一种基于制造技术

本公开提供了一种基于

【技术实现步骤摘要】
一种基于LSTM的光伏发电功率预测方法与系统


[0001]本专利技术涉及电力领域，尤其涉及一种基于
LSTM
的光伏发电功率预测方法与系统
。

技术介绍

[0002]光伏电因其存在随机性和间歇性等特点，因此精确的预测发电功率，提前告知调度系统，是解决问题的主要手段
。
[0003]目前的光伏发电功率预测系统利用训练的聚类神经网络模型基于气象数据预测光伏发电功率，其不足在于预测的光伏发电功率准确度低
。

技术实现思路

[0004]为了解决现有技术中的至少一个技术问题，本公开提供了一种基于
LSTM
的光伏发电功率预测方法与系统
。
[0005]根据本公开的第一方面，提供了一种基于
LSTM
的光伏发电功率预测方法，包括：
[0006]获取气象预测数据；
[0007]调用预先训练的光伏发电功率预测模型根据所述气象预测数据预测光伏发电功率；
[0008]其中，所述光伏发电功率预测模型包括输入序列层
、LSTM
神经网络层和输出层，所述光伏发电功率预测模型基于历史气象数据和相应的历史光伏发电功率训练得到
。
[0009]优选的，所述
LSTM
神经网络层的
LSTM
网络超参数采用粒子群优化算法调优；
[0010]所述粒子群优化算法的粒子迭代公式为：
[0011]Δθ
j
(t+1)
＝<br/>υ
·
Δθ
j
(t)+
μ
·
r1·
[
θ
pb
(t)
‑
θ
j
(t)]+
η
·
r2·
[
θ
gb
(t)
‑
θ
j
(t)][0012][0013]其中：
Δθ
j
是角度变化；
t
是迭代寻优次数
/
时刻；
υ
是惯性权值；
μ
和
η
是识别与关联系数；
r1和
r2是0到1之间的随机数；
θ
pb
(t)
是局部最佳角度；
θ
j
是当前角度；
θ
gb
是全局最优角度；
α
ji
(t+1)
是
cos(
Δθ
j
(t+1))
；
β
ji
(t+1)
是
sin(
Δθ
j
(t+1))
；
Δθ
ji
是量子位
j
与
i
之间的相位差
。
[0014]优选的，所述粒子群优化算法更新粒子的步骤包括：在粒子迭代之前计算量子亲合度和溶度，利用轮盘赌算法更新粒子
。
[0015]优选的，所述气象预测数据包括光伏站周围的温度
、
湿度
、
风速
、
风向
、
背板温度
、
气压
、
峰值日照数
、
水平总辐射
、
倾斜总辐射
、
水平直辐射
、
水平散辐射
、
法相直辐射和雨量中的多项数据
。
[0016]优选的，所述光伏发电功率预测模型为光伏发电超短期预测模型；
[0017]所述光伏发电功率预测模型用于预测未来
T
小时的逐
15
分钟的光伏发电功率，所述
T
大于等于
15
分钟且小于4小时
。
[0018]优选的，所述
T
为
4。
[0019]优选的，所述方法包括：
[0020]若预测光伏发电功率持续1天的准确率和合格率低于设置值；则在相应不合格天的气象预测数据与气象实测数据的误差小于或等于预设的误差阈值时，根据所述不合格天的实测气象数据和光伏发电功率更新所述光伏发电功率预测模型，或，在相应不合格天的气象预测数据与气象实测数据的误差大于预设的误差阈值时，指示气象预测模型更新或提示气象预测数据异常；
[0021]若预测光伏发电功率月平均的准确率和合格率低于设置值；则在相应不合格天的气象预测数据与气象实测数据的误差小于或等于预设的误差阈值时，根据所述不合格天的实测气象数据和光伏发电功率更新所述光伏发电功率预测模型，或，在相应不合格天的气象预测数据与气象实测数据的误差大于预设的误差阈值时，指示气象预测模型更新或提示气象预测数据异常
。
[0022]根据本公开的第二方面，提供了一种基于
LSTM
的光伏发电功率预测系统，包括：
[0023]获取模块，用于获取气象预测数据；
[0024]预测模块，用于调用预先训练的光伏发电功率预测模型根据所述气象预测数据预测光伏发电功率，其中，所述光伏发电功率预测模型包括输入序列层
、LSTM
神经网络层和输出层，所述光伏发电功率预测模型基于历史气象数据和相应的历史光伏发电功率训练得到
。
[0025]根据本公开的第三方面，提供了一种电子设备，包括：
[0026]处理器；以及
[0027]存储程序的存储器，
[0028]其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据本公开的第一方面中任一项所述的方法
。
[0029]根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据本公开的第一方面中任一项所述的方法
。
[0030]本申请实施例中提供的一个或多个技术方案，利用调用预先训练的光伏发电功率预测模型根据所述气象预测数据预测光伏发电功率，其中，光伏发电功率预测模型包括输入序列层和
LSTM
神经网络层，使得
LSTM
神经网络层被训练后可以基于序列的气象预测数据预测得到更为准确的光伏发电功率
。
附图说明
[0031]附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分
。
[0032]图1示出了根据本公开示例性实施例的基于
LSTM
的光伏发电功率预测方法的流程图；
[0033]图2示出了根据本公开示例性实施例的
LSTM
神经网络层的内层结构图；
[0034]图3示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
LSTM
的光伏发电功率预测方法，其特征在于，包括：获取气象预测数据；调用预先训练的光伏发电功率预测模型根据所述气象预测数据预测光伏发电功率；其中，所述光伏发电功率预测模型包括输入序列层
、LSTM
神经网络层和输出层，所述光伏发电功率预测模型基于历史气象数据和相应的历史光伏发电功率训练得到
。2.
根据权利要求1所述的方法，其特征在于，所述
LSTM
神经网络层的
LSTM
网络超参数采用粒子群优化算法调优；所述粒子群优化算法的粒子迭代公式为：
Δθ
j
(t+1)
＝
υ
·
Δθ
j
(t)+
μ
·
r1·
[
θ
pb
(t)
‑
θ
j
(t)]+
η
·
r2·
[
θ
gb
(t)
‑
θ
j
(t)]
其中：
Δθ
j
是角度变化；
t
是迭代寻优次数
/
时刻；
υ
是惯性权值；
μ
和
η
是识别与关联系数；
r1和
r2是0到1之间的随机数；
θ
pb
(t)
是局部最佳角度；
θ
j
是当前角度；
θ
gb
是全局最优角度；
α
ji
(t+1)
是
cos(
Δθ
j
(t+1))
；
β
ji
(t+1)
是
sin(
Δθ
j
(t+1))
；
Δθ
ji
是量子位
j
与
i
之间的相位差
。3.
根据权利要求2所述的方法，其特征在于，所述粒子群优化算法更新粒子的步骤包括：在粒子迭代之前计算量子亲合度和溶度，利用轮盘赌算法更新粒子
。4.
根据权利要求1所述的方法，其特征在于，所述气象预测数据包括光伏站周围...

【专利技术属性】
技术研发人员：朱佼佼，周敬，刘果，李旭东，刘招，
申请(专利权)人：中冶长天国际工程有限责任公司，
类型：发明
国别省市：