很难准确描述此类复杂非线性映射关系，预测精度难以提升。传统统计法主要有支持向量机、极限学习机以及BP神经网络等。

近年来，人工智能算法的迅速发展，深度学习算法突破了浅层机器学习模型的局限性，基于深度学习算法的混合模型已经被广泛应用于短期光伏功率预测领域。

文献1—《基于MIE-LSTM的短期光伏功率预测》利用互信息熵(MIE)对气象数据进行降维处理，同时筛选出相似日样本，最后通过长短期记忆神经网络(LSTM)实现短期光伏功率预测，但是某些特殊天气的相似日样本可能较少，影响预测结果。

文献2—《基于细粒度特征的BOA-GBDT光伏出力预测》为了深度挖掘天气模式的特征信息，提出一种结合细粒度特征的贝叶斯优化梯度提升树(Bayesian optimizationalgorithm gradient boosting decision tree，BOA-GBDT)的光伏功率预测模型。

文献3—《Photovoltaic power forecasting based LSTM-ConvolutionalNetwork》提出了一种混合模型，利用卷积神经网络深度挖掘数据的空间特征，再结合长短期记忆神经网络进行训练。

由于光伏功率受多种因素的影响，上述方法主要对气象因素与历史光伏功率数据进行简单拟合，无法充分挖掘历史光伏序列数据自身所包含的地理信息以及光伏组件安装参数等特征。对此，提出一种基于VMD-IPSO-GRU的短期光伏功率预测模型。通过VMD将历史光伏功率数据自适应分解成不同中心频率的子序列，充分挖掘原始光伏序列的局部特征以及内部隐藏信息，将分解后的子序列结合降维后的气象数据输入IPSO-GRU模型进行预测，并将预测结果进行序列重构。通过实际算例，验证了该模型明显优于其他传统模型。

发明内容

本发明的目的是提出一种基于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；