The invention discloses a photovoltaic power generation prediction method based on long and short term memory network, which belongs to the photovoltaic power generation prediction technology field. The long and short term memory network prediction model is constructed by using the PV power parameters of the long and short term memory network: a long and short memory network with several hidden layers of neurons is built to use the related five dimension eigenvectors: product day, ambient temperature, ambient humidity, wind speed and solar irradiance, and 30 days before the next day prediction point. The PV power values and weather data at 24 whole points of the day are used as the original data, and the five dimensional vector is composed of an input matrix, which is input to the long and short term memory network to predict the power of the prediction point; compared with all the prediction methods, the present invention builds the current time between the PV power change and the previous PV power changes. The dynamic modeling of time series data is realized, and the variation of photovoltaic power can be reflected more fully, and more accurate PV power prediction can be realized.
【技术实现步骤摘要】
一种利用长短期记忆网络的光伏发电功率预测方法
本专利技术属于光伏发电功率预测
,特别涉及一种利用长短期记忆网络的光伏发电功率预测方法。
技术介绍
光伏系统发电由于受天气情况、昼夜交替和季节变化等外界环境因素的影响而具有波动性和周期性,光伏发电系统大规模接入电网,会对电力系统的安全、稳定运行带来较大的、周期性的冲击。精确的光伏功率预测是保证光伏并网发电安全稳定运行的前提,同时也是对光伏系统发电进行合理分配和调度的重要依据。根据预测时间分类,光伏功率预测可分为短期光伏功率预测和中长期光伏功率预测。对于短期光伏功率预测,目前,主要的研究方法可以概括为以下2类:一类是以时间序列法为代表的传统方法如自回归移动平均模型(AutoregressiveIntergratedMovingModel,ARIMA);另一类是以人工神经网络法为代表的新型人工智能方法如人工神经网络(ArtificialNeuralNetwork,ANN)、极限学习机(limitlearningmachine,ELM)等;机器学习方法主要有支持向量机(SupportVectorMachine,SVM)、随机森林(RandomForest,RF)等。参考(1)申请号:201510750464.9,名称为一种超短期光伏预测方法;(2)申请号:201610069803.1,名称为一种光伏发电系统的功率预测方法;(3)申请号:201410163590.X,名称为基于复合数据源自回归模型光伏发电功率超短期预测方法。目前的这些预测方法都存在着一些不足,对于时间序列法来说,该方法虽然能在一定程度上反映出光伏 ...
【技术保护点】
1.一种利用长短期记忆网络的光伏发电功率预测方法,其特征在于,利用长短期记忆网络的光伏发电功率参数构建长短期记忆网络预测模型:搭建具有包含若干个神经元的隐藏层的长短期记忆网络,利用相关的五维特征向量:积日、环境温度、环境湿度、风速和太阳辐照度和以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据,将这五维向量组成输入矩阵,输入到长短期记忆网络,进行预测点的功率预测;具体步骤:步骤1:输入数据选取:首先选取预测日之前30天每天24个整点时刻的积日、环境温度、环境湿度、风速、太阳辐照度的数据作为光伏功率预测的原始数据;其中积日是从1月1号开始记为1,以此类推12月31日记为365;数据的时间分辨率为一小时;步骤2:基于辐照度指数进行天气类型聚类:鉴于不同天气类型下,理论辐照度和实测辐照度的日曲线与坐标轴所围成的面积之间存在明显的规律;步骤3:数据归一化:当使用多变量时间序列进行光伏功率预测时,不同变量之间量纲不同,数值差别也较大;考虑到模型中非线性激活函数的输入输出范围,为避免神经元饱和,同时也充分的考虑到每一种变量对光伏功率的作用,需要对输入变量和光伏功率时间序列进行 ...
【技术特征摘要】
1.一种利用长短期记忆网络的光伏发电功率预测方法,其特征在于,利用长短期记忆网络的光伏发电功率参数构建长短期记忆网络预测模型:搭建具有包含若干个神经元的隐藏层的长短期记忆网络,利用相关的五维特征向量:积日、环境温度、环境湿度、风速和太阳辐照度和以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据,将这五维向量组成输入矩阵,输入到长短期记忆网络,进行预测点的功率预测;具体步骤:步骤1:输入数据选取:首先选取预测日之前30天每天24个整点时刻的积日、环境温度、环境湿度、风速、太阳辐照度的数据作为光伏功率预测的原始数据;其中积日是从1月1号开始记为1,以此类推12月31日记为365;数据的时间分辨率为一小时;步骤2:基于辐照度指数进行天气类型聚类:鉴于不同天气类型下,理论辐照度和实测辐照度的日曲线与坐标轴所围成的面积之间存在明显的规律;步骤3:数据归一化:当使用多变量时间序列进行光伏功率预测时,不同变量之间量纲不同,数值差别也较大;考虑到模型中非线性激活函数的输入输出范围,为避免神经元饱和,同时也充分的考虑到每一种变量对光伏功率的作用,需要对输入变量和光伏功率时间序列进行归一化处理;实验中对输入变量和光伏功率数据各自进行最大最小值归一化,经过预测模型得到光伏功率预测数据后,再进行反归一化处理;步骤4:建立长短期记忆网络预测模型:长短期记忆网络(Long-ShortTermMemory,LSTM)是一种循环神经网络LSTM单元;每个LSTM单元中存在一个细胞,被视为是LSTM的记忆单元,用于描述LSTM单元的当前状态;LSTM单元的当前状态由3个控制门控制,3个控制门分别是输入门,输出门和遗忘门,三个门分别控制网络的输入、输出以及细胞单元的状态;具体是每个时刻,LSTM单元接收到输入信息后,每个门将对不同来源的输入进行运算,决定输入信息是否通过;输入门的输入经过非线性函数的变换后,与遗忘门处理的记忆单元状态进行叠加,形成新的记忆单元状态;最终,记忆单元状态通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出;其中门单元就是一个使用神经网络和一个按位做乘法的操作,这两个操作合在一起就是一个门单元,门单元中神经网络的权重通过训练过程学习,LSTM依靠门单元让信息有选择性地影响循环神经网络中每个时刻的状态;步骤5:滚动预测:重复前面四个步骤,以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据,进行该预测点的功率预测。2.根据权利要求1所述利用长短期记忆网络的光伏发电功率预测方法,其特征在于,所述步骤2的天气类型聚类指标,将其记为辐照度指数K,辐照度指数等于实测辐照度和理论辐照度日曲线与坐标轴之间围成的面积比值,S理论辐照度记为理论辐照度日曲线与坐标轴所围成的面积,S实测辐照度记为实测辐照度日曲线与坐标轴所围成的面积。辐照度指数的计算公式如下:由辐照度指数的计算公式计算出每天的辐照度指数,基于辐照度指数对预测日之前30天的数据进行聚类,使用K-means聚类算法进行聚类;将预测日前30天的数据进一步聚类为三种天气类型;由于不同天气类型下的辐照度曲线具有明显不同的特征,根据聚类后每个聚类类别的辐照度曲线,进...
【专利技术属性】
技术研发人员:何慧,胡然,张亚宁,焦润海,张莹,
申请(专利权)人:华北电力大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。