自适应线性非线性混合光伏发电还原模型的制作方法

本发明涉及光伏发电数据处理，具体为自适应线性非线性混合光伏发电还原模型。

背景技术：

1、在光伏发电领域，准确预测光伏发电量对于电网的稳定运行和能源管理至关重要。尽管已有多种预测技术被提出，如深度学习模型和混合整数非线性规划等，但这些方法在实际应用中仍面临诸多挑战。

2、现有技术往往未能充分捕捉和处理线性与非线性数据之间的关系，导致预测精度不足；线性模型虽然能够揭示数据的线性趋势，但它们通常无法有效处理光伏发电数据中的复杂非线性模式；非线性模式可能由多种气象因素如温度、辐照度和风速等与光伏发电功率之间的复杂相互作用产生；大多数模型在训练过程中未能充分利用线性数据的规律性和非线性数据的复杂性，导致在实际应用中预测性能受限。

技术实现思路

1、解决的技术问题

2、针对现有技术的不足，本发明提供了自适应线性非线性混合光伏发电还原模型，解决了如何将线性和非线性模型结合去预测光伏发电功率的问题。

3、技术方案，为实现以上目的，本发明通过以下技术方案予以实现：自适应线性非线性混合光伏发电还原模型，包括：

4、s1.采集光伏发电功率数据和环境数据，对数据进行处理，包括清洗以去除异常值和缺失值，并进行归一化处理，以消除不同数据源的量纲影响；

5、s2.通过自回归滑动平均模型arma建立线性模型，捕捉光伏发电功率的线性趋势，并进行预测光伏发电概率的值；

6、s3.进行非线性映射，采用三阶多项式对光伏发电功率数据进行非线性映射，将处理后的数据扩展至高维空间，以显示光伏发电功率与气象数据之间的非线性关系；基于映射结果，采用resnet构建非线性模型，以捕捉发电功率的复杂非线性变化；

7、s4.基于加权平均进行线性与非线性模型的融合，线性模型和非线性模型的输出通过加权求和的方式进行组合，其中加权系数根据实际发电功率的预测误差进行自适应调整；

8、s5.进行残差分析，残差为线性模型的预测值与实际功率值的差异，采用resnet非线性模型对残差进行预测，将残差的预测值与线性模型预测的值相加，获得光伏发电功率的预测值；

9、s6.基于光伏实际发电功率和预测值，对线性模型和非线性模型进行自适应调整，通过遗传算法动态优化光伏发电还原模型的整体性能。

10、优选的，通过传感器实时监测光伏板的温度、辐照度、风速以及光伏发电功率；数据采集后首先进行数据清洗，包括去除或修正错误的数据记录，识别并处理缺失值，以及剔除异常值；异常值的识别通过多种方法，如统计分析使用标准差或四分位数范围；数据清洗后，进行归一化处理，消除不同数据源的量纲影响；归一化通过最小－最大归一化，它将所有数据缩放到[0,1]的范围内；预处理后的数据将被用于进一步的分析和建模，预测光伏发电功率。

11、优选的，首先需要时间序列数据保持平稳，如果数据不平稳，通过差分进行转换，一旦数据平稳，使用统计软件或编程语言，如r或python来计算时间序列的自相关函数acf和偏自相关函数pacf；在软件中输入时间序列数据，调用acf和pacf的计算函数，函数提供图形输出，展示不同滞后下的相关性；观察acf图，如果在某个滞后点之后相关性迅速下降至随机水平，表明该滞后点之前的值对当前值有显著影响，而之后的值影响不大，这个滞后点可以作为自回归ar部分阶数的一个参考；接着观察pacf图，如果在某个滞后点之后相关性迅速下降至随机水平，这表明该滞后点之前的白噪声项对当前值有显著影响，而之后的白噪声项影响不大，这个滞后点可以作为移动平均ma部分阶数的一个参考；在确定ar和ma的可能阶数后，选择最佳的p和q值，从而确定arma模型的阶数。

12、优选的，将映射后的光伏发电功率数据作为输入特征，构建resnet模型；resnet模型的核心是残差块，每个残差块由两个卷积层、批量归一化层和relu激活函数组成；卷积层用于提取输入数据的特征，批量归一化层用于加速训练过程并提高resnet模型的泛化能力，relu激活函数则引入非线性，使resnet模型捕捉复杂的非线性关系；在每个残差块中，输入数据首先通过第一个卷积层和批量归一化层，然后应用relu激活函数；将激活后的输出再通过第二个卷积层和批量归一化层；将这个输出与输入数据相加，形成残差连接，将多个残差块堆叠起来，形成resnet模型的主体；在resnet模型的末端，添加一个全连接层作为输出层，用于将残差块的输出映射到预测的光伏发电功率；在resnet模型构建完成后，使用映射后的数据对resnet模型进行训练。

13、优选的，定义线性模型arma的预测值为 pt，非线性模型resnet的预测值为；加权平均融合的公式为其中，w 是加权系数，它是一个介于0和1之间的值，用于平衡线性模型和非线性模型的预测贡献，加权系数根据实际发电功率的预测误差进行自适应调整的；计算线性模型和非线性模型的预测误差，然后根据误差的大小来更新加权系数w；若线性模型的预测误差较小，则增加 w 的值，反之，则减少 w 的值，增加非线性模型的权重。

14、优选的，定义残差 et 为线性模型的预测值与实际功率值 pactualt 之间的差异：，利用非线性模型resnet对这些残差进行预测，使用resnet模型捕捉残差数据中的复杂非线性模式，提供残差预测值；resnet模型的预测公式为其中，f 表示resnet模型的非线性映射函数，ω 表示模型参数，n 表示模型考虑的历史残差数据长度。

15、优选的，定义线性模型和非线性模型的参数作为遗传算法中的个体，对于arma模型，个体包括自回归系数和移动平均系数；对于resnet模型，个体包括网络中的权重和偏置；这些参数被编码为个体的基因，每个个体代表一组模型参数组合；定义适应度函数，为预测误差的负值；预测误差越小，适应度函数的值越大，个体被选中参与下一代繁殖的概率也就越高；通过选择、交叉和变异操作来优化模型参数；选择操作中，随机选择两个个体，按照设定的概率，如0.4-0.9之间，交换它们的部分参数，产生新的后代个体；交叉操作中，采用单点交叉、多点交叉或均匀交叉等方法，按照预设的交叉率进行；通过遗传算法的迭代过程，不断更新种群中的个体，选择出适应度最高的个体，即预测误差最小的模型参数组合；这些参数被用来更新线性模型和非线性模型，从而在下一代中获得更好的预测结果。

16、有益效果，本发明提供了自适应线性非线性混合光伏发电还原模型，具备以下有益效果：

17、本发明通过结合arma模型的线性趋势分析和resnet模型的非线性特征提取，使其能够全面捕捉光伏发电功率数据中的复杂动态变化，包括由环境数据引起的非线性相互作用。

18、本发明通过自适应加权平均策略，动态调整线性与非线性模型，使得光伏发电还原模型能够根据实际发电功率的预测误差自动优化，从而在不同的环境和操作条件下均能保持高预测精度。

19、本发明通过非线性模型预测并补偿线性模型的残差，还能够自适应地调整模型以应对光伏发电环境的动态变化，增强了光伏发电还原模型的泛化能力和适应性。