[发明专利]基于循环神经网络的光伏电站短期功率预测方法

说明书

本发明涉及一种基于循环神经网络的光伏电站短期功率预测方法，包括如下步骤：步骤S1：根据待预测日的天气类型，得到对应的NWP气象参数；步骤S2：采集待预测日之前的若干天历史数据；步骤S3:对历史数据进行处理，并将处理后的历史数据作为训练数据集；步骤S4：采用循环神经网络对训练数据集进行学习，并用随机梯度下降法调整网络的参数，得到预测模型；步骤S5：将待预测日的NWP气象参数作为预测模型的输入，得出预测的功率值。本发明能够显著提高光伏电站短期功率预测的精度和可靠性。

技术领域

本发明属于光伏电站功率的短期预测技术，具体涉及一种基于循环神经网络的光伏电站短期功率预测方法。

背景技术

近年来，化石燃料逐步耗尽，环境污染也日益严重，这引起了世界各国的广泛关注，为了人类文明的延续，走持续发展道路是未来的必由之路，目前亟须寻找新能源来承担起人类社会运转所需的能量，太阳能是新能源中最受瞩目的，但是由于太阳能的波动性强、随机性大，这将不利于电网的安全稳定运行，故利用光伏功率预测技术对光伏电站产能进行提前预估，以作为调配电网的依据，使得电网运行更为稳定、可靠。

目前，有许许多多的光伏功率预测方法，大体上可以分为三类：物理方法、统计方法和混合方法，有学者指出在他所统计的研究方法中，物理方法占了11％，混合方法占了17％，剩下的都是统计方法，所占的比例高达72％，而这其中以人工神经网络的研究最多，所占的比例达到了24％。

发明内容

有鉴于此，本发明的目的在于提供一种基于循环神经网络的光伏电站短期功率预测方法，从而提高光伏电站短期功率预测的精度。

为实现上述目的，本发明采用如下技术方案：

一种基于循环神经网络的光伏电站短期功率预测方法，包括如下步骤：

步骤S1：根据待预测日的天气类型，得到对应的NWP气象参数；

步骤S2：采集待预测日之前的若干天历史数据；

步骤S3:对历史数据进行处理，并将处理后的历史数据作为训练数据集；

步骤S4：采用循环神经网络对训练数据集进行学习，并用随机梯度下降法调整网络的参数，得到预测模型；

步骤S5：将待预测日的NWP气象参数作为预测模型的输入，得出预测的功率值。

进一步的，所述步骤S1具体为：晴天对应的NWP气象参数包括地面水平辐照度、散射水平辐照度和环境温度；部分阴天对应的NWP 气象参数包括地面水平辐照度、散射水平辐照度、环境温度和相对湿度；阴天对应的NWP气象参数包括地面水平辐照度、散射水平辐照度、环境温度和相对湿度；雨天对应的NWP气象参数包括相对湿度。

进一步的，所述历史数据包括历史功率和历史NWP气象参数。

进一步的，所述步骤S3具体为：

步骤S31:剔除历史数据由非气象参数引起的功率变化该部分对应的数据，以及剔除黑夜的数据；

步骤S32:将剔除处理后的历史数据进行归一化处理，并将归一化后的历史数据作为训练数据集。

进一步的，所述步骤S4具体为：

步骤S41：正向传播使用的是循环神经网络中的RNN网络，其方法为：

S_t＝f(UX_t+WS_t-1+B₁)

O_t＝g(VS_t+B₂)