基于卡尔曼滤波和LSTM发电超短期预测方法及装置制造方法及图纸

本发明专利技术提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法及装置，该方法包括：获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；对上述数据进行数据清洗，并进行数据归一化；将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；将处理过后的历史气象数据、历史功率数据输入进LSTM模型中进行训练；加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析。本申请极大地提高了预测精度，满足电力系统考核要求。要求。要求。

【技术实现步骤摘要】
基于卡尔曼滤波和LSTM发电超短期预测方法及装置


[0001]本专利技术属于光伏发电领域，具体而言，涉及一种基于卡尔曼滤波和LSTM发电超短期预测方法及装置。

技术介绍

[0002]目前传统的光伏功率预测算法例如支持向量机法、回归分析法等都是将采集到的气象数据与光伏电站的历史功率数据进行结合预测，而光伏功率预测受辐照度和云量的影响很大，气象数据的准确性直接影响到预测结果的精度，一旦出现阴雨天气，预测结果的精度会很差，达不到电力考核的要求。

技术实现思路

[0003]本申请实施例提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法及装置，极大地提高了预测精度，满足电力系统考核要求。
[0004]第一方面，本申请实施例提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法，包括：
[0005]获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；
[0006]对上述数据进行数据清洗，并进行数据归一化；
[0007]将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；
[0008]将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置目标误差阈值，如果误差小于所述目标误差阈值，保存模型，反之继续训练，直到达到目标误差阈值；
[0009]加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析；
[0010]对最终进行过误差分析的预测结果进行反归一化处理，保存结果。
[0011]其中，所述将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据，包括：
[0012]系统矩阵采用单位矩阵I
n
，系统方程和观测方程用以下表示：
[0013]x
t
(t
i
+1)＝x
t
(t
i
)+η(t
i
)
[0014]y
iO
＝H
i
[x
t
(t
i
)]+ε
i
[0015]系统协方差矩阵Q(t
i
)以及观测矩阵R(t
i
)，基于η(t
i
)＝x
t
(t
i+1
)
‑
x
t
(t
i
)以及的最后7个值，表示如下：
[0016][0017][0018]基于卡尔曼滤波修正多步气象数据原理为已知观测矩阵H
i
，通过上式对t
i+1
时刻观测向量进行更新
[0019]其中，所述第一预设时间为四小时。
[0020]其中，所述对上述数据进行数据清洗，包括：对历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据进行缺失值填充、异常值处理。
[0021]第二方面，本申请提供了一种基于卡尔曼滤波和LSTM发电超短期预测装置，包括：
[0022]获取单元，用于获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；
[0023]数据清洗单元，用于对上述数据进行数据清洗，并进行数据归一化；
[0024]第一训练单元，用于将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；
[0025]第二训练单元，用于将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置目标误差阈值，如果误差小于所述目标误差阈值，保存模型，反之继续训练，直到达到目标误差阈值；
[0026]预测单元，用于加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析；
[0027]反归一化处理单元，用于对最终进行过误差分析的预测结果进行反归一化处理，保存结果。
[0028]其中，所述第一训练单元用于：
[0029]系统矩阵采用单位矩阵I
n
，系统方程和观测方程用以下表示：
[0030]x
t
(t
i
+1)＝x
t
(t
i
)+η(t
i
)
[0031]y
iO
＝H
i
[x
t
(t
i
)]+ε
i
[0032]系统协方差矩阵Q(t
i
)以及观测矩阵R(t
i
)，基于η(t
i
)＝x
t
(t
i+1
)
‑
x
t
(t
i
)以及的最后7个值，表示如下：
[0033][0034][0035]基于卡尔曼滤波修正多步气象数据原理为已知观测矩阵H
i
，通过上式对t
i+1
时刻观测向量进行更新
[0036]其中，所述第一预设时间为四小时。
[0037]其中，所述数据清洗单元用于：对历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据进行缺失值填充、异常值处理。
[0038]第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0039]第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
[0040]本申请实施例基于卡尔曼滤波和LSTM发电超短期预测方法及装置具有如下有益效果：
[0041]本申请采用卡尔曼滤波结合LSTM模型进行光伏功率超短期预测，减少了传统预测方式由于气象数据不准确对预测带来的影响，极大地提高了预测精度，满足电力系统考核要求，提高光伏电站运营管理效率，优化电网调度，避免一定经济损失。
附图说明
[0042]图1为本申请实施例基于卡尔曼滤波和LSTM发电超短期预测方法流程示意图；
[0043]图2为本申请实施例基于卡尔曼滤波和LSTM发电超短期预测方法另一种流程示意图；
[0044]图3为LSTM神经元结构图；
[0045]图4为本申请实施例基于卡尔曼滤波和LSTM发电超短期预测装置的结构示意图；
[0046]图5为本申请实施例计算机设备的结构示意图。
具体实施方式
[0047]下面结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卡尔曼滤波和LSTM发电超短期预测方法，其特征在于，包括：获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；对上述数据进行数据清洗，并进行数据归一化；将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置目标误差阈值，如果误差小于所述目标误差阈值，保存模型，反之继续训练，直到达到目标误差阈值；加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析；对最终进行过误差分析的预测结果进行反归一化处理，保存结果。2.根据权利要求1所述基于卡尔曼滤波和LSTM发电超短期预测方法，其特征在于，所述将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据，包括：系统矩阵采用单位矩阵I
n
，系统方程和观测方程用以下表示：x
t
(t
i
+1)＝x
t
(t
i
)+η(t
i
)系统协方差矩阵Q(t
i
)以及观测矩阵R(t
i
)，基于η(t
i
)＝x
t
(t
i+1
)
‑
x
t
(t
i
)以及的最后7个值，表示如下：的最后7个值，表示如下：基于卡尔曼滤波修正多步气象数据原理为已知观测矩阵H
i
，通过上式对t
i+1
时刻观测向量进行更新3.根据权利要求1或2所述基于卡尔曼滤波和LSTM发电超短期预测方法，其特征在于，所述第一预设时间为四小时。4.根据权利要求1或2所述基于卡尔曼滤波和LSTM发电超短期预测方法，其特征在于，所述对上述数据进行数据清洗，包括：对历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据进行缺失值填充、异常值处理。5.一种基于卡尔曼滤波和LSTM发电超短期预测装置，其特征在于，包括：获取单元，用于获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据...

【专利技术属性】
技术研发人员：凌晨光，刘军，
申请(专利权)人：安徽天能清洁能源科技有限公司，
类型：发明
国别省市：