本發(fā)明涉及光伏功率預測、數(shù)據(jù)處理，具體涉及一種考慮光伏功率聚類的功率預測方法。

背景技術(shù)：

1、隨著碳達峰、碳中和需求的增加，光伏發(fā)電作為一種環(huán)保的清潔能源日益受到重視，光伏裝機容量也在高速增長。但是由于光伏發(fā)電具有隨機性、波動性和間歇性等特點，給電網(wǎng)的供需平衡帶來了挑戰(zhàn)，同時也加劇了實時調(diào)控的難度。因此，我們需要通過準確的光伏發(fā)電功率預測來協(xié)助調(diào)度部門安排合理的調(diào)度計劃，以增加電網(wǎng)的消納能力。光伏功率預測的主要目的是根據(jù)天氣條件、光照強度、溫度、風速等因素預測光伏組件的輸出功率，這有助于電力系統(tǒng)運營商、用戶和電力市場參與者更好地規(guī)劃和管理電力網(wǎng)絡。準確的光伏功率預測可以提高供電可靠性、降低功率波動率、提高電網(wǎng)穩(wěn)定性，同時還可以減少對傳統(tǒng)能源的依賴，促進可持續(xù)發(fā)展。

2、在光伏功率預測中，還需要考慮到氣象條件、地理條件、季節(jié)性、晝夜變化等因素。同時，隨著光伏組件技術(shù)的不斷發(fā)展，新型材料的應用、表面材質(zhì)和結(jié)構(gòu)改進也會影響光伏功率預測的準確性。因此，需要結(jié)合多種因素進行綜合分析預測，才能得到更加準確的預測結(jié)果。

3、目前，光伏功率預測主要采用基于機器學習、神經(jīng)網(wǎng)絡和回歸分析等方法進行預測。其中，基于機器學習的方法將歷史數(shù)據(jù)和實時數(shù)據(jù)輸入到機器學習算法中進行訓練，然后通過該模型預測未來的光伏功率。神經(jīng)網(wǎng)絡方法則模仿人腦神經(jīng)元的結(jié)構(gòu)和工作方式，通過多層神經(jīng)元處理輸入數(shù)據(jù)，輸出預測結(jié)果?；貧w分析則是通過統(tǒng)計學方式分析歷史數(shù)據(jù)中的趨勢和規(guī)律，來預測光伏功率變化。光伏功率的變化往往具有非線性特性，傳統(tǒng)的線性回歸模型可能無法準確捕捉到復雜的關系，機器學習和神經(jīng)網(wǎng)絡等方法有時候傾向于過度擬合訓練數(shù)據(jù)，導致在未見過的數(shù)據(jù)上表現(xiàn)不佳。而光伏功率聚類的預測方式可以通過將數(shù)據(jù)劃分為不同的簇或群組，從而在每個聚類中建立更適合特定模式的預測模型。這樣可以更好地處理非線性關系，提高預測精度。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種考慮光伏功率聚類的功率預測方法，采用時間卷積網(wǎng)絡和時序基礎模型timesnet對光伏數(shù)據(jù)進行高低功率分別預測，在實際應用中更符合電力系統(tǒng)的需求，有助于提高光伏功率預測的準確度和實用性，同時也可以促進清潔能源消納比例的提高和電力系統(tǒng)負荷平衡的穩(wěn)定。

2、技術(shù)方案：本發(fā)明提出一種考慮光伏功率聚類的功率預測方法，包括以下步驟：

3、步驟1：采集光伏電站的歷史數(shù)據(jù)后，對其進行數(shù)據(jù)預處理；

4、步驟2：運用stl時間序列分解法對經(jīng)過數(shù)據(jù)預處理的光伏功率序列進行分解，得到長期趨勢、季節(jié)性和隨機成分三個部分。根據(jù)stl分解結(jié)果，提取出光伏功率數(shù)據(jù)的長期趨勢和季節(jié)特征及計算殘差，對隨機成分做去噪處理。在歸一化之后，對其進行進一步分析和建模；

5、步驟3：使用dbscan算法對歸一化處理后的光伏功率數(shù)據(jù)進行聚類，將歸一化后的長期趨勢和季節(jié)性兩個部分作為特征向量進行聚類后的結(jié)果分為低功率和高功率兩簇，分別建立基于時間卷積網(wǎng)絡的光伏功率預測模型對低功率簇進行訓練和建立timesnet光伏功率預測模型對高功率簇進行訓練；

6、步驟4：對蜜獾算法hba進行改進，采用chebyshev混沌映射對蜜獾算法的種群進行初始化處理，提高種群均衡性；在挖掘階段引進高斯變異策略和透鏡成像反向?qū)W習策略，提高收斂精度，擴大搜索范圍，得到mhba算法；

7、步驟5：利用mhba算法對步驟3中的tcn光伏功率預測模型的超參數(shù)進行優(yōu)化，獲得最優(yōu)參數(shù)，利用優(yōu)化后的tcn光伏功率預測模型對低功率數(shù)據(jù)進行預測，得到預測結(jié)果；

8、步驟6：利用mhba算法對步驟3中的timesnet光伏功率預測模型的超參數(shù)進行優(yōu)化，獲得最優(yōu)參數(shù)，利用優(yōu)化后的timesnet光伏功率預測模型對高功率數(shù)據(jù)進行預測，得到預測結(jié)果。

9、進一步地，所述步驟1對光伏電站歷史數(shù)據(jù)進行數(shù)據(jù)預處理，包括如下步驟：

10、步驟1.1：收集光伏電站在歷史訓練周期內(nèi)的數(shù)據(jù)，包括地面溫度、濕度、風速、地面輻照度及其對應的輸出功率；

11、步驟1.2：對收集的歷史數(shù)據(jù)進行清洗，判斷其是否存在異常值或者數(shù)據(jù)缺失，并對異常值進行數(shù)據(jù)剔除，對缺失數(shù)據(jù)進行插值補充；

12、步驟1.3：對清洗后的數(shù)據(jù)進行特征歸一化處理，采用的計算公式為：

13、

14、其中，ynorm為歸一化后的特征值，ymin為最小特征值，ymax為最大特征值，y為數(shù)據(jù)的原特征值。

15、進一步地，所述步驟2中運用stl時間序列分解法對光伏功率序列進行信號處理，包括如下步驟：

16、步驟2.1：將經(jīng)過預處理的光伏功率序列通過stl進行分解，得到長期趨勢、季節(jié)性和隨機成分三個部分。其中，長期趨勢反映了光伏電站隨時間變化的總體趨勢，季節(jié)性反映了功率數(shù)據(jù)隨時間周期性的變化，隨機成分則是殘差項，包含了模型無法捕捉的隨機噪聲。其分解公式為：

17、yt＝tt+st+rt????????(2)

18、其中，yt為t時刻的功率數(shù)據(jù)，tt、st、rt分別為t時刻的趨勢分量、周期分量和殘差分量。

19、步驟2.2：進行內(nèi)循環(huán)過程，用于更新光伏功率序列的趨勢分量和周期分量。假設tv(k)、sv(k)為內(nèi)循環(huán)中第k次迭代后的趨勢分量和周期分量，進行第k+1次內(nèi)循環(huán)的迭代。

20、步驟2.3：進行外循環(huán)過程，用于計算下一輪內(nèi)循環(huán)所需的穩(wěn)健權(quán)重。假設經(jīng)過一次內(nèi)循環(huán)后得到的趨勢分量和周期分量為tv、sv。殘差分量的計算公式為：

21、rv＝y(tǒng)v-tv-sv????????(3)

22、步驟2.4：對每一個時間點引入穩(wěn)健權(quán)重ρv，其大小可以反映殘差分量的極端情況，計算公式如下：

23、h＝6*median(|rv|)???????(4)

24、

25、ρv＝b(rv|/h)????????(6)

26、其中，h為余項，median()為中位數(shù)函數(shù)，b(u)為雙平方權(quán)重函數(shù)，u為調(diào)整局部加權(quán)回歸窗口的寬度的關鍵參數(shù)，ρv為時間點v對應的穩(wěn)健權(quán)重；

27、步驟2.5：在stl內(nèi)外循環(huán)的遞歸過程結(jié)束后得出stl分解結(jié)果，提取出光伏功率數(shù)據(jù)的長期趨勢和季節(jié)特征及計算殘差，對隨機成分做去噪處理，即去殘差后進行歸一化處理，使得它們在同一尺度下，便于后續(xù)的聚類操作。

28、進一步地，所述步驟2.2中進行第k+1次內(nèi)循環(huán)迭代的具體過程如下：

29、步驟2.2.1：去趨勢。計算出去趨勢的序列yv-tv(k)。

30、步驟2.2.2：對步驟2.2.1中序列的周期子系列進行l(wèi)oess平滑處理，得到平滑結(jié)果組成臨時周期序列cv(k+1)。

31、步驟2.2.3：臨時周期序列cv(k+1)經(jīng)過低通量過濾過程，即經(jīng)過三個滑動平均過程和一個loess過程，得到結(jié)果序列l(wèi)v(k+1)。

32、步驟2.2.4：計算周期分量。第k+1次迭代的周期分量計算表達式為：

33、sv(k+1)＝cv(k+1)-lv(k+1)???????(7)

34、步驟2.2.5：去除周期分量。去除周期分量的表達式為yv-sv(k+1)。

35、步驟2.2.6：計算趨勢分量。對于去除周期分量之后的光伏功率序列進行l(wèi)oess平滑處理，得到第k+1次迭代之后的趨勢分量tv(k+1)。

36、進一步地，所述步驟3中依據(jù)dbscan聚類為高、低功率兩簇建立tcn-timesnet光伏功率預測模型，包括如下步驟：

37、步驟3.1：根據(jù)步驟2處理好的光伏功率數(shù)據(jù)集d，采用dbscan算法對其進行高、低功率聚類，首先，設定e鄰域和鄰域密度閾值mps，定義式如下：

38、ne(p)＝{q∈d|d1(p,q)≤e}?????(8)

39、|ne(p)|≥mps???????(9)

40、其中，d為數(shù)據(jù)集，d1(p,q)為對象p與對象q之間的距離，ne(p)包含了數(shù)據(jù)集d中與對象p距離不大于e的所有對象，|ne(p)|為對象p的e鄰域?qū)ο髠€數(shù)。

41、步驟3.2：對簇的個數(shù)c進行定義，當c＝1時，為高功率聚類簇；當c＝2時，為低功率聚類簇。

42、步驟3.3：若對象p不屬于任何簇，則成對象p為噪聲點，即：

43、

44、其中，n為噪聲點集合，ci為數(shù)據(jù)集d中簇。

45、步驟3.4：任意訪問1個未讀取過的對象點，根據(jù)e和mps判斷其是否為核心對象，如果不是，則為邊界點或噪聲點；如果是核心對象，則找到這個對象能夠密度可達的所有樣本集合，即為1個聚類簇。訪問其他未被讀取過的核心對象，尋找密度可達的樣本集合，此時得到另一個簇，運行至所有核心對象均被訪問過為止。

46、步驟3.5：dbcsan算法將光伏功率數(shù)據(jù)聚類為高功率和低功率兩個簇后，對兩個數(shù)據(jù)集都按照6：2：2的比例劃分為訓練集、驗證集和測試集；

47、步驟3.6：將低功率訓練集數(shù)據(jù)送入tcn模型進行初始化和更新學習，學習完成后將低功率驗證集數(shù)據(jù)送入tcn模型進行訓練，建立tcn光伏低功率預測模型。利用測試集對tcn模型的性能進行驗證，獲得最終預測結(jié)果。

48、步驟3.7：將高功率訓練集數(shù)據(jù)送入timesnet模型進行初始化和更新學習，學習完成后將高功率驗證集數(shù)據(jù)送入timesnet模型進行訓練，建立timesnet光伏低功率預測模型。利用測試集對timesnet模型的性能進行驗證，獲得最終預測結(jié)果。

49、進一步地，所述步驟4中對蜜獾算法hba進行改進的mhba算法具體步驟如下：

50、步驟4.1：設置mhba算法的種群數(shù)量和最大迭代次數(shù)，以及搜索空間的上限、下限；

51、步驟4.2：采用chebyshev混沌映射初始化蜜獾種群，定義式如下：

52、pi+1＝cos(icos-1(pi))???????????????????(11)

53、其中，p為區(qū)間[-1，1]的隨機數(shù)，i為階次。chebyshev映射初始化蜜獾種群的步驟如下：

54、初始化蜜獾種群n，在d維空間中初始化第一個個體的空間位置，

55、z1＝{z1,z2,…,zi,…,zd},zi∈[-1,1],i∈[1,d]??????????(12)

56、采用式(11)對個體x的每一維進行逐代更新，直至生成剩余的n-1個蜜獾個體；結(jié)合上述混沌序列，進一步映射成搜索空間內(nèi)的蜜獾個體初始位置：

57、xid＝lb+(1+zid)*(ub-lb)/2???(13)

58、其中，ub和lb為搜索空間的上界和下界，為在搜索空間中第i個蜜獾第d維，xid為在搜索空間中第i個蜜獾第d維坐標值；

59、步驟4.3：在挖掘階段，蜜獾執(zhí)行類似于心臟形狀的動作，模擬等式如下所示：

60、

61、其中，xnew表示蜜獾更新的位置，xprey表示獵物更新的位置，獵物指的是迄今為止更新的最佳位置。f是搜索方向，用于提供掃描空間，其表達公式如(15)所示，β≥1(默認是6)是蜜獾的捕食能力，r3，r4，r5，r6是0到1之間的隨機數(shù)，di是獵物與第i只蜜獾之間的距離；

62、

63、步驟4.4：在采蜜階段，蜜獾通過導蜜鳥找到蜂巢，這一行為可以通過式(16)進行模擬：

64、xnew＝xprey+fr7αdi???(16)

65、其中，r7是0到1之間的隨機數(shù)。

66、步驟4.5：引入高斯變異策略，對式(14)和式(16)的蜜獾位置迭代給予相應的高斯變異算子，如式(17)所示：

67、

68、其中，xnew(t+1)為下一代迭代蜜獾的位置，α為衰減因子，n(0,1)為標準高斯分布。

69、步驟4.6：在蜜獾算法的挖掘階段和采蜜階段之后加入透鏡成像反向?qū)W習策略，在二維坐標中，以當前坐標為基準生成一個反向位置來擴大搜索范圍，其反向?qū)W習公式如下：

70、

71、其中，xj為個體在第j維的位置，為xj的反向解。aj和bj分別為搜索空間中第j維的最大邊界和最小邊界，假設一個物體p在二維坐標中x軸上的投影高度是h，通過透鏡成像原理可得另一側(cè)投影高度h*，式(19)中k＝h/h*。

72、進一步地，利用mhba算法對步驟3中的tcn光伏低功率預測模型的超參數(shù)進行優(yōu)化，獲得最優(yōu)參數(shù)，利用優(yōu)化后的tcn光伏低功率預測模型對低功率數(shù)據(jù)進行預測，包括如下步驟：

73、步驟5.1：初始化hba算法的相關參數(shù)，包括蜜獾種群數(shù)量、個體位置、維度、最大迭代次數(shù)、搜索空間的上界和下界；

74、步驟5.2：計算經(jīng)過tcn模型訓練的預測值yci和樣本實際值ysi間的均方根誤差，將其作為hba算法中每個個體的適應度值fit：

75、

76、步驟5.3：根據(jù)挖掘模式策略和采蜜模式策略，計算出每個個體的位置，利用公式(20)算出每個個體的適應度值，并對其進行排序。

77、步驟5.4：在采蜜階段利用高斯變異策略，根據(jù)公式(17)重新更新蜜獾個體位置，在挖掘階段和采蜜階段之后采用公式(19)擴大搜索范圍，得到反向解，并利用公式(20)計算個體適應度值，將其與步驟5.3得到的個體適應度值進行比較，得到最優(yōu)適應度值對應的最優(yōu)位置。

78、步驟5.5：判斷是否達到最大迭代次數(shù)，若達到，則輸出最優(yōu)解，并從中提取出tcn模型的超參數(shù)，否則返回步驟5.3；將低功率測試集數(shù)據(jù)輸入到優(yōu)化后的tcn模型中進行預測，得到最終的光伏低功率預測結(jié)果。

79、進一步地，利用mhba算法對步驟3中的timesnet光伏高功率預測模型的超參數(shù)進行優(yōu)化，獲得最優(yōu)參數(shù)，利用優(yōu)化后的timesnet光伏高功率預測模型對高功率數(shù)據(jù)進行預測，包括如下步驟：

80、步驟6.1：初始化hba算法的相關參數(shù)，包括蜜獾種群數(shù)量、個體位置、維度、最大迭代次數(shù)、搜索空間的上界和下界；

81、步驟6.2：利用公式(20)計算經(jīng)過timesnet模型訓練的預測值yci和樣本實際值ysi間的均方根誤差，將其作為hba算法中每個個體的適應度值fit。

82、步驟6.3：根據(jù)挖掘模式策略和采蜜模式策略，計算出每個個體的位置，利用公式(20)算出每個個體的適應度值，并對其進行排序。

83、步驟6.4：在采蜜階段利用高斯變異策略，根據(jù)公式(17)重新更新蜜獾個體位置，在挖掘階段和采蜜階段之后采用公式(19)擴大搜索范圍，得到反向解，并利用公式(20)計算個體適應度值，將其與步驟6.3得到的個體適應度值進行比較，得到最優(yōu)適應度值對應的最優(yōu)位置。

84、步驟6.5：判斷是否達到最大迭代次數(shù)，若達到，則輸出最優(yōu)解，并從中提取出timesnet模型的超參數(shù)，否則返回步驟6.3；將高功率測試集數(shù)據(jù)輸入到優(yōu)化后的timesnet模型中進行預測，得到最終的光伏高功率預測結(jié)果。

85、有益效果：

86、(1)本發(fā)明收集光伏電站在歷史訓練周期內(nèi)的數(shù)據(jù)，包括地面溫度、濕度、風速、地面輻照度及其對應的輸出功率，進行數(shù)據(jù)預處理后，采用stl時間序列分解法對光伏功率序列進行信號處理，將光伏功率序列中的趨勢性和季節(jié)性因素分離出來，可以更加準確地反映出光伏數(shù)據(jù)的變化規(guī)律，為后續(xù)的分析和預測提供幫助。并且其采用的局部平滑算法，可以在降低噪聲的同時保持數(shù)據(jù)的穩(wěn)定性和魯棒性。

87、(2)本發(fā)明采用dbscan聚類算法對經(jīng)過stl信號處理后的光伏功率數(shù)據(jù)進行聚類，在將數(shù)據(jù)的維度和規(guī)模降低的同時，使得聚類算法的時間復雜度和空間復雜度得到一定的降低，從而提高了聚類效率。光伏功率數(shù)據(jù)存在著很強的波動性和隨機性，容易受到外部環(huán)境因素影響，因此在光伏系統(tǒng)運行時，總會出現(xiàn)一些異常點和噪聲。而通過使用dbscan聚類算法，可以有效地對這些異常點和噪聲進行發(fā)現(xiàn)和剔除，提高數(shù)據(jù)的準確性，并且可以根據(jù)不同聚類簇的特征，建立不同的預測模型。

88、(3)本發(fā)明基于時間卷積網(wǎng)絡和時序基礎模型timesnet針對高、低功率聚類簇的光伏數(shù)據(jù)建立預測模型。針對光伏功率數(shù)據(jù)存在著不同的時間尺度上的變化的問題，通過將tcn和timesnet結(jié)合使用，有效地識別出各種類型的特征，從而提高預測模型準確性。其中使用tcn來預測低功率的光伏功率數(shù)據(jù)，具有有效捕捉序列中的長期依賴關系、高度的并行性和計算效率、處理不同長度的序列以及自適應學習序列特征等優(yōu)勢。而時序基礎模型timesnet通過模塊化結(jié)構(gòu)將復雜時序變化分解至不同周期，將原始一維時間序列轉(zhuǎn)化至二維空間實現(xiàn)周期內(nèi)與周期間變化的統(tǒng)一建模，在底層進行對齊后隨著深度模型層數(shù)的加深，不斷更新預測結(jié)果，捕捉過去和未來時序變化的關聯(lián)，在處理高功率聚類簇的光伏數(shù)據(jù)時更加高效，能有效提高預測模型精度和可靠性，為光伏系統(tǒng)的運維管理帶來更多的價值。

89、(4)本發(fā)明針對蜜獾算法在尋優(yōu)過程中，存在易陷入局部最優(yōu)，搜索能力不足等問題，采用chebyshev混沌映射對蜜獾種群進行初始化，提高種群均衡性，在挖掘階段引進高斯變異策略和透鏡成像反向?qū)W習策略，提高收斂精度，擴大搜索范圍，得到mhba。同時用mhba優(yōu)化時間卷積網(wǎng)絡和timesnet，得到最優(yōu)超參數(shù)組合，能夠有效提高光伏功率預測模型的準確性和有效性。