【技术实现步骤摘要】
本专利技术涉及电力系统，具体为一种数据驱动的光伏发电短期预测方法。
技术介绍
1、新能源正逐步由补充型能源转为支撑型能源，新能源的广泛接入，可以满足新一代智能电网绿色化发展的需求，但是其接入后带来的合理消纳、利用问题尚未解决，其中主要原因是新能源出力具有不确定性，准确预测其发电功率对电力系统安全稳定运行至关重要。然而，新能源中典型的分布式光伏资源的功率因其受气象因素影响很大，受不同气象因素影响的程度也不尽相同难以预测。传统仅依赖历史发电数据的光伏发电预测方法和基于物理建模的方法无法精准预测未来光伏发电情况，因为气象因素没有考虑进去。因此，研究数据驱动的考虑实时气象影响的光伏发电短期预测方法至关重要。
2、目前，光伏发电短期预测方法主要有基于模型的方法和基于数据的方法两大类。其中，基于数据的方法中有基于统计的方法和基于人工智能的方法；基于物理建模的方法需要研究光伏发电设备的特性，由于模型复杂、计算量大等缺点越来越不适用；基于统计的方法典型的有基于回归的方法和基于时间序列的趋势外推法，统计方法建模简单但因预测方程固定，在不同天气类型下适应性差，基于人工智能的方法大多依赖复杂的训练过程或繁琐的多步预测以取得预测结果，例如公开号为：cn111832818b，公开了一种基于相关性分析的lstm网络发电多步预测方法，该方法将时间序列数据划分为多个窗口的子序列，且交替时间步数设为3步去预测，增加了计算负担，同时该方法中人为选择关联度小的因素剔除，存在一定主观性；因此，在光伏发电的短期预测上尚有提升空间。
3、所以，如何
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种数据驱动的光伏发电短期预测方法，其目的在于结合未来气象数据对光伏发电进行有效预测。
2、为实现上述目的，本专利技术提供如下技术方案：一种数据驱动的光伏发电短期预测方法，包括以下步骤：
3、步骤s1：对光伏发电的历史发电数据以及影响光伏发电的因素标准化；
4、步骤s2：基于灰色关联分析法计算标准化后的因素与光伏发电的历史发电数据曲线的关联度并排序，选择关联程度大于预设值的因素作为输入数据；
5、步骤s3：建立lstm网络模型，lstm网络模型由一个输入层，若干隐含层和一个输出层组成，输入层的神经元个数根据步骤s2中的输入数据内的因素个数决定；根据mse预测误差调整lstm网络模型参数；
6、步骤s4：利用调整好参数的lstm网络模型预测未来光伏发电数据。
7、进一步的，所述步骤s1中用矩阵x表示光伏发电及其影响光伏发电的因素的关联样本，即：
8、
9、式中，矩阵x中第一列为光伏发电序列，第2至n列n-1个影响因素组成为影响因素序列，x11为光伏发电序列在第1个时刻的功率数据；x1n为第n-1个影响因素序列在第一个时刻的值；xm1为光伏发电序列在第m个时刻的功率数据；xmn为第n-1个影响因素序列在第m个时刻的值。
10、进一步的，所述对光伏发电的历史发电数据以及影响光伏发电的因素标准化采用消除不同物理量量纲的方式，具体步骤为：
11、对矩阵x进行无量纲化处理，计算公式为：
12、
13、式中，ymn为矩阵x中各元素归一化后的值；m为光伏发电序列包含的时刻数；为矩阵x的每一列中第h行的元素的平方，h的取值范围为[1，m]；
14、计算后得到矩阵y为：
15、
16、式中，y11为归一化后的光伏发电序列在第1个时刻的功率数据；y1n为归一化后的第n-1个影响因素序列在第一个时刻的值；ym1为归一化后的光伏发电序列在第m个时刻的功率数据；ymn为归一化后的第n-1个影响因素序列在第m个时刻的值。
17、进一步的，所述基于灰色关联分析法计算关联度的具体步骤为：计算矩阵y中第二列至第n列之间的关联系数，得到：
18、
19、式中，yi(k)＝{yki|k＝1，2，…，m}，i＝1，2，…，n；ρ为分辨系数；为关联系数；y1(k)为矩阵y中第k行第1列的元素；yi(k)为矩阵y中第k行第i列的元素；
20、将各个点的关联系数合并为一个关联度，即平均值：
21、
22、式中，k＝1，2，…，m；ri为关联度；
23、将合并后的关联度由大到小排序，选择关联程度大于预设值的因素作为输入数据。
24、进一步的，所述步骤s3中根据mse预测误差调整lstm网络模型参数的具体步骤为：将量测数据的70％划分为训练集，30％划分为测试集，将训练集输入至lstm网络模型内对其进行训练，得到预测值，对预测值进行反归一化，根据mse预测误差调整lstm网络模型参数，mse预测误差公式如下：
25、
26、式中，n为预测样本个数，pi为光伏发电功率预测值，pi为光伏发电功率实际值；emse为预测误差。
27、进一步的，利用调整好参数的lstm网络模型预测未来光伏发电数据的具体步骤为：将预测时间段内的气象数据预报值和之前时刻的气象数据和历史光伏发电数据代入调整好参数的lstm网络模型内，得出下一个时刻光伏功率预测值。
28、进一步的，所述影响光伏发电的因素包括历史输出功率、太阳辐照强度、环境温度、组件背板温度、湿度、风速和云量。
29、进一步的，所述量测数据采用量测数据库中量测保存的光伏功率数据。
30、与现有的技术相比，本专利技术具备以下有益效果：本专利技术通过灰色关联分析和lstm网络模型能够进行对光伏发电的有效预测，且能够实现离线训练，在线预测光伏数据；本专利技术算法计算效率高，能有效预测光伏这种发电量受气象影响因素较大的资源。
本文档来自技高网...【技术保护点】
1.一种数据驱动的光伏发电短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述步骤S1中用矩阵X表示光伏发电及其影响光伏发电的因素的关联样本，即：
3.根据权利要求2所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述对光伏发电的历史发电数据以及影响光伏发电的因素标准化采用消除不同物理量量纲的方式，具体步骤为：
4.根据权利要求3所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述基于灰色关联分析法计算关联度的具体步骤为：计算矩阵Y中第二列至第n列之间的关联系数，得到：
5.根据权利要求4所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述步骤S3中根据MSE预测误差调整LSTM网络模型参数的具体步骤为：将量测数据的70％划分为训练集，30％划分为测试集，将训练集输入至LSTM网络模型内对其进行训练，得到预测值，对预测值进行反归一化，根据MSE预测误差调整LSTM网络模型参数，MSE预测误差公式如下：
6.根据权利要求4所述的一种数据驱动
7.根据权利要求1所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述影响光伏发电的因素包括历史输出功率、太阳辐照强度、环境温度、组件背板温度、湿度、风速和云量。
8.根据权利要求5所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述量测数据采用量测数据库中量测保存的光伏功率数据。
...【技术特征摘要】
1.一种数据驱动的光伏发电短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述步骤s1中用矩阵x表示光伏发电及其影响光伏发电的因素的关联样本，即：
3.根据权利要求2所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述对光伏发电的历史发电数据以及影响光伏发电的因素标准化采用消除不同物理量量纲的方式，具体步骤为：
4.根据权利要求3所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述基于灰色关联分析法计算关联度的具体步骤为：计算矩阵y中第二列至第n列之间的关联系数，得到：
5.根据权利要求4所述的一种数据驱动的光伏发电短期预测方法，其特征在于：所述步骤s3中根据mse预测误差调整lstm网络模型参数的具体步骤为：将量测数据的70％划分为训练集，...
【专利技术属性】
技术研发人员：曾伟，熊俊杰，赵伟哲，李佳，饶臻，魏泽涛，徐希，
申请(专利权)人：国网江西省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。