【技術實現步驟摘要】
本專利技術屬于光伏發電功率預測，具體涉及一種基于多種模態分解的多時間尺度光伏發電功率預測方法。
技術介紹
1、隨著全球化和工業化的推進，能源需求不斷上升，化石燃料的消耗引發溫室氣體排放增加，加劇全球變暖，影響生物多樣性和人類環境。在此背景下，可再生能源開發尤為重要，光伏發電憑借清潔、無污染等優勢，成為低碳經濟發展的關鍵。然而，光伏發電受太陽輻射間歇性和環境波動影響，會產生輸出功率不穩定的問題，這對電力系統的運行、調度和規劃帶來了諸多挑戰。為此，光伏發電功率預測成為研究重點。
2、光伏發電功率預測可分為超短期（幾秒至30分鐘）、短期（30至360分鐘）、中期（6至24小時）和長期（24小時以上）預測，分別應用于實時調度、經濟負荷調度、系統維護和長期規劃等場景。主流預測方法包括物理模型、統計模型和人工智能模型。物理模型基于太陽輻射特性與光伏系統參數，具備理論性強但計算資源需求高的特點；統計方法如自回歸、模糊理論等，適合短期預測，但對非線性關系處理能力有限；人工智能模型（尤其深度學習）憑借強大的非線性建模能力和大數據訓練優勢，成為近年來的研究熱點。深度學習模型如遞歸神經網絡（rnn）及其改進版本長短期記憶網絡（lstm）和門控循環單元（gru）在光伏發電功率預測中表現突出。lstm通過門控機制處理長期依賴，gru進一步簡化了結構，但在中長期預測中準確度仍會下降?；谧宰⒁饬C制的transformer模型及其變體informer通過改進注意力機制，優化了長時間序列預測性能，但在短期預測中效果有限。
3、為提升模
技術實現思路
1、本專利技術的目的在于提供基于多種模態分解的多時間尺度光伏發電功率預測方法。
2、第一方面，本專利技術提供了基于多種模態分解的多時間尺度光伏發電功率預測方法，其包括以下步驟：
3、步驟一、獲取提取光伏電站的歷史功率數據及氣象數據構建數據樣本集；
4、步驟二、使用不同的信號處理方法分別對歷史功率數據進行信號分解，獲取子序列集合a和子序列集合b，并作為新特征加入數據樣本集中；
5、步驟三、分別對步驟二獲取的兩個子序列集合進行信號分解，獲取子序列集合c和子序列集合d，并作為新特征加入數據樣本集中；
6、步驟四、構建光伏發電功率預測模型，使用步驟三獲取的數據樣本集對光伏發電功率預測模型進行訓練；
7、步驟五、利用經過訓練的光伏發電功率預測模型進行光伏發電站的發電功率預測。
8、作為優選，所述的子序列集合中的每一個子序列均作為一個特征加入數據樣本集中。
9、作為優選，所述的步驟三中，分別選取子序列集合a和子序列集合b中的第一子序列進行信號分解。
10、作為優選，所述的步驟二中的信號處理方法分別為奇異譜分析和完全自適應噪聲集合經驗模態分解；所述的奇異譜分析方法如下：
11、步驟2-1-1.設置窗口長度l和滑動窗口的次數k，構造歷史功率數據對應的軌跡矩陣；
12、步驟2-1-2.對軌跡矩陣進行特征值分解，并按照特征值對特征向量進行排序；
13、步驟2-1-3.計算軌跡矩陣在特征向量上的投影，獲取時間演變權重；
14、步驟2-1-4.將具有相同信號的子序列進行疊加，根據時間演變權重獲取多個奇異譜分析處理后的子序列，并構建子序列集合a；
15、所述的完全自適應噪聲集合經驗模態分解方法如下：
16、步驟2-2-1.向歷史功率數據中添加了白噪聲獲取噪聲信號
17、步驟2-2-2.對噪聲信號進行經驗模態分解，得到i組結果，將結果平均化得到本征模態分量和一階殘差；
18、步驟2-2-3.向一階殘差添加噪聲，并進行經驗模態分解，得到本征模態分量和二階殘差；
19、步驟2-2-4.重復上述步驟，直到完成殘差的分解。
20、作為優選，所述的步驟三中，采用變分模態分解方法對第一子序列進行信號分解。
21、作為優選，所述的步驟一中，氣象數據包括柱云水含量、柱云冰含量、地面氣壓、相對濕度、總云量、經度方向的風、緯度方向的風分量、溫度、地表太陽輻射、地表熱輻射、凈太陽輻射、總降水量。
22、作為優選，所述的步驟四中，光伏發電功率預測模型采用lstm-informer模型。
23、作為優選，所述的步驟一中，在構建數據樣本集前，分別對歷史功率數據及氣象數據進行異常值檢測和數據填充，以填充后的數據構建數據樣本集。
24、第二方面，本專利技術提供了一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述存儲器存儲計算機程序；所述處理器執行上述的多時間尺度光伏發電功率預測方法。
25、第三方面，本專利技術提供了一種可讀存儲介質，存儲有計算機程序；所述計算機程序被處理器執行時用于實現上述的多時間尺度光伏發電功率預測方法。
26、本專利技術具有的有益效果是：
27、1、本專利技術采用多種模態分解方法，分別利用奇異譜分析和變分模態分解對歷史光伏發電功率數據進行信號分解，能夠產生不同的模態分解結果，形成對信號復雜特性的更全面描述，從而生成更能反映復雜信號固有規律的異構模態子序列，有效避免了單一分解方法可能遺漏某些易于混疊的模態子序列的問題，解決了模態分解子序列可能出現信息量少、特征信息不足的問題。
28、2、本專利技術在第一次模態分解生成的子序列中，對高不規則性的高頻第一子序列進一步使用變分模態分解處理，通過整合一步分解和兩步分解得到的子序列、原始光伏發電功率數據及天氣特征，有效地提取多樣化且信息明確的特征，提高了分解結果的質量，從而提升預測性能。
29、3、本專利技術通過結合長短期記憶網絡和informer構建的光伏發電功率預測模型，解決了informer在短期光伏發電功率預測中的準確性較差的問題，滿足實時調度、經濟負荷調度、系統維護和長期規劃等不同場景的應用。
本文檔來自技高網...【技術保護點】
1.基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的子序列集合中的每一個子序列均作為一個特征加入數據樣本集中。
3.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟三中，分別選取子序列集合A和子序列集合B中的第一子序列進行信號分解。
4.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟二中的信號處理方法分別為奇異譜分析和完全自適應噪聲集合經驗模態分解；所述的奇異譜分析方法如下：
5.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟三中，采用變分模態分解方法對第一子序列進行信號分解。
6.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟一中，氣象數據包括柱云水含量、柱云冰含量、地面氣壓、相對濕度、總云量、經度方向的風、緯度方向的風
7.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟四中，光伏發電功率預測模型采用LSTM-Informer模型。
8.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟一中，在構建數據樣本集前，分別對歷史功率數據及氣象數據進行異常值檢測和數據填充，以填充后的數據構建數據樣本集。
9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于：所述存儲器存儲計算機程序；所述處理器執行如權利要求1-8中任意一項所述的基于多種模態分解的多時間尺度光伏發電功率預測方法。
10.一種可讀存儲介質，存儲有計算機程序；其特征在于：所述計算機程序被處理器執行時用于實現如權利要求1-8中任意一項所述的基于多種模態分解的多時間尺度光伏發電功率預測方法。
...【技術特征摘要】
1.基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的子序列集合中的每一個子序列均作為一個特征加入數據樣本集中。
3.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟三中，分別選取子序列集合a和子序列集合b中的第一子序列進行信號分解。
4.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟二中的信號處理方法分別為奇異譜分析和完全自適應噪聲集合經驗模態分解；所述的奇異譜分析方法如下：
5.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟三中，采用變分模態分解方法對第一子序列進行信號分解。
6.根據權利要求1所述的基于多種模態分解的多時間尺度光伏發電功率預測方法，其特征在于：所述的步驟一中，氣象數據包括柱云水含量、柱云冰...
【專利技術屬性】
技術研發人員：胡克用，傅哲毅，郎春元，王奔，孫水發，張宇，
申請(專利權)人：杭州師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。