[发明专利]一种秒级超短期光伏功率预测方法

权利要求书

1.一种秒级超短期光伏功率预测方法，其特征在于，包括如下步骤：

S100：数据采集步骤，从光伏电站预测时刻前的历史数据中等间隔采集光伏输出功率数据，作为样本数据，组成一维数组；

S200：构建训练数据与测试数据步骤，从样本数据中剔除夜间数据，将数据划分成两个部分，一部分作为训练数据，一部分作为测试数据，并对数据进行归一化处理；

S300：LSSVM预测模型构建步骤，构建LSSVM预测模型，所述LSSVM预测模型采用LSSVM算法，采用RBF函数作为核函数，选取function estimation为算法类型；

S400：LSSVM算法的超参数第一次优化步骤，包括如下步骤：

S401：采用混沌立方映射产生用于初始化的混沌数h_i，对种群进行初始化，种群位置初始化采用如下公式：

Position＝h_i·(u_b-l_b) (1)

其中，

Position是初始化种群位置；

h_i是混沌立方映射产生的混沌数；

u_b是LSSVM算法中的超参数的取值上界；

l_b是LSSVM算法中的超参数的取值下界；

S402：以单次迭代灰狼优化算法S-GWO对LSSVM算法中的超参数进行第一次优化，得到种群初步适应值fitness和初步种群位置X_pos；

S500：LSSVM算法的超参数第二次优化步骤，采用改进的迭代局部搜索C-ILS对步骤S400中得到的种群初步适应值fitness进行第二次优化，得到第二次优化的种群适应值better_fitness和更优种群位置better_pos，所述改进的迭代局部搜索在第一次优化搜索范围的基础上，进一步缩小了更优值搜索范围；

S600：LSSVM算法的超参数第三次优化步骤，采用局部自适应差分算法LSaDE对第二次优化后得到的种群适应值better_fitness进行第三次优化，更新种群位置，获得种群最优适应值best_fitness和其对应的最优种群位置best_pos，所述局部自适应差分算法LSaDE在第二次优化搜索范围的基础上，进一步缩小了最优值搜索范围；

S700：确定LSSVM算法超参数的最优值步骤，根据种群最优适应值best_fitness排序确定α狼位置，从α狼位置信息获取LSSVM算法超参数的最优参数信息，作为LSSVM算法超参数的最优值；

S800：预测模型训练步骤，将得到的LSSVM算法超参数的最优值带入到LSSVM预测模型中，输入训练数据对LSSVM预测模型进行训练，并开始计时，得到训练好的LSSVM预测模型；

S900：预测模型精度评估步骤，输入测试数据，预测出T时间内的输出功率，所述T时间从预测时刻开始计算，记录预测模型从训练到得到预测结果所需的预测时间t1，计算预测结果与测试数据的误差值，误差值的大小用于评价预测模型的预测精度。

2.根据权利要求1所述的秒级超短期光伏功率预测方法，其特征在于，步骤S500中，采用改进的Griewank函数作为改进的迭代局部搜索C-ILS的扰动函数，扰动种群初步适应值，进行第二次优化，所述改进的Griewank函数的表达式如下：

x_i＝X_pos*rand() (2)

其中，

i是灰狼种群序号，取值为0,1,2,...,n；

n是总的灰狼种群数；

rand()是系统随机函数，产生[0,1]之间的随机数；

x_i是第i个灰狼种群的随机化位置；

G是种群位置适应值的扰动值，是长度为n的一维数列。