[发明专利]基于GRA-LMBP权重的多天气类型下直散分离建模预测控制方法

说明书

本发明涉及一种基于GRA‑LMBP权重的多天气类型下直散分离建模预测控制方法，首先统计收集北京地区多年气象辐射数据，根据正态拟合法选取典型气象年并利用修正后的清晰度指数进行天气类型的划分；其次通过支持向量机(SVM)、基于灰色关联分析(GRA)的支持向量机GRA‑SVM和基于主成分分析(PCA)的支持向量机(PCA‑SVM)预测模型分别得出每一种天气类型下的三种单一模型预测结果，然后利用灰色关联分析得到每一种天气类型下各模型的权重系数，进而在每种天气类型下根据各个单一模型预测结果和预测权重系数拟合LMBP神经网络预测模型，最后利用LMBP模型求出的权重系数计算每种天气类型的组合预测模型预测结果。与现有技术相比，本发明具有精度高，运算稳定性强等优点。

技术领域

本发明涉及一种，尤其是涉及一种基于GRA-LMBP权重的多天气类型下直散分离建模预测控制方法。

背景技术

国家能源局于2019年初召开新闻发布会时指出：截至2018年底，我国可再生能源发电装机达到7.28亿千瓦，同比增长12％，其中，光伏发电装机1.74亿千瓦，同比增长34％，居世界第1位。全年光伏发电新增装机4426万千瓦，仅次于2017年新增装机，为历史第二高。2019年，我国将以推进光伏发电高质量发展为主线，继续推动光伏产业发展，保持光伏产业合理的发展规模和发展节奏。

目前，国内外研究人员对于直散分离模型预测的研究多以单一预测模型为主，单一预测模型不但预测精度提高效果很有限，而且准确度和适用性有所不同，预测存在不确定性。概率是一种表达不确定性的方式，而组合预测(或集合预报)则是获得概率预报的一个有效途径。

目前对于“直散分离”预测模型的研究多以单一预测模型为主，然而单一预测模型本身具有局限性，预测精度提高很有限，且各单一预测模型的准确度有所不同，预测存在不确定性。

常见的“直散分离”预测模型大多只考虑少量的气象因素如清晰度指数和日照百分率等，这将影响模型预测精度；然而如果考虑大量的气象因素，不仅会增加模型复杂度，预测效果也会受各气象因素之间的多重共线性关系的影响。所以在建立预测模型时设法降低气象因素间的多重共线性关系对于模型预测精度的提高显得尤其重要。

“直散分离”预测模型分为日尺度、月尺度和小时尺度等，目前针对不同尺度模型的研究均是适用于所有天气类型的，这虽然使用方便，但模型的精度则相对较低。在小时尺度内，天气状况变化较小，因此可以利用该特点研究每种天气类型下的组合预测模型，从而提高预测精度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于GRA-LMBP权重的多天气类型下直散分离建模预测控制方法，提高建模预测精度，主要取决于数据预处理方法、预测算法和预测对象自身特性。因此本发明从前两项出发，首先利用正态拟合方法，对北京地区多年小时尺度原始数据进行典型气象年的选取；其次在每种天气类型下，首先建立三种不同模型预测方案，再对三种预测方案根据GRA-LMBP方法选取适当权重进行组合，得到每种天气类型下的最优组合预测模型。该方法既保留了各个模型本身的预测优势，又通过变权重组合使单个模型预测值过于偏大或偏小的极端情况得以削弱，从而提高模型的预测精度，减小各项误差。

本发明的目的可以通过以下技术方案来实现：

基于GRA-LMBP权重的多天气类型下直散分离建模预测控制方法，包括以下步骤：

步骤1：统计收集地区多年气象数据和辐射数据并利用正态拟合对数据选取典型气象年，所述气象数据包括总云量和能见度，所述辐射数据包括总辐射、直接辐射和散射辐射；

步骤2：对清晰度指数进行修正并根据修正后的清晰度指数划分天气类型获得每一种天气类型的占比；

步骤3：针对每种天气类型分别利用主成分分析和灰色关联分析从原有多种散射比影响因子中提取主成分因子和变量；