一种考虑微气象因素的分布式光伏出力预测方法与流程

1.本发明属于光伏发电技术领域，具体涉及一种考虑微气象因素的分布式光伏出力预测方法。


背景技术：

2.近年来，分布式光伏发电在节能减排、布置灵活等方面具有很大优势，但其间歇性及波动性对配电网的影响已不容忽视。大量间歇式光伏发电并网会造成配电网电能质量差等问题，将影响整个配电网的供电安全可靠性，而对其有效调控的前提是实现对分布式光伏出力的预测。
3.目前，对于光伏出力预测主要有物理类方法、统计类方法以及上述方法的组合方法等三类。
4.物理方法是根据光伏组件所在的详细地理位置和光电转换效率等因素建立物理模型，依据光伏系统的发电原理直接将气象数据作为输入进行预测。其有效性取决于对研究对象内在结构及其遵循规律的把握程度和模型参数的精度，涉及环节多、过程复杂、参数求解困难。
5.统计类方法是建立在利用某种统计方法对历史光伏出力数据进行分析，寻找数据中的内在规律并用于预测，其主要包括时间序列法、回归分析法、灰色预测法以及元启发式系列方法等。
6.其中，发展前景较好的元启发式方法的本质是对生物的作息规律进行模拟，采用某种算法对样本数据进行训练而得到预测条件与待预测量之间的关系。元启发式方法主要包括神经网络、支持向量机、遗传算法、模糊系统等。这其中的神经网络法具有很强的非线性拟合能力，可以映射任意复杂的非线性关系，这与光伏发电系统的特点十分相似，所以很适合对光伏电站出力短期预测。但是单一的神经网络无法适应多变天气类型，泛预测效果不佳，尤其是传统的bp神经网络训练采用梯度下降法，容易陷入局部最小值，收敛速度慢的问题中。而其中的模糊系统对光伏出力进行预测时，模糊推理规则的建立需要大量的历史数据和充足的专家经验。
7.组合方法利用不同模型提供的信息并发挥各自优势，选择合适的方式进行组合，以期提高预测效果。但较前两种方法而言，组合方法建模要比单一方法复杂，实现过程较为困难。
8.综上可见，目前现有分布式光伏电站预测方法，主要存在以下问题：
9.1、建模过程复杂；
10.2、影响因素繁多，且互相存在耦合；
11.3、需要大量的历史样本数据；
12.4、抗干扰能力差；
13.5、预测精度较低；
14.研究以上几种方法存在的各种问题时发现其共性：在对光伏出力进行预测时，以
上方法都是利用历史数据处理后建模预测，未考虑数据分解后的子序列所反映的光伏出力特性，也就无法挖掘出光伏出力的一些隐含信息和内在规律，所以要想达到较好的预测效果较难实现。


技术实现要素：

15.本发明的目的在于提供一种考虑微气象因素的分布式光伏出力预测方法，以解决上述背景技术中的问题。
16.为了解决以上问题，本发明技术方案为：
17.一种考虑微气象因素的分布式光伏出力预测方法，该方法为以下步骤：
18.步骤a、建立ssa模型；
19.通过ssa的分解可以得到趋势序列、振荡序列及噪声序列预测值，分别建立趋势/振荡序列预测模型，得到趋势/振荡序列的预测值之后，按照式(1)进行叠加，即可得到光伏出力趋势/振荡序列的预测值；
20.p＝p
low
+p
high
ꢀꢀꢀ
(1)
21.式(1)中，p
low
、p
high
分别为趋势序列、振荡序列预测值；
22.p代表光伏出力趋势/振荡序列的预测值；
23.步骤b、考虑微气象的相似日选取过程，这一选取过程包括以下环节；
24.环节(1)、基于微气象信息的相似日求取：
25.采用灰色关联度理论，基于预测类型和微气象信息进行相似日的求取；
26.环节(2)、对光伏出力时间序列和不同微气象因素进行关联分析：
27.采用关联分析法，根据关联程度最高的曲线确定影响光伏出力的主要微气象因素，具体是确定温度、辐照、风速、降雨量这4种不同的主要微气象因素；
28.环节(3)、确定微气象灵敏度：
29.分析环节(2)中确定的主要微气象因素对光伏出力变化的灵敏度，并将单位长度的微气象因素值区间所对应的灵敏度确定为微气象灵敏度；
30.步骤c、奇异谱分析
‑
模糊信息粒化，这一过程包括以下环节；
31.环节(1)、奇异谱分析：
32.ssa主要分为嵌入、奇异值分解、分组和对角平均这4个步骤，用于识别和提取数据的主成分；
33.环节(2)、模糊信息粒化：
34.选用基于模糊集的信息粒化方法，模糊信息粒化由二个模块组成：窗口划分和信息的模糊化；
35.步骤d、基于优化极限学习机的预测模型建立，这一过程可采取如下方式实现：
36.(1)、极限学习机；
37.极限学习机是一种单一的隐层前馈神经网络，其隐层的偏差和输出权重不需要调整，随机设定输入权重和隐层偏差后，输出权重能简单计算得到，通过应用隐层输出矩阵的广义逆运算；
38.(2)、改进布谷鸟算法优化极限学习机；
39.为了降低环节(1)中elm参数选择的随机性，提高预测精度，使用ics优化elm模型
的输入层和隐含层之间的权值和隐层偏置。
40.进一步的，所述步骤b中振荡序列的修正过程分为以下环节：
41.环节(1)、基于微气象信息的相似日求取：
42.根据相似日理论，选取振荡序列的参照日和基准值，以距离待预测日最近且天气类型相似的历史日作为振荡序列参照日，并以参照日的光伏出力振荡序列作为待预测日振荡序列的基准值；
43.环节(2)、对光伏出力时间序列和不同微气象因素进行关联分析：
44.根据关联程度最高的曲线特性，确定的主要微气象因素为温度和辐照；
45.以温度和辐照与光伏出力之间的关联系数α1和α2分别作为主要微气象因素影响光伏出力变化的权重系数；
46.环节(3)、确定微气象灵敏度，并对振荡序列p
high
进行修正：
47.根据微气象因素对光伏出力变化的灵敏度、待预测日与参照日的温差和辐照差，按照式(4)对光伏出力振荡序列p
high
进行修正：
48.p
high
＝p’high
+α1δp1+α2δp2ꢀꢀꢀ
(4)
49.式(4)中，p
high
、p’high
、为待预测日的光伏出力振荡序列、参照日的光伏出力振荡序列；
50.δp1和δp2为因温度变化引起的光伏出力振荡序列变化量以及因辐照变化引起的光伏出力振荡序列变化量；
51.α1和α2分别为温度和辐照影响光伏出力振荡序列变化的权重系数；
52.光伏出力的趋势序列p
low
的修正方式与上述p
high
的修正方式相同。
53.进一步的，所述环节(3)中描述的式(4)中，修正的量包括δp1和δp2的取值参照以下法则：
54.(1)、δp1的取值法则如下：
55.a.当待预测日温度与参照日温度处于同一温度区间(设定的温度区间范围内)时：
56.δp1＝s
t
(t
‑
t’)
ꢀꢀꢀ
(5)
57.b.当待预测日温度与参照日温度处于2个不同的温度区间时，如以2个相邻区间为例，则:
[0058][0059]
在式(5)和式(6)中：
[0060]
t和t’分别为待预测日温度与参照日温度值；
[0061]
s
t
和s’t
分别为待预测日温度与参照日温度各自所在区间对应的灵敏度；
[0062]
为2个区间公共端点的温度值；
[0063]
(2)、δp2的取值如下：
[0064]
a.当待预测日辐照与参照日辐照处于同一辐照区间(设定的幅照区间范围内)时：
[0065]
δp2＝s
l
(l
‑
l
′
)
ꢀꢀꢀ
(7)
[0066]
b.当待预测日辐照与参照日辐照处于2个不同的辐照区间时，如以2个相邻区间为例，则：
[0067]
[0068]
在式(7)和式(8)中：
[0069]
l和l
′
分别为待预测日辐照与参照日辐照值；
[0070]
s
l
和s
′
l
分别为待预测日辐照与参照日辐照各自所在区间对应的灵敏度；
[0071]
为2个区间公共端点的辐照值。
[0072]
进一步的，所述步骤b的环节(1)中所述灰色关联度理论的关联分析是将各曲线之间几何形状的差别用数值准确表达；
[0073]
对于一个光伏序列x0，通常有n个与之相关的比较数列x
i
,i＝1,2,
…
,n,这些序列可以是影响预测的各种因素，则：
[0074][0075]
式(2)中，ξ
i
(k)为序列x0与x
i
在k点的灰色关联系数；
[0076]
为2级最小差；
[0077]
为2级最大差；
[0078]
ρ为分辨下属，一般取0.5；
[0079]
综合各点的相关系数，得到所有曲线x0和x
i
的关联度，r
i
为n个关联系数的平均值，表示曲线x
i
对参考曲线x0的关联程度，其公式为：
[0080][0081]
根据式(2)，计算一段时间时期内光伏出力与各个微气象因素曲线的关联度，分析得出光伏出力曲线与其他对比曲线的关联程度，将要素排序，采用关联程度最高的曲线作为影响光伏出力大小的主要微气象因素；
[0082]
然后，进入步骤b的环节(2)。
[0083]
进一步的，所述步骤c的环节(1)中所述ssa用于将一维时间序列y＝(y1,y2,
…
,y
n
)根据给定的嵌套空间维数分解为l(窗口长度)维向量：x
i
＝(y
i
,y
i+1
,
…
,y
i+l
‑1)；
[0084]
其中l维向量包括趋势、振荡和噪声；
[0085]
由k个向量x
i
(i＝1,2,
…
,k＝n
‑
l+1)组成的轨迹矩阵可以表示如下：
[0086][0087]
考虑到协方差s＝xx
t
，其特征值为λ(λ1,λ2,
…
,λ
l
)，以及对应特征值的特征向量u1,u2,
…
,u
l
；对x进行奇异值分解可表示为：
[0088]
x＝e1+e2+
…
+e
i
ꢀꢀꢀ
(10)
[0089]
式(10)中：是基本矩阵；
[0090]
矢量v1,v2,
…
,v
d
是主成分；
[0091]
集合是x进行奇异值分解后的第i个特征三元组；
[0092]
假设z是一个l
×
k大小的矩阵，矩阵里的数为z
ij
，其中1≤i≤l,1≤j≤k，设l
*
＝min(l,k),k
*
＝max(l,k)，n＝k+l
‑
1,若l＜k，令否则则重构时间序列z＝{z1,z2,
…
,z
n
}如下：
[0093][0094]
原始序列y0可分解成ssa的2个序列的总和y0＝y1+y2，最后选择较大奇异值的重构成分相加，滤掉振荡率y2噪声部分，所得到的y0近似等于y1。
[0095]
进一步的，所述步骤c的环节(2)中所述模糊信息粒化根据pedrycz方法，考虑到单窗口问题，将给定的光伏序列x当成一个窗口来进行模糊化处理；
[0096]
模糊化是以在x上建立模糊粒子p为目的，且p能描述模糊概念g，因此，模糊化的本质就是确定模糊概念g的隶属函数，即a＝μg，故模糊粒子p能代替模糊概念g，所以p＝a(x)；
[0097]
其中采用最多的是三角型，其隶属函数表达式如下：
[0098][0099]
式中：x为时域变量；a、m、b为函数的3个参数，分别对应于每个窗口数据模糊粒化后的最小值、平均值、最大值；
[0100]
以上就能通过ssa
‑
fig模型获得的各序列采用elm建立预测模型。
[0101]
进一步的，所述步骤d中，极限学习机的方式具体如下：
[0102]
假设一组以n为样本的数，如(xi,yi)，其中i＝1,2,
…
,n,x
i
＝[x
i1
,x
i2
,
…
,x
in
]∈r
n
和y
i
＝[y
i1
,y
i2
,
…
,y
im
]∈r
m
；
[0103]
具有l个隐层神经元的elm输出可以表示如下式(13)，所有模型中elm隐含层节点个数设为6个，隐含层函数为sigmoid：
[0104][0105]
式(13)中：a
i
＝[a
i1
,a
i2
,
…
,a
in
]
t
表示输入权重；
[0106]
β
i
＝[β
i1
,β
i2
,
…
,β
im
]
t
是输出权重；
[0107]
b
i
是偏差；g是激活函数；
[0108]
式(13)可以简化为：
[0109]
hβ＝t
ꢀꢀꢀ
(14)
[0110][0111][0112]
h是elm算法隐层输出矩阵，elm的系数b可以通过求解下式线性方程的最小二乘解得到：
[0113][0114]
其特解可以表示如下：
[0115][0116]
式中h
+
是隐层输出矩阵h的摩尔
‑
彭罗斯(moorepenrose)广义逆。
[0117]
进一步的，所述步骤d中所述ics算法适应度函数如下：
[0118][0119]
式(19)中：p
t
表示实际值；
[0120]
表示预测值；
[0121]
n表示训练样本数；
[0122]
具有最小适应值的个体即为全局最优值，用于转换为elm的参数。
[0123]
进一步的，所述步骤d中所述ics优化elm具体步骤如下：
[0124]
步骤(1)：根据初步筛选的噪声序列，确定elm的输入和输出；
[0125]
步骤(2)：初始化ics的种群和参数，包括最大迭代次数t
max gen
、鸟巢数n、以及鸟蛋被发现概率p，设置t
max gen
＝200，n＝25，p为0.25时为最优参数；
[0126]
根据所规定的范围，随机产生n个鸟巢每个鸟巢是一组将要优化训练的elm的参数；
[0127]
根据式(13)计算每个鸟巢的适应值，获取当前最优鸟巢的位置，记为x
best
；
[0128]
步骤(3)：保留上一代最优鸟巢位置x
best
，按照l
é
vy飞行模式更新种群同时计算更新后鸟巢的适应值，并与上一代适应值进行比较，若更优则更新位置；
[0129]
步骤(4)：随机产生一个数r∈(0,1)，若r＞p，以随机步长更新种群位置，若r＜p，进入交叉机制，根据式(13)更新种群，判断最优鸟巢x
best
的适应值是否优于上一代，如果更优则保留最优鸟巢位置，并得到更新后所有鸟巢位置步骤(5)：判断终止条件是否满足；若当前迭代次数大于t
maxgen
，则算法终止；否则转步骤(3)进行新一轮
迭代。
[0130]
本发明的有益效果如下：
[0131]
(1)本发明提出了一种嵌入微气象因素的奇异谱分析ssa
‑
mf(singularspectrumanalysisofembeddedmicrometeorologicalfactors)和改进布谷鸟算法(ics)优化极限学习机(elm)的短期光伏预测模型，该方法融合了ssa、关联度分析和灵敏度分析等技术，建立了ssa
‑
fig
‑
ics
‑
elm模型，可有效提高模型的预测精度。
[0132]
(2)具体采用ssa技术将光伏出力时间序列分解为趋势序列、振荡序列和噪声序列，然后将数值气象预报得出的大尺度、低分辨率气象数据通过统计降尺度法求出所在区域小尺度、高分辨率的微气象数据，最后对光伏出力与微气象因素之间的灵敏度进行分析，根据灵敏度分析的结果和基准值分别对待预测日的趋势序列和振荡序列进行修正，然后利用模糊信息粒化对噪声成分进行有效挖掘，提取每个窗口最小值、平均值和最大值，采用改进布谷鸟算法(ics)对预测模型的噪声成分参数进行优化，最后将修正结果和预测结果进行叠加得到光伏出力预测结果。
[0133]
(3)其中改进的ssa方法在传统ssa方法的基础上考虑了微气象因素，通过提取原始数据的主要信息，可将原本无任何规律的序列分解成不同成份的序列，使得部分序列具有一定的规律性；
[0134]
由于噪声序列是由特征值占比很小的子矩阵重构而成，利用模糊信息粒化技术对噪声序列进行处理，提取每个窗口的最大值、平均值和最小值；将噪声序列进行模糊粒化有效挖掘后，通过ics
‑
elm建模预测优化，使得本发明形成的模型具有预测精度高的特点；
[0135]
各分量采用极限学习机分别建立预测模型，再通过改进布谷鸟算法优化极限学习机，可降低elm参数选择的随机性，提高预测精度，最终解决目前分布式光伏电站预测方法忽视的数据分解后的子序列所反映的光伏出力特性，从而挖掘出光伏出力的隐含信息和内在规律，达到好的预测效果。
附图说明
[0136]
图1为本发明实施例的思路示意图；
[0137]
图2为本发明实施例中步骤b的环节(1)中关于相似日选取的流程示意图。
具体实施方式
[0138]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0139]
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。
[0140]
实施例
[0141]
如图1
‑
2所示，一种考虑微气象因素的分布式光伏出力预测方法，该方法为以下步骤：
[0142]
步骤a、建立ssa模型。
[0143]
通过ssa的分解可以得到趋势序列、振荡序列及噪声序列预测值，分别建立趋势/振荡序列预测模型，得到趋势/振荡序列的预测值之后，按照式(1)进行叠加，即可得到光伏出力趋势/振荡序列的预测值；
[0144]
p＝p
low
+p
high
ꢀꢀꢀ
(1)
[0145]
式(1)中，p
low
、p
high
分别为趋势序列、振荡序列预测值；
[0146]
p代表光伏出力趋势/振荡序列的预测值。
[0147]
该模型的基本思想如图1所示。改进ssa方法在传统ssa方法的基础上考虑了微气象因素。
[0148]
由于噪声序列是由特征值占比很小的子矩阵重构而成，然后利用模糊信息粒化技术对噪声序列进行处理，提取每个窗口的最大值、平均值和最小值，各分量采用极限学习机分别建立预测模型。
[0149]
步骤b、考虑微气象的相似日选取过程，这一选取过程包括以下环节。
[0150]
环节(1)、基于微气象信息的相似日求取：
[0151]
其中，微气象数据采用统计降尺度(sdsm)得出。
[0152]
统计降尺度法基于以下3个假设:(1)大尺度候场和区域气候要素场之间具有显著的统计关系；(2)大尺度气候场能被预报模式很好地模拟；(3)在变化的气候情景下，建立的统计关系是有效的。
[0153]
其原理是基于这样一种观点:区域气候变化情景是以大尺度气候为条件的，它就是把大尺度、低分辨率的数值气象预报输出信息转化为区域尺度的地面气候变化信息(如气温、降水)，从而弥补气象预报对区域气候预测的局限性。
[0154]
采用灰色关联度理论，基于预测模型和微气象信息进行相似日的选取。
[0155]
具体的：灰色关联度理论的关联分析是将各曲线之间几何形状的差别用数值准确表达。
[0156]
对于一个光伏序列x0，通常有n个与之相关的比较数列x
i
,i＝1,2,
…
,n,这些序列可以是影响预测的各种因素，则：
[0157][0158]
式(2)中，ξ
i
(k)为序列x0与x
i
在k点的灰色关联系数；
[0159]
为2级最小差；
[0160]
为2级最大差；
[0161]
ρ为分辨下属，一般取0.5；
[0162]
综合各点的相关系数，得到所有曲线x0和x
i
的关联度，r
i
为n个关联系数的平均值，表示曲线x
i
对参考曲线x0的关联程度，其公式为：
[0163][0164]
根据式(2)，计算一段时间时期内光伏出力与各个微气象因素曲线的关联度，分析
得出光伏出力曲线与其他对比曲线的关联程度，将要素排序；
[0165]
然后，进入下一环节。
[0166]
环节(2)、对光伏出力时间序列和不同微气象因素进行关联分析：
[0167]
采用关联分析法，根据关联程度最高的曲线确定影响光伏出力的主要微气象因素，具体是确定温度、辐照、风速、降雨量这4种不同的主要微气象因素。
[0168]
考虑到振荡序列的特性，根据关联程度最高的曲线，确定的主要微气象因素为温度和辐照。
[0169]
以温度和辐照与光伏出力之间的关联系数α1和α2分别作为主要微气象因素影响光伏出力变化的权重系数。
[0170]
环节(3)、确定微气象灵敏度：
[0171]
分析环节(2)中确定的主要微气象因素对光伏出力变化的灵敏度，并将单位长度的微气象因素值区间所对应的灵敏度确定为微气象灵敏度；
[0172]
其中，光伏出力对微气象因素的灵敏度指的是单位微气象因素变化量下光伏出力的变化量。
[0173]
环节(4)、考虑到对趋势/振荡序列建模预测的步骤相同，以下以振荡序列的建模预测过程为例进行说明。
[0174]
a.选取振荡序列的参照日和基准值，以距离待预测日最近且天气类型相似的历史日作为振荡序列参照日，并以参照日的光伏出力振荡序列作为待预测日振荡序列的基准值。
[0175]
b.以温度和辐照与光伏出力之间的关联系数α1和α2分别作为主要微气象因素影响光伏出力变化的权重系数。
[0176]
c.根据微气象因素对光伏出力变化的灵敏度、待预测日与参照日的温差和辐照差，按照式(4)对光伏出力振荡序列p
high
进行修正：
[0177]
p
high
＝p’high
+α1δp1+α2δp2ꢀꢀꢀ
(4)
[0178]
式(4)中，p
high
、p’high
为待预测日的光伏出力振荡序列、参照日的光伏出力振荡序列；
[0179]
δp1和δp2为因温度变化引起的光伏出力振荡序列变化量以及因辐照变化引起的光伏出力振荡序列变化量；
[0180]
α1和α2分别为温度和辐照影响光伏出力振荡序列变化的权重系数。
[0181]
光伏出力的趋势序列p
low
的修正方式与上述p
high
的修正方式相同。
[0182]
从式(4)可以看出，修正的量包括δp1和δp2，其取值参照以下法则：
[0183]
(1)、δp1的取值法则如下：
[0184]
a.当待预测日温度与参照日温度处于同一温度区间(设定的温度区间范围内)时：
[0185]
δp1＝s
t
(t
‑
t’)
ꢀꢀꢀ
(5)
[0186]
b.当待预测日温度与参照日温度处于2个不同的温度区间时，如以2个相邻区间为例，则:
[0187][0188]
在式(5)和式(6)中：
[0189]
t和t’分别为待预测日温度与参照日温度值；
[0190]
s
t
和s’t
分别为待预测日温度与参照日温度各自所在区间对应的灵敏度；
[0191]
为2个区间公共端点的温度值。
[0192]
(2)、δp2的取值如下：
[0193]
a.当待预测日辐照与参照日辐照处于同一辐照区间(设定的幅照区间范围内)时：
[0194]
δp2＝s
l
(l
‑
l
′
)
ꢀꢀꢀ
(7)
[0195]
b.当待预测日辐照与参照日辐照处于2个不同的辐照区间时，如以2个相邻区间为例，则：
[0196][0197]
在式(7)和式(8)中：
[0198]
l和l
′
分别为待预测日辐照与参照日辐照值；
[0199]
s
l
和s
′
l
分别为待预测日辐照与参照日辐照各自所在区间对应的灵敏度；
[0200]
为2个区间公共端点的辐照值。
[0201]
步骤c、奇异谱分析
‑
模糊信息粒化，这一过程包括以下环节；
[0202]
环节(1)、奇异谱分析：
[0203]
ssa主要分为嵌入、奇异值分解、分组和对角平均这4个步骤，用于识别和提取数据的主成分。
[0204]
ssa用于将一维时间序列y＝(y1,y2,
…
,y
n
)根据给定的嵌套空间维数分解为l(窗口长度)维向量：x
i
＝(y
i
,y
i+1
,
…
,y
i+l
‑1)；
[0205]
其中l维向量包括趋势、振荡和噪声。
[0206]
由k个向量x
i
(i＝1,2,
…
,k＝n
‑
l+1)组成的轨迹矩阵可以表示如下：
[0207][0208]
考虑到协方差s＝xx
t
，其特征值为λ(λ1,λ2,
…
,λ
l
)，以及对应特征值的特征向量u1,u2,
…
,u
l
；对x进行奇异值分解可表示为：
[0209]
x＝e1+e2+
…
+e
i
ꢀꢀꢀ
(10)
[0210]
式(10)中：是基本矩阵；
[0211]
矢量v1,v2,
…
,v
d
是主成分；
[0212]
集合是x进行奇异值分解后的第i个特征三元组；
[0213]
假设z是一个l
×
k大小的矩阵，矩阵里的数为z
ij
，其中1≤i≤l,1≤j≤k，设l
*
＝min(l,k),k
*
＝max(l,k)，n＝k+l
‑
1,若l＜k，令否则则重构时间序列z＝{z1,z2,
…
,z
n
}如下：
[0214][0215]
原始序列y0可分解成ssa的2个序列的总和y0＝y1+y2，最后选择较大奇异值的重构成分相加，滤掉振荡率y2噪声部分，所得到的y0近似等于y1。
[0216]
环节(2)、模糊信息粒化：
[0217]
选用基于模糊集的信息粒化方法，模糊信息粒化由二个模块组成：窗口划分和信息的模糊化；
[0218]
模糊信息粒化根据pedrycz方法，考虑到单窗口问题，将给定的光伏序列x当成一个窗口来进行模糊化处理。
[0219]
模糊化是以在x上建立模糊粒子p为目的，且p能描述模糊概念g，因此，模糊化的本质就是确定模糊概念g的隶属函数，即a＝μg，故模糊粒子p能代替模糊概念g，所以p＝a(x)；
[0220]
其中采用最多的是三角型，其隶属函数表达式如下：
[0221][0222]
式中：x为时域变量；a、m、b为函数的3个参数，分别对应于每个窗口数据模糊粒化后的最小值、平均值、最大值；
[0223]
以上就能通过ssa
‑
fig模型获得的各序列采用elm建立预测模型。
[0224]
步骤d、基于优化极限学习机的预测模型建立，这一过程可采取如下方式实现：
[0225]
(1)、极限学习机；
[0226]
极限学习机是一种单一的隐层前馈神经网络，其隐层的偏差和输出权重不需要调整，随机设定输入权重和隐层偏差后，输出权重能简单计算得到，通过应用隐层输出矩阵的广义逆运算。
[0227]
具体如下：
[0228]
假设一组以n为样本的数，如(x
i
,y
i
)，其中i＝1,2,
…
,n,x
i
＝[x
i1
,x
i2
,
…
,x
in
]∈r
n
和y
i
＝[y
i1
,y
i2
,
…
,y
im
]∈r
m
；
[0229]
具有l个隐层神经元的elm输出可以表示如下式(13)，所有模型中elm隐含层节点个数设为6个，隐含层函数为sigmoid：
[0230][0231]
式(13)中：a
i
＝[a
i1
,a
i2
,
…
,a
in
]
t
表示输入权重；
[0232]
β
i
＝[β
i1
,β
i2
,
…
,β
im
]
t
是输出权重；
[0233]
b
i
是偏差；g是激活函数；
[0234]
式(13)可以简化为：
[0235]
hβ＝t
ꢀꢀꢀ
(14)
[0236][0237][0238]
h是elm算法隐层输出矩阵，elm的系数b可以通过求解下式线性方程的最小二乘解得到：
[0239][0240]
其特解可以表示如下：
[0241][0242]
式中h
+
是隐层输出矩阵h的摩尔
‑
彭罗斯(moorepenrose)广义逆。
[0243]
(2)、改进布谷鸟算法优化极限学习机；
[0244]
为了降低环节(1)中elm参数选择的随机性，提高预测精度，使用ics优化elm模型的输入层和隐含层之间的权值和隐层偏置。
[0245]
ics算法适应度函数如下：
[0246][0247]
式(19)中：p
t
表示实际值；
[0248]
表示预测值；
[0249]
n表示训练样本数；
[0250]
具有最小适应值的个体即为全局最优值，用于转换为elm的参数。
[0251]
ics优化elm具体步骤如下：
[0252]
步骤(1)：根据初步筛选的噪声序列，确定elm的输入和输出；
[0253]
步骤(2)：初始化ics的种群和参数，包括最大迭代次数t
max gen
、鸟巢数n、以及鸟蛋被发现概率p，设置t
max gen
＝200，n＝25，p为0.25时为最优参数；
[0254]
根据所规定的范围，随机产生n个鸟巢每个鸟巢是一组将要优化训练的elm的参数；
[0255]
根据式(13)计算每个鸟巢的适应值，获取当前最优鸟巢的位置，记为x
best
；
[0256]
步骤(3)：保留上一代最优鸟巢位置x
best
，按照l
é
vy飞行模式更新种群同时计算更新后鸟巢的适应值，并与上一代适应值进行比较，若更优则更新位置；
[0257]
步骤(4)：随机产生一个数r∈(0,1)，若r＞p，以随机步长更新种群位置，若r＜p，进入交叉机制，根据式(13)更新种群，判断最优鸟巢x
best
的适应值是否优于上一代，如果更优则保留最优鸟巢位置，并得到更新后所有鸟巢位置步骤(5)：判断终止条件是否满足；若当前迭代次数大于t
maxgen
，则算法终止；否则转步骤(3)进行新一轮迭代。