【技术实现步骤摘要】
本专利技术属于光伏发电功率预测，具体涉及一种基于多种模态分解的多时间尺度光伏发电功率预测方法。
技术介绍
1、随着全球化和工业化的推进，能源需求不断上升，化石燃料的消耗引发温室气体排放增加，加剧全球变暖，影响生物多样性和人类环境。在此背景下，可再生能源开发尤为重要，光伏发电凭借清洁、无污染等优势，成为低碳经济发展的关键。然而，光伏发电受太阳辐射间歇性和环境波动影响，会产生输出功率不稳定的问题，这对电力系统的运行、调度和规划带来了诸多挑战。为此，光伏发电功率预测成为研究重点。
2、光伏发电功率预测可分为超短期（几秒至30分钟）、短期（30至360分钟）、中期（6至24小时）和长期（24小时以上）预测，分别应用于实时调度、经济负荷调度、系统维护和长期规划等场景。主流预测方法包括物理模型、统计模型和人工智能模型。物理模型基于太阳辐射特性与光伏系统参数，具备理论性强但计算资源需求高的特点；统计方法如自回归、模糊理论等，适合短期预测，但对非线性关系处理能力有限；人工智能模型（尤其深度学习）凭借强大的非线性建模能力和大数据训练优势，成为近年来的研究热点。深度学习模型如递归神经网络（rnn）及其改进版本长短期记忆网络（lstm）和门控循环单元（gru）在光伏发电功率预测中表现突出。lstm通过门控机制处理长期依赖，gru进一步简化了结构，但在中长期预测中准确度仍会下降。基于自注意力机制的transformer模型及其变体informer通过改进注意力机制，优化了长时间序列预测性能，但在短期预测中效果有限。
3、为提升模
技术实现思路
1、本专利技术的目的在于提供基于多种模态分解的多时间尺度光伏发电功率预测方法。
2、第一方面，本专利技术提供了基于多种模态分解的多时间尺度光伏发电功率预测方法，其包括以下步骤：
3、步骤一、获取提取光伏电站的历史功率数据及气象数据构建数据样本集；
4、步骤二、使用不同的信号处理方法分别对历史功率数据进行信号分解，获取子序列集合a和子序列集合b，并作为新特征加入数据样本集中；
5、步骤三、分别对步骤二获取的两个子序列集合进行信号分解，获取子序列集合c和子序列集合d，并作为新特征加入数据样本集中；
6、步骤四、构建光伏发电功率预测模型，使用步骤三获取的数据样本集对光伏发电功率预测模型进行训练；
7、步骤五、利用经过训练的光伏发电功率预测模型进行光伏发电站的发电功率预测。
8、作为优选，所述的子序列集合中的每一个子序列均作为一个特征加入数据样本集中。
9、作为优选，所述的步骤三中，分别选取子序列集合a和子序列集合b中的第一子序列进行信号分解。
10、作为优选，所述的步骤二中的信号处理方法分别为奇异谱分析和完全自适应噪声集合经验模态分解；所述的奇异谱分析方法如下：
11、步骤2-1-1.设置窗口长度l和滑动窗口的次数k，构造历史功率数据对应的轨迹矩阵；
12、步骤2-1-2.对轨迹矩阵进行特征值分解，并按照特征值对特征向量进行排序；
13、步骤2-1-3.计算轨迹矩阵在特征向量上的投影，获取时间演变权重；
14、步骤2-1-4.将具有相同信号的子序列进行叠加，根据时间演变权重获取多个奇异谱分析处理后的子序列，并构建子序列集合a；
15、所述的完全自适应噪声集合经验模态分解方法如下：
16、步骤2-2-1.向历史功率数据中添加了白噪声获取噪声信号
17、步骤2-2-2.对噪声信号进行经验模态分解，得到i组结果，将结果平均化得到本征模态分量和一阶残差；
18、步骤2-2-3.向一阶残差添加噪声，并进行经验模态分解，得到本征模态分量和二阶残差；
19、步骤2-2-4.重复上述步骤，直到完成残差的分解。
20、作为优选，所述的步骤三中，采用变分模态分解方法对第一子序列进行信号分解。
21、作为优选，所述的步骤一中，气象数据包括柱云水含量、柱云冰含量、地面气压、相对湿度、总云量、经度方向的风、纬度方向的风分量、温度、地表太阳辐射、地表热辐射、净太阳辐射、总降水量。
22、作为优选，所述的步骤四中，光伏发电功率预测模型采用lstm-informer模型。
23、作为优选，所述的步骤一中，在构建数据样本集前，分别对历史功率数据及气象数据进行异常值检测和数据填充，以填充后的数据构建数据样本集。
24、第二方面，本专利技术提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述存储器存储计算机程序；所述处理器执行上述的多时间尺度光伏发电功率预测方法。
25、第三方面，本专利技术提供了一种可读存储介质，存储有计算机程序；所述计算机程序被处理器执行时用于实现上述的多时间尺度光伏发电功率预测方法。
26、本专利技术具有的有益效果是：
27、1、本专利技术采用多种模态分解方法，分别利用奇异谱分析和变分模态分解对历史光伏发电功率数据进行信号分解，能够产生不同的模态分解结果，形成对信号复杂特性的更全面描述，从而生成更能反映复杂信号固有规律的异构模态子序列，有效避免了单一分解方法可能遗漏某些易于混叠的模态子序列的问题，解决了模态分解子序列可能出现信息量少、特征信息不足的问题。
28、2、本专利技术在第一次模态分解生成的子序列中，对高不规则性的高频第一子序列进一步使用变分模态分解处理，通过整合一步分解和两步分解得到的子序列、原始光伏发电功率数据及天气特征，有效地提取多样化且信息明确的特征，提高了分解结果的质量，从而提升预测性能。
29、3、本专利技术通过结合长短期记忆网络和informer构建的光伏发电功率预测模型，解决了informer在短期光伏发电功率预测中的准确性较差的问题，满足实时调度、经济负荷调度、系统维护和长期规划等不同场景的应用。
本文档来自技高网...【技术保护点】
1.基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的子序列集合中的每一个子序列均作为一个特征加入数据样本集中。
3.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤三中，分别选取子序列集合A和子序列集合B中的第一子序列进行信号分解。
4.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤二中的信号处理方法分别为奇异谱分析和完全自适应噪声集合经验模态分解；所述的奇异谱分析方法如下：
5.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤三中，采用变分模态分解方法对第一子序列进行信号分解。
6.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤一中，气象数据包括柱云水含量、柱云冰含量、地面气压、相对湿度、总云量、经度方向的风、纬度方向的风
7.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤四中，光伏发电功率预测模型采用LSTM-Informer模型。
8.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤一中，在构建数据样本集前，分别对历史功率数据及气象数据进行异常值检测和数据填充，以填充后的数据构建数据样本集。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述存储器存储计算机程序；所述处理器执行如权利要求1-8中任意一项所述的基于多种模态分解的多时间尺度光伏发电功率预测方法。
10.一种可读存储介质，存储有计算机程序；其特征在于：所述计算机程序被处理器执行时用于实现如权利要求1-8中任意一项所述的基于多种模态分解的多时间尺度光伏发电功率预测方法。
...【技术特征摘要】
1.基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的子序列集合中的每一个子序列均作为一个特征加入数据样本集中。
3.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤三中，分别选取子序列集合a和子序列集合b中的第一子序列进行信号分解。
4.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤二中的信号处理方法分别为奇异谱分析和完全自适应噪声集合经验模态分解；所述的奇异谱分析方法如下：
5.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤三中，采用变分模态分解方法对第一子序列进行信号分解。
6.根据权利要求1所述的基于多种模态分解的多时间尺度光伏发电功率预测方法，其特征在于：所述的步骤一中，气象数据包括柱云水含量、柱云冰...
【专利技术属性】
技术研发人员：胡克用，傅哲毅，郎春元，王奔，孙水发，张宇，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：
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。