基于LSTM网络的光伏超短期功率预测方法和系统技术方案

本发明专利技术提供了基于LSTM网络的光伏超短期功率预测方法和系统，包括：选取影响光伏出力的因素，利用皮尔逊相关系数法计算各个因素与光伏出力的相关性系数；利用所述相关性系数筛选与光伏出力强相关的影响因素；构建长短期记忆人工神经网络，将与光伏出力强相关的影响因素作为长短期记忆人工神经网络的输入，得到光伏超短期功率预测值。相对于现有技术而言，本发明专利技术的技术方案通过精准筛选对光伏出力强相关的影响因素，增强了预测模型的准确性，预测精度高，计算复杂度低，具有良好的应用前景。具有良好的应用前景。具有良好的应用前景。

【技术实现步骤摘要】
基于LSTM网络的光伏超短期功率预测方法和系统


[0001]本专利技术涉及电力系统
，尤其涉及基于LSTM网络的光伏超短期功率预测方法和系统。

技术介绍

[0002]光伏发电的重要性在于其可以利用太阳能进行电力生产，具有清洁、可再生、无噪音、无污染等优点。随着全球对环境保护和减少化石燃料消耗的要求不断提高，光伏发电已成为重要的替代能源之一。
[0003]光伏发电输出功率具有很强的波动性和随机性，光伏电池的输出功率不仅受到当日太阳辐照度的影响，还受到环境温度、相对湿度、风速等气象因素的影响，由于以上影响因素是随时间变化的，因此在它们的共同作用下，造成了光伏电站出力具有明显的波动性和随机性。
[0004]上述特点给光伏并网带来了一定的困难：
[0005](1)由于不能准确把握光伏输出功率，在光伏大规模并网时，光伏发电对电网的调度产生了一定的难度；
[0006](2)光伏发电是由直流电逆变成交流电并入电网的，在此过程中产生的谐波会影响电能质量。
[0007]为提高光伏功率预测的准确性，减少光伏接入对电网运行的负面影响，提高电网运行的安全性和稳定性，光伏系统必须具有一定精度的光伏功率预测能力，准确预测光伏的输出功率对电网规划、电网调度、电力系统的安全运行都具有重要意义。目前现有技术的预测方法主要包括基于统计学方法、人工神经网络方法、模糊逻辑方法等，但在实际应用中存在精度较低，对数据依赖性强，且计算复杂度较高的问题，亟待提出一种更具实用性的光伏超短期功率预测方法。
专利技术内容
[0008]有鉴于此，本专利技术实施例提出基于LSTM网络的光伏超短期功率预测方法和系统，通过精准筛选对光伏出力强相关的影响因素，增强了预测模型的准确性，预测精度高，计算复杂度低，具有良好的应用前景。
[0009]本专利技术的实施例提出基于多变量LSTM网络的光伏超短期功率预测方法，包括：
[0010]选取影响光伏出力的因素，利用皮尔逊相关系数法计算各个因素与光伏出力的相关性系数；
[0011]利用所述相关性系数筛选与光伏出力强相关的影响因素；
[0012]构建长短期记忆人工神经网络，将与光伏出力强相关的影响因素作为所述长短期记忆人工神经网络的输入，得到光伏超短期功率预测值。
[0013]示例性地，影响光伏出力的因素包括风速、环境温度、相对湿度和太阳辐照度。
[0014]示例性地，所述皮尔逊相关系数计算公式如下式所示：
[0015][0016]其中，r
XY
为所述皮尔逊相关系数，Cov(X，Y)为X与Y的协方差，S
X
与S
Y
分别为X与Y的标准差。
[0017]示例性地，所述构建长短期记忆人工神经网络，将与光伏出力强相关的影响因素作为所述长短期记忆人工神经网络的输入，得到光伏超短期功率预测值包括：
[0018]获取原始数据，并对所述原始数据按天气类型进行分类；
[0019]获取光伏出力强相关的影响因素，并对输入数据进行归一化处理得到样本集，以使数据映射到[0,1]的范围内；
[0020]对样本集进行分类得到训练集和测试集；
[0021]构建长短期记忆人工神经网络，利用自适应矩估计法进行模型训练，通过损失函数进行模型参数计算迭代，并最终确定预测模型参数。
[0022]示例性地，还包括：
[0023]绘制训练集和测试集的损失曲线，验证预测模型是否过拟合；
[0024]判断迭代结果是否收敛，若不收敛则继续迭代计算；
[0025]使用测试集的数据在收敛的预测模型上进行输出预测，计算均方根误差，并绘制预测结果图。
[0026]示例性地，所述天气类型包括晴天、多云、阴天和雨天。
[0027]示例性地，所述对样本集进行分类得到训练集和测试集包括：
[0028]将所述样本集70％的数据作为训练集，将所述样本集30％的数据作为测试集。
[0029]示例性地，所述长短期记忆人工神经网络包括输入层和输出层，所述输入层层数为6层，所述输出层层数为1层，所述损失函数为平均绝对误差函数，迭代次数为50次。
[0030]本专利技术的另一实施例提供了基于多变量LSTM网络的光伏超短期功率预测系统，包括：
[0031]计算单元，用于选取影响光伏出力的因素，利用皮尔逊相关系数法计算各个因素与光伏出力的相关性系数；
[0032]筛选单元，用于利用所述相关性系数筛选与光伏出力强相关的影响因素；
[0033]预测单元，用于构建长短期记忆人工神经网络，将与光伏出力强相关的影响因素作为所述长短期记忆人工神经网络的输入，得到光伏超短期功率预测值。
[0034]本专利技术提供了基于LSTM网络的光伏超短期功率预测方法和系统，包括：选取影响光伏出力的因素，利用皮尔逊相关系数法计算各个因素与光伏出力的相关性系数；利用相关性系建立数筛选与光伏出力强相关的影响因素；构建长短期记忆人工神经网络，将与光伏出力强相关的影响因素作为长短期记忆人工神经网络的输入，得到光伏超短期功率预测值。相对于现有技术而言，本专利技术的技术方案通过精准筛选对光伏出力强相关的影响因素，增强了预测模型的准确性，预测精度高，计算复杂度低，具有良好的应用前景。
附图说明
[0035]为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对本专利技术
保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0036]图1为本专利技术实施例提供的基于LSTM网络的光伏超短期功率预测方法流程图；
[0037]图2为本专利技术实施例提供的步骤S103方法流程图；
[0038]图3为本专利技术实施例提供的晴天预测结果示意图；
[0039]图4为本专利技术实施例提供的多云预测结果示意图；
[0040]图5为本专利技术实施例提供的阴天预测结果示意图；
[0041]图6为本专利技术实施例提供的雨天预测结果示意图；
[0042]图7为本专利技术实施例提供的另一基于LSTM网络的光伏超短期功率预测方法流程图。
具体实施方式
[0043]下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0044]本专利技术实施例选取了影响光伏电站出力的主要几个因素，通过对每一个影响因素进行的皮尔逊相关系数分析，找到了影响光伏发电的关键性因素。构建了LSTM网络预测模型，并通过实验数据对该模型进行了训练和验证，通过预测评价指标对不同天气类型下的预测模型进行了评估，最后对光伏输出功率预测的结果进行了分析。
[0045]实施例1
[0046]请参照图1，基于LSTM网络的光伏超短期功率预测方法包括：
[0047]步骤S101，选取影响光伏出力的因素，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网络的光伏超短期功率预测方法，其特征在于，包括：选取影响光伏出力的因素，利用皮尔逊相关系数法计算各个因素与光伏出力的相关性系数；利用所述相关性系数筛选与光伏出力强相关的影响因素；构建长短期记忆人工神经网络，将与光伏出力强相关的影响因素作为所述长短期记忆人工神经网络的输入，得到光伏超短期功率预测值。2.根据权利要求1所述的基于LSTM网络的光伏超短期功率预测方法，其特征在于，影响光伏出力的因素包括风速、环境温度、相对湿度和太阳辐照度。3.根据权利要求2所述的基于LSTM网络的光伏超短期功率预测方法，其特征在于，所述皮尔逊相关系数计算公式如下式所示：其中，r
XY
为所述皮尔逊相关系数，Cov(X，Y)为X与Y的协方差，S
X
与S
Y
分别为X与Y的标准差。4.根据权利要求3所述的基于LSTM网络的光伏超短期功率预测方法，其特征在于，所述构建长短期记忆人工神经网络，将与光伏出力强相关的影响因素作为所述长短期记忆人工神经网络的输入，得到光伏超短期功率预测值包括：获取原始数据，并对所述原始数据按天气类型进行分类；获取光伏出力强相关的影响因素，并对输入数据进行归一化处理得到样本集，以使数据映射到[0,1]的范围内；对样本集进行分类得到训练集和测试集；构建长短期记忆人工神经网络，利用自适应矩估计法进行模型训练，通过损失函数进行...

【专利技术属性】
技术研发人员：刘春明，李雨桐，王俊旺，李安琪，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：