[0003] 针对现有技术的不足，本发明提提出一种基于VMD‑SSA‑GA‑LSTM算法的混合神经网络光伏功率预测方法，通过VMD算法分解光伏功率信号，并有效提取信号特征，利用SSA算法进行特征提取和降维，进行最佳适应度的寻找，最后使用LSTM神经网络进行时间序列的建模和预测，解决了传统光伏功率预测方法的实时性和准确性不理想以及现有混合模型进行光伏功率预测时数据预处理不足、预测速度慢、训练难度大的问题。技术方案：本发明提供一种基于混合神经网络的光伏功率预测方法，具体包括以下步骤：
步骤一：采用VMD算法分解光伏功率信号f(t)，提取有效的信号特征；
步骤二：利用SSA和GA组合优化算法对信号特征进行提取和数据降维，寻找最佳适应度；
步骤三：使用LSTM神经网络进行时间序列的建模和功率预测。
优选的，在步骤一中，使用VMD变分模态分解方法，通过迭代寻找信号的局部频率和振幅，信号的时间变化信息，将复杂信号分解为若干离散模态函数。通过代表信号的不同频率成分和时间变化特征的模态函数，分析信号的结构和特征。
优选的，在步骤二中，使用SSA和GA组合优化算法，将数据初始化并设定一系列参数，适应度函数选用均方误差方法，并按照适应度值排序，通过公式计算适应度最小的最优解。根据计算结果判断是否满足停止条件，若满足则输出结果，若不满足停止条件，重复上述步骤。
优选的，在步骤三中，使用LSTM算法代入训练集，选取合适的数据为目标准确性，再将得到的结果反代入测试集数据，得到误差分析结果。
优选的，所述VMD变分模态分解方法包括如下步骤：
(1)输入信号f(t)分解为k个离散的模态函数uk(t)：
式中：Ak(t)为瞬时振幅； 为瞬时频率，通过变换得到：
再与一个指数 相混叠，解析信号的中心频谱为wk；
对解析信号的模态进行平滑估计，得到带宽：
式中：f为数据样本序列；uk＝1,2,…,n为分解后的模态分量；wk＝1,2,…,n为模态分量对应的中心频率；
(2)增广拉格朗日变换：
(3)采用交替方向方法求解：
优选的，所述SSA和GA组合优化算法包括如下步骤：
(1)、将数据初始化，设定一些列参数；
(2)、适应度函数选用均方误差方法，并按照适应度值排序；
(3)、按照下列公式进行数据数值更新：
式中t为当前迭代次数，itermax为最大迭代次数，α为(0,1]中的随机数；
式中Xp为全局最优位置，Xworst为全局最差位置；
式中Xbest为全局最优位置，β为服从随机正态分布；
(4)、将数据初始化，
(5)、将子代数据进行交叉变换操作和随机变异操作，交叉操作需要随机选取两个个体的某一部分,进行交叉互换,形成两个新的个体,交叉操作可以理解为两条染色体的交叉变异。进行交叉操作时,需要两两为一组,共有两种组合方式,第一种是随机组合；第二种是顺序组合,组合后的个体需要从父代种群中删除。在个体组合好之后,需要判断这个组合是否需要交叉操作,但交叉操作数据仍然是来自父代种群因此求解结果难以实现优化，本专利加入随机变异操作，使子代数据中的部分数据进行随机变异，引入随机变量，扩大子代种群数据规模，在进行迭代的时候更容易得到最优解。
变异操作模拟了基因遗传中的突变现象，与交叉操作的区别在于，它仅针对单个个体实施，无需两个个体间的配合。是否对个体执行变异操作，依赖于变异率的设定。在二进制编码的情境下，变异操作通过对个体的某一部分随机执行“非”逻辑运算来实现。这种变异方式采用列表反转的机制更新个体，即随机选取个体数据的一段进行变异，且设定变异率为30％。值得注意的是，在交叉和变异操作中，系统会识别并记录适应度最佳的个体。
为了确保这一最优个体的优势得以保持，被标记的最优个体将不参与交叉和变异过程。
(6)、对于越界数据进行重新计算，在交叉、变异操作后对种群进行检查和更新。因为交叉和变异操作都是随机进行的,所以会出现一些个体优化异常的现象,主要有超出参数界限异常和“0”异常。交叉操作和变异操作中的超出参数界限异常(参数界限设置为10‑
100)和“0”异常。
当出现参数越界时,通常使用重新生成该参数的方法解决这个问题。
(7)、计算适应度，以传统BP神经网络为例。首先,对二进制种群解码,转换为实数种群；然后根据种群中的隐藏层深度参数、神经元数量参数组建传统BP神经网络模型；接着使用DST和UDDS数据集依次训练网络模型,取模型的最大误差作为该个体的适应度函数；最后,依次计算每个个体的适应度函数。由于时间序列长度参数的加入,在计算CNN和RNN模型的适应度函数时,首先要使用解码后的时间序列长度参数把数据划分为时间序列数据,然后再根据种群中的网络层深度参数、神经元数量参数组建网络模型；取最大误差作为适应度函数；最后计算所有个体的适应度函数。
(8)、进行迭代计算，在完成GA(遗传算法)的优化与检查操作后，系统进入循环迭代阶段。在此阶段，会对比当前迭代与上一次迭代的适应度函数值，从而确定新的最优适应度函数值，并标记出对应的最佳个体。随后，系统检查是否已达到最后一次迭代，若未达到，则返回到计算适应度函数的步骤继续执行；若已达到，则对最佳个体进行解码，得出最终的网络参数，即最佳个体解码后的结果。
(9)、对SSA算法和GA算法得到最优化求解进行平均化处理，获得最终的最优化解值。(10)、根据计算结果判断是否满足停止条件，若满足则输出结果，若不满足停止件，不满足优选的若满足则输出结果，则停止，若不满足停止件，重复上述步骤。
优选的，所述LSTM算法包括如下步骤：
(1)遗忘门f由xt与ht‑1经激活变换得到ft：
ft＝σ(Wfxxt+Wfhht‑1+bf)
(2)输入门i对xt与ht‑1分别进行函数变换得到记忆信息it和候选记忆单元gt：
it＝σ(Wfxxt+Wihht‑1+bi)
gt＝tanh(Wgxxt+Wghht‑1+bg)
(3)根据ft、it、gt与上一时刻的Ct‑1更新当前时刻的记忆单元Ct：
Ct＝gtit+Ct‑1ft。
有益效果：
1、本发明提出一种VMD‑SSA‑GA‑LSTM算法的混合神经网络光伏功率预测方法，可根据均方根误差(RMSE)、平均绝对误差(MAE)、绝对百分比误差中位数(MAPE)的数值判断该模型的优越性与可行性，进而通过分析气象数据、历史发电数据和实时监测数据，动态调整预测模型，相交于传统的功率预测方法，能够更好地捕捉光伏发电与气象因素之间的复杂相互作用，提升瞬时波动的预测能力，从而提高预测的实时性和准确性。
2、本发明首先利用VMD算法分解光伏功率信号，并有效提取信号特征，VMD通过构建并求解一个变分问题将信号分解为多个频带，每个频带对应一个模态函数，能够有效地处理非平稳、非线性信号；其次利用SSA算法进行特征提取和降维，寻找最佳适应度，具有较强的全局搜索能力和较快的收敛速度；通过建立LSTM模型，有效地缓解了传统RNN模型梯度消失问题，更加容易训练，综上，本发明相较于现有混合模型数据处理更完善，预测速度更快，训练更容易。