本申请公开了一种基于深度学习的可再生能源电站功率预测方法及系统，方法包括：计算历史输出功率数据与气象因素之间的相关性，根据相关性筛选出强相关的气象因素；去除历史输出功率数据中的噪声信号，得到第一历史输出功率数据；对第一历史输出功率数据预处理，得到第二历史输出功率数据；利用相关的气象因素和第二历史输出功率数据构建数据集，并将其输入至预先设立的BLSTM‑随机森林功率预测模型中进行训练；将待预测日强相关的气象因素以及历史输出功率数据输入至训练好的BLSTM‑随机森林功率预测模型，得到功率预测值。本申请通过在功率预测模型中，考虑了对历史输出功率有影响的强相关的气象因素，增强了数据之间的相关性，提高了功率预测精度。
【技术实现步骤摘要】
本申请涉及功率预测，尤其涉及一种基于深度学习的可再生能源电站功率预测方法及系统。
技术介绍
1、随着我国可再生能源行业的不断发展，光伏发电和风力发电在全国各地广泛应用，但受到外界诸多因素的影响，光伏发电和风力发电展现出很强的波动性和不确定性，使其难以进行大范围并入电网。为了实现可再生能源的高效利用，可再生能源的功率预测精度亟待提高。因此，提高可再生能源的功率预测精度是一个亟需解决的问题。
技术实现思路
1、本申请的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的可再生能源电站功率预测方法及系统，在功率预测模型中，考虑了对历史输出功率有影响的强相关的气象因素，增强了数据之间的相关性，提高了功率预测精度。
2、为了达到上述目的，本申请采用以下技术方案：
3、第一方面，本申请提供了一种基于深度学习的可再生能源电站功率预测方法，包括下述步骤：
4、计算发电站的历史输出功率数据与气象因素之间的相关性，根据所述相关性筛选出与历史输出功率数据强相关的气象因素；
5、采用改进阈值函数的小波降噪算法去除所述历史输出功率数据中的噪声信号，得到降噪后的第一历史输出功率数据；
6、对所述第一历史输出功率数据进行预处理，得到第二历史输出功率数据；
7、利用所述相关的气象因素和第二历史输出功率数据构建数据集，将所述数据集输入至预先设立的blstm-随机森林功率预测模型中进行训练，得到训练好的blstm-随机森林功率预测模型；</p>8、将待预测日强相关的气象因素以及历史输出功率数据输入至训练好的blstm-随机森林功率预测模型，得到功率预测值。
9、作为优选的技术方案，所述计算发电站的历史输出功率数据与气象因素之间的相关性，根据所述相关性筛选出与历史输出功率数据强相关的气象因素，具体的：
10、所述发电站包括光伏发电和风力发电；
11、所述光伏发电采用灰色关联法求解气象因素与光伏发电历史输出功率之间的相关性；
12、所述风力发电采用皮尔逊公式求解气象因素与风力发电历史输出功率之间的相关性。
13、作为优选的技术方案，所述光伏发电采用灰色关联法求解气象因素与光伏发电历史输出功率之间的相关性，步骤为：
14、分别使用m点的光伏发电的历史输出功率和n个气象因素的数据构建参考数列和比较数列：
15、
16、其中，a01,a02,…,a0m-1,a0m分别为第1,2,…m-1，m点的历史输出功率；ai1,ai2,…,aim-1,aim分别为第1,2…，m-1,m点的第i个气象因素；
17、对气象因素进行去量纲处理：
18、
19、其中，a′ij为去量纲处理后的数据；aij为原数据；
20、计算关联系数ξij：
21、
22、其中，a0(j)为第j点的功率；ai(j)为第j点的第i个气象因素的数据；ρ为分辨系数；
23、计算第i个气象因素的灰色关联度：
24、
25、作为优选的技术方案，所述风力发电采用皮尔逊公式求解气象因素与风力发电历史输出功率之间的相关性，步骤为：
26、计算皮尔逊相关系数：
27、
28、其中，pxy为气象和日期类型的气象因素x相对于风力发电的历史输出功率y的皮尔逊相关系数；xd为第d天的气象因素数据，xavg为d天内气象因素数据的平均值；yd为第d天的功率数据，xavg为d天内功率数据的平均值；
29、皮尔逊相关系数pxy的取值范围为(-1，1)，系数为正时表示该气象因素与风力发电的历史输出功率变化呈正相关，系数为负时表示该气象因素与风力发电的历史输出功率变化呈负相关，且绝对值越大，相关性越大。
30、作为优选的技术方案，所述采用改进阈值函数的小波降噪算法去除所述历史输出功率数据中的噪声信号，得到第一历史输出功率数据，具体的：
31、对历史输出功率数据进行小波分解，得到小波系数；
32、利用改进阈值函数对小波系数进行处理，得到处理后的小波系数，对处理后的小波系数进行重构，得到降噪后第一历史输出功率数据；所述改进阈值函数公式为：
33、
34、其中，p为阈值调节参数，用于控制阈值函数的降噪性能。
35、作为优选的技术方案，所述预处理包括缺失数据处理和异常数据处理；
36、所述缺失数据处理是使用临近日期或临近时刻的数据进行相应的填充，并在选择临近日期数据补充时考虑相同的外界气象因素条件进行相应数据填充；
37、所述异常数据处理是采用间隔插补公式进行数据的纠正。
38、作为优选的技术方案，所述blstm-随机森林包括blstm模型和随机森林模型；
39、所述blstm模型包括lstm层和全连接层；
40、所述lstm层包括前向lstm层、反向lstm层。
41、作为优选的技术方案，所述将所述数据集输入至预先设立的blstm-随机森林功率预测模型中进行训练，得到训练好的blstm-随机森林功率预测模型；步骤包括：
42、将所述构建的数据集划分为训练集和测试集；
43、将训练集数据输入到blstm模型中，lstm层分别处理输入训练集的数据序列特征，前向lstm层按照时间顺序依次处理数据序列特征，反向lstm层按照时间反向顺序依次处理数据序列特征；
44、全连接层将前向lstm层处理完的数据序列特征和反向lstm层处理完的数据序列特征进行合并，得到深层序列特征，并将其转化成相应的维度；
45、将深层序列特征输入到随机森林模型中训练，直至随机森林模型中的损失函数收敛。
46、作为优选的技术方案，所述随机森林模型的训练流程为：
47、将深层序列特征作为随机森林模型的训练集，对随机森林模型的训练集进行重采样，随机挑选部分训练集数据构建k个子训练集，将k个子训练集训练成一棵训练生成k个回归树，所述回归树是决策树的模型；
48、针对不同的决策树选取部分子训练集的特征作为分裂的特征，将选出的特征节点进行分裂产生子区域，且对于每个形成的决策树都不进行剪枝操作，也不设置最大的分裂次数，使决策树自由生长，多个决策树形成随机森林；将随机森林中各棵决策树的预测值取均值作为最终的预测结果。
49、第二方面，本申请提供了一种基于深度学习的可再生能源电站功率预测系统，应用于所述的基于深度学习的可再生能源电站功率预测方法，包括筛选相关因素模块、数据去噪模块、预处理模块、模型训练模块以及预测模块；
50、所述筛选相关因素模块，用于计算发电站的历史输出功率数据与气象因素之间的相关性，根据所述相关性筛选出与历史输出功率数据强相关的气象因素；
51、所述数据去噪模块，用于采用改进本文档来自技高网
...
【技术保护点】
1.一种基于深度学习的可再生能源电站功率预测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述计算发电站的历史输出功率数据与气象因素之间的相关性，根据所述相关性筛选出与历史输出功率数据强相关的气象因素，具体的：
3.根据权利要求2所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述光伏发电采用灰色关联法求解气象因素与光伏发电历史输出功率之间的相关性，步骤为：
4.根据权利要求2所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述风力发电采用皮尔逊公式求解气象因素与风力发电历史输出功率之间的相关性，步骤为：
5.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述采用改进阈值函数的小波降噪算法去除所述历史输出功率数据中的噪声信号，得到第一历史输出功率数据，具体的：
6.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述预处理包括缺失数据处理和异常数据处理；
7.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述BLSTM-随机森林包括BLSTM模型和随机森林模型；
8.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述将所述数据集输入至预先设立的BLSTM-随机森林功率预测模型中进行训练，得到训练好的BLSTM-随机森林功率预测模型；步骤包括：
9.根据权利要求8所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述随机森林模型的训练流程为：
10.基于深度学习的可再生能源电站功率预测系统，其特征在于，应用于权利要求1-9中任一项所述的基于深度学习的可再生能源电站功率预测方法，包括筛选相关因素模块、数据去噪模块、预处理模块、模型训练模块以及预测模块；
...
【技术特征摘要】
1.一种基于深度学习的可再生能源电站功率预测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述计算发电站的历史输出功率数据与气象因素之间的相关性，根据所述相关性筛选出与历史输出功率数据强相关的气象因素，具体的：
3.根据权利要求2所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述光伏发电采用灰色关联法求解气象因素与光伏发电历史输出功率之间的相关性，步骤为：
4.根据权利要求2所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述风力发电采用皮尔逊公式求解气象因素与风力发电历史输出功率之间的相关性，步骤为：
5.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法，其特征在于，所述采用改进阈值函数的小波降噪算法去除所述历史输出功率数据中的噪声信号，得到第一历史输出功率数据，具体的：
<...
【专利技术属性】
技术研发人员：吴成珂，刘志超，李岳，董琦彦，陈前，林一方，唐聆珂，胡建浩，张小飞，
申请(专利权)人：国网浙江省电力有限公司青田县供电公司，
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。