基于WOA-CNN-LSTM光伏发电功率预测的方法技术

本发明专利技术公开了一种基于WOA

【技术实现步骤摘要】
基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法


[0001]本专利技术属于控制系统
，涉及一种基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法。

技术介绍

[0002]近些年来,随着光伏装机容量的不断增加，以及天气气象因素的影响,太阳能光伏发电具有较为明显的间歇性和波动性,对与光伏发电输出端相连接的电网的稳定性造成了一定的影响。
[0003]尽管目前有许多用于光伏发电功率预测方法，但大多数采用的都是传统的循环神经网络或者是其变体LSTM，存在着泛化能力不够、预测准确度低等问题。

技术实现思路

[0004]本专利技术的目的是提供一种基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法，解决了现有技术中存在的预测精度不高、收敛速度慢的问题。
[0005]本专利技术所采用的技术方案是，一种基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法，按照以下步骤实施：
[0006]步骤1、将控制对象光伏发电站的发电数据和气象数据按照4：1的比例分为训练集数据以及测试集数据；
[0007]步骤2、搭建WOA
‑
CNN
‑
LSTM模型，进行优化训练；
[0008]步骤3、将测试集数据输入到训练好的WOA
‑
CNN
‑
LSTM模型中，WOA/>‑
CNN
‑
LSTM模型会输出预测的结果，通过相关评价指标对WOA
‑
CNN
‑
LSTM模型进行评价，将结果与CNN
‑
LSTM模型的预测结果进行对比，对模型的输出结果进行模型评估。
[0009]本专利技术的有益效果是，利用WOA算法改进后的WOA
‑
CNN
‑
LSTM模型不仅收敛速度快，曲线的拟合程度好，预测的准确率也比较高，结果证明将其用于光伏发电功率预测模型较为理想。
附图说明
[0010]图1是本专利技术方法的总体流程；
[0011]图2是本专利技术方法中数据预处理流程；
[0012]图3是本专利技术方法实施例1与CNN
‑
LSTM算法的比对结果图；
[0013]图4是本专利技术方法实施例2与CNN
‑
LSTM算法的比对结果图；
[0014]图5是本专利技术方法实施例3与CNN
‑
LSTM算法的比对结果图。
具体实施方式
[0015]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0016]本专利技术方法中，使用WOA算法(即鲸鱼算法)来优化LSTM模型的训练参数初始学习
率以及模型的超参数隐含层节点数，包括以下步骤：
[0017]1)设置WOA算法的参数以及LSTM模型的初始参数；
[0018]2)开始搜索：初始化所属鲸鱼的位置、迭代寻优、返回超出搜索空间边界的搜索代理、计算每个搜索代理的目标函数、更新；
[0019]3)训练模型，使用鲸鱼算法找到的最好的全局最优参数；
[0020]本专利技术方法，将经WOA算法优化后的LSTM模型与CNN模型组合成WOA
‑
CNN
‑
LSTM模型，以及将其用于光伏发电功率预测的实验结果分析，按照以下步骤实施：
[0021]步骤1、将控制对象光伏发电站的发电数据和气象数据按照4：1的比例分为训练集数据以及测试集数据，
[0022]其中，训练集数据用于训练后续搭建的WOA
‑
CNN
‑
LSTM模型，测试集数据用于评估模型的性能；
[0023]步骤2、搭建WOA
‑
CNN
‑
LSTM模型，进行优化训练，
[0024]包括WOA算法的参数设置、CNN模型和LATM模型的参数选择，通过WOA算法来优化LSTM模型的超参数，CNN模型中包含输入层、卷积层、池化层和输出层，将CNN的输出层与经WOA优化后的LSTM模型的输入相连接、经过隐藏层、输出层和全连接层，输出WOA
‑
CNN
‑
LSTM模型的预测结果；
[0025]步骤3、将测试集数据输入到训练好的WOA
‑
CNN
‑
LSTM模型中，WOA
‑
CNN
‑
LSTM模型会输出预测的结果，通过相关评价指标(比如均方根误差和平均绝对误差)对WOA
‑
CNN
‑
LSTM模型进行评价，将结果与CNN
‑
LSTM模型的预测结果进行对比，对模型的输出结果进行模型评估。
[0026]实施例1
[0027]参照图1，本专利技术基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法，在CNN模块
‑
LSTM模块基础上使用WOA算法优化LSTM模型的超参数，具体步骤如下：
[0028]1)数据预处理，参照图2，将原始数据进行缺失值处理、异常值处理，得到一个较好的数据集，之后进行数据归一化处理。
[0029]2)网络参数设置，经过对比实验，CNN模型为单层结构，CNN模型中的卷积核的尺寸为3
×
3；LSTM模型输入层的节点数为3，隐藏层的节点数为180，输出层的节点数为1。网络训练次数为200次，初始学习率为0.005，学习率调整因子为0.2，设置训练100次后开始调整学习率。
[0030]3)优化参数，使用WOA算法对LSTM模型进行优化，其中WOA模块种群数量设置为30，迭代次数为20。经过鲸鱼算法优化LSTM模型参数后，隐含层节点数为152，初始学习率为0.0076。
[0031]4)训练与测试，利用预处理的数据和搭建好的WOA
‑
CNN
‑
LSTM模型进行训练和测试。
[0032]5)反归一化，将输出的结果进行反归一化得到预测对象的光伏发电功率。
[0033]参照图3，通过采用同样的测试集，来比较WOA
‑
CNN
‑
LSTM模型与CNN
‑
LSTM模型的预测准确率和拟合程度。从图3可以看出，本专利技术的WOA
‑
CNN
‑
LSTM模型的准确率以及拟合程度都要优于CNN
‑
LSTM模型，这表明它具有更高的准确性和更好的预测能力。
[0034]实施例2
[0035]按照与实施例1一致的步骤过程，进行实施和对比，参照图1，本专利技术基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法，在CNN模块...

【技术保护点】

【技术特征摘要】
1.一种基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法，其特征在于，按照以下步骤实施：步骤1、将控制对象光伏发电站的发电数据和气象数据按照4：1的比例分为训练集数据以及测试集数据；步骤2、搭建WOA
‑
CNN
‑
LSTM模型，进行优化训练；步骤3、将测试集数据输入到训练好的WOA
‑
CNN
‑
LSTM模型中，WOA
‑
CNN
‑
LSTM模型会输出预测的结果，通过相关评价指标对WOA
‑
CNN
‑
LSTM模型进行评价，将结果与CNN
‑
LSTM模型的预测结果进行对比，对模型的输出结果进行模型评估。2.根据权利要求1所述的基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法，其特征在于：步骤1中，所述的训练集数据用于训练后续搭建的WOA
‑
CNN
‑
LSTM模型，测试集数据用于评估模型的性能。3.根据权利要求1所述的基于WOA
‑
CNN
‑
LSTM光伏发电功率预测的方法，其特征在于：步骤2中，具体过程是：包括WOA算法的参数设置、CNN模型和LATM模型的参数选择，通过WOA算法来优化LSTM模型的超参数，CNN模型中包含输入层、卷积层、池化层和输出层，将CNN的...

【专利技术属性】
技术研发人员：王泽亮，黄亮，云霞，王琼，
申请(专利权)人：复变时空武汉数据科技有限公司，
类型：发明
国别省市：