[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

摘要

本发明涉及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，采用改进C‑C法求解光伏发电功率时间序列的嵌入维数m和延迟量τ，并进行光伏发电功率混沌相空间重构；利用集合经验模态分解和峰值频段划分对相空间各维数据进行分解重构，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；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。本发明实现光伏发电功率预测，提升算法收敛速度和预测的准确度和稳定性。并且本发明预测方法无需气象及电站系统数据，预测准确度和稳定性较高。

主权项

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pi，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)‑Cm(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，rmax对应检验统计量值最大时的空间半径；rmin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、rβ＝βσ/2、σ＝std(pi)，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；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。