基于误差修正和长短期记忆网络的光伏发电功率预测方法技术

本发明专利技术公开了基于误差修正和长短期记忆网络的光伏发电功率预测方法包括，采用双向长短期记忆网络结构对光伏功率数据进行预测，得到预测值与观测值之间的误差序列；基于经验模态分解算法分解所述误差序列，计算原始误差序列和各阶误差固有模态分量的概率密度函数；基于豪斯多夫距离比较模态分量和原始误差序列的概率密度函数的相似性，筛选并计算保留的模态分量的权重系数；采用双向长短期记忆网络结构预测各个模态分量以及光伏功率，分配每一个模态分量的权重系数；将预测误差模态分量和光伏功率预测结果相加，得到修正后的未来功率预测值；本发明专利技术通过分析误差序列和模态分量的相似性，能够自动修正预测误差，更加准确的预测光伏功率发电数据。光伏功率发电数据。光伏功率发电数据。

【技术实现步骤摘要】
基于误差修正和长短期记忆网络的光伏发电功率预测方法


[0001]本专利技术涉及光伏发电功率预测
，尤其涉及一种基于误差修正和长短期记忆网络的光伏发电功率预测方法。

技术介绍

[0002]太阳能因其具有存储丰富、安全、环境友好等特点，且不受资源分布地域限制，所以已成为全国乃至全世界大力推广的清洁能源，而其广泛应用，对于解决全球能源危机、保护环境以及促进人类可持续发展都具有重要意义。光伏发电作为最有潜力的可再生能源发电形式之一，具有低成本和零污染的特点，精确的光伏发电功率预测能有效减少电网并网风险，提高光伏电站的经济效益。
[0003]光伏发电功率预测方法大致可分为统计方法、物理方法、深度学习方法和混合方法这4种类型。统计方法通过建立气象等相关信息与光伏功率之间的映射关系，进行光伏功率的预测。将数值天气预报和地理气象信息相结合，是物理方法进行光电功率预测的主要思路。随着深度学习的快速发展，并在各种领域取得重大成功，基于深度学习的光伏发电功率预测方法被大量研究。但在目前研究中，许多学者对原始光伏功率数据进行分析和提取特征，采用机器学习模型进行预测，没有对历史预测产生的误差进行分析和挖掘。采用模态分解得到的模态分量，大都采用直接融合的方式进行叠加求和，没有进一步分析模态分量和原始序列之间的内在联系。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了基于误差修正和长短期记忆网络的光伏发电功率预测方法，用来解决实际问题中，电网并网风险大、传统方法使用双向长短期记忆网络结构预测值不准确的问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：
[0007]本专利技术提供了基于误差修正和长短期记忆网络的光伏发电功率预测方法，包括：
[0008]采用双向长短期记忆网络结构对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列；
[0009]基于经验模态分解算法分解所述误差序列，得到n阶固有模态函数；
[0010]基于核密度函数计算原始误差序列和各阶误差固有模态分量的概率密度函数；
[0011]基于豪斯多夫距离比较误差固有模态分量和原始误差序列的概率密度函数的相似性，筛选并计算保留的误差固有模态分量的权重系数；
[0012]采用双向长短期记忆网络结构预测各个误差固有模态分量以及光伏功率，分配每一个模态分量的权重系数；
[0013]将预测误差固有模态分量和光伏功率预测结果相加，得到修正后的未来功率预测值。
[0014]作为本专利技术所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：所述采用双向长短期记忆网络对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列，包括：
[0015]将光伏功率数据由双向长短期记忆网络结构的输入层输入，正向序列沿初始时刻由前向后计算，得到并记忆各时刻隐含层的输出；反向序列则沿时刻由后向前计算，得到并记忆各时刻隐含层的输出；
[0016]正向序列和反向序列并行计算，正向序列和反向序列分别得到一个激活函数，最后综合两个激活函数输出的结果得到最终的输出；
[0017]双向长短期记忆网络结构的数学表达式为：
[0018][0019][0020]n
t
＝R(s4x
t
+s6x
t
′
)
[0021]其中，s1和s3表示输入到前向隐藏层和后向隐藏层的权重向量；s2和s5表示各隐藏层间的权重向量；s4和s6分别表示前向隐藏层和后向隐藏层到输出层的权重向量；x
t
和x
t
′
分别表示前向层和后向层的输出向量；n
t
表示当前时刻输出层的输出向量。
[0022]作为本专利技术所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：基于经验模态分解算法分解所述误差序列，包括：
[0023]将其中不同尺度的波动和趋势逐级分解，输出一系列具有不同特征尺度的数据序列，即误差固有模态函数(IMF)；
[0024]通过筛选得到所述的误差固有模态函数。
[0025]作为本专利技术所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：通过筛选得到所述的误差固有模态函数，包括：
[0026]输入原始误差序列，标出误差序列的局部极值点，通过三次样条插值连接极大值点构成上包络线，连接极小值点构成下包络线，然后求上下包络线的均值c1，再用误差序列减去c1；多次迭代上述过程，每次经验模态分解需要迭代至满足停止准则。
[0027]作为本专利技术所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：所述停止准则，包括：
[0028]根据相邻两次分解分量的标准差设置停止准则，即当标准差SD小于阈值时停止迭代；
[0029]标准差SD的计算公式为：
[0030][0031]其中，n为序列长度，h
k
‑1(t)、h
k
(t)分别是第k次和第k
‑
1次迭代得到的分量，根据实际应用场景将阈值设置为0.3；每次分解完成后都用本次分解的输入r
t
减去IMF
i
作为下一次分解的输入r
t
，直到成为单调函数无法再进行IMF分解，整个经验模态分解(EMD)分解过程结束；
[0032]通过IMF
i
引出公式：
[0033][0034]其中，X(n)是误差序列，作为待分解输入；IMF
i
(n)是分解出的第i个固有模态函数；E
k
(n)为对应于k个IMF的残差；
[0035]采用核密度函数估计原始误差序列及各IMF分量的概率密度函数(PDF)，序列f(x)的核密度估计定义为：
[0036][0037]其中，n为序列长度，w为窗宽，K为核函数，选取高斯(Gauss)函数作为K最优窗宽的选取计算公式为：
[0038][0039]其中，g(K)＝∫K(x)2dx,h(K)＝∫x2K(x)dx；第i个IMF分量的PDF记为PDF(IMF(i))。
[0040]作为本专利技术所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：所述基于豪斯多夫距离，包括：
[0041]计算初始误差序列与各误差固有模态分量之间概率密度函数的双向豪斯多夫距离。
[0042]作为本专利技术所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：所述双向豪斯多夫距离，包括：
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，包括：采用双向长短期记忆网络结构对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列；基于经验模态分解算法分解所述误差序列，得到n阶固有模态函数；基于核密度函数计算原始误差序列和各阶误差固有模态分量的概率密度函数；基于豪斯多夫距离比较误差固有模态分量和原始误差序列的概率密度函数的相似性，筛选并计算保留的误差固有模态分量的权重系数；采用双向长短期记忆网络结构预测各个误差固有模态分量以及光伏功率，分配每一个模态分量的权重系数；将预测误差固有模态分量和光伏功率预测结果相加，得到修正后的未来功率预测值。2.如权利要求1所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，所述采用双向长短期记忆网络对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列，包括：将光伏功率数据由双向长短期记忆网络结构的输入层输入，正向序列沿初始时刻由前向后计算，得到并记忆各时刻隐含层的输出；反向序列则沿时刻由后向前计算，得到并记忆各时刻隐含层的输出；正向序列和反向序列并行计算，正向序列和反向序列分别得到一个激活函数，最后综合两个激活函数输出的结果得到最终的输出。3.如权利要求2所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，基于经验模态分解算法分解所述误差序列，包括：将其中不同尺度的波动和趋势逐级分解，输出一系列具有不同特征尺度的数据序列，即误差固有模态函数；通过筛选得到所述的误差固有模态函数。4.如权利要求2或3所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，通过筛选得到所述的误差固有模态函数，包括：标出误差序列的局部极值点，通过三次样条插值连接极大值点构成上包络线，连接极...

【专利技术属性】
技术研发人员：朱涛，李俊伟，龚新勇，朱元富，杨永志，闫文棋，叶志明，张亚杰，
申请(专利权)人：云南电网有限责任公司昆明供电局，
类型：发明
国别省市：