基于ABC优化BSTS模型的光伏功率预测数字孪生系统的构建方法与流程

本发明属于光伏发电功率预测数字孪生领域，具体涉及通过基于人工蜂群算法(artificial bee colony,abc)和贝叶斯结构时间序列模型(bayesian structured timeseries,bsts)实现光伏发电预测的数字孪生系统。

背景技术：

1、世界正逐渐进入可再生能源时代。中国分布式太阳能电网在校园和地区扩展，大规模的集群式分布式光伏(d-pv)电网正在成为重要的发展路线。另一方面，大量间歇性和不可预测的光伏电源分散进入电网。为了完成调节，分布式光伏发电的输出功率变化块必须与全景数据结合起来，以实现有效的预测和控制。如何使分布式光伏功率以适应性方式连接到电网是一个基本问题。

2、目前，一些学者对分布式光伏功率预测进行了相关研究，并取得了一定的研究成果。panapakidis等人以聚合能源系统为研究对象，采用基于场景的方法研究了输入数量和类型对一个国家光伏和风力发电总容量考虑的发电预测性能的影响。然而，这种方法并没有研究光伏和风力发电各自的特性。visser等人评估了12种现有的分布式光伏发电预测模型，并研究了在不同系统间距下对几个光伏系统进行聚类对有效性的影响。结果表明，在计算光伏发电时需要考虑用户的目标。另一方面，尚未提出独特且相关的功率预测模型。yu等人提出了一种解决光伏输出功率不可预测性和不稳定性可能导致的严重分钟至分钟功率变化的优秀方法。这些变化可能是由于光伏输出的意外和不稳定造成的。然而，这种方法在接收到的历史数据和生成的预测数据之间建立了直接映射。这种映射没有考虑到数据系列之间的时间关系。ma等人描述的方法包括两个过程：使用k-means算法对不同类型的天气进行分组，以及使用eedm从聚类产生的数据中解构光伏输出功率。该方法采用mfa-elman神经网络。这种策略不能保证随着时间、环境和操作条件的不断演变，准确预测的需求将继续以可靠的方式得到满足。

技术实现思路

1、发明目的：本发明目的在于提出了一种基于abc优化bsts模型的光伏功率预测数字孪生系统的构建方法，采用贝叶斯结构时间序列进行建模，并结合人工蜂群算法来优化模型参数，具有灵活性、鲁棒性和稳定性，不仅包含了传统的数据处理和分析能力，还能融入数字孪生的动态模拟和实时反馈功能，能够更精确地预测光伏发电系统的行为。

2、技术方案：本发明提供的一种基于abc优化bsts模型的光伏功率预测数字孪生系统的构建方法，包括如下步骤：

3、步骤1：收集光伏发电的历史数据，对数据进行预处理；

4、步骤2：建立贝叶斯结构时间序列bsts模型，将观测节点定义为光伏发电量大小，确定贝叶斯网络内的概率分布和参数，定义观测方程与状态转移方程；

5、步骤3：使用人工蜂群算法abc优化bsts模型的初始参数，首先初始化蜜蜂种群大小和迭代次数，利用abc算法的雇佣蜂、跟随蜂和侦察蜂阶段进行全局和局部参数搜索，根据结果更新bsts模型的先验分布参数；

6、步骤4：利用初始参数优化后的bsts模型进行贝叶斯推断，对光伏发电量进行预测和验证，修正模型参数；

7、步骤5：将优化后的bsts模型集成到数字孪生框架中，构建了包含物理层、感知层、数据传输层、数据处理层和决策层的光伏发电功率预测数字孪生结构体系。

8、作为优选，所述观测方程与状态转移方程表示为：αt+1＝ttαt+rtηt；其中t表示时刻，yt是标量观测值，为光伏发电量大小，是观测矩阵转置向量，αt是状态向量，包括影响光伏发电的各个因素，εt是标量观测误差，tt是转移矩阵，rt是控制矩阵，ηt系统误差。

9、作为优选，选择光伏模块温度和光辐射强度作为影响光伏发电的因素；t+1时刻的光伏发电量pt+1，与t时刻的光伏发电量pt、t+1时刻的光伏模块温度tt+1和t+1时刻的光辐射强度gt+1有因果关系；t+1时刻的光伏模块温度tt+1受到同一时刻的光辐射强度gt+1和环境温度t′t+1的影响；t+1时刻的光辐射强度gt+1受到t时刻的光辐射强度gt的影响。

10、作为优选，使用bsts模型对光伏发电量进行预测，包括使用全概率公式来计算未来时间点的预测分布，利用获得的后验分布进行点预测和区间预测；其中点预测是后验分布的均值或中位数，区间预测是基于后验分布的可信区间。

11、作为优选，所述步骤3中使用人工蜂群算法优化的初始参数包括转移矩阵、观测矩阵、噪声协方差矩阵以及初始状态的均值和协方差参数；使用人工蜂群算法依次优化各个矩阵。

12、作为优选，所述步骤3中具体包括：

13、步骤31：产生一个随机分布的初始种群，设食物源数量，问题求解维度d，所求解的问题为转移矩阵、观测矩阵、噪声协方差矩阵以及初始状态的均值和协方差参数中的一个，在初始化过程中，每个雇佣蜂初始化一个食物源的位置，由侦查蜂进行随机选取，得到一个d维结果；

14、步骤32：雇佣蜂执行邻域搜索操作，然后执行贪婪选择操作；

15、步骤33：跟随蜂选择要跟随的雇佣蜂，然后以同样的方式进行邻域搜索和贪婪选择；

16、步骤34：记录到目前为止种群寻找到的全局最优解和全局最优值；

17、步骤35：检查是否有被放弃的花蜜源，若有则执行侦察蜂操作；当种群进化到一定的时期，若一个花蜜源在经过limit次邻域搜索后，解的质量仍然没有提高，则认为此蜜源被消耗殆尽，雇佣蜂遗弃此蜜源并变为侦察蜂，待侦察蜂再次随机寻找到一个新的蜜源后重新变为雇佣蜂，并将记录该蜜源未被改善次数的计数器置零；

18、步骤36：判断是否满足结束条件，若满足则输出全局最优值和全局最优解并退出，否则返至步骤32继续算法的运行。

19、作为优选，所述人工蜂群算法使用贝叶斯结构时间序列模型的预测性能来评价每个个体的适应度；适应度为基于模型预测光伏发电量的准确性，使用均方根误差和平均绝对误差以及训练模型的时间中的一种或结合来评估训练和预测过程的准确性。

20、作为优选，所述步骤5中数字孪生框架的结构体系包括：

21、物理层，用于从分布在光伏发电设施中的太阳能电池阵中获取包括功率的数据；

22、感知层，用于从传感器和气象站接收天气数据；

23、数据传输层，用于使用本地分布式存储和集中式云存储的混合存储来存储所有数据；

24、数据处理层，用于通过人工蜂群算法和贝叶斯结构时间序列模型，利用历史数据对初始预测值进行补偿校正，作为决策层的依据，生成最终的光伏并网方案；

25、决策层，用于运维管理和电网调度，以保证光伏并网的安全稳定。

26、作为优选，所述步骤5中数字孪生框架的构建包括：

27、将整个光伏发电系统划分为四个层级，包括用户端、中心服务器集群、控制服务和设备；

28、建立中心服务器集群，部署不同类型的服务器，包括nginx服务器、web服务器、远程服务器和数据库服务器，这些服务器负责接收和处理指令和数据；

29、建立控制服务层和设备层；在控制服务层中，各种服务器用于提供控制服务和通信支持；设备层包括物理设备、3d模型设备、监控设备和辅助控制设备，用于实际的光伏发电操作和监控；

30、将数字孪生建模分为3d模型和机制模型，3d模型提供可视化的设备模型和场景，机制模型用于模拟设备的运行规律；

31、建立遥控规则，遥控规则通过websocket协议实现用户、服务器、控制器和设备之间的实时数据交互，包括远程控制和远程监控；

32、建立远程桌面，使用远程桌面来远程管理和监控物理设备的运行状态；

33、建立数字孪生同步机制，确保物理系统和数字孪生系统之间的数据同步和信息一致性。

34、本发明提供一种基于abc优化bsts模型的光伏功率预测数字孪生系统，所述系统中集成有优化后的bsts模型，所述bsts模型基于如下步骤进行优化：收集光伏发电的历史数据，对数据进行预处理；建立bsts模型，将观测节点定义为光伏发电量大小，确定贝叶斯网络内的概率分布和参数，定义观测方程与状态转移方程；使用人工蜂群算法abc优化bsts模型的初始参数，首先初始化蜜蜂种群大小和迭代次数，利用abc算法的雇佣蜂、跟随蜂和侦察蜂阶段进行全局和局部参数搜索，根据结果更新bsts模型的先验分布参数；利用优化后的bsts模型进行贝叶斯推断，对光伏发电量进行预测和验证，修正模型参数。

35、有益效果：本发明方法中光伏系统功率预测方法采用贝叶斯结构时间序列进行建模，结合人工蜂群算法来确定最优参数和性能，能够有效避免模型陷入局部最优解，操作简单、控制参数少，因此有较高的鲁棒性和稳定性；结合贝叶斯时间序列模型整合先验知识和数据，增强模型的解释性和预测性，为光伏发电领域带来了一种创新的、高效的解决方案，展现了数字技术在可再生能源领域应用的巨大潜力。相较于传统稀疏贝叶斯回归模型，本发明使用bsts模型提供了较强的灵活性，其包含如趋势和季节性等多种组件，更好地捕捉数据的动态变化。本发明使用bsts通过贝叶斯推断为预测提供完整的概率分布，能够给出预测值并量化预测的不确定性。本发明中可以通过数字孪生系统实时接收的新数据，并通过更新贝叶斯模型的后验分布来改进预测，使模型自适应于新情况。