【技术实现步骤摘要】
本专利技术涉及光伏发电预测，尤其涉及光伏发电功率预测方法。
技术介绍
1、随着新源发电的逐步发展，在电力系统中光伏发电所占的比例也在逐渐上升，但是光伏发电具有波动性和随机性的特点，输出功率不稳定，因此光伏发电功率预测是一个非常重要的课题。光伏发电功率预测精度的提高，对于保证电力系统的安全调度和稳定运行具有重要意义，目前，光伏功率预测的方法通常可分为物理法、统计法和机器学习法3种。
2、经检索，申请号cn110059871a的中国专利，公开了光伏发电功率预测方法，其公开利用迭代计算的方式克服了现有的人为选择隶属度函数存在的主观性较大而导致的光伏发电功率预测方法适用性较弱的技术问题；
3、申请号cn108280546a的中国专利，公开了光伏发电功率预测方法及预测系统，其提及现有的光伏发电功率预测方法均存在预测精度不高，适用性不好问题，并提出了建立预测模型的技术方案。
4、然而，对于光伏功率的短期预测来说，预测精度、效率和准确性尤为重要，以及如何在不同天气状况下均能获得精确的预测效果等均是亟需解决的问题。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的光伏发电功率预测方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种光伏发电功率预测方法，包括以下步骤：
4、1)将环境因素以及历史光伏功率等特征作为模型初始输入特征，光伏发电功率作为输出，将数据划分为训练集和测试集，并做归
5、2)初始化神经元数量、学习率、隐含层节点、训练次数等lstm参数；
6、3)初始化coa参数：初始化郊狼种群，收敛因子与系数向量以及最大迭代次数，并计算初始适应度值，选出适应度最好的3只头狼为α、β与δ；
7、4)用lstm模型进行初步训练，达到训练次数后、取出全连接层之间的参数；
8、5)使用coa优化提取出的参数，包括偏置系数和权重；
9、6)达到迭代次数后，获取coa得到的最优lstm模型全连接层参数；
10、7)将coa优化后的参数替换lstm模型全连接层参数；
11、8)使用优化后的lstm模型进行光伏功率预测分析。
12、进一步地，采用平均绝对误差和均方根误差两种指标来评价模型预测结果，其中：mae和rmse值越小，表示预测结果精确度越高。
13、相比于现有技术，本专利技术的有益效果在于：
14、通过采用lstm网络作为预测模型基础，提升光伏数据以及环境因素之间的时间关联性；
15、通过使用具有较强收敛性能与全局搜索性能的郊狼算法对lstm全连接层进行优化的预测模型，解决lstm预测模型全连接层易陷入局部最优的情况；
16、在晴天与阴天天气条件下均具有较高的预测精度，并且在阴天条件下coa-lstm优势更加明显，并且可提升短期光伏功率预测精准度，对光伏并网系统经济运行具有良好的应用前景。
本文档来自技高网...【技术保护点】
1.一种光伏发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，采用平均绝对误差和均方根误差两种指标来评价模型预测结果，其中：MAE和RMSE值越小，表示预测结果精确度越高。
【技术特征摘要】
1.一种光伏发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的光伏发电功率预测方法，其特...
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。