【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)屬于電力系統(tǒng)的光伏功率預(yù)測(cè)領(lǐng)域，特別涉及一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法和系統(tǒng)。
技術(shù)介紹
1、新能源產(chǎn)業(yè)的興起，對(duì)我國(guó)能源結(jié)構(gòu)起到優(yōu)化作用，光伏產(chǎn)業(yè)在分布式能源中得到廣泛應(yīng)用。然而，隨著以光伏為主的分布式能源大規(guī)模并入電網(wǎng)，由于其自身的隨機(jī)性、波動(dòng)性和間歇性，導(dǎo)致了電網(wǎng)自身穩(wěn)定存在著巨大的隱患。對(duì)于光伏功率的預(yù)測(cè)能提前科學(xué)決策，減少系統(tǒng)運(yùn)行成本。影響預(yù)測(cè)精度的因素一方面是光伏功率預(yù)測(cè)的特征數(shù)據(jù)集、另一方面是有效的預(yù)測(cè)模型。
2、影響光伏功率的因素包括大量的數(shù)據(jù)來(lái)源，如：光伏發(fā)電功率及發(fā)電量、光照強(qiáng)度、板溫、現(xiàn)場(chǎng)溫度、風(fēng)向和風(fēng)速等。這些數(shù)據(jù)具有高維特征和復(fù)雜關(guān)系，將導(dǎo)致直接計(jì)算復(fù)雜度高、存儲(chǔ)需求大以及過(guò)擬合的問(wèn)題。在面對(duì)光伏功率相關(guān)的高維特征集時(shí)，降維方法可以保留關(guān)鍵信息，減少噪聲和刪除冗余特征，從而提高預(yù)測(cè)結(jié)果的準(zhǔn)確性和效率。
3、現(xiàn)有技術(shù)中，對(duì)于利用降維特征集對(duì)光伏功率預(yù)測(cè)方法主要包括：
4、1、利用主成分分析(pca，principal?componentanalysis)對(duì)光伏功率的相關(guān)特征進(jìn)行數(shù)據(jù)降維，再利用降維后的數(shù)據(jù)進(jìn)行光伏功率預(yù)測(cè)。
5、該方法存在以下問(wèn)題：該方法將原始數(shù)據(jù)進(jìn)行矩陣變換，通過(guò)保留方差最大成分來(lái)進(jìn)行降維，但是，pca假設(shè)數(shù)據(jù)是線性相關(guān)的，這明顯不適用于大部分特征集合。
6、2、利用單一核函數(shù)，如高斯核函數(shù)等，對(duì)光伏功率的相關(guān)特征進(jìn)行數(shù)據(jù)降維，再利用降維后的數(shù)據(jù)直接通過(guò)多個(gè)全連接層進(jìn)行光伏功
7、該方法存在以下問(wèn)題：?jiǎn)我缓撕瘮?shù)難以考慮特征間的局部特征和全局特征，且僅用全連接層難以充分融合挖掘數(shù)據(jù)的價(jià)值。
技術(shù)實(shí)現(xiàn)思路
1、為了解決現(xiàn)有技術(shù)中存在的不足，本專(zhuān)利技術(shù)專(zhuān)利公開(kāi)了一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法和系統(tǒng)。以解決光伏功率高維特征數(shù)據(jù)集復(fù)雜度高、存儲(chǔ)需求大，特征融合不充分的技術(shù)問(wèn)題。
2、為解決上述技術(shù)問(wèn)題，本專(zhuān)利技術(shù)采用如下的技術(shù)方案。
3、本專(zhuān)利技術(shù)首先公開(kāi)了一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，包括以下步驟：
4、步驟1，將光伏功率高維特征集的所有特征量通過(guò)符號(hào)分析法進(jìn)行離散化得到符號(hào)序列，并進(jìn)行歸一化處理后分為訓(xùn)練集和測(cè)試集；
5、步驟2，將光伏功率特征數(shù)據(jù)符號(hào)序列之間的所有互信息值組成互信息矩陣，基于所述互信息矩陣，通過(guò)啟發(fā)式分組算法將所有變量進(jìn)行分組；
6、步驟3，根據(jù)高斯核函數(shù)和拉普拉斯核函數(shù)構(gòu)建混合核函數(shù)，采用mvo優(yōu)化算法確定所述混合核函數(shù)的最優(yōu)參數(shù)組合；
7、步驟4，將最優(yōu)參數(shù)組合代入所述混合核函數(shù)，通過(guò)所述混合核函數(shù)對(duì)分組后的變量進(jìn)行數(shù)據(jù)融合，得到數(shù)據(jù)降維后的特征。
8、步驟5，用于結(jié)合降維后的特征和利用多通道卷積網(wǎng)絡(luò)挖掘的光伏功率歷史數(shù)據(jù)特征，利用改進(jìn)的fpn網(wǎng)絡(luò)進(jìn)行深層特征挖掘和融合，得到光伏功率最終預(yù)測(cè)結(jié)果。
9、本專(zhuān)利技術(shù)進(jìn)一步包括以下優(yōu)選方案：
10、所述步驟1，進(jìn)一步包括：
11、步驟1.1，將光伏功率和其特征集進(jìn)行數(shù)據(jù)歸一化處理，通過(guò)正態(tài)累積分布函數(shù)ncdf，將時(shí)間序列x(n)＝{x1,x2,...,xn}映射到從0到1的分布空間，得到y(tǒng)(n)＝{y1,y2,...,yn}；
12、步驟1.2：將分布空間編碼為包含d個(gè)符號(hào)的符號(hào)時(shí)間序列：
13、
14、時(shí)間序列x(n)和y(n)進(jìn)行符號(hào)化后得到符號(hào)序列s1(m1)和s2(m2)；
15、步驟1.3，將光伏功率數(shù)據(jù)集按照4：1的比例分為訓(xùn)練集和測(cè)試集。
16、所述步驟2，進(jìn)一步包括：
17、步驟2.1：從符號(hào)序列s1(m1)和s2(m2)中得到互信息：
18、
19、n＝m1×m2
20、其中pij為聯(lián)合概率，即序列s1(m1)中第i個(gè)符號(hào)和s2(m2)中第j個(gè)符號(hào)組成的組合所出現(xiàn)的總次數(shù)kij所占整個(gè)序列組合n的比例，m1和m2分別表示序列s1(m1)和s2(m2)符號(hào)化的數(shù)量。
21、步驟2.2：得到輸入n個(gè)數(shù)據(jù)對(duì)象，表示為d維向量的集合；
22、步驟2.3：初始化分類(lèi)數(shù)量即最終降維數(shù)量k和最大迭代次數(shù)n；
23、步驟2.4：對(duì)于每對(duì)數(shù)據(jù)對(duì)象i和j，計(jì)算它們之間的互信息，并將結(jié)果存儲(chǔ)在互信息矩陣m中；
24、步驟2.5：對(duì)互信息矩陣m進(jìn)行歸一化操作，得到歸一化互信息矩陣nm；
25、步驟2.6：初始化空的分組列表c和空的未分組對(duì)象列表u；
26、步驟2.7：將所有數(shù)據(jù)對(duì)象添加到未分組對(duì)象列表u中；
27、步驟2.8：當(dāng)未分組對(duì)象列表u非空時(shí)執(zhí)行以下步驟：
28、從未分組對(duì)象列表u中選擇一個(gè)對(duì)象u作為種子對(duì)象；
29、從未分組對(duì)象列表u中刪除種子對(duì)象u，并將其添加到分組列表c中；
30、迭代執(zhí)行以下步驟2.81～2.83，直到?jīng)]有對(duì)象可以加入任何一個(gè)分組或者滿足最大迭代次數(shù)n：
31、步驟2.81：對(duì)于未分組對(duì)象列表u中的每個(gè)對(duì)象v，計(jì)算對(duì)象v與分組列表
32、c中所有對(duì)象的標(biāo)準(zhǔn)測(cè)度函數(shù)，即分組內(nèi)互信息的平均值，并將結(jié)果存儲(chǔ)在對(duì)象
33、v的互信息平均值mi(v)中；
34、步驟2.82：選擇具有最大互信息平均值mi(v)的對(duì)象v，并計(jì)算對(duì)象v與分組列表c中所有對(duì)象的互信息的平均值avgmi(v)；
35、步驟2.83：如果avgmi(v)大于閾值t，則將對(duì)象v添加到列表c中，并從未分組對(duì)象列表u中刪除對(duì)象v；
36、步驟2.9：如果列表c中的對(duì)象數(shù)量小于k，則增加k的值，并返回步驟2.9；
37、步驟2.10：輸出每個(gè)分組中的對(duì)象列表。
38、所述步驟3，進(jìn)一步包括：
39、步驟3.1：定義混合核函數(shù)：
40、
41、其中，是高斯核函數(shù)，是拉普拉斯核函數(shù)，α、σ1和σ2均為混合核函數(shù)中待確定的權(quán)重系數(shù)；
42、步驟3.2：將kpca降維后的向量看作是重構(gòu)向量，以重構(gòu)誤差作為kpca的性能度量，則定義mvo的目標(biāo)函數(shù)為：
43、
44、其中，x表示降維前的原始向量，xr表示重構(gòu)后的向量，n表示數(shù)據(jù)樣本數(shù)；通過(guò)最小化目標(biāo)函數(shù)，找到最優(yōu)的調(diào)節(jié)系數(shù)α，核函數(shù)超參數(shù)σ1和σ2，使得mkpca的重構(gòu)誤差最小化；
45、步驟3.3：對(duì)于調(diào)節(jié)系數(shù)α，取值范圍為[0，2]，初始解在此范圍內(nèi)隨機(jī)選擇，σ1和σ2的選擇范圍為[0.1，10]，每個(gè)宇宙代表一組混合核函數(shù)參數(shù)的初始值；
46、步驟3.4：根據(jù)每個(gè)宇宙的適應(yīng)度值，計(jì)算宇宙之間的引力大小；
47、步驟3.5：將計(jì)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟1，進(jìn)一步包括：
3.根據(jù)權(quán)利要求2所述的一種基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟2，進(jìn)一步包括：
4.根據(jù)權(quán)利要求3所述的一種基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟3，進(jìn)一步包括：
5.根據(jù)權(quán)利要求4所述的一種基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟4，進(jìn)一步包括：
6.根據(jù)權(quán)利要求5所述的一種基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟5，進(jìn)一步包括：
7.一種基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)，包括互信息獲取模塊、啟發(fā)式分組模塊、核函數(shù)構(gòu)建優(yōu)化模塊、
8.根據(jù)權(quán)利要求7所述的基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN的預(yù)測(cè)系統(tǒng)，其特征在于，所述互信息獲取模塊，進(jìn)一步用于：
9.根據(jù)權(quán)利要求8所述的基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)，其特征在于，所述啟發(fā)式分組模塊，進(jìn)一步用于：
10.根據(jù)權(quán)利要求9所述的基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)，其特征在于，所述核函數(shù)構(gòu)建優(yōu)化模塊，進(jìn)一步用于：
11.根據(jù)權(quán)利要求10所述的基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)，其特征在于，所述數(shù)據(jù)融合降維模塊，進(jìn)一步用于：
12.根據(jù)權(quán)利要求11所述的基于MVO優(yōu)化混合核PCA降維及FPN網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)，其特征在于，所述FPN網(wǎng)絡(luò)預(yù)測(cè)模塊，進(jìn)一步用于：
13.一種終端，包括處理器及存儲(chǔ)介質(zhì)；其特征在于：
14.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-6任一項(xiàng)所述的一種基于MVO優(yōu)化混合核PCA降維及改進(jìn)的FPN網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法的步驟。
...【技術(shù)特征摘要】
1.一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟1，進(jìn)一步包括：
3.根據(jù)權(quán)利要求2所述的一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟2，進(jìn)一步包括：
4.根據(jù)權(quán)利要求3所述的一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟3，進(jìn)一步包括：
5.根據(jù)權(quán)利要求4所述的一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟4，進(jìn)一步包括：
6.根據(jù)權(quán)利要求5所述的一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的光伏功率短期預(yù)測(cè)方法，其特征在于，所述步驟5，進(jìn)一步包括：
7.一種基于mvo優(yōu)化混合核pca降維及改進(jìn)的fpn網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)，包括互信息獲取模塊、啟發(fā)式分組模塊、核函數(shù)構(gòu)建優(yōu)化模塊、數(shù)據(jù)融合降維模塊和fpn網(wǎng)...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：劉大鵬，姜安琦，劉勇，羅嘉賓，李華，穆勇，胡皓，李高晨，王濤，李振成，杜鵬，趙丹陽(yáng)，王麗麗，董彪，盧澤鈺，張淑清，
申請(qǐng)(專(zhuān)利權(quán))人：國(guó)網(wǎng)冀北電力有限公司唐山供電公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。