[发明专利]一种结合神经网络和参数估计的光伏功率区间预测方法

说明书

本发明公开了属于光伏发电功率预测技术领域的一种结合深度循环神经网络和参数估计的光伏功率区间预测方法。利用长短期记忆网络的光伏发电功率预测的方法首先选取预测日之前30天每天24个整点时刻的积日、环境温度、环境湿度、风速、太阳辐照度数据作为光伏功率预测的原始数据；对一年365天每天24个整点时刻的光伏功率数据和天气数据，由预测模型输出预测日当天24个整点时刻对应的光伏功率值和预测值对应的置信区间；该方法将当前时刻的光伏功率变化和以前光伏功率的变化之间建立了联系，实现了时间序列数据的动态建模，能更加充分的反映光伏功率的变化规律，实现更为精确的光伏功率预测。容易操作，具有较强的实用性和较高的推广价值。

技术领域

本发明属于光伏发电功率预测技术领域，特别涉及一种结合深度循环神经网络和参数估计的光伏功率区间预测方法。

背景技术

光伏系统发电由于受天气情况、昼夜交替和季节变化等外界环境因素的影响而具有波动性和周期性，光伏发电系统大规模接入电网，会对电力系统的安全、稳定运行带来较大的、周期性的冲击。精确的光伏功率预测是保证光伏并网发电安全稳定运行的前提，同时也是对光伏系统发电进行合理分配和调度的重要依据。目前，光伏功率的预测主要分为两个方向：确定性预测和不确定预测。确定性预测的目的是为了得到具体的光伏功率预测值，是一种单点预测。不确定性预测在确定性预测的基础上，提供预测结果的可能变化范围及可信度信息，是一种概率预测。

在确定性研究方向，主要的研究方法可以概括为以下2类：一类是以时间序列法为代表的传统方法，如自回归移动平均模型(Autoregressive Intergrated Moving Model，ARIMA)；另一类是以人工神经网络法为代表的新型人工智能方法如人工神经网络(Artificial Neural Network，ANN)、极限学习机(limit learning machine，ELM)等；机器学习方法主要有支持向量机(Support Vector Machine，SVM)、随机森林(Random Forest，RF)等。目前的这些确定性预测方法都存在着一些不足，对于时间序列法来说，该方法虽然能在一定程度上反映出光伏功率随时间变化的规律，但是无法利用到影响光伏功率变化的外界因素，当外界环境因素变化较大时，预测会存在较大的误差；对于传统的神经网络方法来说，模型的参数过多，模型训练困难；对于机器学习方法来说，该方法通过大量历史数据建立输入变量与输出变量之间的非线性关系，将动态时间建模问题变为静态空间建模问题。但是实际上，作为典型的时间序列，光伏功率不但具有非线性，而且具有动态特性即每一时刻的光伏功率的变化不仅依赖于当前时刻的模型输入，而且与模型过去的输入也有关。具体的可以参考(1)申请号：201510750464.9，名称为一种超短期光伏预测方法；(2)申请号：201610069803.1，名称为一种光伏发电系统的功率预测方法；(3)申请号：201410163590.X，名称为基于复合数归模据源自回型光伏发电功率超短期预测方法；