【技术实现步骤摘要】
本专利技术属于电力系统光伏功率预测，涉及一种基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法。
技术介绍
1、近年来，世界能源消费结构转型，可再生能源在发电端所占比例持续上升。根据国际能源署(iea)2019年至2024年可再生能源和技术市场分析和预测，可再生能源容量将扩大50％。而光伏发电正是理想的可再生能源应用之一。光伏发电受到气象因素影响，有着很强的波动性、随机性和间歇性，其并网后会对整个电力系统的稳定和安全造成影响。如果能快速准确预测光伏功率出力的情况，将可以显著提升电网的稳定性和可靠性，因此研究如何提高光伏功率预测的时效性和准确性尤为重要。传统的光伏功率预测方法难以同时兼顾预测精度与速度，针对光伏发电的特性和传统方法的不足，本专利技术公开了一种基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，为光伏功率的准确预测和电网调度提供了理论依据和技术支撑。
技术实现思路
1、本专利技术的目的是提供一种基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，解决了现有光伏功率预测技术中预测精度不够和预测时效性差等问题。
2、本专利技术所采用的技术方案是，基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，具体按照以下步骤实施：
3、步骤1、为提高预测精度，在时间序列进行分解之前利用统计学方法对时间序列数据进行异常值剔除和缺失值填补处理，并对数据进行归一化处理和张量转换预处理。
4、步骤2、利用最大重叠离散小波变换(maxi
5、步骤3、利用样本熵(sample entropy,se)分析各小波分量的复杂度，基于时间序列分析原理的先验知识，为了适应不同数据集特性，选取复杂度平均水平作为相对指标划分复杂度高低。
6、步骤4、对于复杂度低于平均值的小波分量，直接利用门控循环单元(gatedrecurrent unit,gru)进行学习和预测，得到对应小波分量预测结果。
7、步骤5、对于复杂度高于平均值的小波分量，利用变分模态分解(variationalmode decomposition,vmd)算法对其再次进行频域分解得到模态分量，得到各模态分量，称为本征模态函数(intrinsic mode functions，imfs)。
8、步骤6、再次利用样本熵分析各模态分量的复杂度，基于时间序列分析原理的先验知识，为了适应不同数据集特性，选取复杂度参考值作为相对指标划分复杂度高低。
9、步骤7、对于复杂度低于参考值的模态分量，将其求和后利用门控循环单元进行学习和预测，得到对应模态分类预测结果。
10、步骤8、对于复杂度高于参考值的模态分量，添加气象因子后分别利用基于注意力机制的卷积神经网络(convolutional neural network with attention mechanism,cnn-attention)进行学习和预测，得到对应模态分类预测结果。
11、步骤9、将模态分量预测结果求和后与小波分量预测结果一起进行最大重叠离散小波反变换，得到时间序列预测结果，完成预测。
12、本专利技术的特点还在于：
13、步骤1具体按照以下实施：
14、对数据进行归一化处理的离差标准化公式如下：
15、
16、步骤2具体按照以下实施：
17、本专利技术采用的最大重叠离散小波变换在时间序列分析和信号处理中常用于多尺度分解和频域分析。其主要特点是最大重叠，它将输入信号划分为多个子信号，每个子信号之间有50％的重叠。这种重叠可以提供更好的时间和频率分辨率，并能捕捉到信号中的快速变化。其冗余系数小，有助于时序信号特征的提取，并且具有平移不变性，降低后续预测受到时间序列起始点的影响以及延时性。
18、最大重叠离散小波变换的原理如下：
19、①对于任意信号采样长度n的时间序列信号xn，modwt把时序信号分解为log2n级，即：
20、
21、
22、
23、
24、lj＝(2j-1)(l-1)+1 (6)
25、式中：为第j级的尺度系数；为第j级的小波系数；l为滤波器宽度；lj为第j级的滤波器宽度；为第j级尺度滤波器系数；为第j级小波滤波器系数；为第l-1-l个高通滤波的系数；为第l-1-l个低通滤波的系数。
26、②利用两个矩阵将小波系数与时序信号进行线性表示：
27、
28、
29、公式中和均为n×n的矩阵，表示如下：
30、
31、步骤3具体按照以下实施：
32、本专利技术采用的样本熵方法可以通过度量信号中产生新模式的概率大小来衡量时间序列复杂度，新模式产生的概率越大，样本熵的值越大，序列的复杂性就越大，反之样本熵的值越低，序列自我相似性就越高。
33、样本熵分析的步骤如下：
34、①对长度为n的时间序列组成一组维数为m的向量序列xm(1),...,xm(n-m+1)：
35、xm(i)＝{x(i),x(i+1),...,x(i+m-1)},1≤i≤n-m+1 (10)
36、②向量xm(i)与xm(j)之间的距离定义为：
37、d[xm(i),xm(j)]＝maxk＝1,...,m-1[|x(i+k)-x(j+k)|] (11)
38、③对于给定xm(i)，统计xm(i)与xm(j)之间距离小于等于r的j(1≤j≤n-m,j≠i)的数目，记作bi。定义：
39、
40、
41、④增加维数到m+1，计算xm+1(i)与xm+1(j)(1≤j≤n-m,j≠i)距离小于等于r的个数，记作ai。定义：
42、
43、
44、⑤样本熵定义为：
45、
46、⑥对于n个分量复杂度的平均水平定义为：
47、
48、步骤4具体按照以下实施：
49、本专利技术采用的门控循环单元的核心思想是使用重置门(reset gate)和更新门(update gate)来控制信息的流动，其决定如何利用过去的信息以及在何处保留当前的信息门控循环单元通过重复执行以下步骤来处理整个序列，并在每个时间步生成新的隐藏状态。最后，可以将最终的隐藏状态用于任务的输出或传递给其他网络层进行进一步处理。
50、门控循环单元的组成部分和原理如下：
51、①输入门(input gate)：决定是否将新的输入信息纳入当前状态的计算中。
52、it＝σ(ωi·[h{t-1},xt]) (18)
<本文档来自技高网...【技术保护点】
1.基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤1具体按照以下实施：
3.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤2具体按照以下实施：
4.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤3具体按照以下实施：
5.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤4具体按照以下实施：
6.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤5具体按照以下实施：
7.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤6具体按照以下实施：
8.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏
9.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤8具体按照以下实施：
10.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤9具体按照以下实施：
...【技术特征摘要】
1.基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤1具体按照以下实施：
3.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤2具体按照以下实施：
4.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤3具体按照以下实施：
5.根据权利要求1所述的基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法，其特征在于，所述步骤4具体按照以下实施：
6.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。