本发明涉及电网功率预测的,尤其是涉及一种光伏高频数据以及低频数据获取方法、装置及其应用方法。
背景技术:
1、随着机器学习算法的不断发展,以循环神经网络为代表的典型深度学习算法被应用到光伏发电功率预测中,该算法能够有效挖掘光伏功率中的序列信息,同时避免了支持向量机等传统机器学习算法中的复杂特征构造和筛选过程,现有技术中,lstm算法存在如下问题:
2、1)属于基于数据驱动的光伏功率预测算法,但是基于循环神经网络lstm算法的所面对的问题是超参数较多,需要反复针对模型超参数进行调优,难以挖掘自变量与因变量的关系,进而导致预测精度低;
3、2)现有技术中往往采用变分模态法(vmd)对光伏功率数据进行处理,在此种处理方法经验确定固有模态分量(imf)数量,由于光伏功率时间序列的波动和间歇性,信号分解时会失去原始信息或产生重复信息的不足,导致预测精度差;
4、综上所述,现有技术中,lstm算法进行光伏预测的预测精度差。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种光伏高频数据以及低频数据获取方法、装置及其应用方法,以缓解现有技术中lstm算法进行光伏预测的预测精度低的技术问题。
2、第一方面,本发明提供了一种光伏高频数据以及低频数据获取方法,包括:
3、将光伏功率数据p进行傅里叶分解,基于特征频率划分的数量确定最优imf数量,光伏功率数据展开级数为k,最优imf数量为kopt;
4、设置惩罚因子阈值以及惩罚因子步长,确定每个惩罚因子下的固有模态分量与光伏功率数据p最大交互信息;
5、利用kopt个固有模态分量表征将所述光伏功率数据p,利用k个固有模态分量表征光伏近似数据p′,并获取每个惩罚因子下光伏功率数据p以及表征光伏近似数据p′的交互信息;
6、利用固有模态分量与光伏功率数据p最大交互信息以及相对的光伏功率数据p以及表征光伏近似数据p′的交互信息确定该惩罚因子评价值,并基于此评价值获取最优惩罚因子αopt;
7、基于最优imf数量kopt、最优惩罚因子αopt对所述光伏功率数据p利用变分模态法进行分解。
8、结合第一方面第一种可能的实施方式,采用如下方式确定每个惩罚因子下的固有模态分量与光伏功率数据p交互信息:
9、获取在惩罚因子下每一个固有模态分量与光伏功率数据p之间的交互信息mia:
10、
11、α—惩罚因子;
12、mi—每一个固有模态分量与光伏功率数据p之间的交互信息;
13、
14、e(p)=-∑p1(p)*log(p1(p));
15、e(imfi)=-∑p2(imfi)*log(p2(imfi));
16、e(p,imfi)=-∑p3(imfi,p)*log(p3(imfi,p));
17、p1—光伏功率数据p概率密度函数;
18、p2—imfi的概率密度函数;
19、p3—imfi与光伏功率p的联合概率密度函数;
20、e—信息熵计算函数;
21、imfi—固有模态分量。
22、结合第一方面第二种可能的实施方式,其特征在于,以此作为惩罚因子的评价值:
23、
24、t—惩罚因子的评价值;
25、βα—光伏功率数据p以及表征光伏近似数据p′的交互信息;
26、—固有模态分量与光伏功率数据p最大交互信息;
27、惩罚因子的评价值的最大值所对应的惩罚因子为优惩罚因子αopt。
28、第二方面,本发明提供了一种光伏高频数据以及低频数据应用方法,具体包括如下步骤:
29、获取历史数据集,所述历史数据集包括光伏功率以及气象数据信息;
30、对所述光伏功率以及所述气象数据信息进行预处理,并将所述光伏功率按照第一方面任一种方式获取高频数据以及低频数据,划分训练集以及测试集,所述训练集以及测试集均包括kopt个固有模态分量;
31、构建bilstm-bo循环神经网络并对所述bilstm-bo循环神经网络进行训练,获取kopt个bilstm-bo循环神经模型;
32、利用测试集对所述bilstm-bo循环神经模型进行验证。
33、结合第二方面第一种可能的实施方式,所述bilstm-bo循环神经网络采用贝叶斯算法进行优化。
34、结合第二方面第一种可能的实施方式,所述方法还包括:
35、构建光伏功率数据非零区域识别模型;
36、利用测试集所述bilstm-bo循环神经模型的验证结果生成中间预测结果,并将所述中间预测结果输入至所述光伏功率数据非零区域识别模型之中,以获取最终结果。
37、结合第二方面第三种可能的实施方式,所述方法还包括:利用验证集生成的最终结果与验证集的光伏功率数据的均方误差进行精度校验;
38、若精度不满足要求,则执行所述获取历史数据集,并对所述历史数据集进行预处理的步骤。
39、结合第二方面第三种可能的实施方式,所述构建光伏功率数据非零区域识别模型的步骤包括:
40、设置阈值,利用所述阈值将所述光伏功率数据进行编码;
41、将编码后的气象数据信息输入值支持向量机之中进行训练以生成光伏功率数据非零区域识别模型。
42、结合第二方面第五种可能的实施方式,所述光伏功率数据编码后生成0—1调节信号;
43、若光伏功率数据大于阈值,则编码为1;
44、若光伏功率数据小于阈值,则编码为0。
45、第三方面,本发明提供了一种光伏高频数据以及低频数据获取装置,包括:
46、傅里叶分解模块:用于将光伏功率数据p进行傅里叶分解,基于特征频率划分的数量确定最优imf数量,光伏功率数据展开级数为k,最优imf数量为kopt;
47、第一交互信息获取模块:用于设置惩罚因子阈值以及惩罚因子步长,确定每个惩罚因子下的固有模态分量与光伏功率数据p最大交互信息;
48、第二交互信息获取模块:用于利用kopt个固有模态分量表征将所述光伏功率数据p,利用k个固有模态分量表征光伏近似数据p′,并获取每个惩罚因子下光伏功率数据p以及表征光伏近似数据p′的交互信息;
49、最有惩罚因子获取模块:用于利用固有模态分量与光伏功率数据p最大交互信息以及相对的光伏功率数据p以及表征光伏近似数据p′的交互信息确定该惩罚因子评价值,并基于此评价值获取最优惩罚因子αopt;
50、分解模块:用于基于最优imf数量为kopt、最优惩罚因子αopt对所述光伏功率数据p利用变分模态法进行分解。
51、本发明实施例带来了以下有益效果:本发明提供了一种光伏高频数据以及低频数据获取方法,包括:将光伏功率数据p进行傅里叶分解,基于特征频率划分的数量确定最优imf数量,光伏功率数据展开级数为k,最优imf数量为kopt;设置惩罚因子阈值以及惩罚因子步长,确定每个惩罚因子下的固有模态分量与光伏功率数据p最大交互信息;利用kopt个固有模态分量表征将光伏功率数据p,利用k个固有模态分量表征光伏近似数据p′,并获取每个惩罚因子下光伏功率数据p以及表征光伏近似数据p′的交互信息;利用固有模态分量与光伏功率数据p最大交互信息以及相对的光伏功率数据p以及表征光伏近似数据p′的交互信息确定该惩罚因子评价值,并基于此评价值获取最优惩罚因子αopt;基于最优imf数量kopt、最优惩罚因子αopt对光伏功率数据p利用变分模态法进行分解。通过本发明可以提高lstm的预测精度。
52、本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
53、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。