一种基于循环神经网络的光伏电站功率预测方法及系统技术方案

本发明专利技术涉及一种基于循环神经网络的光伏电站功率预测方法及系统，获取光伏电站记录的历史输出功率数据以及气象预报数据；进行数据处理，得到历史输出功率数据时间序列和对应的历史气象数据的时间序列，并进行归一化处理和分割形成样本数据集；构建循环神经网络模型并训练。采集一段时间内的输出功率数据，进行数据处理输入循环神经网络模型；循环神经网络模型输出预测结果，获取对应的输出功率数据作为光伏电站功率预测值。本发明专利技术通过结合光伏电站历史数据和NWP气象预报数据，训练基于循环神经网络模型的光伏功率预测模型，预测未来24小时的光伏发电功率，提高预测精度。提高预测精度。提高预测精度。

【技术实现步骤摘要】
一种基于循环神经网络的光伏电站功率预测方法及系统


[0001]本专利技术涉及光伏发电
，尤其涉及一种基于循环神经网络的光伏电站功率预测方法及系统。

技术介绍

[0002]近年来，随着经济快速增长，越来越多的环境问题随之出现，二氧化碳温室气体猛增，对生命系统形成威胁。在这一背景下，世界各国以全球协约的方式减排温室气体。为实现这一伟大目标，各地应积极调整能源结构，优化产业布局，发展新能源产业，坚持绿色低碳发展。电力行业作为碳排重点，必须大力发展光伏等新能源发电产业，不断优化电力结构，所谓光伏发电是将太阳辐射能通过光伏电池组件直接转换成直流电能，并通过功率变换装置与电网连接在一起，向电网输送有功功率和无功功率的发电系统，因此如何更好的将光伏电站并入电网，充分发挥新能源优势，成为研究的重点，这也对光伏功率预测的精度和时长提出了更高的要求。
[0003]目前，通常采用光伏电站本身的历史发电信息和当地的历史天气信息，利用机器学习训练出反映两者对应关系的模型，并结合未来天气预报的信息预测光伏电站的发电状况。如果没有这个电站本身发电的历史数据，也可以基于本地区其它电站的发电信息或者地区发电数据，预测该电站的发电状况。进一步地获得足量的光伏系统的底层物理信息，比如设计参数、组件类型、安装倾角等等，从而更加准确高效的预测光伏系统在某种气象条件和地形条件下的发电状况。但是，目前预测精度仍然主要受限于区域气象和环境信息的预测精度，亟待提高。
[0004]卫星遥感具有时空分辨率高、覆盖范围广、数据传输准确高效等诸多优点，能够定量获得区域气象和环境信息。在光伏预测系统中，引入高精度的卫星遥感数据，反演得到准确的云和气溶胶等大气成份的理化光学参数和变化趋势，结合地面和探空气象数据，开展短时气象环境预报，可以有效支撑辐射传输模型法以提高不同时空条件地表下行短波辐射的计算精度，从而提升预测精度、提高光伏并网容量，以达到电网要求。
[0005]根据预测流程的不同，光伏预测方法可分为直接预测和间接预测方法。直接预测法使用历史光伏功率数据和气象、辐射数据来预测未来的光伏功率；间接预测法是首先使用气象数据和卫星云图预测太阳短波辐射，然后使用太阳辐射和相关的环境变量计算光电转换率，最后得到预测的光伏功率。根据预测时长的不同，可分为超短期预测(1小时以内)、短期预测(1～6小时) 和中长期预测(6小时～2天，2天以上)。根据预测空间范围的不同，可分为单场预测和区域预测。单场预测是指单个光伏电站的功率预测，区域预测是指对某个区域范围内的多个光伏电站总出力的预测。
[0006]现有方法中，单场的直接预测法是最常用的类型，以光伏电站的历史记录数据作为样本，训练时间序列预测模型(如循环神经网络)，得到未来短期的光伏功率预测结果。但此类方法的外推能力有限，通常仅能在1～4小时有较高的精度，超过4小时后精度快速衰减，因此光伏功率预测的精度和有效时长都有待提高。

技术实现思路

[0007]针对现有技术中存在的问题，本专利技术提供一种基于循环神经网络的光伏电站功率预测方法及系统，通过结合光伏电站历史数据和NWP气象预报数据，训练基于循环神经网络的光伏功率预测模型，预测未来24小时的光伏发电功率，提高预测精度。
[0008]为达到上述目的，本专利技术提供了一种基于循环神经网络的光伏电站功率预测方法，包括：
[0009]获取光伏电站记录的历史输出功率数据以及气象预报数据；
[0010]确定单个样本的历史输入长度p和预测长度q；
[0011]分别对历史输出功率数据以及气象数据进行数据处理，得到历史输出功率数据时间序列和对应的气象数据的时间序列，并进行归一化处理和分割形成样本数据集；
[0012]构建循环神经网络模型；
[0013]由所述样本数据集中选择样本，训练所述循环神经网络，直至输出的预测结果满足精度要求；
[0014]采集一段时间内的输出功率数据，获取当前时刻前p个时刻的气象数据以及未来q个时刻的气象预报数据，进行数据处理，得到输出功率数据时间序列和气象数据及气象预报数据形成的时间序列，进行归一化处理后输入所述循环神经网络模型；
[0015]所述循环神经网络模型输出预测结果，获取对应的输出功率数据作为光伏电站功率预测值。
[0016]进一步地，对历史输出功率数据以及气象预报数据进行数据处理，包括：
[0017]对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值，对所述气象预报数据按照所述历史输出功率数据的时间间隔进行重采样，对所述气象预报数据和所述历史输出功率数据添加时间变量，形成时间上对应的历史输出功率数据时间序列和气象预报数据的时间序列。进一步地，所述时间变量包括月、日、小时、分钟、星期和儒略日。
[0018]进一步地，所述分割包括采用滑动窗口来生成样本，滑动窗口步长为1，窗口长度为p；
[0019]每个样本数据的长度为L＝p+q；前p个时刻数据作为历史输入，后q个时刻的气象预报数据和时间变量作为未来输入，功率数据作为标签；
[0020]每个样本的历史输入维度为p
×
M1，M1包括历史输出功率数据、历史气象数据和时间变量；每个样本的未来输入维度为q
×
M2，M2包括未来q个时刻的气象预报数据和时间变量；每个样本的标签维度为q
×
1，即未来q个时刻的输出功率。
[0021]进一步地，所述循环神经网络模型包括编码层、双向LSTM层和最后的全连接层；
[0022]所述编码层包括L个编码单元依次输入为：p个输出功率数据x
t
‑
(p
‑
1)
,
…
,x
t
以及q个气象数据x
t+1
,
…
,x
t+q
；
[0023]双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元；第i个前向LSTM单元的输入为第i个编码单元输出以及第i
‑
1个前向LSTM单元的输出；第i个后向LSTM单元的输入为第i个编码单元输出以及第i+1个后向 LSTM单元的输出；
[0024]后q个前向LSTM单元及后向LSTM单元的输出至所述全连接层，所述全连接层输出q个时刻的预测结果。
[0025]进一步地，通过网格搜索确定循环神经网络的结构参数最优的参数组合，采用最
优的参数组合设置所述循环神经网络的结构参数，采用MSE作为的损失函数，优化器选择Adam优化器；
[0026]将样本数据集划分为训练集、验证集和测试集；分别对训练集、验证集和测试集中训练样本、验证样本和测试样本；
[0027]训练步骤包括：选择训练样本对所述循环神经网络训练，当满足训练要求后，进入验证步骤；
[0028]验证步骤包括：选择验证样本输入所述循环神经网络进行验证，计算模型精度；返回训练步骤，并调整模型结构参数；
[0029本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的光伏电站功率预测方法，其特征在于，包括：获取光伏电站记录的历史输出功率数据以及气象预报数据；确定单个样本的历史输入长度p和预测长度q；分别对历史输出功率数据以及气象数据进行数据处理，得到历史输出功率数据时间序列和对应的气象数据的时间序列，并进行归一化处理和分割形成样本数据集；构建循环神经网络模型；由所述样本数据集中选择样本，训练所述循环神经网络，直至输出的预测结果满足精度要求；采集一段时间内的输出功率数据，获取当前时刻前p个时刻的气象数据以及未来q个时刻的气象预报数据，进行数据处理，得到输出功率数据时间序列和气象数据及气象预报数据形成的时间序列，进行归一化处理后输入所述循环神经网络模型；所述循环神经网络模型输出预测结果，获取对应的输出功率数据作为光伏电站功率预测值。2.根据权利要求1所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，对历史输出功率数据以及气象预报数据进行数据处理，包括：对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值，对所述气象预报数据按照所述历史输出功率数据的时间间隔进行重采样，对所述气象预报数据和所述历史输出功率数据添加时间变量，形成时间上对应的历史输出功率数据时间序列和气象预报数据的时间序列。进一步地，所述时间变量包括月、日、小时、分钟、星期和儒略日。3.根据权利要求2所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，所述分割包括采用滑动窗口来生成样本，滑动窗口步长为1，窗口长度为p；每个样本数据的长度为L＝p+q；前p个时刻数据作为历史输入，后q个时刻的气象预报数据和时间变量作为未来输入，功率数据作为标签；每个样本的历史输入维度为p
×
M1，M1包括历史输出功率数据、历史气象数据和时间变量；每个样本的未来输入维度为q
×
M2，M2包括未来q个时刻的气象预报数据和时间变量；每个样本的标签维度为q
×
1，即未来q个时刻的输出功率。4.根据权利要求3所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，所述循环神经网络模型包括编码层、双向LSTM层和最后的全连接层；所述编码层包括L个编码单元依次输入为：p个输出功率数据x
t
‑
(p
‑
1)
，...，x
t
以及q个气象数据x
t+1
，...，x
t+q
；双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元；第i个前向LSTM单元的输入为第i个编码单元输出以及第i
‑
1个前向LSTM单元的输出；第i个后向LSTM单元的输入为第i个编码单元输出以及第i+1个后向LSTM单元的输出；后q个前向LSTM单元及后向LSTM单元的输出至所述全连接层，所述全连接层输出q个时刻的预测结果。5.根据权利要求2或3所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，通过网格搜索确定循环神经网络的结构参数最优的参数组合，采用最优的参数组合设置所述循环神经网络的结构参数，采用MSE作为的损失函数，优化器选择Adam优化器；将样本数据集划分为训练集、验证集和测试集；分别对训练集、验证集和测试集中训练
样本、验证样本和测试样本；训练步骤包括：选择训练样本对所述循环神经网络训练，当满足训练要求后，进入验证步骤；验证步骤...

【专利技术属性】
技术研发人员：徐崇斌，王鑫磊，陈前，左欣，吴俣，孙晓敏，杨勇，刘亮，
申请(专利权)人：北京航天创智科技有限公司，
类型：发明
国别省市：