本發(fā)明屬于光功率組合預(yù)測(cè)，具體涉及一種光功率組合預(yù)測(cè)方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、作為最豐富、發(fā)展?jié)摿ψ畲蟮目稍偕茉?，太?yáng)能開(kāi)發(fā)和太陽(yáng)能利用是我國(guó)建設(shè)新型電力系統(tǒng)的重要一環(huán)。然而，受到溫度、云量、大氣氣溶膠水平氣象因素的影響，光伏組件的發(fā)電功率波動(dòng)性大、隨機(jī)性強(qiáng)。隨著光伏發(fā)電裝機(jī)容量的不斷提升，光伏出力的不確定性對(duì)電網(wǎng)可靠性和供電質(zhì)量的影響凸顯，準(zhǔn)確地預(yù)測(cè)光功率有助于電力調(diào)度部門(mén)及時(shí)調(diào)整調(diào)度計(jì)劃和檢修計(jì)劃，對(duì)保證電網(wǎng)的安全穩(wěn)定運(yùn)行具有至關(guān)重要的意義。

2、目前現(xiàn)有技術(shù)中對(duì)光功率進(jìn)行預(yù)測(cè)采用的方法為：1）采用物理建模的方法實(shí)現(xiàn)光功率預(yù)測(cè)；2）采用統(tǒng)計(jì)學(xué)的方法實(shí)現(xiàn)光功率預(yù)測(cè)；3）采用深度學(xué)習(xí)的方法實(shí)現(xiàn)光功率預(yù)測(cè)。

3、采用物理建模的方法預(yù)測(cè)光功率，不僅可以較為直接地得到預(yù)測(cè)結(jié)果，而且不需要依賴較多的歷史數(shù)據(jù)，但該方法魯棒性較差。

4、采用物理建模的方法預(yù)測(cè)光功率，需要收集和統(tǒng)計(jì)大量歷史數(shù)據(jù)，提取出歷史數(shù)據(jù)的內(nèi)在關(guān)聯(lián)信息用于預(yù)測(cè)，與物理建模方法相比，建模相對(duì)簡(jiǎn)單，但該方法不僅對(duì)數(shù)據(jù)質(zhì)量要求較高，而且光功率預(yù)測(cè)效果不夠理想。

5、采用深度學(xué)習(xí)的方法預(yù)測(cè)光功率，可以從海量數(shù)據(jù)中提取出高維特征，在復(fù)雜的非線性映射中仍然具有良好的表現(xiàn)，典型的深度學(xué)習(xí)方法例如：支持向量回歸法、卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)。采用深度學(xué)習(xí)的方法預(yù)測(cè)光功率，雖然可以直接建立自變量和因變量之間的映射關(guān)系，但是該方法存在過(guò)擬合，容易陷入局部最優(yōu)。

6、綜上，單一的光功率預(yù)測(cè)方法（采用物理建模的方法實(shí)現(xiàn)光功率預(yù)測(cè)、采用統(tǒng)計(jì)學(xué)的方法實(shí)現(xiàn)光功率預(yù)測(cè)和采用深度學(xué)習(xí)的方法實(shí)現(xiàn)光功率預(yù)測(cè)）在預(yù)測(cè)精度和場(chǎng)景泛化方面均存在局限性，光功率組合預(yù)測(cè)的方法通過(guò)將不同的算法進(jìn)行組合集成，充分發(fā)揮不同方法的優(yōu)勢(shì)，進(jìn)而獲得更好的預(yù)測(cè)精度?，F(xiàn)有的光功率組合預(yù)測(cè)方法通過(guò)各類算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行尋優(yōu)，只是對(duì)模型的輸出結(jié)果進(jìn)行簡(jiǎn)單的平均加權(quán)，導(dǎo)致光功率預(yù)測(cè)精度不高的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種光功率組合預(yù)測(cè)方法、系統(tǒng)、設(shè)備及介質(zhì)，用于解決現(xiàn)有技術(shù)中只是對(duì)模型的輸出結(jié)果進(jìn)行簡(jiǎn)單的平均加權(quán)，導(dǎo)致光功率預(yù)測(cè)精度不高的問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、第一方面，本發(fā)明提供一種光功率組合預(yù)測(cè)方法，?包括以下步驟：

4、獲取歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)，對(duì)得到的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行預(yù)處理；

5、對(duì)預(yù)處理后的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行聚類，得到若干個(gè)聚類結(jié)果；

6、將若干個(gè)聚類結(jié)果分解為不同頻率下的固有模態(tài)函數(shù)分量，利用固有模態(tài)函數(shù)分量構(gòu)建訓(xùn)練集和測(cè)試集；

7、構(gòu)建xgboosting模型和bilstm模型，并采用貝葉斯優(yōu)化方法對(duì)xgboosting模型進(jìn)行改進(jìn)，基于構(gòu)建的訓(xùn)練集對(duì)采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型進(jìn)行訓(xùn)練，并基于構(gòu)建的測(cè)試集對(duì)采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型訓(xùn)練結(jié)果進(jìn)行測(cè)試，得到訓(xùn)練好的采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型；

8、將待預(yù)測(cè)的氣象數(shù)據(jù)分別輸入到訓(xùn)練好的采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型中進(jìn)行光功率組合預(yù)測(cè)，得到兩種光功率組合預(yù)測(cè)結(jié)果；

9、對(duì)兩種光功率組合預(yù)測(cè)結(jié)果最終輸出的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，得到最終的光功率組合預(yù)測(cè)結(jié)果。

10、本發(fā)明進(jìn)一步的改進(jìn)在于，所述預(yù)處理指的是對(duì)得到的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)先進(jìn)行歸一化處理，再進(jìn)行異常值替換處理。

11、本發(fā)明進(jìn)一步的改進(jìn)在于，所述歸一化處理的計(jì)算公式為：

12、

13、其中， x為歸一化處理后的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)，為原始的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)，和分別為原始的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)的最大值以及原始的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)最小值；

14、所述異常值替換處理的計(jì)算公式為：

15、

16、其中，為異常值，為異常值前的第 k個(gè)數(shù)據(jù)，為異常值后的第 k個(gè)數(shù)據(jù)。

17、本發(fā)明進(jìn)一步的改進(jìn)在于，采用貝葉斯優(yōu)化方法對(duì)xgboosting模型進(jìn)行改進(jìn)的計(jì)算公式為：

18、

19、其中， obj為目標(biāo)函數(shù)，為 n個(gè)樣本點(diǎn)和真實(shí)值之間的損失，為樹(shù)的復(fù)雜度。

20、本發(fā)明進(jìn)一步的改進(jìn)在于，采用自適應(yīng)加權(quán)法對(duì)兩種光功率組合預(yù)測(cè)結(jié)果最終輸出的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，得到最終的光功率組合預(yù)測(cè)結(jié)果；

21、所述自適應(yīng)加權(quán)法的計(jì)算公式為：

22、

23、其中，與為兩種模型的輸出結(jié)果，為該模型占預(yù)測(cè)結(jié)果的權(quán)重，為遺忘因子，為樣本集數(shù)據(jù)。

24、本發(fā)明進(jìn)一步的改進(jìn)在于，采用改進(jìn)的模糊c均值聚類算法對(duì)預(yù)處理后的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行聚類，得到若干個(gè)聚類結(jié)果。

25、本發(fā)明進(jìn)一步的改進(jìn)在于，采用經(jīng)驗(yàn)?zāi)B(tài)分解方法將若干個(gè)聚類結(jié)果分解為不同頻率下的固有模態(tài)函數(shù)分量?。

26、第二方面，本發(fā)明提供一種光功率組合預(yù)測(cè)系統(tǒng)，包括數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊、數(shù)據(jù)聚類模塊、數(shù)據(jù)集構(gòu)建模塊、模型訓(xùn)練模塊、光功率組合預(yù)測(cè)模塊和權(quán)重動(dòng)態(tài)調(diào)整模塊；

27、所述數(shù)據(jù)獲取模塊用于獲取歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)；

28、所述數(shù)據(jù)預(yù)處理模塊用于對(duì)得到的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行預(yù)處理；

29、所述數(shù)據(jù)聚類模塊用于對(duì)預(yù)處理后的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行聚類，得到若干個(gè)聚類結(jié)果；

30、所述數(shù)據(jù)集構(gòu)建模塊用于將若干個(gè)聚類結(jié)果分解為不同頻率下的固有模態(tài)函數(shù)分量，利用固有模態(tài)函數(shù)分量構(gòu)建訓(xùn)練集和測(cè)試集；

31、所述模型訓(xùn)練模塊用于構(gòu)建xgboosting模型和bilstm模型，并采用貝葉斯優(yōu)化方法對(duì)xgboosting模型進(jìn)行改進(jìn)，基于構(gòu)建的訓(xùn)練集對(duì)采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型進(jìn)行訓(xùn)練，并基于構(gòu)建的測(cè)試集對(duì)采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型訓(xùn)練結(jié)果進(jìn)行測(cè)試，得到訓(xùn)練好的采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型；

32、所述光功率組合預(yù)測(cè)模塊用于將待預(yù)測(cè)的氣象數(shù)據(jù)分別輸入到訓(xùn)練好的采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型中進(jìn)行光功率組合預(yù)測(cè)，得到兩種光功率組合預(yù)測(cè)結(jié)果；

33、所述權(quán)重動(dòng)態(tài)調(diào)整模塊用于對(duì)兩種光功率組合預(yù)測(cè)結(jié)果最終輸出的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，得到最終的光功率組合預(yù)測(cè)結(jié)果。

34、第三方面，本發(fā)明提供一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述介紹的光功率組合預(yù)測(cè)方法的步驟。

35、第四方面，本發(fā)明提供一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述介紹的光功率組合預(yù)測(cè)方法的步驟。

36、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

37、本發(fā)明屬于改進(jìn)型發(fā)明，與現(xiàn)有的光功率組合預(yù)測(cè)方法相比，本發(fā)明提出的光功率組合預(yù)測(cè)方法將待預(yù)測(cè)的氣象數(shù)據(jù)分別輸入到訓(xùn)練好的采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型中進(jìn)行光功率組合預(yù)測(cè)，得到兩種光功率組合預(yù)測(cè)結(jié)果。對(duì)兩種光功率組合預(yù)測(cè)結(jié)果最終輸出的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，得到最終的光功率組合預(yù)測(cè)結(jié)果?？梢?jiàn)本發(fā)明采用貝葉斯優(yōu)化方法改進(jìn)之后的xgboosting模型和bilstm模型得到兩種光功率組合預(yù)測(cè)結(jié)果，一方面本發(fā)明利用貝葉斯優(yōu)化方法對(duì)xgboosting模型進(jìn)行改進(jìn)，提高了xgboosting模型的效率和準(zhǔn)確度。另一方面本發(fā)明先對(duì)預(yù)處理后的歷史光功率數(shù)據(jù)和氣象數(shù)據(jù)進(jìn)行聚類，得到若干個(gè)聚類結(jié)果，再進(jìn)行光功率組合預(yù)測(cè)，提高了預(yù)測(cè)的準(zhǔn)確性。而且本發(fā)明動(dòng)態(tài)調(diào)整模型的權(quán)重，降低了組合模型的預(yù)測(cè)誤差。與現(xiàn)有技術(shù)相比，本發(fā)明有效地解決了現(xiàn)有技術(shù)中只是對(duì)模型的輸出結(jié)果進(jìn)行簡(jiǎn)單的平均加權(quán)，導(dǎo)致光功率預(yù)測(cè)精度不高的問(wèn)題。