一种光伏功率短期预测方法及相关装置与流程

1.本技术涉及光伏功率预测技术领域，尤其涉及一种光伏功率短期预测方法及相关装置。


背景技术：

2.并网光伏阵列的发电功率主要受当地的气象条件影响，其中又主要包括太阳辐照度、温度、云层遮挡、湿度、风速等因素。由于天气环境变化的不确定性，天气预报的准确度不高，继而难以保证对光伏发电系统的功率预测的准确度。光伏短期功率预测的误差不仅会影响经济效益，更重要的是对电力系统运行的稳定性、可靠性和调度也会产生不利影响。提高光伏发电功率预测的精度，可以有效降低光伏功率不确定性对电网的影响、提高系统可靠性、维护电能质量、提高光伏系统的渗透水平。因此，可靠、准确的光伏功率短期预测具有重要意义。
3.灰狼优化算法(grey wolf optimizer, gwo) 作为近几年新起的群智能算法之一，因其具有参数少、稳定性强等特点，在解决特征选择、 神经网络优化、路径规划等优化问题时表现出了良好的性能。但该算法也存在求解精度不高，收敛速度慢，易陷入局部最优等缺陷。支持向量机回归(support vector regression，svr)是非常经典的回归模型，其核心思想在于找到众多离散数据中的最佳拟合曲线。svr模型对异常值、缺失值的抗性良好，泛化能力较强，易于实现。缺点在于缺乏实际执行过程中的“自我学习能力”，即无法修改自身的超参数数值，较为依赖人的先验判断。
4.使得现有基于灰狼优化算法、支持向量机回归模型的光伏功率预测方法在极端多变天气情况下的功率预测精度较低。因此，亟需一种光伏功率短期预测方法，能够更好地捕捉天气波动对光伏功率变化的影响。


技术实现要素：

5.本技术提供了一种光伏功率短期预测方法及相关装置，用于解决现有技术在极端多变天气情况下的功率预测精度较低的问题。
6.有鉴于此，本技术第一方面提供了一种光伏功率短期预测方法，所述方法包括：s1、根据光伏电站的历史发电数据与气象数据的对应关系构建样本数据，对所述样本数据进行归一化处理；s2、构建gwo模型，初始化所述gwo模型的参数，以及狼群的种群规模和个体位置，并计算所述gwo模型的种群中个体位置更新过程使用的系数向量，构建svr模型并作为初始预测模型，将所述svr模型中的惩罚因子c和核参数gamma作为gwo模型中狼群个体的位置参数；s3、计算狼群中各个个体的惩罚因子c和核参数gamma对应的适应度函数值，根据所述适应度函数值选取若干个体作为种群的首领；s4、计算狼群中各个个体与所述首领的距离，根据所述距离，采用了规范的gwo候
选位置生成策略，计算个体第一候选位置，采用基于维度学习的狩猎dlh搜索策略，计算个体的第二候选位置；基于适应度函数，从所述第一候选位置和所述第二候选位置中确定个体的最优位置；s5、重复步骤s3-s4，直至达到预设的迭代次数，得到训练好的预测模型，将待预测日的天气数据输入到所述预测模型中，得到光伏发电功率曲线。
7.可选地，所述计算狼群中各个个体与首领的距离，具体包括：基于距离迭代公式，根据若干个所述首领的当前位置，计算得到狼群中各个个体与所述首领的距离值；其中，所述距离迭代公式为：；式中，表示个体与其他个体间的距离向量，t表示当前迭代次数，p表示种群首领的代号，分别为α、β、γ；代表α、β、γ的当前位置。
8.可选地，所述根据所述距离，采用了规范的gwo候选位置生成策略，计算个体第一候选位置，具体包括：基于gwo候选位置生成公式，根据所述距离计算得到个体第一候选位置；其中，gwo候选位置生成公式为：；；式中，、、是迭代过程中的中间向量，用以表征α、β、γ位置对下次迭代的影响程度，表示根据当前个体与α、β、γ个体之间距离计算得出的迭代侯选位置。
9.可选地，所述采用基于维度学习的狩猎dlh搜索策略，计算个体的第二候选位置，具体包括：计算个体的当前位置和候选位置一的欧氏距离，并作为的半径ri(t)，并根据所述半径构造的邻集ni(t)，根据所述邻集内ni(t)的个体构造所述第二候选位置；其中，；（1）（2）
式（1）中，表示与的欧氏距离，式（2）表示候选位置的第d维参数受、、三者共同影响，其中，从邻集ni(t)中随机选择，从种群整体中随机选择。
10.可选地，所述根据光伏电站的历史发电数据与气象数据的对应关系构建样本数据，具体包括：获取气象数据及光伏电站的历史发电数据，其中，所述气象数据包括：太阳辐照度、湿度、温度，所述历史发电数据包括：功率；按照气象数据与对应时刻的功率的组合形式，组合得到所述样本数据。
11.可选地，所述对所述样本数据进行归一化处理，具体包括：采用最大最小标准化方法，根据归一化处理公式，对所述样本数据进行归一化处理，将不同量纲的数据映射到(0,1)范围内，从而消除量纲的影响；其中，归一化处理公式为：；式中，、分别为每组特征的最大值和最小值，为第i组特征样本数据，为归一化处理后的数据。
12.可选地，所述初始化所述gwo模型的参数，以及狼群的种群规模和个体位置，具体包括：初始化狼群的个体总数、迭代次数、各参数的检索范围上限，以及检索范围下限；根据位置向量初始化公式，对种群中所有个体的当前位置向量进行初始化；其中，所述位置向量初始化公式为：；式中，、分别为检索范围上限和检索范围下限，表示第i个位置向量的第j维参数。
13.本技术第二方面提供一种光伏功率短期预测系统，所述系统包括：归一化单元，用于根据光伏电站的历史发电数据与气象数据的对应关系构建样本数据，对所述样本数据进行归一化处理；模型构建单元，用于构建gwo模型，初始化所述gwo模型的参数，以及狼群的种群规模和个体位置，并计算所述gwo模型的种群中个体位置更新过程使用的系数向量，构建svr模型并作为初始预测模型，将所述svr模型中的惩罚因子c和核参数gamma作为gwo模型中狼群个体的位置参数；第一计算单元，用于计算狼群中各个个体的惩罚因子c和核参数gamma对应的适应度函数值，根据所述适应度函数值选取若干个体作为种群的首领；第二计算单元，用于计算狼群中各个个体与所述首领的距离，根据所述距离，采用了规范的gwo候选位置生成策略，计算个体第一候选位置，采用基于维度学习的狩猎dlh搜索策略，计算个体的第二候选位置；基于适应度函数，从所述第一候选位置和所述第二候选
位置中确定个体的最优位置；预测单元，用于触发所述第一计算单元和所述第二计算单元，直至达到预设的迭代次数，得到训练好的预测模型，将待预测日的天气数据输入到所述预测模型中，得到光伏发电功率曲线。
14.本技术第三方面提供一种光伏功率短期预测设备，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的光伏功率短期预测方法的步骤。
15.本技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的光伏功率短期预测方法。
16.从以上技术方案可以看出，本技术具有以下优点：与现有技术相比：原始的gwo算法仅仅参考最优三个个体的位置，无法充分考虑种群的多样性。本技术添加了新的dlh策略后，改进后的gwo算法寻优能力更强，收敛速度更快；并且，改进后的gwo-svr模型拥有比单一svr模型更好的拟合能力，保留了两种算法参数少、易于实现的优点。从而提高了光伏功率预测模型的泛化能力。在仿真实验上，表现出：
①
改进后的预测模型的整体预测曲线更加平滑，拟合精度更高；
②
在阴天、雨天等环境下，改进后模型对多峰曲线的拟合能力提高，能够更好地捕捉天气波动对光伏功率变化的影响。从而解决了现有技术在极端多变天气情况下的功率预测精度较低的问题。
附图说明
17.图1为本技术实施例中提供的一种光伏功率短期预测方法的流程示意图；图2为本技术实施例中提供的一种光伏功率短期预测系统的结构示意图。
具体实施方式
18.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.请参阅图1，本技术实施例中提供的一种光伏功率短期预测方法，包括：步骤101、根据光伏电站的历史发电数据与气象数据的对应关系构建样本数据，对样本数据进行归一化处理；需要说明的是，首先获取历史气象数据及光伏电站的历史发电数据，气象数据包括太阳辐照度、湿度、温度，组合得到每个时刻的“气象-功率”样本数据。
20.接着采用最大最小标准化方法，根据式（1）进行数据归一化处理。将不同量纲的数据映射到(0,1)范围内，消除量纲的影响。
21.（1）
式中，、分别为每组特征的最大值和最小值，为第i组特征样本数据，为归一化处理后的数据。
22.可以理解的是，步骤101归一化处理后的数据用于步骤102的gwo模型的狼群分析。
23.步骤102、构建gwo模型，初始化gwo模型的参数，以及狼群的种群规模和个体位置，并计算gwo模型的种群中个体位置更新过程使用的系数向量，构建svr模型并作为初始预测模型，将svr模型中的惩罚因子c和核参数gamma作为gwo模型中狼群个体的位置参数；需要说明的是，首先构建gwo（灰狼优化算法）模型，并初始化狼群p的个体总数n、迭代次数maxiters、各参数的检索范围上限uj以及检索下限lj。
24.接着，对种群中所有个体的当前位置向量进行初始化。由式（2）确定：（2）在式（2）中，表示第i个位置向量的第j维参数。
25.然后，计算种群个体位置更新过程将使用的系数向量a、c。
26.其中，a为收敛因子，在迭代过程中从2线性递减到0，向量、各维度的数值从[0,1]中随机选取。如式（4）至式（5）。
[0027]
（3）（4）（5）接着，构建svr模型并作为初始预测模型：具体的：预测模型采用支持向量机回归(suppor vactor regression)模型，核函数采用高斯核函数，选取svr模型参数中的惩罚因子c和核参数gamma作为gwo算法中狼群个体的位置参数。
[0028]
其中，c和gamma二者直接影响回归模型的可靠性和拟合能力；同时选取适当的适应度函数，用以表征svr模型回归过程中的损失。
[0029]
步骤103、计算狼群中各个个体的惩罚因子c和核参数gamma对应的适应度函数值，根据适应度函数值选取若干个体作为种群的首领；需要说明的是，计算狼群中每个个体的c和gamma对应的适应度函数值，通过排序选取表现最优的三个个体成为种群的首领，命名为α、β、γ。
[0030]
步骤104、计算狼群中各个个体与首领的距离，根据距离，采用了规范的gwo候选位置生成策略，计算个体第一候选位置，采用基于维度学习的狩猎dlh搜索策略，计算个体的第二候选位置；基于适应度函数，从第一候选位置和第二候选位置中确定个体的最优位置；需要说明的是：首先，计算狼群中其他个体与首领的距离，距离迭代如式（6）：（6）式中，表示个体与其他个体间的距离向量，t表示当前迭代次数，p表示种群首领的代号，分别为α、β、γ；代表α、β、γ的当前位置。
[0031]
接着，计算个体最优位置的候选之一，该步骤采用了规范的gwo候选位置生成策略，候选位置之一可表示为，过程如式（7）至式（10）：（7）（8）（9）（10）式中，、、是迭代过程中的中间向量，用以表征α、β、γ位置对下次迭代的影响程度，表示根据当前个体与α、β、γ个体之间距离计算得出的迭代侯选位置。
[0032]
然后，计算侯选位置之二，侯选位置之二记作，该候选向量运用了一种额外的生成方式，被称为基于维度学习的狩猎(dlh)搜索策略。在这种策略下，种群中的每个个体受到除了头狼α、β、γ的影响之外，还受到种群中里其他个体的影响。
[0033]
1、计算的半径ri(t)，该半径由个体的当前位置和候选位置一的欧氏距离得到；2、根据该半径构造的邻集ni(t)；3、采用随机方法，根据邻集ni(t)内的个体构造的侯选位置之二。如式（11）至式（13）：（11）（12）（13）式（12）中，表示与的欧氏距离，式（13）表示候选位置的第d维参数受、、三者共同影响，其中，从邻集ni(t)中随机选择，从种群整体中随机选择。
[0034]
最后，对比和在适应度函数上的优劣，择优选取，作为本次迭代中该个体的最终候选位置。如式（14）所示。
[0035]
（14）步骤105、重复步骤步骤103-步骤104，直至达到预设的迭代次数，得到训练好的预测模型，将待预测日的天气数据输入到预测模型中，得到光伏发电功率曲线。
[0036]
需要说明的是，首先，对种群中所有个体执行以上迭代过程后，完成对c和gamma参数的一轮更新，完成本轮迭代。此时迭代次数+1，重复执行步骤103-104进行新的迭代，直至
达到最大迭代次数maxiters或满足迭代精度要求，得到训练好的预测模型。
[0037]
最后，进行发电功率预测：将待预测日的天气数据输入到预测模型中，对每个时刻的发电功率进行预测，得到待预测日的光伏发电功率曲线。
[0038]
以上为本技术实施例中提供的一种光伏功率短期预测方法，以下为本技术实施例中提供的一种光伏功率短期预测系统。
[0039]
请参阅图2，本技术实施例中提供的一种光伏功率短期预测系统，包括：归一化单元201，用于根据光伏电站的历史发电数据与气象数据的对应关系构建样本数据，对样本数据进行归一化处理；模型构建单元202，用于构建gwo模型，初始化gwo模型的参数，以及狼群的种群规模和个体位置，并计算gwo模型的种群中个体位置更新过程使用的系数向量，构建svr模型并作为初始预测模型，将svr模型中的惩罚因子c和核参数gamma作为gwo模型中狼群个体的位置参数；第一计算单元203，用于计算狼群中各个个体的惩罚因子c和核参数gamma对应的适应度函数值，根据适应度函数值选取若干个体作为种群的首领；第二计算单元204，用于计算狼群中各个个体与首领的距离，根据距离，采用了规范的gwo候选位置生成策略，计算个体第一候选位置，采用基于维度学习的狩猎dlh搜索策略，计算个体的第二候选位置；基于适应度函数，从第一候选位置和第二候选位置中确定个体的最优位置；预测单元205，用于触发第一计算单元和第二计算单元，直至达到预设的迭代次数，得到训练好的预测模型，将待预测日的天气数据输入到预测模型中，得到光伏发电功率曲线。
[0040]
进一步地，本技术实施例中还提供了一种光伏功率短期预测设备，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令，执行如上述方法实施例所述的光伏功率短期预测方法的步骤。
[0041]
进一步地，本技术实施例中还提供了计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的光伏功率短期预测方法。
[0042]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0043]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0044]
应当理解，在本技术中，“至少一个（项）”是指一个或者多个，“多个”是指两个或两
个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b或c中的至少一项（个），可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0045]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0046]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0047]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0048]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（英文全称：read-only memory，英文缩写：rom）、随机存取存储器（英文全称：random access memory，英文缩写：ram）、磁碟或者光盘等各种可以存储程序代码的介质。
[0049]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种光伏功率短期预测方法，其特征在于，包括：s1、根据光伏电站的历史发电数据与气象数据的对应关系构建样本数据，对所述样本数据进行归一化处理；s2、构建gwo模型，初始化所述gwo模型的参数，以及狼群的种群规模和个体位置，并计算所述gwo模型的种群中个体位置更新过程使用的系数向量，构建svr模型并作为初始预测模型，将所述svr模型中的惩罚因子c和核参数gamma作为gwo模型中狼群个体的位置参数；s3、计算狼群中各个个体的惩罚因子c和核参数gamma对应的适应度函数值，根据所述适应度函数值选取若干个体作为种群的首领；s4、计算狼群中各个个体与所述首领的距离，根据所述距离，采用了规范的gwo候选位置生成策略，计算个体第一候选位置，采用基于维度学习的狩猎dlh搜索策略，计算个体的第二候选位置；基于适应度函数，从所述第一候选位置和所述第二候选位置中确定个体的最优位置；s5、重复步骤s3-s4，直至达到预设的迭代次数，得到训练好的预测模型，将待预测日的天气数据输入到所述预测模型中，得到光伏发电功率曲线。2.根据权利要求1所述的光伏功率短期预测方法，其特征在于，所述计算狼群中各个个体与首领的距离，具体包括：基于距离迭代公式，根据若干个所述首领的当前位置，计算得到狼群中各个个体与所述首领的距离值；其中，所述距离迭代公式为：；式中，表示个体与其他个体间的距离向量，t表示当前迭代次数，p表示种群首领的代号，分别为α、β、γ；代表α、β、γ的当前位置。3.根据权利要求2所述的光伏功率短期预测方法，其特征在于，所述根据所述距离，采用了规范的gwo候选位置生成策略，计算个体第一候选位置，具体包括：基于gwo候选位置生成公式，根据所述距离计算得到个体第一候选位置；其中，gwo候选位置生成公式为：；；式中，、、是迭代过程中的中间向量，用以表征α、β、γ位置对下次迭代的影响程度，表示根据当前个体与α、β、γ个体之间距离计算得出的迭代侯选位置。4.根据权利要求3所述的光伏功率短期预测方法，其特征在于，所述采用基于维度学习的狩猎dlh搜索策略，计算个体的第二候选位置，具体包括：
计算个体的当前位置和候选位置一的欧氏距离，并作为的半径r
i
(t)，并根据所述半径构造的邻集n
i
(t)，根据所述邻集内n
i
(t)的个体构造所述第二候选位置；其中，；（1）（2）式（1）中，表示与的欧氏距离，式（2）表示候选位置的第d维参数受、、三者共同影响，其中，从邻集n
i
(t)中随机选择，从种群整体中随机选择。5.根据权利要求1所述的光伏功率短期预测方法，其特征在于，所述根据光伏电站的历史发电数据与气象数据的对应关系构建样本数据，具体包括：获取气象数据及光伏电站的历史发电数据，其中，所述气象数据包括：太阳辐照度、湿度、温度，所述历史发电数据包括：功率；按照气象数据与对应时刻的功率的组合形式，组合得到所述样本数据。6.根据权利要求1所述的光伏功率短期预测方法，其特征在于，所述对所述样本数据进行归一化处理，具体包括：采用最大最小标准化方法，根据归一化处理公式，对所述样本数据进行归一化处理，将不同量纲的数据映射到(0,1)范围内，从而消除量纲的影响；其中，归一化处理公式为：；式中，、分别为每组特征的最大值和最小值，为第i组特征样本数据，为归一化处理后的数据。7.根据权利要求1所述的光伏功率短期预测方法，其特征在于，所述初始化所述gwo模型的参数，以及狼群的种群规模和个体位置，具体包括：初始化狼群的个体总数、迭代次数、各参数的检索范围上限，以及检索范围下限；根据位置向量初始化公式，对种群中所有个体的当前位置向量进行初始化；其中，所述位置向量初始化公式为：；式中，、分别为检索范围上限和检索范围下限，表示第i个位置向量的第j维参数。8.一种光伏功率短期预测系统，其特征在于，包括：归一化单元，用于根据光伏电站的历史发电数据与气象数据的对应关系构建样本数
据，对所述样本数据进行归一化处理；模型构建单元，用于构建gwo模型，初始化所述gwo模型的参数，以及狼群的种群规模和个体位置，并计算所述gwo模型的种群中个体位置更新过程使用的系数向量，构建svr模型并作为初始预测模型，将所述svr模型中的惩罚因子c和核参数gamma作为gwo模型中狼群个体的位置参数；第一计算单元，用于计算狼群中各个个体的惩罚因子c和核参数gamma对应的适应度函数值，根据所述适应度函数值选取若干个体作为种群的首领；第二计算单元，用于计算狼群中各个个体与所述首领的距离，根据所述距离，采用了规范的gwo候选位置生成策略，计算个体第一候选位置，采用基于维度学习的狩猎dlh搜索策略，计算个体的第二候选位置；基于适应度函数，从所述第一候选位置和所述第二候选位置中确定个体的最优位置；预测单元，用于触发所述第一计算单元和所述第二计算单元，直至达到预设的迭代次数，得到训练好的预测模型，将待预测日的天气数据输入到所述预测模型中，得到光伏发电功率曲线。9.一种光伏功率短期预测设备，其特征在于，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的光伏功率短期预测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的光伏功率短期预测方法。

技术总结
本申请公开了一种光伏功率短期预测方法及相关装置，包括：构建“气象-功率”样本数据并进行归一化处理；接着构建灰狼优化算法，采用随机方法初始化种群规模及个体位置，将SVR模型的C和gamma变量作为狼群个体的位置参数变量；然后计算狼群中各个个体的适应度函数，选取最优的三个个体作为狼群的首领；以及计算狼群个体的候选位置，狼群中的其他个体按照一定的搜索策略和更新策略向首领靠近，优化自身参数；最后不断进行迭代直至达到预设次数，得到训练好的预测模型，从而对待预测日的光伏功率进行预测。本申请基于多维度学习的改进GWO-SVR光伏功率短期预测方法，解决了现有技术在极端多变天气情况下的功率预测精度较低的问题。题。题。


技术研发人员：徐达艺 王海峰 李玲 刘睿 罗宗杰 林海生 阮世栋 戴乔旭 钟俊琛 李源腾 吴信福 李启养 李泽忠 彭显刚
受保护的技术使用者：广东电网有限责任公司湛江供电局
技术研发日：2023.05.29
技术公布日：2023/7/12