[发明专利]计及天气与气象因子关联度的短期光伏发电预测方法

权利要求书

1.一种计及天气与气象因子关联度的短期光伏发电预测方法，其特征在于，所述方法包括如下步骤：

S1、将天气类型划分为晴空天气、多云天气、雾霾天气和阴雨天气，气象因子划分为太阳辐射强度、温度、风速、空气相对湿度和大气气溶胶指数，将数据标准化，并通过iForest算法去除坏数据；

S2、利用Pearson相关系数法分析不同天气类型下光伏发电功率与各个气象因子的相关系数：

其中，R_zj表示第z种天气下第j个气象因子与光伏发电功率的相关系数，为第i天第j个气象因子标准化值归一化后的结果，为第j个气象因子的均值，y_i表示第i天的光伏发电量，表示历史日的平均光伏发电量；

求解Pearson相关系数归一化值ω_zj：

其中，R_zjmin、R_zjmax分别为第z种天气下第j个气象因子与光伏发电功率的相关系数的最小值与最大值；

S3、对待测日的五种气象因子做模糊聚类，获得历史日与待测日的关联系数；

S4、引入归一化后的相关系数，获得历史日与待测日的关联度，具体步骤包括：

S41、定义分别代表太阳辐射强度、温度、风速、空气相对湿度、大气气溶胶指数，待测日的气象因子为获得第i天太阳辐射强度与待测日太阳辐射强度的关联系数ε_i1：

式中：μ为分辨系数，取0.5；

套用ε_i1表达式，分别获得第i天温度、风速、空气相对湿度、大气气溶胶指数与待测日温度、风速、空气相对湿度、大气气溶胶指数的关联系数ε_i2、ε_i3、ε_i4、ε_i5；

S42、利用相关系数归一化后的结果ω_zj作为不同气象条件下不同气象因子的权重，则与的关联度r_i为：

r_i＝ω_z1ε_i1+ω_z2ε_i2+ω_z3ε_i3+ω_z4ε_i4+ω_z5ε_i5；

S43、从临近待测日开始计算同气象历史数据中与待测日关联度最高的五十天，将其中四十天的光伏发电功率作为预测模型训练样本输入，剩余十天作为模型测试样本；

S5、将关联度高的历史日做为历史数据以及待测日的气象因子一起输入改进的ACO-BP神经网络；具体步骤为：

S51：设定参数初始值，将权值和阈值的定义域L等分，假设共有m只蚂蚁，蚂蚁移动区间为A，信息素残留系数为ρ，最大迭代次数为N，BP神经网络的全局误差为E；具体过程为

假设BP神经网络有K个权值，将每个权值K_a(0a≤K)的定义域等分为L份，形成一个K*L大小的区域A，蚂蚁在区域A中移动，假设有m只蚂蚁，最大迭代次数为N，以第k只蚂蚁为例，从K₁出发，依次经过K₂、K₃…K_K，且只从K_a的L个方格中选一个经过，具体路线由该条线路上信息素的浓度决定，其状态转移公式为：

其中，allowed＝{1,2……,L-1}，表示蚂蚁k下一步允许选择的元素；τ_vw(t)表示t时刻路线(v,w)上的信息量；η_vw(t)是启发度函数，表示蚂蚁k从元素v转移到元素w的期望程度；α为轨迹的相对重要性，α≥0；β为能见度的相对重要性，β≥0；

当蚁群到达终点时，为避免蚁群算法陷入局部最优的现象，对全局的信息素进行更新操作：

τ_vw(t+n)＝ρ*τ_vw(t)+Δτ_vw

其中：ρ(0ρ1)为信息残留系数，Δτ_vw为信息素增量，Q_k为蚂蚁k释放的信息素总量，L_b为本次循环前的最优解，L_a为本次循环的最优解，当L_bL_a时，全局信息素更新完后用L_b取代L_a，当L_bL_a时，更新全局信息素即可；

所述S51中通过引入蚁群算法改进BP神经网络容易陷入局部最优值的情况；

S52：根据状态转移公式获得每只蚂蚁的移动轨迹，并保证每一只蚂蚁都移动完毕，最后获得本次学习权值和阈值初值的最优解；

S53：通过自适应学习效率获得本次学习的学习效率；具体过程为：

采取网络自适应学习效率，使网络在不同的学习阶段采取不同的学习速率，设定误差函数的目标值为ε，学习速率矩阵为η，输入层与隐含层的权值矩阵为θ，第p个输入与第q个隐含层之间的权值为θ_pq，在第n次迭代后，权值θ_pq对应的是θ_pq(n)，权值θ_pq(n)对应的学习速率为η_pq(n)，此时的全局误差为E(n)，则：

进一步地，采取网络自适应学习效率能获得隐含层与输出层之间权值ω和阈值的学习速率；

所述S53中通过采取网络自适应学习效率改进BP神经网络学习时间过长的情况；

S54：将蚁群迭代获得的最优解作为BP神经网络的权值和阈值的初值，自适应学习效率获得的学习效率作为学习效率，计算BP神经网络输出的平均绝对误差e_MAE；

S55：循环次数是否小于最大迭代次数N，若小于N，则进行全局信息素更新，然后返回S52开始执行；若达到最大迭代次数N，则执行S56；

S56：判断所有次循环中平均绝对误差e_MAE最小的一次，将此次蚁群算法的最优解作为改进的BP神经网络中权值和阈值的初值；

S57：通过反向误差传播不断调整权值和阈值，直至预测值与实际值之间的误差小于全局误差为E；

S6、确定神经网络的相关系数，进行仿真。

2.根据权利要求1所述的计及天气与气象因子关联度的短期光伏发电预测方法，其特征在于，所述S1中去除坏数据方法具体包括以下步骤：

S11、对历史数据进行处理；

对气象因子量纲和数量级不同的历史数据进行标准化处理，获得第i天第j个气象因子x_ij的标准化值x′_ij为

式中，S_j为第j个气象因子的标准差：

对第i天第j个气象因子标准化值进行归一化：

其中，x_jmax、x_jmin分别为第j个气象因子的最大值和最小值；

S12、通过iForest算法去除坏数据；

iForest包括一定数目的iTree，构造一棵iTree的过程为：设全部数据集为D＝{d₁,d₂,…,d_n}，取数据集D的任意子集，随机选取一个特征作为根节点，在该特征的最大值和最小值之间随机选取一个数，数据集中大于该值的数放在右子树，小于该值的数放在左子树，然后在左右子树中重复该步骤直至其子树只包含一条数据；

判定数据d是否为异常数据的步骤包括:

步骤一：使数据d遍历每一棵子树，获得数据d在每一棵子树的路径长度h(d)；

步骤二：求出数据d在每一棵子树的路径长度h(d)的平均值E(h(d))；

步骤三：计算出从h个样本中孤立出一个样本的平均路径长度：

其中，H(s)通过公式H(s)＝ln(s)+ξ来估计，ξ是欧拉常数，其值为0.5772156649；

步骤四：数据d的异常分数S(d,h)的表示如下：

若S(d,h)≈0.5，即E(h(d))≈C(h)，此时数据d无明显异常；若S(d,h)≈1，即E(h(d))→0，此时数据d有很大概率异常；若S(d,h)≈0，即E(h(d))→h-1，此时数据d为正常值。