【技术实现步骤摘要】
一种基于LSTM的光伏发电功率预测方法与系统
[0001]本专利技术涉及电力领域,尤其涉及一种基于
LSTM
的光伏发电功率预测方法与系统
。
技术介绍
[0002]光伏电因其存在随机性和间歇性等特点,因此精确的预测发电功率,提前告知调度系统,是解决问题的主要手段
。
[0003]目前的光伏发电功率预测系统利用训练的聚类神经网络模型基于气象数据预测光伏发电功率,其不足在于预测的光伏发电功率准确度低
。
技术实现思路
[0004]为了解决现有技术中的至少一个技术问题,本公开提供了一种基于
LSTM
的光伏发电功率预测方法与系统
。
[0005]根据本公开的第一方面,提供了一种基于
LSTM
的光伏发电功率预测方法,包括:
[0006]获取气象预测数据;
[0007]调用预先训练的光伏发电功率预测模型根据所述气象预测数据预测光伏发电功率;
[0008]其中,所述光伏发电功率预测模型包括输入序列层
、LSTM
神经网络层和输出层,所述光伏发电功率预测模型基于历史气象数据和相应的历史光伏发电功率训练得到
。
[0009]优选的,所述
LSTM
神经网络层的
LSTM
网络超参数采用粒子群优化算法调优;
[0010]所述粒子群优化算法的粒子迭代公式为:
[0011]Δθ
j
(t+1)
=< ...
【技术保护点】
【技术特征摘要】
1.
一种基于
LSTM
的光伏发电功率预测方法,其特征在于,包括:获取气象预测数据;调用预先训练的光伏发电功率预测模型根据所述气象预测数据预测光伏发电功率;其中,所述光伏发电功率预测模型包括输入序列层
、LSTM
神经网络层和输出层,所述光伏发电功率预测模型基于历史气象数据和相应的历史光伏发电功率训练得到
。2.
根据权利要求1所述的方法,其特征在于,所述
LSTM
神经网络层的
LSTM
网络超参数采用粒子群优化算法调优;所述粒子群优化算法的粒子迭代公式为:
Δθ
j
(t+1)
=
υ
·
Δθ
j
(t)+
μ
·
r1·
[
θ
pb
(t)
‑
θ
j
(t)]+
η
·
r2·
[
θ
gb
(t)
‑
θ
j
(t)]
其中:
Δθ
j
是角度变化;
t
是迭代寻优次数
/
时刻;
υ
是惯性权值;
μ
和
η
是识别与关联系数;
r1和
r2是0到1之间的随机数;
θ
pb
(t)
是局部最佳角度;
θ
j
是当前角度;
θ
gb
是全局最优角度;
α
ji
(t+1)
是
cos(
Δθ
j
(t+1))
;
β
ji
(t+1)
是
sin(
Δθ
j
(t+1))
;
Δθ
ji
是量子位
j
与
i
之间的相位差
。3.
根据权利要求2所述的方法,其特征在于,所述粒子群优化算法更新粒子的步骤包括:在粒子迭代之前计算量子亲合度和溶度,利用轮盘赌算法更新粒子
。4.
根据权利要求1所述的方法,其特征在于,所述气象预测数据包括光伏站周围...
【专利技术属性】
技术研发人员:朱佼佼,周敬,刘果,李旭东,刘招,
申请(专利权)人:中冶长天国际工程有限责任公司,
类型:发明
国别省市:
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。