一种基于人工智能的光伏发电预测方法技术

本发明专利技术属于光伏发电预测领域，涉及一种光伏发电预测方法，特别涉及一种基于人工智能的光伏发电预测方法。由于天气因素的不稳定随机变化和四季交替，导致光伏出力的不确定性，对电力系统稳定运行不力，现有技术缺少简单易用，精度好的预测方法。本发明专利技术一种基于人工智能的光伏发电预测方法，利用公式来计算天气因素与光伏发电量之间的皮尔逊相关系数，用计算的相关系数的大小，来确定影响光伏发电量的主要天气因素。然后用灰色理论来选取预测日相似的日期，称之为相似日，将选取的相似日的主要影响光伏发电量的天气因素输入到LSTM光伏发电量预测模型进行预测。简单易用，预测精度好。预测精度好。预测精度好。

【技术实现步骤摘要】
一种基于人工智能的光伏发电预测方法


[0001]本专利技术属于光伏发电预测领域，涉及一种光伏发电预测方法，特别涉及一种基于人工智能的光伏发电预测方法。

技术介绍

[0002]目前，随着光伏产业科技方面的快速进步，越来越多的行业开始引进光伏产业，光伏得到了大规模的发展与应用。国家将光伏发电作为新能源发电的核心，越来越多的光伏电站开始纳入了电网。太阳能随处可取且不受束缚，光伏发电可以就近原则供电，减少了电能远距离传输的损耗。这对推进国家电网公司“三型两网，世界一流”战略提供了强大的技术支撑。光伏发电是一把双刃剑，有利有弊。由于天气因素的不稳定随机变化和四季的交替，导致光伏出力的不确定性。光伏发电具有间歇性和波动性，光伏电站输出的光伏发电量不稳定，随着天气的变化而变化，对电力系统稳定运行不利。因此，对光伏发电量进行及时准确的预测，对电网的稳定运行有着极大的好处，减少了主电网受到光伏发电并网的冲击，使电力系统可以安全稳定的运行。也有利于相关部门制定发电、调峰、调度计划，保证实时平衡，减少电网的经济浪费实现收益最大化。只有精准的预测出光伏发电量，光伏产业才能大规模投资以及推广。

技术实现思路

[0003]1、所要解决的技术问题：
[0004]由于天气因素的不稳定随机变化和四季交替，导致光伏出力的不确定性，对电力系统稳定运行不力，现有技术缺少简单易用，精度好的预测方法。
[0005]2、技术方案：
[0006]为了解决以上问题，本专利技术提供了一种基于人工智能的光伏发电预测方法，包括以下步骤：步骤1：划分历史数据，形成训练样本和测试样本；步骤2：对训练样本和测试样本数据进行归一化处理；步骤3：将处理后的数据使用皮尔逊系数法，计算各个天气因素与历史光伏发电量间的皮尔逊相关系数，确定影响光伏发电量的天气因素种类；步骤4：利用灰色理论计算选取的训练日和训练样本数据中主要天气因素的灰色关联度，通过灰色关联度选取所选训练日的相似日；步骤5：建立LSTM神经网络预测模型，选取训练日的日特征向量、所选相似日的日特征向量及所选相似日的日光伏发电量作为输入，训练日的日光伏发电量向量作为输出构成训练集数据，对LSTM神经网络预测模型进行训练；步骤6：测试样本中随机选择待预测日，将待预测日的日特征向量、所选待预测的相似日的日特征向量及所选待预测的相似日的日光伏发电量作为输入，用步骤5中训练好的LSTM神经网络预测模型进行待预测日的光伏发电量预测。
[0007]3、有益效果：
[0008]本专利技术利用公式来计算天气因素与光伏发电量之间的皮尔逊相关系数，用计算的相关系数的大小，来确定影响光伏发电量的主要天气因素。然后用灰色理论来选取预测日
相似的日期，称之为相似日，将选取的相似日的主要影响光伏发电量的天气因素输入到LSTM光伏发电量预测模型进行预测。简单易用，预测精度好。
附图说明
[0009]图1为本专利技术的流程图。
具体实施方式
[0010]下面结合附图对本专利技术做详细说明。
[0011]如图1所示，本专利技术提供了一种基于人工智能的光伏发电预测方法，包括以下步骤：步骤1：划分历史数据，形成训练样本和测试样本。
[0012]步骤2：对训练样本和测试样本数据进行归一化处理。
[0013]步骤3：将处理后的数据使用皮尔逊系数法，计算各个天气因素与历史光伏发电量间的皮尔逊相关系数，确定影响光伏发电量的天气因素种类。
[0014]通过以下式计算光伏发电量与各天气因素间的皮尔逊相关系数：上式中，x为天气因素如辐射度，相对湿度，环境温度，组件温度；y为光伏发电量；和为第i日的各天气因素数据和光伏发电量数据日均值，和为各天气因素数据和光伏发电量数据年均值；n为一年的天数，等于365。
[0015]皮尔逊相关系数(Pearson Correlation Coefficient)用来衡量两个变量的线性关系。其值介于[
‑
1,1],相关系数的绝对值越大，相关性越强,相关系数越接近于0，相关度越弱。值介于[0,1]为正相关，值介于[0,
‑
1]为负相关。表1表示通常情况下通过以下取值范围判断变量的相关强度。
[0016]表1皮尔逊相关系数绝对值与相关强度的关系
[0017][0018][0019]步骤4：利用灰色理论计算选取的训练日和训练样本数据中主要天气因素的灰色关联度，通过灰色关联度选取所选训练日的相似日。
[0020]首先得知预测日的具体时间后，根据预测日的属于哪那一月，将该月的所有历史发电日作为相似日初步样本。相似日理论的核心是某些天的天气因素具有很高的相似性，
因此功率序列也会表现出相似性。为了更加精确在相似日初步样本里选择与预测日最相似的十天，需对天气因素作量化比较。天气特征向量就是对某日天气因素的量化指标，本专利选取对光伏发电量的主要影响因素，有辐射度，相对湿度，温度。用以上天气因素为基准构成每日天气因素特征向量为：
[0021]X
i
＝[I
i
,I
imax
,T
imax
,T
imin
,T
i
,H
i
][0022]公式中I
i
，I
imax
分别代表第i日的平均辐射度、最高辐射度；T
imax
，T
imin
，T
i
分别代表第i日的最高气温、最低气温和平均气温；H
i
代表第i日的平均相对湿度。
[0023]预测日的天气特征向量为：
[0024]X0＝[X0(1),X0(2),
…
,X0(m)][0025]公式中m为天气因素的种类。
[0026]第i个历史发电日的天气特征向量为：
[0027]X
i
＝[X
i
(1),X
i
(2),
…
,X
i
(m)][0028]天气特征向量分量归一化处理为：
[0029]X'
i
(k)＝[X
i
(k)
‑
X
imin
(k)]/[X
imax
(k)
‑
X
imin
(k)][0030]公式中，X
i
(k)是第k个天气特征向量分量；X
imax
(k)和X
imin
(k)是第k个特征向量分量的最大值和最小值。
[0031]天气因素和光伏发电量之间影响程度的高低可以用灰色关联度数值的大小来表示。两者随着时间的变化或者对象不同而变化的关联性大小的量度，称为关联度。若天气因素和光伏发电量在变化的过程中变化趋势相同，那么可以说明它们的同步变化程度比较高，说明它们的关联程度比较高；如果天气因素和光伏发电量在变化的过程中变化趋势不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的光伏发电预测方法，包括以下步骤：步骤1：划分历史数据，形成训练样本和测试样本；步骤2：对训练样本和测试样本数据进行归一化处理；步骤3：将处理后的数据使用皮尔逊系数法，计算各个天气因素与历史光伏发电量间的皮尔逊相关系数，确定影响光伏发电量的天气因素种类；步骤4：利用灰色理论计算选取的训练日和训练样本数据中主要天气因素的灰色关联度，通过灰色关联度选取所选训练日的相似日；步骤5：建立LSTM神经网络预测模型，选取训练日的日特征向量、所选相似日的日特征向量及所选相似日的日光伏发电量作为输入，训练日的日光伏发电量向量作为输出构成训练集数据，对LSTM神经网络预测模型进行训练；步骤6：测试样本中随机选择待预测日，将待预测日的日特征向量、所选待预测的相似日的日特征向量及所选待预测的相似日的日光伏发电量作为输入，用步骤五中训练好的LSTM神经网络预测模型进行待预测日的光伏发电量预测。2.如权利要求1所述的方法，其特征在于：在步骤3中，通过以下式计算光伏发电量与各天气因素间的皮尔逊相关系数：上式中，x为天气因素如辐射度，相对湿度，环境温度，组件温度；y为光伏发电量；和为第i日的各天气因素数据和光伏发电量数据日均值，和为各天气因素数据和光伏发电量数据年均值；n为一年的天数，等于365。3.如权利要求1所述的方法，其特征在于；步骤4中，选取的训练日和训练样本数据中主要天气因素的灰色关联度通过以下步骤获得：选取对光伏发电量的主要影响因素，有辐射度，相对湿度，温度。用以上天气因素为基准构成每日天气因素特征向量为：X
i
＝[I
i
,I
imax
,T
imax
,T
imin
,T
i
,H
i
]公式中I
i
，I
imax
分别代表第i日的平均辐射度、最高辐射度；T...

【专利技术属性】
技术研发人员：王新迪，卞海红，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：