本發(fā)明涉及光伏發(fā)電輸出功率預測，具體為一種基于改進bigru的短期光伏功率預測方法、裝置及介質。

背景技術：

1、隨著全球化能源危機的加劇和環(huán)境污染問題的日益嚴重，人類對可持續(xù)和環(huán)保能源的需求日益迫切。光伏發(fā)電作為一種高效、清潔的能源，正迅速發(fā)展并成為全球能源結構轉型的關鍵。然而，光伏發(fā)電的顯著特點之一是其輸出功率具有明顯的波動性和隨機性。這種特性使得光伏發(fā)電在大規(guī)模并網(wǎng)時可能對電網(wǎng)的安全穩(wěn)定性和經(jīng)濟運行產(chǎn)生影響。對電網(wǎng)而言，有效預測光伏發(fā)電功率變化，不僅有助于優(yōu)化電網(wǎng)的運行和管理，也提高對可再生能源的接納能力，實現(xiàn)更加經(jīng)濟高效的電力系統(tǒng)運營。

2、當前，光伏發(fā)電功率預測研究已取得一系列進展。預測方法主要分為兩大類：物理法和統(tǒng)計法。物理法主要基于光照輻射和光伏電站周圍的天氣數(shù)據(jù)。統(tǒng)計法則包括諸如自回歸滑動平均模型(arima)、貝葉斯統(tǒng)計和馬爾可夫鏈等，上述方法在預測中雖然考慮了歷史數(shù)據(jù)影響，但在處理大數(shù)據(jù)量和復雜天氣波動方面存在一定的挑戰(zhàn)。近年來，隨著機器學習技術的迅速發(fā)展，基于機器學習的預測模型在光伏發(fā)電功率預測領域顯示出了巨大的潛力。例如，支持向量機、長短期記憶網(wǎng)絡、k近鄰算法和分布式梯度增強庫等模型在處理大量數(shù)據(jù)和復雜模式方面展現(xiàn)了優(yōu)越的性能。目前，光伏功率預測的研究重點在于參數(shù)調(diào)優(yōu)難、對小數(shù)據(jù)集處理能力不足等問題，尤其是在復雜和變化多端的天氣條件下，如何提高預測的準確性和魯棒性，成為該領域的關鍵挑戰(zhàn)。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于改進bigru的短期光伏功率預測方法、裝置及介質，以解決上述背景技術中提出的問題。

2、鑒于上述問題，本發(fā)明提出的技術方案是：

3、一種基于改進bigru的短期光伏功率預測的方法，包括以下步驟：

4、包括以下步驟：

5、步驟一：利用c-c法確定光伏發(fā)電功率相空間重構參數(shù)，提取天氣特征，并將太陽輻射強度設置為附加因子，合并成為特征集f(t)；

6、步驟二：利用樹拆分和特征變換處理所述特征集f(t)，使其適合梯度提升決策樹模型，變換后的特征輸入到梯度提升決策樹模型進行初步預測，提前處理和分析結構化數(shù)據(jù)，識別關鍵特征和模式；

7、步驟三：在bigru的訓練階段將梯度提升決策樹模型輸出和光伏功率真實值通過教師強迫機制輸入到bigru模型捕捉時間上的依賴，而后在預測階段的bigru輸出層得到融合模型的預測結果。

8、作為本發(fā)明的一種優(yōu)選技術方案，在所述步驟一中的在光伏發(fā)電功率相空間重構過程中，恰當選取延遲時間τ和嵌入維數(shù)m，上述兩個參數(shù)的選取直接影響吸引子重構質量，進而決定預測效果，考慮c-c法具有抗噪能力強、計算量小的特點，采用其求解相空間重構參數(shù)，將所述延遲時間τ和嵌入維數(shù)m代入c-c法中。

9、c-c法計算步驟如下：

10、t1：對于光伏發(fā)電功率序列pi(i＝1,2,...,n)，令嵌入時間序列的關聯(lián)積分為：

11、

12、式中n為數(shù)據(jù)點總數(shù)；m為延遲向量個數(shù)；r為所定義空間距離；h(x)為階躍函數(shù)；pi、pj分別是嵌入到光伏發(fā)電功率序列重構相空間中的兩個點；

13、t2：構造檢驗統(tǒng)計量：

14、s1(m,n,r,τ)＝c(m,n,r,τ)-cm(1,n,r,τ)

15、根據(jù)bds(brock-dechert-scheinkman)統(tǒng)計定理可得τ的合理估計，取n＝3000，m＝2,3,4,5，ri＝iσ/2，i＝1,2,3,4，構造并計算新檢驗統(tǒng)計量表示為：

16、

17、選δs1首個局部極小值對應最優(yōu)延遲時間τ，尋找|s1(τ)-s2(τ)|的周期作為最優(yōu)嵌入窗l(fā)，并由m＝int(l/τ)+1，求得嵌入維數(shù)m。

18、作為本發(fā)明的一種優(yōu)選技術方案，所述步驟二中對于特征集f(t)的初步預測包括以下步驟：

19、s1：在梯度提升決策樹模型數(shù)據(jù)處理階段，將特征集f(t)輸入到梯度提升決策樹模型進行樹拆分處理，梯度提升決策樹模型的決策樹結構將輸入特征根據(jù)均方差作為分割標準進行分割，找到每個特征的最佳閾值，將數(shù)據(jù)劃分成更小的子區(qū)域，并對每個特征進行標準化和歸一化；

20、s2：在梯度提升決策樹模型訓練階段，將處理后的數(shù)據(jù)集作為輸入數(shù)據(jù)，梯度提升決策樹模型利用梯度提升決策樹構建多個決策樹，逐步擬合數(shù)據(jù)，減少殘差，提高整體預測能力；在訓練過程中，先初始化預測值，將初始預測值設置為目標值的均值；之后計算每個數(shù)據(jù)點的殘差，使用決策樹對殘差進行擬合，使用均方差選擇最佳分割點，使得每個節(jié)點的誤差最小；更新整體梯度提升決策樹模型的預測值，通過將弱學習器的輸出加到當前預測上來減少殘差，再重復上述步驟，逐步增加決策樹，直至模型的誤差收斂到指定閾值；

21、s3：在梯度提升決策樹模型預測階段中，依次通過所有決策樹，對于每個待預測的數(shù)據(jù)點ti，將其輸入到每一棵訓練好的決策樹中，計算每棵樹的輸出，將所有樹的預測值累加得到最終的預測輸出。

22、作為本發(fā)明的一種優(yōu)選技術方案，所述步驟三中得到融合模型的預測結果包括以下步驟：

23、j1：數(shù)據(jù)處理過程中，在bigru的訓練階段，利用教師強迫機制來構建輸入數(shù)據(jù)，即將梯度提升決策樹模型輸出的預測值ygbdt(ti)、真實值ytrue(t)、氣象特征數(shù)據(jù)作為bigru的輸入；使用滑動窗口方法處理輸入數(shù)據(jù)，將前n個時間步的輸入用于預測下一個時間步的輸出，得到輸入數(shù)據(jù)集xwindow(t)；在模型預測階段，模型只基于它自身的預測結果進行迭代更新；在第一個時間步，使用已知的歷史數(shù)據(jù)作為輸入；在后續(xù)時間步，bigru逐步使用之前的預測結果作為輸入；

24、j2：輸入數(shù)據(jù)集通過bigru進行計算，bigru由兩個gru結構組成，分別用于前向傳播和反向傳播；

25、bigru隱藏層更新公式為；

26、

27、式中：wt、vt是前、后向隱層gru的輸出權重，ht表示t時刻bigru的隱藏狀態(tài)，bt表示偏置量；

28、j3：利用bigru生成的隱藏狀態(tài)序列h(t)，生成光伏發(fā)電功率預測結果；

29、ybigru(t)＝wout·ht+bout

30、式中：wout是輸出層的權重矩陣，bout是偏置項。

31、另一方面，本發(fā)明提供一種基于改進bigru的短期光伏功率預測的裝置，包括顯示器、處理器、計算機程序，所述處理器執(zhí)行所述計算機程序實現(xiàn)上述任一項所述方法的步驟。

32、同時，本發(fā)明提供一種基于改進bigru的短期光伏功率預測的存儲介質，包括存儲介質，所述計算機程序儲存在所述存儲介質內(nèi)。

33、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

34、一、該基于改進bigru的短期光伏功率預測的方法，通過相空間重構，將原始光伏發(fā)電功率時間序列嵌入到高維空間中，以便捕捉其復雜的動態(tài)行為，c-c方法用于確定相空間重構的最佳嵌入維數(shù)，使得重構后的相空間準確反映光伏發(fā)電功率的變化規(guī)律。重構后的特征與氣象特征結合后，用于梯度提升決策樹(gbdt)的訓練，有效提升了模型的預測性能；

35、二、該基于改進bigru的短期光伏功率預測的方法，在bigru模型中引入教師強迫機制，通過使用真實歷史值代替模型自身預測值進行訓練，減少了誤差累積，提高了模型的學習效率和穩(wěn)定性，特別是在復雜、多變的天氣條件下也能保持較高的預測精度；

36、三、該基于改進bigru的短期光伏功率預測的方法，創(chuàng)新性地結合了gbdt和bigru模型，gbdt擅長處理結構化數(shù)據(jù)，識別復雜非線性特征，而bigru擅長時間序列建模，捕捉時間上的依賴性。這種融合充分利用了兩者的優(yōu)勢，從而顯著提高了光伏發(fā)電功率的預測精度。