本发明涉及光伏预测，具体涉及一种基于相似度重组的光伏发电功率预测方法。
背景技术：
1、目前，全球范围内的可再生能源为清洁、可持续和脱碳的目标提供了潜力，可再生能源中的光伏发电装置因其易于在不同地点安装和操作而在全球范围内越来越受欢迎。光伏可再生能源大规模并网，带来了明显的清洁环境效益，但同时也给电力系统的调度和运行带来了新的挑战。光伏发电主要受到天气影响，但由于天气的多变性，使得光伏出力不稳定，最终导致现有的神经网络预测方法所受到的影响较大，因此，如何降低光伏出力曲线的非平稳性，实现光伏发电功率的高精度预测对新能源为主体的电力调度系统具有重要意义。
2、但现有方法通过大数据和神经网络一起使用进行预测，而光伏发电受到天气因素影响严重，导致出力浮动较大，从而导致预测效果不佳。
技术实现思路
1、本发明的目的在于解决上述现有技术的不足，从而提供一种基于相似度重组的光伏发电功率预测方法，通过ceemdan算法将光伏出力曲线进行分解，再将子序列运用dtw算计计算相似度，将相似度高的子序列进行重组，减少光伏发出功率的时间序列的非平稳性，以达到增强预测精准度和减少计算量的目的。
2、为了实现上述目的，本发明采用的技术方案是：一种基于相似度重组的光伏发电功率预测方法，包括以下步骤：
3、步骤1：获取光伏发电功率、总辐照度、散射辐照度、温度和湿度的时间序列，对异常值和缺失值进行清洗；
4、步骤2：通过ceemdan将步骤1获取的时间序列分解为多个本征模态函数(imf)；
5、步骤3：利用dtw算法计算各个本征模态函数(imf)间的相似度，将相似度高的本征模态函数(imf)进行重组；
6、步骤4：采用adam优化器对lstm模型的网络结构偏置参数b和网络权值参数w进行优化；
7、步骤5：然后采用改进dbo优化算法对lstm模型的超参数进行优化，得到lstm优化预测模型；超参数包括学习率、正则化系数和神经元个数；
8、步骤6：将重组的本征模态函数(imf)的数据进行归一化处理，然后输入lstm优化预测模型之中，得到各个重组序列的预测结果，并将各个预测结果进行重组实现最终预测。
9、通过ceemdan将步骤1获取的时间序列分解为多个本征模态函数(imf)，具体为：
10、步骤2.1：将时间序列x(t)添加k次均值为0的高斯白噪声，构造共n次实验的待分解序列xi(t)，i＝1，2，3，……，n；
11、
12、式中，ε为高斯白噪声的权值系数，为第i次添加的白噪声序列；
13、步骤2.2：对xi(t)进行emd分解，分解得到第一个本征模态函数imf1和残差信号a1(t)；公式为：
14、
15、表示第1阶分解中得到的第i个imf分量；
16、a1(t)＝x(t)-imf1(t)；
17、步骤2.3：判断残差信号a1(t)是否为单调函数，若不是，则重复步骤2.1-步骤2.2，直至残差信号为单调函数，则ceemdan分解过程结束，得到n个本征模态函数imfi(t)和残差an(t)；
18、
19、x(t)为经过n次分解得到的n个本征模太函数之和加上残差信号。
20、步骤3中，利用dtw算法计算各个本征模态函数(imf)的相似度，将相似度高的本征模态函数(imf)进行重组，具体步骤为：
21、f＝{f1，f2，……，fr}；
22、g＝{g1，g2，……，gc}；
23、
24、dtw(f,g)＝min∑(i,j)∈πdis(fi,gj)
25、dis(fi,gj)＝|fi-gj|2
26、其中，f和g为两个时间序列，π为时间序列f和g的索引，dis(fi,gj)为fi和gj之间的距离，fi为f时间序列的第i个值，gj为g时间序列的第j个值，dtw(f,g)为所有点距离之和的最小值。
27、步骤4中，采用adam优化器对lstm模型的网络结构偏置参数b和网络权值参数w进行优化，具体步骤如下：
28、初始化vdb、vdw、sdb、sdw：
29、在第t次迭代中，用mini-batch梯度下降法计算出vdb和vdw，具体为：
30、vdb＝β1vdb+(1-β1)db；
31、vdw＝β1vdw+(1-β1)dw；
32、使用rmsprop计算sdb和sdw，具体为：
33、sdb＝β2sdb+(1-β2)db2；
34、sdw＝β2sdw+(1-β2)dw2；
35、其中，β1和β2分别为一阶和二阶估计矩阵的衰减系数，其值分别为0.9和0.999，vdb和vdw为分别为网络结构偏置参数b、网络权值参数w的一阶估计矩阵，sdb和sdw为分别为网络结构偏置参数b、网络权值参数w的二阶估计矩阵，db和dw为vdb和vdw的梯度值；
36、根据vdb、vdw、sdb和sdw，计算偏差修正和具体为：
37、
38、
39、
40、
41、其中，k为迭代次数，和为修正一阶估计矩阵，和为修正二阶估计矩阵；
42、根据偏差修正和更新lstm模型的网络结构偏置参数b和网络权值参数w，具体为：
43、
44、
45、其中，α是学习率，ε为10-8的常数。
46、步骤5中，改进dbo优化算法为：
47、步骤5.1利用立方混沌映射的历遍性改进初始种群质量不高和分布不均的问题；
48、
49、
50、式中，xi为映射后的个体，xub和xlb分别为设定的上界和下界；
51、步骤5.2：滚球行为
52、当滚球过程中无障碍时，其表达式为：
53、xi(t+1)＝xi(t)+α*k*xi(t-1)+b*|xi(t)-xworst(t)|；
54、式中：t表示当前迭代次数，xi(t+1)表示第i只蜣螂在第t+1次迭代中的位置，k∈(0，0.2]表示一个常数，为偏转系数，b为(0，1)的常数，a是-1或者1的系数，当中1表示进行无偏差，-1表示进行有偏差，xworst(t)当前种群最差个体的所在位置；
55、当有障碍时，其表达式为：
56、xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)|；
57、当θ＝0，和π时，tanθ为0无意义，所以当θ＝0，和π时，蜣螂位置不会更新；
58、步骤5.3繁殖行为
59、步骤5.3.1产卵区域
60、对于产卵区域采用改进的自适应双边高斯游走策略：
61、lb*＝max{xgbest(t)*(1-r),lb}+δ*gaussion(σ)；
62、ub*＝min{xgbest(t)*(1+r),ub}+δ*gaussion(σ)；
63、改进的自适应非线性算子：
64、δ＝|xgbest(t)-xlgbest(t)|；
65、式中：lb和ub分别为优化的上界和下界,lb*和ub*分别为产卵区域的上界和下界，xgbest(t)为当前种群的全局最优值，gaussion(σ)为满足高斯分布的随机变量，xlgbest(t)为当前局部最优值，δ为自适应算子，t为迭代次数，t为最大迭代次数；
66、步骤5.3.2：雏球和产卵区域一样是动态的，其公式为：
67、bi(t+1)＝xgbest(t)+b1*(bi(t)-lb*)+b2*(bi(t)-ub*)；
68、其中，bi(t+1)为第i个雏球个体在t+1次迭代中的位置，b1和b2分别为独立的随机向量；
69、步骤5.4觅食行为
70、步骤5.4.1小蜣螂觅食区域
71、lbl＝max{xlgbest(t)*(1-r),lb}+δ*gaussion(σ)；
72、ubl＝min{xlgbest(t)*(1+r),ub}+δ*gaussion(σ)；
73、式中：lbl和ubl为小蜣螂觅食区域的上界和下界，xlgbest(t)表示当前中的局部最优值；
74、步骤5.4.2小蜣螂位置更新如下：
75、xi(t+1)＝xi(t)+c1*(xi(t)-lbl)+c2*(xi(t)-ubl)
76、其中，c1为服从正态分布的随机数，c1～n(0，1)，c2为属于(0，1)之间的随机向量，t为迭代次数，t为最大迭代次数；
77、步骤5.5：种群中，会有一些蜣螂个体会偷窃粪球，对此引入沙猫搜索猎物策略改进盗贼蜣螂位置更新公式为：
78、
79、
80、其中，g为随机向量，并服从正态分布，s表示一个常数值,a为常数一般取2，xgbest(t)为当前全局最优值,rand(0,1)表示0到1的随机数。
81、步骤5中，然后采用改进dbo优化算法对lstm模型的超参数进行优化，得到lstm优化预测模型，具体步骤如下：
82、对改进dbo优化算法的种群大小、最大迭代次数、寻优的维度进行初始化；
83、采用立方混沌映射对改进dbo优化算法的蜣螂个体的位置进行初始化，计算每个个体的适应度的值，对所计算出的适应度值进行排序，得到最小适应度的个体位置，记做全局最优值；
84、进入下一次迭代，通过对改进dbo优化算法的蜣螂的觅食、繁殖、偷窃等行为对个体位置进行改变，再次算出个体位置改变后的适应度值并进行排序，得到最小值；
85、将最小值与全局最优值比较，若最小值小于全局最优值，则替换掉之前的全局最优值；若达到最大迭代次数，则将优化模块中寻找到的lstm最优超参数进行输出，此时便可得到lstm优化预测模型。
86、lstm优化预测模型各个参数的计算过程为：
87、ft＝σ(wf*[ht-1,xt]+bf)；
88、it＝σ(wi*[ht-1,xt]+bi)；
89、ot＝σ(wo*[ht-1,xt]+bo)；
90、其中，ht-1为t-1时刻隐层状态，ft为遗忘门，it为输入门，ot为输出门，xt为t时刻的输入，wf、wc、wi和wo为权重系数矩阵，b表示为网络结构偏置参数，σ表示为sigmoid激活函数；
91、ct＝ft+ct-1+it+tanh(wc*[ht-1,xt]+bc)；
92、ht＝ot*tan(ct)；
93、式中，ct-1为t-1时刻的门控单元的状态，tanh表示双曲正弦激活函数。
94、步骤6中，将重组的本征模态函数(imf)的数据进行归一化处理，然后输入lstm优化预测模型之中，得到各个重组序列的预测结果，并将各个预测结果进行重组实现最终预测，具体为：
95、将重组的本征模态函数(imf)的数据进行归一化处理，具体为：
96、
97、式中：z表示归一化后的数据，z表示数据，zmax表示数据最大值，zmin表示数据最小值；
98、将归一化后的数据输入经adam优化器及改进dbo优化算法优化的的lstm模型中，选取前80％的数据作为模型的训练集，以后20％作为测试集，用训练过的lstm模型对每个子序列分别进行预测，将预测后的子序列进行重组，最终得到结果。
99、本发明的有益效果：本发明采用ceemdan分解光伏发出功率时间序列，运用dtw计算子序列相似度进行重组，采用改进蜣螂优化算法优化lstm对光伏发出功率进行预测，相较于与传统的优化算法优化lstm相比，，本发明从使用dtw算法将相似度高的子序列重组，降低了序列的非平稳性，并且提高预测精度，运用改进后的蜣螂优化算法优化lstm的参数，提高了各个重组序列的预测精度。
1.一种基于相似度重组的光伏发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于相似度重组的光伏发电功率预测方法，其特征在于，步骤2中，通过ceemdan将步骤1获取的时间序列分解为多个本征模态函数(imf)，具体为：
3.根据权利要求1-2任意一项所述的基于相似度重组的光伏发电功率预测方法，其特征在于，步骤3中，利用dtw算法计算各个本征模态函数(imf)的相似度，将相似度高的本征模态函数(imf)进行重组，具体步骤为：
4.根据权利要求3所述的基于相似度重组的光伏发电功率预测方法，其特征在于，步骤4中，采用adam优化器对lstm模型的网络结构偏置参数b和网络权值参数w进行优化，具体步骤如下：
5.根据权利要求1、2或4所述的基于相似度重组的光伏发电功率预测方法，其特征在于，步骤5中，改进dbo优化算法为：
6.根据权利要求5所述的基于相似度重组的光伏发电功率预测方法，其特征在于，步骤5中，然后采用改进dbo优化算法对lstm模型的超参数进行优化，得到lstm优化预测模型，具体步骤如下：
7.根据权利要求6所述的基于相似度重组的光伏发电功率预测方法，其特征在于，lstm优化预测模型各个参数的计算过程为：
8.根据权利要求1所述的基于相似度重组的光伏发电功率预测方法，其特征在于，步骤6中，将重组的本征模态函数(imf)的数据进行归一化处理，然后输入lstm优化预测模型之中，得到各个重组序列的预测结果，并将各个预测结果进行重组实现最终预测，具体为：
