一种考虑相关性的新能源电力系统风光功率短期联合预测方法

本发明涉及一种考虑相关性的新能源电力系统风光功率短期联合预测方法，属于电力功率、负荷预测领域。

背景技术：

1、在“双碳”目标下，新能源电力系统(new energy power system,neps)被广泛运用，相较于常规电力系统，其新能源并网发电容量在电力系统中占比较大，功率波动大、随机性高，预测难度更大，对电网稳定性存在极大威胁。neps中可再生能源的发展和利用已经不局限于单个系统的提升，通过各能源网络互联、数据资源共享，可实现多能源互补、多设备协同运行，促进可再生能源的充分利用。因此，探索风光联合预测的可行性、提升预测精确性，对提升neps稳定性以及提高能源利用效率具有重要意义。欧盟与美国也有文件指出风/光联合在可再生能源方面的使用潜力，可利用多方联合调度来改善电网运行和规划。我国可再生能源规划要求提高功率预测精度，并指出要促进水电、风电、光伏等可再生能源的能互补和联合调度。

2、关于对预测模型提升的研究，张岚等使用基础网络模型预测，但此类网络具有静态特性，预测准确度及适用性不高；景惠甜等运用了数据约简算法、卷积神经网络等算法到新能源功率预测模型中，改进了单一预测算法的缺陷。由于预测数据采集时间长、种类多、数据冗杂等问题，仅利用智能算法优化预测模型并不能有效解决数据本身杂乱带来的预测精度降低的问题。对原始数据集进行有效处理能够保证输入特征的准确性和平稳性，从而提升预测精度。杨维熙等着重对各类分解技术进行深度挖掘，优化数据预处理部分；王佶宣等采用经验模态分解(emd)分解数据，但emd易造成模态混叠等问题，利用不当反而降低预测准确度；王振浩等采用集合经验模态分解(eemd)来改进emd的模态混叠现象，但仍存在计算时间长、重构误差大的缺陷；叶剑华等采用变分模态分解(vmd)分解原始数据，对于采样和噪声方面更具鲁棒性。近年来，探索预测误差在预测过程中如何再次充分利用逐渐也成为研究热点。李大中等对预测误差进行修正以改善预测的相位滞后性；王福忠等提出误差补偿模型对误差序列补偿预测及再叠加，得最终预测结果。

3、目前，单一的风/光功率预测研究都已较为成熟，但是由于风电、光伏发电之间相互交杂的影响因素较多、neps中各类小型分布式电源规律性弱、预测误差的再次利用是否得当等问题的存在，使得现有模型无法深度挖掘neps分布式电源与复杂气象因素之间的时序关系，致使预测精度不佳。

4、基于上述问题，首先，本发明采集新能源电力系统功率数据及影响因素并通过相关性分析提取预测特征量；其次，以ceemdan对数据进行分解、近似熵对分解数据再次重构；并使用cwoa算法对bilstm模型超参数优化，构建预测模型；最后，输入初步预测特征得出预测误差，再次交叉预测得出最终预测结果，实现neps风/光功率的联合预测。

技术实现思路

1、本发明提供了考虑相关性的新能源电力系统风光功率短期联合预测方法，以用于风/光功率的联合预测，提升预测精确度以降低新能源并网对电网稳定性的影响。

2、本发明的技术方案是：考虑相关性的新能源电力系统风光功率短期联合预测方法，所述方法的具体步骤如下：

3、step1、获取新能源电力系统功率数据及影响因素并通过相关性分析提取预测特征量，即待测数据；

4、step2、以自适应噪声的完全集合经验模态分解(complete ensemble empiricalmode decomposition with adaptive noise，ceemdan)对预测特征量进行分解、近似熵对分解数据再次重构；

5、step3、使用混沌鲸鱼优化算法(chaotic whale optimization algorithm,cwoa)对双向长短期记忆神经网络(bidirectional long short term memory,bilstm)模型超参数优化，构建预测模型；

6、step4、在构建好的预测模型中输入分解重构后的预测特征量得出预测误差，再次交叉预测得出最终预测结果。

7、作为本发明的进一步方案，所述step1的具体步骤是：

8、step1.1、根据pearson相关系数判断各影响因素与功率的相关性，根据相关性大小筛选预测特征量，相关性计算公式如式(1)所示：

9、

10、式中：u(i)、v(j)表示两组样本数据；n表示样本数量；分别表示两组数据平均值；rxy表示值在[0,1]之内；

11、step1.2、筛选出预测特征量后，对每项数据分别进行归一化至[0,1]范围内，具体公式如式(2)所示：

12、

13、式中：y(i)'表示归一化后数据；y(i)表示原始数据；y(i)max、y(i)min表示原始数据中最大、最小数据。

14、作为本发明的进一步方案，所述step2的具体步骤是：

15、step2.1、在原始数据序列xg上添加g次均值为0的高斯白噪声ng(t)构造待分解序列xg(t)，g＝1,2,…,g，产生的新信号如式(3)所示：

16、xg(t)＝xg-1(t)+εng(t)  (3)

17、式中：ε表示高斯白噪声的权值系数；g表示样本数值；

18、由自适应噪声的完全集合经验模态分解ceemdan中的emd对产生的新信号分解，取结果均值得到imf；余量信号再次添加噪声进行分解，直至信号单调；

19、step2.2、为避免主观选择参数导致输入特征集的序列重构效果不理想，保证数据分解的有效性，通过近似熵对分解序列重构；对任意两组样本数量为i、j(i,j∈[1,n])的待分析信号序列，若两端点之差在相似容限阈值r内，则相似；该信号序列的近似熵计算公式如式(4)所示：

20、

21、式中：ψm(r)表示第m维的相似比；m表示模式维数；r表示相似容限阈值；表示遍历所有近似数量组合后近似数量与总数量的比值；表示近似熵，n表示最大样本数量。

22、作为本发明的进一步方案，所述step3的具体步骤是：

23、step3.1、使用混沌鲸鱼优化算法cwoa算法对bilstm进行超参数优化；由于鲸鱼优化算法woa、粒子群算法pso等算法存在的易陷入局部最优的缺陷，使用在woa基础上改进的cwoa对预测模型参数的选择智能优化；

24、woa主体公式如式(5)-式(6)所示：

25、

26、

27、式中：k表示当前迭代次数；hk表示当前个体位置，hkgbest表示全局最优位置；a、c表示收敛向量；p表示包围机制和更新机制概率设置为0.5时，生成的[0,1]内的随机数；d表示最优距离；b表示螺旋常数；hkrand表示个体随机位置；a表示收敛因子；l表示[-1,1]区间内的随机值；s1rand、s2rand表示[0,1]区间内的随机值；

28、step3.2、cwoa算法混沌序列干扰后的个体位置更新公式如式(7)-(8)所示：

29、

30、

31、式中：as、af表示收敛因子a的初值和终值；fk表示混沌序列；kmax表示最大迭代次数；ws、wz表示惯性权重w的初值和终值。

32、作为本发明的进一步方案，所述step4的具体步骤是：

33、step4.1、根据步骤step3的优化参数，输入步骤step2的分解重构后的预测特征量，分别得到光伏发电功率预测误差和风力发电功率预测误差；考虑评测结果的准确性和有效性，选取均方根误差、平均绝对误差、准确率、合格率四项对实验结果进行评估，具体公式如式(9)所示：

34、

35、式中：ermse表示发电功率预测的均方根误差；emae表示发电功率预测的平均绝对误差；cr表示准确率，越接近1准确率越高；qr表示合格率，越接近100％合格率越高；n表示样本数量；ti,j表示实际发电功率数据序列；表示预测发电功率数据序列；bi表示i时刻的预测合格率判定结果；

36、step4.2、将步骤step4.1中光伏发电功率预测误差和风力发电功率预测误差进行ceemdan分解、重构，交叉并入step2的分解重构后的预测特征量中，重复执行step4.1再次预测得出最终预测结果。

37、本发明的有益效果是：

38、(1)风力发电与光伏发电联合预测时，本发明模型综合考虑各影响因素之间的相关性，将风/光彼此间的预测误差作为特征输入，能有效提高风/光功率整体预测精确性，相较于单一模型更佳；

39、(2)比于手动选择及pso，利用cwoa对bilstm参数进行优化更能增强模型自适应能力，cwoa对bilstm的优化效果更好，能有效避免因模型参数选择不当而致使预测性能不佳；

40、(3)采用ceemdan及近似熵对输入特征进行分解、重构，能够降低数据复杂度，在波动较大时使预测值更接近实际值，提高曲线拟合度。

41、(4)本发明模型相较于传统预测模型更适用于neps分布式电源发电功率的预测。