(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110477946.7 (22)申请日 2021.04.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 113159437 A (43)申请公布日 2021.07.23 (73)专利权人 河北工业大 学 地址 300401 天津市北辰区西平 道5340号 河北工业大 学 (72)发明人 李玲玲　李恒屹　刘卫朋　任心雨　 任琦瑛　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06N 3/00(2006.01)G06N 20/10(2019.01) G06F 113/04(2020.01) 审查员 王贇 (54)发明名称 一种短期光伏发电输出功率的预测方法 (57)摘要 本发明涉及一种短期光伏发电输出功率的 预测方法， 其技术特点： 获取光伏发电的数据， 并 将数据分为输入 数据和输出数据， 并对数据进行 归一化处理； 设置改进黏菌优化算法和相关向量 机模型的参数； 运行改进黏菌优化算法， 获得相 关向量机模 型中的高斯核函数的最优参数； 将优 化得到的最优参数带入到相关向量机模型中； 将 预测数据输入到改进黏菌优化算法优化的相关 向量机模型中得到预测结果， 并对 预测结果进行 反归一化。 本发 明能够对短期光伏发电输出功率 进行准确预测， 提高预测的精度， 能够避免地具 有波动性和随机性的光伏发电接入电网时， 对电 网带来的冲击， 使电力系统安全可靠运行。 权利要求书3页 说明书8页 附图2页 CN 113159437 B 2022.03.25 CN 113159437 B 1.一种短期光伏发电输出功率的预测方法， 其特 征在于： 包括以下步骤： 步骤1， 将光伏发电数据划分为训练数据和预测数据， 并对数据进行归一 化处理； 步骤2， 设置和初始化改进黏菌优化 算法和相关向量机模型的参数； 步骤3， 使用训练数据训练相关向量机模型； 步骤4， 计算每一个黏菌的适应度值， 记录其中的最优适应度值和对应的黏菌位置； 步骤5， 更新 黏菌的位置； 步骤6， 重复步骤3和步骤4计算每一个黏菌的适应度值； 步骤7， 比较选出最优适应度值， 并记录最优解； 步骤8， 判断是否 达到设定的最大迭代次数； 步骤9， 输出 具有最优适应度值的黏菌位置， 并将黏菌位置带入相关向量机模型； 步骤10， 使用相关向量机模型对预测数据进行 预测； 步骤11， 输出预测结果， 预测结果反归一 化； 所述步骤1光伏发电输出功率预测的训练数据和预测数据都包含输入和输出数据， 输 入数据包括温度、 湿度、 光照强度， 输出数据是光伏发电的输出功 率； 使用公 式(1)对数据进 行归一化， 式(1)中Pscale， i表示光伏发电输出功率归一化后的数据值， Pi表示光伏发电输出功率的 真实值， Pmin表示光伏发电输出功率的最小值， Pmax表示光伏发电输出功率的最大值； 所述步骤2设置改进黏菌优化算法的迭代次数、 种群中的黏菌数量、 种群的维度， 初始 化黏菌位置； 相关向量机模型设置的高斯核函数关键参数η的范围， 即上界和下届； 其中改 进黏菌优化 算法中黏菌的位置的范围即为相关向量机模型高斯核函数关键参数 η 的范围； 高斯核函数如式(2)所示： K(xi， xj)表示高斯核函数， η表示核函数的宽度， 也是高斯核函数关键参数； 其中， 初始化 黏菌位置的初始化 位置公式如式(3)所示： 式(3)中， 表示每一个黏菌的初 始位置， rand表示属于0到1之间的随机 数， UB表示相关 向量机模型中高斯核函数关键参数η的上界， LB表示相关向量机模型中高斯核函数关键参 数 η 的下届； 所述步骤3将训练数据中的温度、 湿度、 光照强度作为相关向量机模型的输入， 训练数 据中的光伏发电的输出功率作为相关向量机模型 的输出， 用于训练相关向量机模型， 并输 出一组光伏发电功 率预测结果； 其中， 相关向量机模型的高斯核函数关键参数 η是黏菌优化 算法初始化或更新后的黏菌的位置； 所述步骤4使用适应度函数计算公式计算每一个黏菌的适应度值， 适应度函数选取均 方根误差MSE， 表达式如式(4)所示：权　利　要　求　书 1/3 页 2 CN 113159437 B 2式(4)中， N为输出数据中光伏输出功率个数， Pi为输出数据中光伏发电输出功率真实 值， Yi为步骤3中输出的一组光伏发电输出功率 的预测预测结果； MSE计算结果即为适应度 值， 将当前适应度值S(i)按从大到小的顺序排列， 其中记 最优适应度值为bF， 记 最差适应度 值为wF， 将当前最优适应度值b F与全局最优适应度值DF作比较， 将DF更新为二者中最优适 应度值， 并保存该最优黏菌个 体位置； 所述步骤5黏菌位置的更新是根据改进黏菌优化算法的原 理进行的， 按步骤4中适应度 值的大小排列顺序计算每个黏菌个体的权重 此处对原有权重计算公式进行了改进， 改 进前后的权 重计算公式如式(5)和式(6)所示： 改进前： 按适应度值的大小排列顺序， case1表示S(i)排在总体的前1/2部分， case2表示S(i)排 在总体的后1/2部分， r表示在[0， 1]区间内的随机值， SmellIn dex表示适应度值排序顺序， sort(S)表示 适应度值按升序排列； 改进后： 按适应度值的大小排列顺序， case1表示S(i)排在总体的前3/7部分， case2表示S(i)排 在总体的中间1/7部分， case3表示S(i)排在总体的后3/7部分， r表示在[0， 1]区间内的随机 值， SmellIndex表示 适应度值 排序顺序， sor t(S)表示 适应度值按升序排列； 通过更加细致的划分， 赋予每一个黏菌个体适合的权重， 使黏菌更精确的搜寻到食物 的位置， 提高算法的寻优能力； 结合计算得到的每 个黏菌的权 重值， 更新 黏菌的位置， 位置更新式(7)所示： 其中， z取0.03， 是范围为[ ‑a， a]的参数， 从1线性减小到0； t代表当前迭代次数， 代表当前发现的最高气味浓度的单个位置， 代表黏菌的位置， 和 代表从 黏菌中随机 选择的两个 个体， 代表黏菌的权 重； p的计算方法如式(8)所示： p＝tanh|S(i) ‑DF|     (8) 其中i∈(1， 2， ...， n)， S(i)表示 的适应度， tanh表示双曲正切函数， DF表示在所有权　利　要　求　书 2/3 页 3 CN 113159437 B 3