自适应线性非线性混合光伏发电还原模型的制作方法

1.自适应线性非线性混合光伏发电还原模型，其特征在于，包括以下步骤：

2.根据权利要求1所述的自适应线性非线性混合光伏发电还原模型，其特征在于：所述采集光伏发电功率数据和环境数据，包括光伏板的温度、辐照度和风速，以及光伏发电功率。

3.根据权利要求1所述的自适应线性非线性混合光伏发电还原模型，其特征在于：所述自回归滑动平均模型arma首先对采集到的数据进行平稳性检验，若数据不平稳，则通过差分方法对其进行转换，直到数据变得平稳；使用自相关函数和偏自相关函数来识别arma模型的阶数，确定模型中自回归部分（ar）和移动平均部分（ma）的阶数p和q；通过发电功率趋势建立arma模型；其中μ是光伏发电功率的长期均值，ϵt是时间t的白噪声项，代表模型无法解释的随机波动；是自回归项的系数，表示光伏发电功率在时间t与其过去值pt−i之间的相关性；θj是移动平均项的系数，表示白噪声项对当前光伏发电功率的影响；p和q分别是自回归项和移动平均项的阶数。

4.根据权利要求1所述的自适应线性非线性混合光伏发电还原模型，其特征在于：所述进行非线性映射，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；通过三阶多项式展示光伏发电功率与气象数据之间的非线性关系，其中pt是时间 t 的光伏发电功率，是映射后的高维空间表示，a3、a2、a1和a0 是多项式的系数，通过拟合光伏发电功率数据得到；基于映射结果，使用残差网络resnet构建非线性模型，捕捉发电功率的复杂非线性变化；resnet通过引入残差块使网络学习到更深层次的特征表示；在resnet中，每个残差块包含两个卷积层和一个恒等连接，解决深度网络训练中的梯度消失问题；resnet模型包括输入层、多个残差块以及输出层，每个残差块内的卷积层用于提取特征和进行非线性变换，而批量归一化层和relu激活函数则用于加速训练过程并增加模型的非线性；通过这种方式，resnet有效地捕捉光伏发电功率数据中的复杂非线性模式。

5.根据权利要求1所述的自适应线性非线性混合光伏发电还原模型，其特征在于：所述加权平均进行线性与非线性模型的融合，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。

6.根据权利要求1所述的自适应线性非线性混合光伏发电还原模型，其特征在于：所述残差分析要定义残差 et 为线性模型的预测值与实际功率值 pactualt 之间的差异为，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。

7.根据权利要求1所述的自适应线性非线性混合光伏发电还原模型，其特征在于：所述对线性模型和非线性模型进行自适应调整，计算线性模型和非线性模型融合后的预测值与实际发电功率之间的差异，得到预测误差；将线性模型和非线性模型的参数编码为遗传算法中的个体，每个个体代表一组模型的参数，包括arma模型的自回归和移动平均系数，以及resnet模型的权重和偏置；定义适应度函数，适应度函数为预测误差的负值，根据适应度函数，选择个体参与下一代的繁殖过程；随机选择两个个体，按照设定的概率交换它们的部分参数，产生新的后代个体；以一定的概率随机改变个体中的某些参数，增加种群的多样性；通过遗传算法的操作，得到一组新的参数组合，并用来更新线性模型和非线性模型，使其在下一代中获得更好的预测结果。