一种基于LSTM组合预测框架的光伏功率预测方法、系统、设备及存储介质技术方案

本发明专利技术属于光伏发电技术领域，涉及一种基于LSTM组合预测框架的光伏功率预测方法，包括以下步骤：获取光伏电站发电数据，并对异常值进行处理，得到预处理后的发电数据；获取光伏电站所在地的气象数据，根据气象要素添加标签要素，得到预处理后的气象数据；将预处理后的发电数据输入训练好的ARIMA

【技术实现步骤摘要】
一种基于LSTM组合预测框架的光伏功率预测方法、系统、设备及存储介质


[0001]本专利技术属于光伏发电
，具体涉及一种基于LSTM组合预测框架的光伏功率预测方法、系统、设备及存储介质。

技术介绍

[0002]光伏出力主要受到天气与环境的影响，例如太阳辐射、环境温度、环境湿度、风速、风向等，这些影响因素之间存在着十分复杂的非线性关系，为准确预测增加了难度。因此如何深入挖掘气象数据之间的非线性信息是提高预测精度的一个研究方向。已有的预测方法主要分为两个方向，一种是通过建立气象数据与光伏功率之间的映射关系，使用单一的预测模型进行预测，例如BP神经网络、支持向量机SVR等方法，另一种是通过历史光伏发电数据或者结合天气数据基于单一预测模型进行预测。这些预测方法并不能很好的适应气象数据、气象数据与光伏功率数据之间的非线性关系，因此很难得到精度较高的预测结果。

技术实现思路

[0003]本专利技术的目的在于提供一种基于LSTM组合预测框架的光伏功率预测方法、系统、设备及存储介质，解决了现有预测方法预测精度低的问题。
[0004]本专利技术是通过以下技术方案来实现：
[0005]一种基于LSTM组合预测框架的光伏功率预测方法，包括以下步骤：
[0006]S1、获取光伏电站发电数据，并对异常值进行处理，得到预处理后的发电数据；
[0007]获取光伏电站所在地的气象数据，根据气象要素添加标签要素，得到预处理后的气象数据；
[0008]S2、将预处理后的发电数据输入训练好的ARIMA
‑
SVR预测模型，输出该模型下的光伏功率预测值G1；
[0009]将预处理后的气象数据输入优化LSTMs预测模型，得到该模型下的光伏功率预测值G2；
[0010]S3、将ARIMA
‑
SVR预测模型输出的G1与优化LSTMs预测模型输出的G2输入到训练好的顶层SVRM模型，输出光伏功率预测值G；
[0011]S4、将顶层SVRM模型输出的光伏功率预测值G做反归一化处理，输出光伏功率预测值的真实值。
[0012]进一步，S2中，ARIMA
‑
SVR预测模型的训练过程为：
[0013]S201、获取光伏电站历史发电数据，并对异常值进行处理，得到预处理后的历史发电数据；
[0014]S202、构建光伏电站历史发电数据的时间序列，对该时间序列进行平稳性检验，确定差分阶数，并得到差分后的平稳时间序列；
[0015]S203、确定ARIMA
‑
SVR预测模型超参数，其中ARIMA模型中，通过BIC准则分别确定
AR模型与MA模型阶数，并选取径向基函数作为SVR模型的核函数；
[0016]S204、将差分后的平稳时间序列数据进行划分，分别得到历史发电数据训练集与历史发电数据测试集；
[0017]S205、通过历史发电数据训练集对ARIMA模型进行训练，并将ARIMA模型训练过程中计算获得的预测残差序列作为SVR模型的输入进行残差预测，合并ARIMA模型与SVR模型的预测结果，得到最终的ARIMA
‑
SVR预测模型。
[0018]进一步，S2中，优化LSTMs预测模型的搭建过程为：
[0019]S201、获取光伏电站所在地的历史气象数据，根据气象要素添加标签要素，得到特征向量y＝(t,w,f1,f2,f3,w
d
,w
di
,P,A,A
i
,SA,E1,E2,h)，其中t为平均温度；w为平均湿度；w
d
为风速；w
di
为风向；f
i
(i＝1,2,3)分别为水平总辐射、法向总辐射、散射总辐射，P为平均压强；A为光伏支架倾角；A
i
为光伏面板朝向；SA为太阳高度角；E1，E2分别为经度和纬度；h为海拔高度；
[0020]S202、对特征向量数据进行归一化，归一化方法如下式所示：
[0021][0022]式中y
*
(i)表示特征向量y中第i维待标准化数据，y
max
‑
min
(i)为标准化后的第i维数据，max与min分别表示最大值与最小值；
[0023]S203、将归一化后的历史气象数据按照与历史发电数据相同的时间分辨率划分为训练集与测试集，得到气象数据训练集和气象数据测试集；
[0024]S204、建立由K个不同网络结构的LSTM组成的集成LSTMs预测模型；
[0025]基于NSGA
‑
II优化算法对集成LSTMs预测模型进行优化，并通过气象数据训练集对集成LSTMs预测模型进行训练，得到优化LSTMs预测模型。
[0026]进一步，S3中，顶层SVRM模型的训练过程为：
[0027]通过划分好的数据集分别输入到ARIMA
‑
SVR预测模型与优化LSTM预测模型并得到对应的光伏功率预测值G1、G2，将G1、G2作为输入，实际光伏功率为输出，对顶层SVRM模型进行训练，完成顶层SVRM模型的训练，其中顶层SVRM模型选取径向基函数为核函数。
[0028]进一步，S1中，对异常数据处理的具体方法为：
[0029]通过箱型图的方法对光伏电站发电数据进行统计，记录其中的异常值，并使用边界值进行替代。
[0030]进一步，S1中，通过气象局或光伏电站所配备的传感装置获取光伏电站所在地的气象数据。
[0031]进一步，S1中，标签要素包括时间、地理信息及设备信息标签；
[0032]根据气象要素添加标签要素，得到预处理后的气象数据具体为：
[0033]气象数据选取水平总辐照、法向总辐照、散射总辐照、平均风速、平均温度、平均湿度、平均气压、风向作为输入数据，并转换为相应时间分辨率下的离散数据集，为每条气象数据添加年、月、日、时、分的标签要素；
[0034]地理信息包括经纬度信息、太阳高度角和海拔，设备信息包括光伏支架倾角和光伏板朝向。
[0035]一种基于LSTM组合预测框架的光伏功率预测系统，包括：
[0036]第一数据获取模块，用于获取光伏电站发电数据；
[0037]第一数据预处理模块，用于对光伏电站发电数据的异常值进行处理，得到预处理后的发电数据；
[0038]第二数据获取模块，用于获取光伏电站所在地的气象数据；
[0039]第二数据预处理模块，用于根据气象要素针对光伏电站所在地的气象数据添加标签要素，得到预处理后的气象数据；
[0040]ARIMA
‑
SVR预测模型，用于将预处理后的发电数据输入训练好的ARIMA
‑
SVR预测模型，输出该模型下的光伏功率预测值G1；
[0041]优化LSTMs预测模型，用于将预处理后的气象数据输入优化LSTMs预测模型，得到该模型下的光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM组合预测框架的光伏功率预测方法，其特征在于，包括以下步骤：S1、获取光伏电站发电数据，并对异常值进行处理，得到预处理后的发电数据；获取光伏电站所在地的气象数据，根据气象要素添加标签要素，得到预处理后的气象数据；S2、将预处理后的发电数据输入训练好的ARIMA
‑
SVR预测模型，输出该模型下的光伏功率预测值G1；将预处理后的气象数据输入优化LSTMs预测模型，得到该模型下的光伏功率预测值G2；S3、将ARIMA
‑
SVR预测模型输出的G1与优化LSTMs预测模型输出的G2输入到训练好的顶层SVRM模型，输出光伏功率预测值G；S4、将顶层SVRM模型输出的光伏功率预测值G做反归一化处理，输出光伏功率预测值的真实值。2.根据权利要求1所述的一种基于LSTM组合预测框架的光伏功率预测方法，其特征在于，S2中，ARIMA
‑
SVR预测模型的训练过程为：S201、获取光伏电站历史发电数据，并对异常值进行处理，得到预处理后的历史发电数据；S202、构建光伏电站历史发电数据的时间序列，对该时间序列进行平稳性检验，确定差分阶数，并得到差分后的平稳时间序列；S203、确定ARIMA
‑
SVR预测模型超参数，其中ARIMA模型中，通过BIC准则分别确定AR模型与MA模型阶数，并选取径向基函数作为SVR模型的核函数；S204、将差分后的平稳时间序列数据进行划分，分别得到历史发电数据训练集与历史发电数据测试集；S205、通过历史发电数据训练集对ARIMA模型进行训练，并将ARIMA模型训练过程中计算获得的预测残差序列作为SVR模型的输入进行残差预测，合并ARIMA模型与SVR模型的预测结果，得到最终的ARIMA
‑
SVR预测模型。3.根据权利要求1所述的一种基于LSTM组合预测框架的光伏功率预测方法，其特征在于，S2中，优化LSTMs预测模型的搭建过程为：S201、获取光伏电站所在地的历史气象数据，根据气象要素添加标签要素，得到特征向量y＝(t,w,f1,f2,f3,w
d
,w
di
,P,A,A
i
,SA,E1,E2,h)，其中t为平均温度；w为平均湿度；w
d
为风速；w
di
为风向；f
i
(i＝1,2,3)分别为水平总辐射、法向总辐射、散射总辐射，P为平均压强；A为光伏支架倾角；A
i
为光伏面板朝向；SA为太阳高度角；E1，E2分别为经度和纬度；h为海拔高度；S202、对特征向量数据进行归一化，归一化方法如下式所示：式中y
*
(i)表示特征向量y中第i维待标准化数据，y
max
‑
min
(i)为标准化后的第i维数据，max与min分别表示最大值与最小值；S203、将归一化后的历史气象数据按照与历史发电数据相同的时间分辨率划分为训练集与测试集，得到气象数据训练集和气象数据测试集；
S204、建立由K个不同网络结构的LSTM组成的...

【专利技术属性】
技术研发人员：刘永霞，张彦民，韩鹏元，卢浩，唐晓乐，郑传啸，姚武，葛雪松，
申请(专利权)人：特变电工新疆新能源股份有限公司，
类型：发明
国别省市：