【技术实现步骤摘要】
一种光伏发电功率预测模型及其构建方法和应用
本专利技术属于光伏发电功率预测
，更具体地，涉及一种光伏发电功率预测模型及其构建方法和应用。
技术介绍
光伏发电受太阳辐射强度、温度、气压等多种因素的影响，输出功率具有较大的波动性和随机性，因而对光伏发电功率进行准确预测，能够有效降低其对电网运行稳定性以及电网经济效益的影响。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：一类是以多元线性回归和支持向量机为代表的直接预测方法，另一类则是以人工智能方法如人工神经网络、极限学习机和机器学习为代表的间接预测方法。现有采用间接预测方法进行短期光伏功率预测的方法已有很多，例如，(1)申请号201610698185.7，名称为光伏功率预测系统；(2)申请号201810047788.x，名称为考虑辐射衰减的光伏功率预测方法；(3)申请号201611261697.3，名称为一种自修正检验的光伏功率短期预测方法。然而，目前这些预测方法都存在着一些不足...
【技术保护点】
1.一种光伏发电功率预测模型的构建方法，其特征在于，包括：/nS1、分别获取影响功率趋势项和影响功率波动项的低维特征矩阵m*n，并根据光伏发电原理对每个低维特征矩阵中各维度特征之间进行非线性变换，构造影响该低维特征矩阵对应的功率趋势项或功率波动项的高维特征矩阵m*N，其中，m为历史时间点个数，N、n为特征维度个数，且N>n；/nS2、基于每个高维特征矩阵，采用前向特征选取法，训练用于预测该高维特征矩阵对应的功率趋势项或功率波动项的带补偿偏置的长短期记忆网络预测分模型并得到优选维度集，完成光伏发电功率预测模型的构建。/n
【技术特征摘要】
1.一种光伏发电功率预测模型的构建方法，其特征在于，包括：
S1、分别获取影响功率趋势项和影响功率波动项的低维特征矩阵m*n，并根据光伏发电原理对每个低维特征矩阵中各维度特征之间进行非线性变换，构造影响该低维特征矩阵对应的功率趋势项或功率波动项的高维特征矩阵m*N，其中，m为历史时间点个数，N、n为特征维度个数，且N>n；
S2、基于每个高维特征矩阵，采用前向特征选取法，训练用于预测该高维特征矩阵对应的功率趋势项或功率波动项的带补偿偏置的长短期记忆网络预测分模型并得到优选维度集，完成光伏发电功率预测模型的构建。
2.根据权利要求1所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述影响功率趋势项的低维特征矩阵中包括太阳辐照度维度特征和NWP气象维度特征；所述影响功率波动项的低维特征矩阵中包括云层维度、太阳辐照度差分项维度特征、太阳辐照度导数项维度特征、NWP气象差分项维度特征、NWP气象差分项维度特征。
3.根据权利要求1所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述根据光伏发电原理对每个低维特征矩阵中各维度特征之间进行非线性变换，包括：
根据光伏发电过程，对每个所述低维特征矩阵中各维度特征之间进行多次非线性变换，构造影响该低维特征矩阵对应的功率分项的多个新维度特征，基于该低维特征矩阵和所述多个新维度特征，构建得到影响该功率分项的高维特征矩阵m*N，其中所述功率分项为功率趋势项或功率波动项。
4.根据权利要求1所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述S2包括：
S2.1、对每个高维特征矩阵中每个维度特征进行归一化处理，并采用随机森林确定该高维特征矩阵中各维度间的重要性排序；
S2.2、基于每个重要性排序及其对应的功率分项的真实值，采用前向特征选取法，训练该功率分项的带补偿偏置的长短期记忆网络预测分模型，同时从该重要性排序中选取得到优选维度集，其中，所述功率分项为功率趋势项或功率波动项。
5.根据权利要求1至4任一项所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述带补偿偏置的长短期记忆网络预测分模型包括：长短期记忆网络功率预测子模型和长短期记忆网络功率偏差预测子模型；
则所述S2.2具体为：
(1)按照每个重要性排序，将前k个维度特征输入该重要性排序对应的功率分项的长短期记忆网络功率预测子模型，该预测子模型输出该功率分项...
【专利技术属性】
技术研发人员：蔡涛，卢俊杰，韩月，段方维，
申请(专利权)人：华中科技大学，国网辽宁省电力有限公司，国家电网有限公司，中国电力科学研究院有限公司，
类型：发明
国别省市：湖北;42
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。