本发明涉及光伏预测，尤其是涉及一种光伏功率预测方法。
背景技术：
1、光伏功率准确预测对光伏发电技术的进一步发展有着重要的意义。现阶段，有不少研究采用机器学习进行光伏功率预测，在面对复杂非线性问题时表现出了很好的预测性能。
2、而在光伏数据预测之前，对光伏数据进行信号分解，信号分解能够更好地提取出光伏数据的波动特征，能够有效提高后续光伏预测的准确高效性，常见的信号分解算法包括小波变换、变分模态分解、经验模态分解和奇异谱分析等。现有的方案大多直接对原始光伏数据进行一次分解后进行模型预测，然而一次分解后仍存在相对复杂的特征序列，即信号分解不够彻底和精准，也很大程度影响了后续光伏预测模型的预测精准度。另外，现有的光伏预测模型大多采用单一模型，难以适应不同类型的光伏数据，预测准确性有待进一步提升。
3、因此，亟需设计一种预测准确性更高的光伏功率预测方案。
技术实现思路
1、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了一种准确性更高的光伏功率预测方法、设备及介质。
2、本发明的目的可以通过以下技术方案来实现：
3、根据本发明的第一方面，提供了一种光伏功率预测方法，该方法包括：
4、s1、采集原始光伏数据；
5、s2、采用自适应噪声完备集合经验模态算法对原始光伏数据进行一次分解，得到n1个分解序列；
6、s3、采用变分模态分解算法对n1个分解序列中的第1个分解序列进行二次分解，得到n2个子序列；
7、s4、对n1个分解序列中第2～n1个分解序列聚类后得到中频序列和低频序列，将n2个子序列、中频序列和低频序列作为第一特征组合；
8、s5、构建多模型融合光伏功率预测模型，对所述第一特征组合进行特征提取并将提取特征作为新特征加入后续预测环节，将多模型的预测结果加权融合后输出最终的光伏功率预测结果。
9、优选地，所述s2中，采用自适应噪声完备集合经验模态算法对原始光伏数据进行一次分解，得到n1个分解序列，具体包括以下子步骤：
10、s201、对原始光伏数据x(t)添加噪声得到原始时间序列集合：
11、s202、对于原始时间序列集合中第i个原始时间序列xi(t)，通过经验模态分解得到对应的固有模态函数分量imf1i(t)，将原始时间序列集合的固有模态函数分量平均值作为原始光伏数据的第1个分解序列limf1(t)；
12、s203、根据原始光伏数据x(t)及第1个分解序列limf1(t)的差值，更新残差r1(t)；
13、s204、基于残差r1(t)，重复s201～s203，获得下一个分解序列并更新残差，直到剩余信号的极值点数量不超过两个，即当剩余信号已经成为一个没有显著波动的趋势项时，结束当前一次分解流程，最终得到n1个分解序列。
14、优选地，所述s201中对原始光伏数据添加噪声得到原始时间序列集合，表达式具体为：
15、xi(t)＝x(t)+ni
16、ni＝ω0ε(t)
17、式中：x(t)为原始光伏数据；ni为噪声项；ω0为噪声系数，ε(t)为一个带有单位方差的独立高斯白噪声。
18、优选地，所述s3中对n1个分解序列中第2～n1个分解序列聚类后得到中频序列和低频序列，具体为：采用k-means聚类算法对n1个分解序列中第2～n1个分解序列按照样本熵信息聚类后得到一个中频序列和一个低频序列。
19、优选地，所述s4中多模型融合光伏功率预测模型为以lstm模型、xgboost模型、lightgbm模型为核心的多模型融合光伏功率预测模型。
20、优选地，所述s4中采用线性相连与结果融合的方式构建多模型融合光伏功率预测模型，对所述第一特征组合进行特征提取与预测，输出最终的光伏功率预测结果，具体包括：
21、s401、采用第一lightgbm模型对第一特征组合f1学习提取出第一特征，采用xgboost第一模型对第一特征组合f1学习提取出第二特征；
22、s402、将第一特征与第一特征组合f1组成第二特征组合f2，将第二特征与第一特征组合f1组成第三特征组合f3；
23、s403、采用第二lightgbm模型对第三特征组合f3进行预测，采用第二xgboost模型对第二特征组合f2进行预测，采用lstm模型对第一特征组合f1进行预测，将三个子模型的预测结果加权融合得到最终的预测结果。
24、优选地，采用改进麻雀搜索算法确定s3中所述变分模态分解算法中的解层数与惩罚因子，具体求解过程包括：
25、定义麻雀种群为一个包含解层数与惩罚因子的2维序列；
26、引入立方映射初始化麻雀种群，表达式为：
27、y(n+1)＝4y(n)3-3y(n)
28、在给定初始值y(0)后，通过迭代产生序列y(n)，每一代y(n)中的d维向量对应一个麻雀个体的初始位置；
29、采用蝴蝶优化算法更新发现者位置为：
30、
31、式中：是第t+1次迭代过程中第i只蝴蝶的位置；是第t次迭代过程中第i只蝴蝶的位置；xbest为当前全局最优位置；fi表示适应度的大小；r为0-1的随机数；q为服从标准正态分布的随机数；l为全1矩阵；r为预警值；st为警戒值；
32、引入正余弦函数更新跟随者位置，表达式为：
33、
34、
35、式中：a为大于1的常数；ω1、ω2、ω3为服从均匀分布的随机数，取值范围分别为(0，2π)、(0，2)、(0，1)；
36、更新警戒者位置：
37、
38、式中：为第t次迭代全局最差位置；β为步长控制参数；k为[-1，1]随机数；ξ一个极小常数；fbest分别表示最佳适应度函数，在vmd分解环节与多模型融合参数整定环节，fbest分别取各分量的最小包络熵与光伏功率预测结果的均方根误差。
39、优选地，所述s403中加权融合中第二lightgbm模型、第二xgboost模型、lstm模型的组合系数采用改进麻雀搜索算法求解获得，定义麻雀种群为一个包含组合系数的多维序列。
40、根据本发明的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现任一项所述的方法。
41、根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现任一项所述的方法。
42、与现有技术相比，本发明具有以下有益效果：
43、1)本发明针对原始光伏数据，首先利用自适应噪声完备集合经验模态算法进行一次分解，然后采用变分模态分解算法对经过自适应噪声完备集合经验模态算法一次分解后信号复杂度仍然较高的子序列进行二次分解，有效解决一次分解存在的处理不平稳信号能力不足、依赖历史经验、在频率接近部分存在模态混叠现象等问题，通过二次协同分解能够进一步降低数据不稳定性进而提高预测精准度。
44、2)本发明采用k-means聚类算法按照各序列的样本熵将信息含量相对较少的一众中低频分量聚合为一个中频序列与一个低频序列，解决由于二次分解的引入使得子序列的数量急剧膨胀所带来的模型复杂度增大、原始数据的过拟合问题，通过减少中低频信号序列数，降低后续预测难度。
45、3)采用立方映射、蝴蝶优化算法和正余弦函数改进麻雀搜索算法以对变分模态分解算法中的解层数与惩罚因子进行优化，通过引入立方映射增加麻雀种群初始化时的多样性，同时在发现者与跟随者的位置更新环节引入蝴蝶优化算法增强全局搜索能力，进一步提升了二次分解的准确性；采用改进麻雀搜索算法对多模型融合中的组合系数进行参数优化，提高了模型融合的精准性。
46、4)构建多模型融合光伏功率预测模型，对分解后的信号进行特征提取并将提取特征作为新特征加入后续预测环节，将多模型的预测结果加权融合后输出最终的光伏功率预测结果，提高了光伏功率预测精度；具体地，采用以lstm模型、xgboos模型和lightgbm模型为核心的光伏功率预测模型，选用lstm作为神经网络模型，xgboost模型与lightgbm模型为树模型，共同构建多模型融合预测模型能够有效提高光伏预测准确性，通过将单一预测模型的预测结果作为新特征加入后续预测环节，同时使用不同模型的预测结果进行加权融合进而有效提高光伏功率预测精度。
1.一种光伏功率预测方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种光伏功率预测方法，其特征在于，所述s2中，采用自适应噪声完备集合经验模态算法对原始光伏数据进行一次分解，得到n1个分解序列，具体包括以下子步骤：
3.根据权利要求2所述的一种光伏功率预测方法，其特征在于，所述s201中对原始光伏数据添加噪声得到原始时间序列集合，表达式具体为：
4.根据权利要求1所述的一种光伏功率预测方法，其特征在于，所述s3中对n1个分解序列中第2～n1个分解序列聚类后得到中频序列和低频序列，具体为：采用k-means聚类算法对n1个分解序列中第2～n1个分解序列按照样本熵信息聚类后得到一个中频序列和一个低频序列。
5.根据权利要求1所述的一种光伏功率预测方法，其特征在于，所述s4中多模型融合光伏功率预测模型为以lstm模型、xgboost模型、lightgbm模型为核心的多模型融合光伏功率预测模型。
6.根据权利要求5所述的一种光伏功率预测方法，其特征在于，所述s4中采用线性相连与结果融合的方式构建多模型融合光伏功率预测模型，对所述第一特征组合进行特征提取与预测，输出最终的光伏功率预测结果，具体包括：
7.根据权利要求1所述的一种光伏功率预测方法，其特征在于，采用改进麻雀搜索算法确定s3中所述变分模态分解算法中的解层数与惩罚因子，具体求解过程包括：
8.根据权利要求7所述的一种光伏功率预测方法，其特征在于，所述s403中加权融合中第二lightgbm模型、第二xgboost模型、lstm模型的组合系数采用改进麻雀搜索算法求解获得，定义麻雀种群为一个包含组合系数的多维序列。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
