[发明专利]一种光伏功率短期预测方法及相关装置

说明书

本申请公开了一种光伏功率短期预测方法及相关装置，包括：构建“气象‑功率”样本数据并进行归一化处理；接着构建灰狼优化算法，采用随机方法初始化种群规模及个体位置，将SVR模型的C和gamma变量作为狼群个体的位置参数变量；然后计算狼群中各个个体的适应度函数，选取最优的三个个体作为狼群的首领；以及计算狼群个体的候选位置，狼群中的其他个体按照一定的搜索策略和更新策略向首领靠近，优化自身参数；最后不断进行迭代直至达到预设次数，得到训练好的预测模型，从而对待预测日的光伏功率进行预测。本申请基于多维度学习的改进GWO‑SVR光伏功率短期预测方法，解决了现有技术在极端多变天气情况下的功率预测精度较低的问题。

技术领域

本申请涉及光伏功率预测技术领域，尤其涉及一种光伏功率短期预测方法及相关装置。

背景技术

并网光伏阵列的发电功率主要受当地的气象条件影响，其中又主要包括太阳辐照度、温度、云层遮挡、湿度、风速等因素。由于天气环境变化的不确定性，天气预报的准确度不高，继而难以保证对光伏发电系统的功率预测的准确度。光伏短期功率预测的误差不仅会影响经济效益，更重要的是对电力系统运行的稳定性、可靠性和调度也会产生不利影响。提高光伏发电功率预测的精度，可以有效降低光伏功率不确定性对电网的影响、提高系统可靠性、维护电能质量、提高光伏系统的渗透水平。因此，可靠、准确的光伏功率短期预测具有重要意义。

灰狼优化算法(Grey Wolf Optimizer, GWO) 作为近几年新起的群智能算法之一，因其具有参数少、稳定性强等特点，在解决特征选择、 神经网络优化、路径规划等优化问题时表现出了良好的性能。但该算法也存在求解精度不高，收敛速度慢，易陷入局部最优等缺陷。支持向量机回归(Support Vector Regression，SVR)是非常经典的回归模型，其核心思想在于找到众多离散数据中的最佳拟合曲线。SVR模型对异常值、缺失值的抗性良好，泛化能力较强，易于实现。缺点在于缺乏实际执行过程中的“自我学习能力”，即无法修改自身的超参数数值，较为依赖人的先验判断。

使得现有基于灰狼优化算法、支持向量机回归模型的光伏功率预测方法在极端多变天气情况下的功率预测精度较低。因此，亟需一种光伏功率短期预测方法，能够更好地捕捉天气波动对光伏功率变化的影响。

发明内容

本申请提供了一种光伏功率短期预测方法及相关装置，用于解决现有技术在极端多变天气情况下的功率预测精度较低的问题。

有鉴于此，本申请第一方面提供了一种光伏功率短期预测方法，所述方法包括：

S1、根据光伏电站的历史发电数据与气象数据的对应关系构建样本数据，对所述样本数据进行归一化处理；

S2、构建GWO模型，初始化所述GWO模型的参数，以及狼群的种群规模和个体位置，并计算所述GWO模型的种群中个体位置更新过程使用的系数向量，构建SVR模型并作为初始预测模型，将所述SVR模型中的惩罚因子 C和核参数 gamma作为GWO模型中狼群个体的位置参数；

S3、计算狼群中各个个体的惩罚因子 C和核参数 gamma对应的适应度函数值，根据所述适应度函数值选取若干个体作为种群的首领；

S4、计算狼群中各个个体与所述首领的距离，根据所述距离，采用了规范的GWO候选位置生成策略，计算个体第一候选位置，采用基于维度学习的狩猎DLH搜索策略，计算个体的第二候选位置；基于适应度函数，从所述第一候选位置和所述第二候选位置中确定个体的最优位置；

S5、重复步骤S3-S4，直至达到预设的迭代次数，得到训练好的预测模型，将待预测日的天气数据输入到所述预测模型中，得到光伏发电功率曲线。

可选地，所述计算狼群中各个个体与首领的距离，具体包括：