一种基于VFOA优化SVM模型的光伏发电量预测方法与流程

一种基于vfoa优化svm模型的光伏发电量预测方法
技术领域
1.本发明属于光伏发电预测技术领域，特别涉及基于vfoa优化svm模型的光伏发电量预测方法。


背景技术：

2.受太阳辐射强度、光伏组件温度、天气和一些随机因素的影响，光伏发电系统具有间歇性和不确定性等特征，其运行过程是一个非平衡的随机过程。因此，对光伏发电系统的发电量进行准确预测是有必要的，进而采取相应的技术措施平滑光伏发电量波动，能够实现电网的合理调度和电力负荷的平衡配置，提高电力系统的安全性和稳定性。
3.由于采用单一模型预测方法所得到的光伏发电量预测误差较大，因此现存方法中较多采用智能算法与模型相结合的预测方法。其中svm算法由于能够有效解决分类及复杂的非线性规划问题，在光伏发电预测等方面得到了广泛应用。而在使用一些智能算法优化svm模型参数的过程中也可能还会存在陷入局部最优和收敛速度慢等问题，如何对核参数和惩罚因子进行优化是svm算法研究中的关键问题，不同方法得到的参数能够对预测结果产生不同的影响。


技术实现要素：

4.本发明的目的在于提供一种基于vfoa优化svm模型的光伏发电量预测方法，其采用dwt方法对原始数据进行降噪，利用vfoa智能算法对svm模型参数进行优化，最后使用优化后的svm模型进行光伏发电量预测，提高了光伏发电预测的准确性。
5.本发明公开了一种基于vfoa优化svm模型的光伏发电量预测方法，所述光伏发电量预测方法包括以下步骤：采集光伏电站当地的历史气象数据和对应的发电量数据作为原始数据；其中历史气象数据包括：太阳辐照、风速、温度、湿度、pm10这五个因素变量作为预测模型的输入特征，发电量作为预测模型的目标向量；对原始数据的错误值和缺失值进行人工处理，然后采用小波变换方法对处理后的原始数据进行去噪分析，得出一组可信度较高的新数据；最后用构建训练数据和待预测数据并分别归一化处理；其中小波变换的公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(12)
ꢀꢀꢀꢀꢀ
公式(13)其中是原信号即原始数据；t表示连续时间点1，2...n，且n为总样本量；为信号的近似信息，能够捕获原始信号的趋势；为细节信息的集合，，j为分解层数；dwt为离散小波变换公式，能够获得小波系数；m为尺度，n是与时移有关的参
数，且，为小波函数；利用改进果蝇优化算法对svm参数进行迭代寻优,以支持向量机的惩罚参数c和内核函数g作为优化对象，运用vfoa算法优化svm得到最优模型，在确保光伏发电量预测误差最小的情况下，实现惩罚参数c和核函数g的自适应选择；其中改进果蝇优化算法具体包括以下子步骤：（1）初始化最大迭代次数、果蝇种群规模、惯性权重w，假设果蝇随机初始位置为；（2）根据初始位置，赋予每个果蝇个体搜寻食物的随机方向、距离和速度，计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(2)式中，=1,2...sizepop，为果蝇搜索半径，random()表示0和1之间的随机函数；（3）计算果蝇个体的当前位置与坐标原点的距离di，进一步地计算出味道浓度判定值si；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(7)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(8)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(9)式中，δ为逃脱系数，当距离值di很大时可以避免味道浓度判定值si陷入极小值。
6.（4）由味道浓度判定值si得到新的惩罚因子c和内核参数g，根据新的参数组合（c，g），输入归一化处理后的训练数据，训练svm，得到svm预测模型；输入归一化后的待预测数据并预测，对预测结果反归一化后得到预测值y’；（5）将味道浓度判定值si代入味道浓度判定函数，计算出果蝇个体当前位置的味道浓度；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(10)式中，y
′
是预测输出值，y是真实值。
7.（6）找出果蝇群体中味道浓度最低的果蝇个体；
ꢀꢀꢀ
公式(14)式中，bestsmell 为最佳浓度值，bestindex 为有最佳浓度值的果蝇序号。
8.（7）判断当前味道浓度是否优于前一迭代味道浓度，若是，则保留并记录最佳味道浓度值bestsmell与相应位置，并记录此时的最优惩罚系数c*和最优内核参数g*，同时果蝇群体利用视觉向该位置飞去；
（8）更新果蝇个体的速度和位置，且在迭代过程中，惯性权重w采用线性递减的措施；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(11) 公式(3) 公式(4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(6)式中，w表示惯性权重，w
max
为初始惯性权重，w
min
为线性递减措施所限制的最小惯性权重，iter为当前迭代次数，c1和c2表示加速常数，v
ix
表示第i只果蝇在x方向的速度，v
iy
表示第i只果蝇在y方向的速度，p
ix
表示第i只果蝇在x方向的个体历史最优位置，p
iy
表示第i只果蝇在y方向的个体历史最优位置，g
x
表示在x方向的群体历史最优位置，gy表示在y方向的群体历史最优位置。
9.（9）判断当前迭代次数是否达到最大迭代次数；若成立，则执行步骤（10）；若不是，则重复执行步骤（3）~（8），继续迭代寻优；（10）优化结束，获得最佳味道浓度bestsmell，最优惩罚系数c*以及最优内核参数g*；建立基于vfoa-svm的光伏发电量预测模型；利用vfoa迭代寻优出的最优参数组合（c*,g*）再次训练svm模型，得到基于vfoa优化后的svm光伏发电量预测模型。
10.将待预测数据输入基于vfoa-svm的光伏发电量预测模型，实现对光伏发电量的预测，并采用平均相对误差mre分析进行误差分析。
11.本发明的有益效果及优点是：经过小波变换处理后的数据，消除了其噪音信息，重构出清晰的样本数据，能够提高预测的精确度；通过参考粒子群优化算法中粒子速度的概念，更新果蝇个体的速度和位置、惯性权重在迭代过程中呈线性递减，可以提高果蝇优化算法的全局寻优能力、收敛精度和局部收敛速度；对适应度函数增加逃脱系数，可以避免果蝇优化算法求解过程中陷入局部最优；优化后的vfoa-svm模型相比传统的svm模型泛化能力更强、预测精度更高，可以实现更好的拟合。
附图说明
12.图1是本发明的光伏发电量预测算法流程示意图；图2是本发明的改进果蝇优化算法流程示意图；图3是本发明的一种改进的果蝇三维空间觅食示意图。
具体实施方式
13.为了使本发明的目的、技术方案及优点更加清楚明白，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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例，都属于本发明保护的范围。
14.结合附图1说明具体实施例，一种基于vfoa优化svm的光伏发电量预测方法主要包括以下步骤：采集原始数据：首先，原始数据为收集7-9月的光伏电站当地的历史气象数据和对应的发电量数据，时间段为7:00-18:00，时间间隔为10分钟；其中历史气象数据包括：太阳辐照、风速、温度、湿度、pm10这五个因素变量作为预测模型的输入特征，发电量作为预测模型的目标向量；将9月份最后一天的数据集作为待预测数据，其余的数据集作为训练数据。
15.数据预处理：对数据中存在的错误值和缺失值进行人工处理，如存在负值的数据改为正值，含有
“‑”
的用上一条数据和下一条数据的平均值填补；利用小波变换去噪获得一组可信度较高的新数据，能够提高预测的效率，最后对样本集进行归一化处理。其中小波变换的公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(12)
ꢀꢀꢀꢀꢀ
公式(13)其中是原信号即原始数据；t表示连续时间点1，2...n，且n为总样本量；为信号的近似信息，能够捕获原始信号的趋势；为细节信息的集合，，j为分解层数；dwt为离散小波变换公式，能够获得小波系数；m为尺度，n是与时移有关的参数，且，为小波函数；通过该方法，将原始数据分解为近似信息和细节信息。原始信号与近似信息具有很高的相似性。为了消除原始信号中的不规则信号，因此，排除了噪声部分，选取作为输入信号作为新的样本数据。
16.利用改进果蝇优化算法对svm参数迭代寻优,参见图2和图3。以支持向量机的惩罚参数c和内核函数g作为优化对象，运用vfoa算法优化svm最优模型，在确保光伏发电量预测准确率最大的情况下，实现惩罚参数c和核函数g的自适应选择；其中改进果蝇优化算法具体包括以下子步骤：（1）输入设置初始化最大迭代次数=100、果蝇种群规模sizepop=20，令果蝇随机初始位置为，果蝇搜索半径 r=5，初始惯性权重w=0.9；（2）根据初始位置，赋予每个果蝇个体搜寻食物的随机方向、距离和随机速度,由于对惩罚系数c和内核参数g两个参数进行寻优，因此x与y各有两列数据，计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(2)式中，=1,2...sizepop，为果蝇搜索半径，random()表示0和1之间的随机函数；（3）计算果蝇个体的当前位置与坐标原点的距离di，进一步地计算出味道浓度判定值si；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(7)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(8)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(9)式中，的取值范围为[0,1]，δ为逃脱系数，当距离值di很大时可以避免味道浓度判定值si陷入极小值。（4）由味道浓度判定值si得到新的惩罚因子c和内核参数g，根据新的参数组合（c，g），输入归一化处理后的训练数据，训练svm，得到svm预测模型；输入归一化后的待预测数据并预测，对预测结果反归一化后得到预测值y’，其中，惩罚因子c和内核参数g的计算公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(15)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(16)（5）将味道浓度判定值si代入味道浓度判定函数，计算出果蝇个体当前位置的味道浓度;
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(10)式中，y
′
是预测输出值，y是真实值。
[0017]
（6）找出果蝇群体中味道浓度最低的果蝇个体； 公式(14)式中，bestsmell 为最佳浓度值，bestindex 为有最佳浓度值的果蝇序号。
[0018]
（7）判断当前味道浓度是否优于前一迭代味道浓度，若是，则保留并记录最佳味道浓度值与相应位置，并记录此时的最优惩罚系数c*和最优内核参数g*，同时果蝇群体利用视觉向该位置飞去，所述的最佳味道浓度值与x、y坐标分别为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(17)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(18)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(19)（8）更新果蝇个体的速度和位置，且在迭代过程中，惯性权重w采用线性递减的措施；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(11) 公式(3) 公式(4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(6)式中，w表示惯性权重，w
max
=0.9，w
min
=0.4，iter为当前迭代次数，c1和c2表示加速常数，v
ix
表示第i只果蝇在x方向的速度，v
iy
表示第i只果蝇在y方向的速度，p
ix
表示第i只果蝇在x方向的个体历史最优位置，p
iy
表示第i只果蝇在y方向的个体历史最优位置，g
x
表示在x方向的群体历史最优位置，gy表示在y方向的群体历史最优位置。
[0019]
（9）判断当前迭代次数是否达到最大迭代次数；若成立，则执行步骤（10）；若不是，则重复执行步骤（3）~（8），继续迭代寻优；（10）优化结束，获得最佳味道浓度smellbest，最优惩罚系数c*以及最优内核参数g*；通过上述步骤，编程实现支持向量机惩罚参数c和核函数g的最优化选择，得到最优参数值c*＝7.3601，g*＝2.8672。
[0020]
建立基于vfoa-svm的光伏发电量预测模型；利用vfoa迭代寻优出的最优参数组合（c*,g*）再次训练svm模型，得到基于vfoa优化后的svm光伏发电量预测模型。
[0021]
误差分析：将待预测数据输入基于vfoa-svm的光伏发电量预测模型，得到反归一化处理后的待预测数据的预测值，计算其与实际光伏发电量的平均相对误差结果为0.1379，相比于比没有采用vfoa时的平均相对误差0.2158和采用未改进的果蝇优化算法（foa）时的平均相对误差0.1731都有明显的减小。表明基于vfoa优化svm模型能够明显提高预测准确度，进一步说明了vfoa优化svm的可行性。
[0022]
本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件模块可以利用专有逻辑实现；软件部分可以使用计算机执行指令来运行存储器中的系统。
[0023]
以上实施例仅用以说明本发明的技术方案，而非对其限制。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：包括以下步骤：s1、采集原始数据；s2、对原始数据进行预处理，构建训练数据和待预测数据并分别归一化处理；s3、利用改进果蝇优化算法对svm参数进行迭代寻优；s4、建立基于vfoa-svm的光伏发电量预测模型；s5、将待预测数据代入基于vfoa-svm的光伏发电量预测模型，实现对光伏发电量的预测，并进行误差分析。2.根据权利要求1所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：所述步骤s1中采集的原始数据光伏电站当地的历史气象数据和对应的发电量数据；其中历史气象数据包括：太阳辐照、风速、温度、湿度、pm10这五个因素变量作为预测模型的输入特征，发电量作为预测模型的目标向量。3.根据权利要求1所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：步骤s2数据预处理包括：对原始数据中存在的错误值和缺失值进行处理，然后采用小波变换对处理后的原始数据进行去噪分析，得出一组可信性较高的新数据。4.根据权利要求1所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：步骤s3中以支持向量机的惩罚参数c和内核函数g作为优化对象，运用vfoa算法优化svm最优模型，在确保光伏发电量预测准确率最大的情况下，实现惩罚参数c和核函数g的自适应选择。5.根据权利要求1所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：步骤s3中改进果蝇优化算法具体包括以下子步骤：s3.1、初始化最大迭代次数、果蝇种群规模、惯性权重w，假设果蝇随机初始位置为；s3.2、根据初始位置，赋予每个果蝇个体搜寻食物的随机方向、距离和随机速度,计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(2)式中，=1,2...sizepop，为果蝇搜索半径，random()表示0和1之间的随机函数；s3.3、计算味道浓度判定值si；s3.4、由味道浓度判定值si求得新的惩罚因子c和内核参数g，根据新的参数组合（c，g）训练svm并预测（对预测结果反归一化）得到y’；s3.5、将味道浓度判定值si代入味道浓度判定函数，计算出果蝇个体当前位置的味道浓度smell(i)；s3.6、找出果蝇群体中味道浓度最低的果蝇个体;s3.7、判断当前味道浓度是否优于前一迭代味道浓度，若是，则保留并记录最佳味道浓度值smell*与相应位置，并记录此时的最优惩罚系数c*以及最优内核参数g*，同时果蝇群体利用视觉向该位置飞去；
s3.8、更新果蝇个体的速度和位置；公式(3)
ꢀꢀ
公式(4)公式(5)公式(6)式中，w表示惯性权重并且在迭代过程中采用线性递减的措施，c1和c2表示加速常数，v
ix
表示第i只果蝇在x方向的速度，v
iy
表示第i只果蝇在y方向的速度，p
ix
表示第i只果蝇在x方向的个体历史最优位置，p
iy
表示第i只果蝇在y方向的个体历史最优位置，g
x
表示在x方向的群体历史最优位置，g
y
表示在y方向的群体历史最优位置；s3.9、判断当前迭代次数是否达到所设定的最大迭代次数；若成立，则执行步骤s3.10；若不是，则重复执行步骤s3.2~s3.7继续迭代寻优；s3.10、优化结束，获得最佳味道浓度smell*，最优惩罚系数c*以及最优内核参数g*。6.根据权利要求5所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：所述步骤s3.3味道浓度判定值的计算包括以下步骤：计算果蝇个体的当前位置与坐标原点的距离分别为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(7)（2）计算味道浓度判定值si：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(8)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(9)式中，δ为逃脱系数，当距离值di很大时可以避免味道浓度判定值si陷入极小值。7.根据权利要求5所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：所述步骤s3.5的味道浓度判定函数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(10)式中，y
′
是预测输出值，y是真实值。8.根据权利要求5所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：所述步骤s3.8的惯性权重w在迭代过程中采用线性递减的措施为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(11)式中，w
max
为初始惯性权重，w
min
为线性递减措施所限制的最小惯性权重，iter为当前迭代次数，w最大时，对应的整体搜索能力也表现较强，能够很快定位最优解；迭代后期，w逐渐减小，对应的部分搜索能力得到了提高，可准确地确定最优解地位置。9.根据权利要求1所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：步骤s4中根据权利要求5得到的最优参数组合（c*,g*）再次训练svm模型，得到基于vfoa优化svm的光伏发电量预测模型。
10.根据权利要求1所述的一种基于vfoa优化svm模型的光伏发电量预测方法，其特征在于：步骤s5中误差分析具体采用平均相对误差mre分析。

技术总结
本发明公开了一种基于VFOA优化SVM模型的光伏发电量预测方法，包括以下步骤：S1、采集原始数据；S2、对原始数据进行预处理，构建训练数据和待预测数据并分别归一化处理；S3、利用改进果蝇优化算法对SVM参数进行迭代寻优；S4、建立基于VFOA-SVM的光伏发电量预测模型；S5、将待预测数据代入基于VFOA-SVM的光伏发电量预测模型，实现对光伏发电量的预测，并进行误差分析。本发明利用小波变换对原始数据去噪获得可信度高的新数据，通过参考粒子群优化算法中粒子速度的概念，更新果蝇个体的速度和位置、使惯性权重在迭代过程中呈线性递减，并且对适应度函数增加逃脱系数，从而提高了果蝇优化算法的全局寻优能力、收敛精度和局部收敛速度，使优化后的VFOA-SVM模型相比传统的SVM模型泛化能力更强、预测精度更高，可以实现更好的拟合，最终提供了一种能显著提高光伏发电量预测精度的预测模型。精度的预测模型。


技术研发人员：郑清涛 李进 王栋伟 张玲 陈丝绸 孙金礼 熊湜 吴咏昆
受保护的技术使用者：水发兴业能源（珠海）有限公司 珠海兴业绿色建筑科技有限公司 珠海中建兴业绿色建筑设计研究院有限公司 珠海兴业节能科技有限公司
技术研发日：2022.03.24
技术公布日：2023/10/11