System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于SCSSA的光伏发电预测方法技术_技高网

一种基于SCSSA的光伏发电预测方法技术

技术编号:44357927 阅读:5 留言:0更新日期:2025-02-25 09:40
本发明专利技术涉及一种基于SCSSA的光伏发电预测方法,该方法包括:采集光伏电站的数据,并预处理,其中数据包括历史发电数据、气象数据、地理信息和设备运行数据;对预处理后的数据进行多尺度分解,并使用SCSSA算法优化多尺度特征构造;采用改进的SHAP方法对多尺度特征进行动态重要性评估,得到与时间衰减因子相关的新特征;构建并使用SCSSA算法优化自适应CNN‑BiLSTM模型,利用优化后的CNN‑BiLSTM模型对光伏发电量进行预测。与现有技术相比,本发明专利技术具有更全面地捕捉光伏发电系统的复杂动态特性,提高预测精度和效率等优点。

【技术实现步骤摘要】

本专利技术涉及光伏发电预测,尤其是涉及一种基于scssa的光伏发电预测方法。


技术介绍

1、随着全球对清洁能源的需求不断增长,光伏发电作为一种重要的可再生能源形式,在能源领域的地位日益凸显。然而,光伏发电的输出功率具有显著的间歇性和不确定性,这给电力系统的稳定运行、规划和调度带来了严峻挑战。

2、近年来,随着机器学习技术的发展,多种算法被应用于光伏发电预测中。这些方法大致可以分为两大类:统计学方法和人工智能方法。

3、统计学方法包括时间序列分析、回归分析等。这类方法依赖于历史数据的统计特征,但往往难以捕捉复杂的时间序列模式。

4、基于人工智能的光伏发电预测方法已经取得了显著的进步,但仍面临一些挑战:

5、1.多尺度时间序列分析:光伏发电数据通常包含多种时间尺度上的变化,例如小时级、日级乃至季节性的变化,这要求预测模型能够同时捕捉不同时间尺度的信息。

6、2.非平稳性:由于天气条件的变化,光伏发电数据表现出明显的非平稳性,这对模型的泛化能力提出了更高的要求。

7、3.长短期依赖关系:光伏发电数据中的长期趋势和短期波动都需要被准确地建模,这对模型的序列处理能力提出了挑战。

8、4.特征选择与融合:如何有效地从大量候选特征中选择最有影响力的特征,并将其融合到模型中,也是提高预测精度的关键。

9、5.参数经验值设定:在实际使用模型的过程中往往需要调整多个超参数,这些调整通常是基于直觉或经验进行的,不同的经验设定值会对最终结果产生影响,往往存在不断试错的过程。

10、如何实现准确且稳定的光伏发电预测,成为需要解决的技术问题。


技术实现思路

1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于scssa的光伏发电预测方法。

2、本专利技术的目的可以通过以下技术方案来实现:

3、根据本专利技术的一个方面,提供了一种基于scssa的光伏发电预测方法,该方法包括以下步骤:

4、步骤s1,采集光伏电站的数据,并预处理,其中数据包括历史发电数据、气象数据、地理信息和设备运行数据;

5、步骤s2,对预处理后的数据进行多尺度分解,并使用scssa算法优化多尺度特征构造;

6、步骤s3,采用改进的shap方法对步骤s2的多尺度特征进行动态重要性评估,得到与时间衰减因子相关的新特征;

7、步骤s4,基于步骤s1~s3的结果,构建并使用scssa算法优化自适应cnn-bilstm模型,利用优化后的cnn-bilstm模型对光伏发电量进行预测。

8、优选地,所述对预处理后的数据进行多尺度分解具体为:使用离散小波变换和经验模态分解对预处理后的数据进行多尺度分解。

9、优选地,所述使用scssa算法优化多尺度特征构造包括:

10、对离散小波变换的参数进行优化,其中参数包括小波基、最佳的多尺度分解层数以及用于去噪和特征提取的阈值;

11、对经验模态分解的参数进行优化,其中参数包括:经验模态分解的迭代次数以及时间序列断电的处理方法。

12、优选地,引入时间衰减因子改进所述的shap,包括:

13、计算时间加权shap值的公式:

14、

15、其中,m为样本数量,φi,j第个样本中特征i的shap值,w(tj)为特征j在t时刻的时间衰减因子,

16、时间衰减因子的公式:

17、

18、其中,λ为衰减率参数,t0为当前时间,t为数据点的时间戳。

19、优选地,使用scssa算法优化所述动态重要性评估,包括对特征聚类数、采样率以及时间衰减因子的优化。

20、优选地,所述使用scssa算法优化cnn-bilstm模型包括:对每个麻雀位置,构建相应的cnn-bilstm模型,迭代优化选择目标函数值最小的麻雀位置作为最优参数,并使用最优参数构建最终cnn-bilstm模型;

21、所述cnn-bilstm模型的cnn层和bilstm层分别用于提取局部天气模式特征和处理长短期时间依赖。

22、优选地,所述的步骤s4中的预测为滚动预测,即每次预测未来m天的发电量,每n天更新一次预测,并采集新的光伏电站的数据。

23、优选地,所述的步骤s4包括使用scssa优化过程中得到的top-n模型进行集成预测,求取这些模型预测值的平均值得到最终的预测结果,计算预测结果的置信区间,以及对位于置信区间的预测结果进行归一化处理。

24、优选地,所述的方法还包括步骤s4后的多目标评估与反馈,将综合评分作为scssa算法的主要优化目标,根据多目标评估结果,调整scssa的搜索策略;

25、所述多目标评估所用综合评分函数为:

26、score=w1×(1-rmsen)+w2×(1-maen)+w3×r2+w4×picp-w5×cn

27、其中:w1、w2、w3、w4、w5为权重系数;rmsen为归一化的均方根误差;maen为归一化的平均绝对误差;r2为判定系数衡量模型的拟合优度;picp为预测区间覆盖概率;cn为归一化的模型复杂度。

28、优选地,所述的方法还包括步骤s4后的在线学习与模型更新,通过滑动窗口技术动态更新训练数据集来重新训练cnn-bilstm模型,并定期触发scssa优化过程,实现cnn-bilstm模型的持续优化。

29、与现有技术相比,本专利技术具有以下有益效果:

30、1)本专利技术通过多尺度特征构造、改进的shap方法对多尺度特征动态重要性评估、构建自适应cnn-bilstm模型,以及采用scssa优化进行全局优化后的cnn-bilstm模型输出光伏发电量预测,能够更全面地捕捉光伏发电系统的复杂动态特性,显著提高预测精度和稳定性。

31、2)本专利技术的多尺度特征构造和改进的shap方法进行动态特征重要性评估丰富了原始数据的特征,并提供了模型决策的可解释性,有助于理解不同因素对预测结果的影响;自适应模型cnn-bilstm结构使能够灵活适应不同的环境条件和数据模式变化,自适应能力强,增强了预测的鲁棒性。

32、3)本专利技术的scssa能够自动搜索并确定最佳的超参数组合,减少主观因素的影响和人工试错的过程,自动化程度高;通过高效的搜索策略能够快速找到最满意的解决方案,减少迭代次数,进而节省大量的计算资源,增强了预测效率。

33、4)本专利技术的多目标评估与反馈根据多目标评估结果,调整scssa的搜索策略,增强了系统的鲁棒性,使预测结果更加可靠。

34、5)本专利技术的在线学习与模型更新机制使系统能够不断适应新的数据和环境变化,保持预测性能的长期有效性。

本文档来自技高网...

【技术保护点】

1.一种基于SCSSA的光伏发电预测方法,其特征在于,该方法包括以下步骤:

2.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,所述对预处理后的数据进行多尺度分解具体为:使用离散小波变换和经验模态分解对预处理后的数据进行多尺度分解。

3.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,所述使用SCSSA算法优化多尺度特征构造包括:

4.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,引入时间衰减因子改进所述的SHAP,包括:

5.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,使用SCSSA算法优化所述动态重要性评估,包括对特征聚类数、采样率以及时间衰减因子的优化。

6.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,所述使用SCSSA算法优化CNN-BiLSTM模型包括:对每个麻雀位置,构建相应的CNN-BiLSTM模型,迭代优化选择目标函数值最小的麻雀位置作为最优参数,并使用最优参数构建最终CNN-BiLSTM模型;

7.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,所述的步骤S4中的预测为滚动预测,即每次预测未来m天的发电量,每n天更新一次预测,并采集新的光伏电站的数据。

8.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,所述的步骤S4包括使用SCSSA优化过程中得到的top-n模型进行集成预测,求取这些模型预测值的平均值得到最终的预测结果,计算预测结果的置信区间,以及对位于置信区间的预测结果进行归一化处理。

9.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,所述的方法还包括步骤S4后的多目标评估与反馈,将综合评分作为SCSSA算法的主要优化目标,根据多目标评估结果,调整SCSSA的搜索策略;

10.根据权利要求1所述的一种基于SCSSA的光伏发电预测方法,其特征在于,所述的方法还包括步骤S4后的在线学习与模型更新,通过滑动窗口技术动态更新训练数据集来重新训练CNN-BiLSTM模型,并定期触发SCSSA优化过程,实现CNN-BiLSTM模型的持续优化。

...

【技术特征摘要】

1.一种基于scssa的光伏发电预测方法,其特征在于,该方法包括以下步骤:

2.根据权利要求1所述的一种基于scssa的光伏发电预测方法,其特征在于,所述对预处理后的数据进行多尺度分解具体为:使用离散小波变换和经验模态分解对预处理后的数据进行多尺度分解。

3.根据权利要求1所述的一种基于scssa的光伏发电预测方法,其特征在于,所述使用scssa算法优化多尺度特征构造包括:

4.根据权利要求1所述的一种基于scssa的光伏发电预测方法,其特征在于,引入时间衰减因子改进所述的shap,包括:

5.根据权利要求1所述的一种基于scssa的光伏发电预测方法,其特征在于,使用scssa算法优化所述动态重要性评估,包括对特征聚类数、采样率以及时间衰减因子的优化。

6.根据权利要求1所述的一种基于scssa的光伏发电预测方法,其特征在于,所述使用scssa算法优化cnn-bilstm模型包括:对每个麻雀位置,构建相应的cnn-bilstm模型,迭代优化选择目标函数值最小的麻雀位置作为最优参数,并使用最优参数构建最终cnn-bil...

【专利技术属性】
技术研发人员:潘弘万俊杰徐航宿浩博孙兴业杨晗
申请(专利权)人:安科瑞电气股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1