[发明专利]基于改进MKPLS的光伏发电功率短期滚动预测方法

权利要求书

1.一种基于改进多尺度核函数偏最小二乘的光伏发电功率短期滚动预测方法，其特征在于，所述方法包括以下步骤：

1)采集四类数据集，记数据集X＝{X₁，X₂，X₃}，分别是所在地附近气象状况历史数据集X₁，包括温度、湿度、气压、雨量、风向和风速；太阳辐射强度相关历史数据集X₂，包括太阳日照时数、斜面辐射、直射辐射和散射辐射；光伏发电系统自身状况历史数据集X₃，包括面板温度和电池电压；以及对应光伏发电历史功率数据集Y，采样周期为5分钟，采样长度为8万个样本数据；

根据短期预测任务需求，通过重采样方法改变采样周期，采样周期为24小时，

x_i(t)＝x_0i(t)+v_xi(t) (1)

y(t)＝y₀(t)+v_y(t) (2)

其中,x_i(t)表示数据集X中第i项状态量的第t个采样时刻获得的量测数据，x_0i(t)是x_i(t)去噪后的真实值，v_xi(t)表示与x_i(t)对应的量测噪声，y(t)表示数据集Y中第t个采样时刻获得的发电功率数据，v_y(t)表示与y(t)对应的量测噪声，L表示数据集长度，N表示数据集X的状态量个数，i∈[1,N]；

2)数据预处理：首先，根据数据集中太阳日照时间，结合阈值判断法，剔除光伏发电功率在日照时间之外仍然高于给定阈值的相应数据；

其中，和分别构成了去除异常值后的数据集和Y_TH为设定功率阈值，s是由日照时间之外的采样时刻构成的时间集合，在步骤(1)中采用了重采样技术获得以24小时为采样周期的数据集，但原先以5分钟为采样周期的原始数据集仍需保留，方便异常数据处理；

其次，基于自适应噪声的完备经验模态分解与排列熵的阈值滤波算法提高数据集和的信噪比，由信号和构成待分解初始信号集合对于集合中的每一个待分解初始信号准备Ns组正负成对的高斯白噪声，并计算第一阶EMD分解量，

其中，(-1)^qη₀n^ξ(t)为第ξ组正负成对的高斯白噪声,q＝{1,2},η₀为给定幅值，记表示添加高斯白噪声后的待分解信号，E(·)表示EMD分解算法，表示对应的第ξ组第一阶IMF分量，表示对应的第ξ组第一阶残差，对获得Ns组内部模态分量信号进行加总平均运算，得到第一阶IMF分量u¹(t)和对应残差r¹(t)；

同理，重复公式(4)-(6)获得剩余IMF分量u^k(t)和残差r^k(t)，

其中，η_k-1为给定幅值，当r^k(t)为单调函数且不能再被分解时，则基于自适应噪声的完备总体经验模态分解完成，得到所有K阶IMF分量{u^k(t)}和残差{r^k(t)}，k∈[1,K]；

针对每阶IMF分量u^k(t)，分别计算其时间序列的排列熵PE值，长度为时间序列L的时间序列{u^k(t),t＝1,2,…,L}，其相空间重构为

其中，μ表示嵌入维数，τ表示时间延迟，重构后的时间序列U(t)各有μ个向量，且对其进行升序排列共有μ！种不同的排列，将所有可能出现的排列编号构成集合G＝{g_d},d＝1,2,…,μ！，并记概率P_d为对应编号g_d出现的概率，则有

定义时间序列{u^k(t),t＝1,2,…,L}的排列熵为

其中，排列熵H_P(μ)的标准化形式为H_P，0≤H_P≤1，当P_d＝1/μ时，H_P(μ)达到最大值ln(μ！)，选取阈值H_TH，对上述时间序列{u^k(t),t＝1,2,…,L}进行阈值滤波，

高频分量中包含高斯白噪声，假设剔除了前l阶IMF分量，对剩下的K-l阶IMF分量重构，

其中，为去除高频噪声后的重构信号，同样记和分别为去除高频噪声后的解释变量数据集和因变量数据集；

3)进行特征选择：由于解释变量数据集具有N个状态量，其生成的高维特征矩阵会增加预测模型的建模难度，通过对解释变量数据集的每个状态量与因变量进行相关性分析，剔除相关系数低的状态量以降低特征矩阵维度，简化模型，

其中，和分别为和的均值，为与间的相关系数，给定系数阈值r_TH＝0.8，根据阈值滤波完成特征选择，

其中，和分别表示经过特征选择后的解释变量数据集和因变量数据集，表示数据集的状态量个数；

4)训练样本集和测试样本集的划分：根据数据集记录时间顺序，将解释变量数据集与对应因变量数据集划分成四个子数据集，其中，前80％的解释变量数据集与对应因变量数据集构成训练样本集X_train和Y_train；后20％的解释变量数据集与对应因变量数据集构成测试样本集X_test和Y_test；

L₁＝ROUND(0.8*L) (17)

其中，L₁表示训练样本集的样本长度；

5)在训练样本集上，构建多尺度高斯核函数偏最小二乘回归模型，记E₀和F₀分别为经过标准化后的训练样本集，相应标准化公式为

其中，和分别表示和Y_train的均值，和为对应的标准差；

通过设计多尺度高斯核函数把输入空间映射到高维特征空间H，即

其中，Φ(·)表示从输入空间到其特征空间的非线性映射，Θ表示核格拉姆矩阵，采用多尺度高斯核函数；

在高维特征空间H上构造线性偏最小二乘回归模型，

u_h＝F_hc_h,u_h←u_h/||u_h|| (23)

其中，t_h和u_h分别为特征空间中Θ_h和F_h的得分分量，c_h表示F_h的权值分量，h表示所提取成分的下标号，重复公式(21)-(25)，得到多尺度核函数偏最小二乘模型,

B＝Φ^TU(T^TΘU)^-1T^TF₀ (26)

其中，T、U为得分向量t、u构成的矩阵，为拟合结果，将公式(26)代入公式(27)，获得训练样本拟合公式

当获得新数据时，同样采用公式(19)进行标准化处理，得到E_new，令Θ_new＝Φ(E_new)Φ(E_new)^T，同理得预测模型为

其中，Θ_new为新数据E_new对应的核格拉姆矩阵，为标准化的预测结果，去标准化即得到对应光伏发电功率的预测值；

6)更新模型参数，建立光伏发电功率的滚动预测模型；

采用滑动窗口法，固定窗口长度m和滑动步长p，重构多尺度高斯核格拉姆矩阵，

其中，Θ₍₁₎和Θ₍₂₎分别表示窗口滑动前多尺度高斯核格拉姆矩阵和滑动后的重构核格拉姆矩阵，和分别为构成Θ₍₁₎和Θ₍₂₎的分块矩阵，w∈{11,12,21,22}；

7)在测试集上验证模型并给出模型精度评价：采用均方根误差和平均绝对百分比误差指标分别对模型精度进行评价，对应计算公式如下

其中,为Y_test(t)的预测值,L-L₁为待预测样本个数,Q_RMSE表示RMSE评价指标得分,Q_MAPE表示MAPE评价指标得分；

8)实现光伏发电功率的滚动预测：首先，根据滑动步长p，继续采集传感器数据X_new，其次，进行数据预处理和特征选择,得到解释变量数据集然后，根据公式(19)标准化得到E_new，并根据公式(31)重构核格拉姆矩阵Θ₍₂₎，最终，将E_new和Θ₍₂₎代入所建立的滚动预测模型(29)，实现光伏发电功率的短期滚动预测。