本发明涉及电力，更具体地说，它涉及基于数据挖掘和金枪鱼算法的光伏异常数据预测方法。
背景技术：
1、光伏发电作为一种环保可再生能源技术，得到了广泛的应用。在光伏电池组件运行过程中，由于环境、天气等因素的影响，可能会出现各种异常情况，如表面污染、局部阴影等。这些异常数据对光伏发电系统的发电效率和安全性产生负面影响。因此，如何准确地识别和预测光伏异常数据，对于提高光伏发电系统的性能具有重要的意义。
技术实现思路
1、为了克服现有技术中所存在的上述缺陷，本发明提供了基于数据挖掘和金枪鱼算法的光伏异常数据预测方法，旨在解决传统光伏系统监测中异常数据识别和预测的不准确性和低效率的问题。通过结合数据挖掘技术和金枪鱼算法，本发明旨在提供一种更准确、高效的光伏异常数据预测方法，以改善光伏系统的运行和维护效果，提高系统的可靠性和稳定性。
2、本发明的上述技术目的是通过以下技术方案得以实现的：基于数据挖掘和金枪鱼算法的光伏异常数据预测方法，包括以下步骤：
3、s1、获取该地区光伏系统运行的历史数据，并分析提取当中异常数据部分，
4、s2、对所获异常数据进行分析判断，选出异常数据特征最小数据集；
5、s3、改进算法，具体包括：
6、(1)改进线性权重系数：对标准金枪鱼算法中的权重系数α1和α2进行非线性改进；
7、(2)建立高斯变异-最优邻域策略；
8、s4、基于选出的异常数据特征，建立预测模型。
9、进一步的，步骤s1中，使用数据挖掘技术提取异常数据部分，具体包括以下步骤：
10、(1)异常数据相似度计算；
11、(2)支持度计算；
12、(3)置信度计算；
13、(4)相关性分析。
14、进一步的，步骤s2中，采用德尔菲法对异常数据进行分析。
15、进一步的，步骤s3中，改进后的权重系数如下式：
16、
17、进一步的，步骤s4中，基于改进后的算法构建光伏预测模型，其中异常数据特征集由步骤s2中德尔菲法分析后得到，按7：3的比例划分训练、测试集及并对数据进行归一化处理。采用改进后的金枪鱼算法对模型关键参量进行寻优，具体步骤如下：
18、(1)设置迭代次数tmax、种群大小n以及参数优化范围(lb,ub),初始化种群；
19、(2)将金枪鱼位置x作为模型中待优化权值和偏差，计算对应个体的适应度；
20、(3)更新非线性权重α1和α2，对金枪鱼群位置进行更新，记录当前最优个体及其适应度；
21、(4)判断是否达到最大迭代次数tmax，若满足，跳出当前主循环并将最优参数组赋值给模型，否则返回步骤(3)；
22、(5)根据改进后的算法搜索的最优参数组建立异常数据功率预测模型，对测试样本进行预测。
23、综上所述，本发明具有以下有益效果：本发明的优点在于通过综合运用数据挖掘技术和金枪鱼算法，能够提高光伏系统异常数据预测的准确性和可靠性。数据挖掘技术能够分析大量的历史数据，提取潜在的规律和模式，为异常数据预测提供有效的参考。改进后的金枪鱼算法则能够通过搜索最优解的方法，进一步优化预测模型的参数，提升预测的性能。通过该方法，光伏系统管理人员可以及时发现和处理异常数据，提高光伏系统的稳定运行和维护效率，具有广泛的应用前景。
1.基于数据挖掘和金枪鱼算法的光伏异常数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据挖掘和金枪鱼算法的光伏异常数据预测方法，其特征在于，步骤s1中，使用数据挖掘技术提取异常数据部分，具体包括以下步骤：
3.根据权利要求1所述的基于数据挖掘和金枪鱼算法的光伏异常数据预测方法，其特征在于，步骤s2中，采用德尔菲法对异常数据进行分析。
4.根据权利要求1所述的基于数据挖掘和金枪鱼算法的光伏异常数据预测方法，其特征在于，步骤s3中，改进后的权重系数如下式：
5.根据权利要求1所述的基于数据挖掘和金枪鱼算法的光伏异常数据预测方法，其特征在于，步骤s4中，基于改进后的算法构建光伏预测模型，其中异常数据特征集由步骤s2中德尔菲法分析后得到，按7：3的比例划分训练、测试集及并对数据进行归一化处理。采用改进后的金枪鱼算法对模型关键参量进行寻优，具体步骤如下：
