一种基于历史数据分析的短期辐照度预测方法及预测系统技术方案

本发明专利技术公开了一种基于历史数据分析的短期辐照度预测方法及预测系统，属于光伏发电技术领域。预测方法包括：S10、历史数据获取；S20、数据预处理，将S10获取的太阳辐照度数据划分为春季、夏季、秋季及冬季四类季节数据序列，然后将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列；S30、训练数据匹配，根据天气预报获取目标预测日天气类型数据，然后其所对应季节的对应天气数据序列作为训练及测试数据；S40、预测，将S30匹配的数据序列输入LSTM神经网络模型，预测目标预测日24小时的太阳辐照度。本发明专利技术的预测方法，利用LSTM神经网络擅长追踪辐照度的波动性，对其训练数据进行预处理，在不采用多种耦合预测模型方法的基础上有效提高了预测精度。上有效提高了预测精度。上有效提高了预测精度。

【技术实现步骤摘要】
一种基于历史数据分析的短期辐照度预测方法及预测系统


[0001]本专利技术属于光伏发电
，更具体地说，涉及一种基于历史数据分析的短期辐照度预测方法及预测系统。

技术介绍

[0002]光伏发电、水力发电作为清洁、成熟的可再生能源发电形式越来越受人们关注，据国际可再生能源机构统计，2019年全球光伏总装机容量增加了580GW，水电总装机容量达1308GW。精准的径流预测能给水电站调度，水库防洪等提供重要的参考数据，由于光伏输出功率呈现间歇性和波动性，增加了其并网的难度，而辐照度对光伏输出功率的影响最大，因此精准的辐照度预测，对光伏发电有效利用、安全并网有着至关重要的作用。
[0003]目前，辐照度预测有多种方法，如，利用BiLSTM和CNN等预测模型进行预测，但太阳辐照度随季节和天气的变化较大，常规的单种预测方法很难准确预测气象条件下的辐照度，为解决此缺陷，很多学者提出耦合预测的方法，将多种预测方法进行组合，从而提高辐照度预测精度，如，先用LSTM、BP等神经网络模型进行预测，再用其他方法对预测结果进行修正；又如，采用结合卷积神经网络(CNN)和长短时记忆(LSTM)网络的混合深度学习框架预测太阳辐照度，通过验证预测结果表明，耦合预测的方法确能提高预测精度，但耦合预测的方法大多步骤复杂，且计算量大，工作量大。
[0004]经检索，中国专利公开号：CN 112434891 A；公开日：2021年3月2日；公开了一种基于WCNN
‑
ALSTM的太阳辐照度时间序列的预测方法，包括以下步骤：1)采集某地区一年的太阳辐照度数据，按时间顺序依次记录辐照度数值，得到的时间序列数据；2)使用小波变换WT的方法对时间序列数据进行分解，得到频率不同的多个子序列；3)将各个子序列输入CNN
‑
ALSTM深度学习网络模型进行训练，所述CNN
‑
ALSTM深度学习网络模型结合卷积神经网络CNN、长短记忆神经网络LSTM以及Attention机制；4)根据误差评价指标调节模型迭代次数和CNN以及LSTM的内部参数，得到WCNN
‑
ALSTM深度学习网络模型；5)对太阳辐照度进行预测，具体为：将采集的辐照度数据使用小波变换进行分解，得到频率不同的多个子序列，然后输入CNN
‑
ALSTM深度学习网络模型中，将每个子序列进行叠加输出最终的预测结果。该申请案的方法能有效提高辐照度预测精度，但需要预测多组数据并进行叠加，预测步骤复杂，工作量大。

技术实现思路

[0005]为了解决上述技术问题至少之一，根据本专利技术的一方面，提供了一种基于历史数据分析的短期辐照度预测方法，包括如下步骤：
[0006]S10、历史数据获取，获取目标地区历史一年度的太阳辐照度数据；
[0007]S20、数据预处理，
[0008]先将S10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列；
[0009]然后根据S10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列；
[0010]S30、训练数据匹配，根据天气预报获取目标预测日的天气类型数据，然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据；
[0011]S40、预测，将S30匹配的数据序列输入LSTM神经网络模型，预测目标预测日24小时的太阳辐照度。
[0012]根据本专利技术实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤S20中，季节数据序列分类方法为：
[0013]3～5月的数据划分为春季数据序列；6～8月的数据划分为夏季数据序列；9～11月的数据划分为秋季数据序列；12～2月份的数据序列划分为冬季数据序列。
[0014]根据本专利技术实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤S20中，天气数据序列分类方法为：
[0015]获取历史一年度内每个自然日的日平均辐照度；
[0016]然后对每个季节数据序列下的日平均辐照度按从大到小进行排序；
[0017]将排序三等分，按从大到小依次划分为对应季节的晴天、阴天和雨天天气数据序列。
[0018]根据本专利技术实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤S40中，LSTM神经网络模型包括：
[0019]遗忘门f
t
，
[0020]f
t
＝sigm(W
f
x
t
U
f
h
t
‑1+b
f
)；
[0021]输入门i
t
，
[0022]i
t
＝sigm(W
i
x
t
U
i
h
t
‑1+b
i
)；
[0023]激活函数g
t
，
[0024]g
t
＝tanh(W
f
x
t
+U
f
h
t
‑1+b
f
)；
[0025]当前时刻记忆单元状态c
t
，
[0026]c
t
＝f
t
·
c
t
‑1+i
t
·
g
t
；
[0027]输出门o
t
，
[0028]o
t
＝sigm(W
o
x
t
+U
o h
t
‑1+b
o
)；
[0029]LSTM神经网络模型输出h
t
，
[0030]h
t
＝o
t
·
tanh(c
t
)
[0031]其中，W
f
为上一时刻遗忘门输入权重，U
f
为上一时刻遗忘门输出权重，b
f
为上一时刻遗忘门偏置项，W
i
为上一时刻输入门输入权重，U
i
为上一时刻输入门输出权重，b
i
为上一时刻输入门偏置项，c
t
‑1为上一时刻记忆单元状态，W
o
为上一时刻输出门输入权重，U
o
为上一时刻输出门输出权重，b
o
为上一时刻输出门偏置项，x
t
为当前输入的数据，h
t
‑1为上一时刻的输出值。
[0032]根据本专利技术实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤S40具体包括：
[0033]S41、将匹配数据序列做为训练数据d
train
，用于训练LS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于历史数据分析的短期辐照度预测方法，其特征在于，包括如下步骤：S10、历史数据获取，获取目标地区历史一年度的太阳辐照度数据；S20、数据预处理，先将S10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列；然后根据S10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列；S30、训练数据匹配，根据天气预报获取目标预测日的天气类型数据，然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据；S40、预测，将S30匹配的数据序列输入LSTM神经网络模型，预测目标预测日24小时的太阳辐照度。2.根据权利要求1所述的一种基于历史数据分析的短期辐照度预测方法，其特征在于，所述步骤S20中，季节数据序列分类方法为：3～5月的数据划分为春季数据序列；6～8月的数据划分为夏季数据序列；9～11月的数据划分为秋季数据序列；12～2月份的数据序列划分为冬季数据序列。3.根据权利要求2所述的一种基于历史数据分析的短期辐照度预测方法，其特征在于：所述步骤S20中，天气数据序列分类方法为：计算历史一年度内每个自然日的日平均辐照度；然后对每个季节数据序列下的日平均辐照度按从大到小进行排序；将排序三等分，按从大到小依次划分为对应季节的晴天、阴天和雨天天气数据序列。4.根据权利要求3所述的一种基于历史数据分析的短期辐照度预测方法，其特征在于，所述步骤S40中，LSTM神经网络模型包括：遗忘门f
t
，f
t
＝sigm(W
f
x
t
U
f
h
t
‑1+b
f
)；输入门i
t
，i
t
＝sigm(W
i
x
t
U
i
h
t
‑1+b
i
)；激活函数g
t
，g
t
＝tanh(W
f
x
t
+U
f
h
t
‑1+b
f
)；当前时刻记忆单元状态c
t
，c
t
＝f
t
·
c
t
‑1+i
t
·
g
t
；输出门o
t
，o
t
＝sigm(W
o
x
t
+U
o
h
t
‑1+b
o
)；LSTM神经网络模型输出h
t
，h
t
＝o
t
·
tanh(c
t
)；其中，W
f
为上一时刻遗忘门输入权重，U
...

【专利技术属性】
技术研发人员：周建，郭苏，黄文波，李旭，吴峰，项华伟，江薇，许昌，李大成，田耘，阿依努尔，张艳青，段兴林，郑堃，吴迪，吕艳军，
申请(专利权)人：河海大学中国电建集团贵阳勘测设计研究院有限公司华能集团技术创新中心有限公司，
类型：发明
国别省市：