[发明专利]一种短期光伏发电输出功率的预测方法

权利要求书

1.一种短期光伏发电输出功率的预测方法，其特征在于：

包括以下步骤：

步骤1，将光伏发电数据划分为训练数据和预测数据，并对数据进行归一化处理；

步骤2，设置和初始化改进黏菌优化算法和相关向量机模型的参数；

步骤3，使用训练数据训练相关向量机模型；

步骤4，计算每一个黏菌的适应度值，记录其中的最优适应度值和对应的黏菌位置；

步骤5，更新黏菌的位置；

步骤6，重复步骤3和步骤4计算每一个黏菌的适应度值；

步骤7，比较选出最优适应度值，并记录最优解；

步骤8，判断是否达到设定的最大迭代次数；

步骤9，输出具有最优适应度值的黏菌位置，并将黏菌位置带入相关向量机模型；

步骤10，使用相关向量机模型对预测数据进行预测；

步骤11，输出预测结果，预测结果反归一化；

所述步骤1光伏发电输出功率预测的训练数据和预测数据都包含输入和输出数据，输入数据包括温度、湿度、光照强度，输出数据是光伏发电的输出功率；使用公式(1)对数据进行归一化，

式(1)中P_scale，i表示光伏发电输出功率归一化后的数据值，P_i表示光伏发电输出功率的真实值，P_min表示光伏发电输出功率的最小值，P_max表示光伏发电输出功率的最大值；

所述步骤2设置改进黏菌优化算法的迭代次数、种群中的黏菌数量、种群的维度，初始化黏菌位置；相关向量机模型设置的高斯核函数关键参数η的范围，即上界和下届；其中改进黏菌优化算法中黏菌的位置的范围即为相关向量机模型高斯核函数关键参数η的范围；

高斯核函数如式(2)所示：

K(x_i，x_j)表示高斯核函数，η表示核函数的宽度，也是高斯核函数关键参数；

其中，初始化黏菌位置的初始化位置公式如式(3)所示：

式(3)中，表示每一个黏菌的初始位置，rand表示属于0到1之间的随机数，UB表示相关向量机模型中高斯核函数关键参数η的上界，LB表示相关向量机模型中高斯核函数关键参数η的下届；

所述步骤3将训练数据中的温度、湿度、光照强度作为相关向量机模型的输入，训练数据中的光伏发电的输出功率作为相关向量机模型的输出，用于训练相关向量机模型，并输出一组光伏发电功率预测结果；其中，相关向量机模型的高斯核函数关键参数η是黏菌优化算法初始化或更新后的黏菌的位置；

所述步骤4使用适应度函数计算公式计算每一个黏菌的适应度值，适应度函数选取均方根误差MSE，表达式如式(4)所示：

式(4)中，N为输出数据中光伏输出功率个数，P_i为输出数据中光伏发电输出功率真实值，Y_i为步骤3中输出的一组光伏发电输出功率的预测预测结果；MSE计算结果即为适应度值，将当前适应度值S(i)按从大到小的顺序排列，其中记最优适应度值为bF，记最差适应度值为wF，将当前最优适应度值bF与全局最优适应度值DF作比较，将DF更新为二者中最优适应度值，并保存该最优黏菌个体位置；

所述步骤5黏菌位置的更新是根据改进黏菌优化算法的原理进行的，按步骤4中适应度值的大小排列顺序计算每个黏菌个体的权重此处对原有权重计算公式进行了改进，改进前后的权重计算公式如式(5)和式(6)所示：

改进前：

按适应度值的大小排列顺序，case1表示S(i)排在总体的前1/2部分，case2表示S(i)排在总体的后1/2部分，r表示在[0，1]区间内的随机值，SmellIndex表示适应度值排序顺序，sort(S)表示适应度值按升序排列；

改进后：

按适应度值的大小排列顺序，case1表示S(i)排在总体的前3/7部分，case2表示S(i)排在总体的中间1/7部分，case3表示S(i)排在总体的后3/7部分，r表示在[0，1]区间内的随机值，SmellIndex表示适应度值排序顺序，sort(S)表示适应度值按升序排列；

通过更加细致的划分，赋予每一个黏菌个体适合的权重，使黏菌更精确的搜寻到食物的位置，提高算法的寻优能力；

结合计算得到的每个黏菌的权重值，更新黏菌的位置，位置更新式(7)所示：

其中，z取0.03，是范围为[-a，a]的参数，从1线性减小到0；t代表当前迭代次数，代表当前发现的最高气味浓度的单个位置，代表黏菌的位置，和代表从黏菌中随机选择的两个个体，代表黏菌的权重；p的计算方法如式(8)所示：

p＝tanh|S(i)-DF| (8)

其中i∈(1，2，...，n)，S(i)表示的适应度，tanh表示双曲正切函数，DF表示在所有迭代中获得的最佳适应度；的计算方法如式(9)和式(10)所示：

式(10)中max_t为最大迭代次数，arc tanh表示反双曲正切函数；

按照以上情况可以对黏菌的位置进行更新；

所述步骤6重复步骤3和4，再次计算黏菌的适应度函数值；

所述步骤7将步骤6得出的黏菌的适应度值与上一次记录的黏菌适应度进行比较，全局最优适应度值DF，并记录最优黏菌个体所在位置；

所述步骤8根据步骤2中设定的改进黏菌优化算法最大迭代次数判定是否结束改进黏菌优化算法的优化过程，如果此时的迭代次数小于设定的迭代次数，则再次进行步骤5更新黏菌位置；如果此时的迭代次数大于设定的迭代次数，则进行步骤9；

所述步骤9具有最优适应度值的黏菌的位置对应着相关向量机模型高斯核函数关键参数η的最优值，将此时的相关向量机高斯核函数关键参数η的最优值带入相关向量机模型；

所述步骤10将预测数据中的温度、湿度、光照强度作为相关向量机模型的输入，预测数据中的光伏发电的输出功率作为相关向量机模型的输出，并输出一组光伏发电功率预测结果；

所述步骤11将步骤10中得到的预测结果进行反归一化，反归一化公式如式(11)所示：

P_i＝P_scale，i×(P_max-P_min)+P_min (11)

反归一化是按照归一化的计算规则进行，经过反归一化后获得与归一化之前的数据相同的上下界范围，便于预测结果的比较；

借助MATLB软件在计算机的显示器中显示步骤11中反归一化后的光伏发电输出功率预测结果与实际光伏发电输出功率的对比图。

2.按照权利要求1所述一种短期光伏发电输出功率的 预测方法，其特征在于：所述的光伏发电输出功率是光伏电厂的光伏发电输出功率。