【技术实现步骤摘要】
本专利技术涉及光伏发电，具体涉及一种基于时间序列的光伏发电功率预测输入因子调优方法、计算机存储介质及设备。
技术介绍
1、从电力生产的角度来看，光伏发电受太阳辐照强度和气象状况的影响，具有间歇性、随机性和波动性等特点。当电网接入大规模光伏发电系统时，由于光伏发电的不确定性和随机性，可能会对电力系统造成一定的冲击。光伏可再生能源的大规模并网，给电力系统的调度和运行带来了新的挑战。尽管光伏发电遵循相对预期的每日周期，但准确预测气象条件仍有困难。因此，光伏发电功率的高精度预测对以新能源为主体的电力调度系统具有重要意义。
2、目前，针对光伏发电功率的预测技术主要有：基于太阳辐照强度和光电转换效率等物理模型的间接预测和基于历史气象和光伏功率数据的直接预测。前者受限于物理模型本身的精度，且需要大量的气象数据，在预测时距较长的情况时误差较大。后者需要大量的训练数据，且需要复杂的模型选择和参数调优过程。目前已有很多利用机器学习技术进行光伏发电功率直接预测的报道，而光伏发电功率预测需要考虑的影响因素诸多，虽然现有的基于机器学习的光伏发电功率预测方法得到了不错的预测精度，但这些方法在预测的过程中往往会选择默认的模型输入因子。
3、研究表明，预测模型精度的高低受输入因子的影响很大，与预测目标较高相关性的输入因子通常可以带来更好的预测精度。而将可考虑到的所有输入因子强加于预测模型是不现实的，即便在可实施条件下，冗余的输入因子也会使模型的复杂程度大大增加，使预测模型难以求解、精度变差。此外，用于功率预测的数据集可能面临缺少关键参数
4、基于上述问题，在利用机器学习手段进行光伏功率预测的过程中，对预测模型的输入因子进行调优是十分必要的。同时，如何在缺少关键参数时获得较高的光伏功率预测精度是一项需要重点攻克的技术难题。
技术实现思路
1、本专利技术提供了一种基于时间序列的光伏发电功率预测输入因子调优方法、计算机存储介质及设备，用于解决利用机器学习手段预测光伏发电功率的过程中出现的冗余输入因子使模型难以求解、精度差，且预测模型缺失关键参数使预测模型精度下降的问题，为以新能源为主体的电力调度和优化提供基础，保障新型电力系统的安全、稳定运行。
2、本专利技术提供的一种基于时间序列的光伏发电功率预测输入因子调优方法、计算机存储介质及设备，包括以下步骤：
3、1、一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，包括以下步骤：
4、(1) 建立数据集：获取某一地区多个气象站的历史气象数据和光伏电站的历史功率数据，建立特征数据集，对数据进行去除异常值和缺失数据填充处理，筛选出高质量的特征因子；
5、(2) 相关性评估：对步骤(1)中筛选得到的所有特征因子进行皮尔逊（pearson）相关性分析，根据pearson相关性系数构造不同输入因子间的皮尔逊（pearson）相关系数矩阵，并根据相关系数大小定义强相关因子和次强相关因子；
6、(3) 重要输入因子评估：对不同强相关因子和次强相关因子进行组合，构造不同输入因子组合，得到新的相关系数矩阵；
7、(4) 长时间序列预测检测得到最优输入因子：首先采用长短期记忆网络（lstm）模型进行时间序列预测，进行模型超参数调优，然后设置梯度预测长度，将与新的相关系数矩阵相关的数据集参数输入长短期记忆网络（lstm）模型进行预测，最后使用相对均方根误差(rrmse)和运行时间(t)对模型的长序列预测能力进行评估，得到最优输入因子；根据评估结果确定输入因子的最佳个数及组合，当出现精度相当的输入组合时，以参数数量少的组合作为最优输入因子，更新输入因子矩阵。
8、优选的，步骤(1)建立的特征数据集包含温度(t)、露点(dw)、大气压力(p)、风速(ws)、相对湿度(rh)、云型(ct)、太阳天顶角(sza)、大气可降水量(pw)、风向(wd)、光伏电站历史出力数据(pv)十个维度的特征因子，对数据集进行去除异常值和缺失数据填充处理的步骤包括：
9、步骤(1.1)：对不同季节的特征数据集进行区分，去除异常值，其中异常值是指不同季节夜间光伏出力不为0的值；
10、步骤(1.2)：采用多项式插值法对数据集中10个维度的特征因子进行填补；
11、步骤(1.3)：将数据按照时间重新编码为连续时间序列的数据集x。
12、优选的，步骤(2)具体为：
13、步骤(2.1)：采用pearson相关性系数对数据集x中10类特征因子进行相关性分析；
14、公式为：
15、式中， px-y为pearson相关系数； x、 y为特征因子；、分别为任意两个特征因子的均值；
16、步骤(2.2)：依靠pearson相关系数构造pearson相关系数矩阵p，p可具体表示为： ；
17、步骤(2.3)：定义与光伏电站功率具有强相关关系的输入因子为强相关因子，与强输入因子具有强相关关系的输入因子定义为次强相关因子。
18、优选的，步骤(3)具体为：
19、将相关性最强的输入因子作为基础输入，构造由不同强相关因子和次强相关因子组成的矩阵f，矩阵f决定输入组合具体由哪些类别的输入因子构成，f可具体表示为：
20、
21、式中 f为输入因子的基元素，约束条件由拟定的相关性范围决定， i值由不同的输入因子组合的数量决定。
22、优选的，步骤(4)具体为：
23、步骤(4.1)：将步骤(3)中得到的矩阵f转换为0-1矩阵e，利用e处理特征数据集x，得到数据集i，即：
24、 ；
25、步骤(4.2)：利用数据集i对lstm模型进行长时间序列训练，lstm模型基本单元包括遗忘门、输入门、输出门，相应的数学表达式如下：
26、
27、式中， σ、c t、 n t、 h f t、 h i t、 h o t、 g t、和 x t分别为t时刻的sigmoid函数、细胞状态值、隐含状态值、遗忘门、输入门、输出门、细胞状态更新值、单元输入值； 本文档来自技高网...
【技术保护点】
1.一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，所述步骤(1)建立的特征数据集包含温度(T)、露点(DW)、大气压力(P)、风速(WS)、相对湿度(RH)、云型(CT)、太阳天顶角(SZA)、大气可降水量(PW)、风向(WD)、光伏电站历史出力数据(PV)十个维度的特征因子，对数据集进行去除异常值和缺失数据填充处理的步骤包括：
3.如权利要求2所述的一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，所述步骤(2)具体为：
4.如权利要求3所述的一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，所述步骤(3)具体为：
5.如权利要求4所述的一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，所述步骤(4)具体为：
6.一种计算机存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于时间序列的光伏发电功率预测
7.一种计算机设备，包括存储器、处理器及储存在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的一种基于时间序列的光伏发电功率预测输入因子调优方法。
...【技术特征摘要】
1.一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，所述步骤(1)建立的特征数据集包含温度(t)、露点(dw)、大气压力(p)、风速(ws)、相对湿度(rh)、云型(ct)、太阳天顶角(sza)、大气可降水量(pw)、风向(wd)、光伏电站历史出力数据(pv)十个维度的特征因子，对数据集进行去除异常值和缺失数据填充处理的步骤包括：
3.如权利要求2所述的一种基于时间序列的光伏发电功率预测输入因子调优方法，其特征在于，所述步骤(2)具体为：
4.如权利要求3所述的...
【专利技术属性】
技术研发人员：宋军，苗田，兰泽华，苏邢盛楠，俞骁，李金泽，
申请(专利权)人：甘肃电通电力工程设计咨询有限公司，
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。