[发明专利]一种光伏发电超短期功率预测方法及系统

权利要求书

1.一种光伏发电超短期功率预测方法，包括如下步骤：

步骤一、读入数据，对各变量进行Spearman相关系数分析，找出与光伏发电功率相关性强的因素；

步骤二、提取发电功率和强相关因素的各个时刻值，对提取数据各个时刻相互间再次进行Spearman相关系数分析；

步骤三、由分析结果确认与预测时刻发电功率强相关时刻数据值，并建立分时LSTM模型，将强相关时刻数据值作为各个时刻模型输入数据，进行归一化；

步骤四、对输入数据进行划分为训练集与测试集，并输入LSTM网络模型，得出预测值，进行反归一化；

步骤五、测试值与真实值进行误差计算，利用训练好的LSTM网络模型，对预测时刻进行预测。

2.根据权利要求1所述的方法，其特征在于：所述步骤一具体包括如下步骤：

采用的相关系数法为Spearman相关系数，2个n维向量x,y的Spearman相关系数计算公式如下式所示：

其中，R_i和S_i分别是向量x,y进行排序后观测值i的秩次,和分别是向量x和y的平均秩次，N是观测值的总数量，d_i＝R_i-S_i，表示两个变量中观测值i的秩次之差；

将光伏电站某一年的实测变量数据和气象预测变量数据与光伏发电功率进行Spearman相关系数分析，选取出与发电功率相关性强的变量，确定为模型的输入变量。

3.根据权利要求1所述的方法，其特征在于：所述步骤二具体包括如下步骤：

对输入变量数据的各个时刻数据间再次利用Spearman相关系数计算其相关性。

4.根据权利要求1所述的方法，其特征在于：所述步骤三具体包括如下步骤：

针对步骤2的分析结果，对输入变量中各个时刻之间相关性高的时刻变量值确定为LSTM预测模型的输入数据。然后对数据进行归一化，归一化处理计算公式如下式所示：

其中，x_max和x_min分别为该变量的极大值和极小值。

5.根据权利要求1所述方法，其特征在于：所述步骤四具体包括如下步骤：

针对步骤三的分析结果，将一年中每个时刻的光伏发电功率数据及与该时刻强相关的时刻数据构建训练样本，训练若干个长短期记忆网络模型。

6.根据权利要求6所述的方法，其特征在于，根据步骤三的相关性结果，形成56个数据样本集，并构建56个时刻的长短期记忆网络模型，形成分时长短期记忆网络模型。

7.根据权利要求1所述的方法，其特征在于，所述与光伏发电功率相关性强的因素，包括：总辐射、直射辐射、散射辐射、长波辐射和短波辐射；计算每个相关性强的因素相关性，设定母序列为发电功率值，气象测量值和预测值为若干子序列，采用Spearman相关系数分析各个子序列与母序列的相关性，相关性强的因素作为关键影响因素。

8.一种光伏发电超短期功率预测系统，包括：

第一分析模块，用于读入数据，对各变量进行Spearman相关系数分析，找出与光伏发电功率相关性强的因素；

第二分析模块，用于提取发电功率和强相关因素的各个时刻值，对提取数据各个时刻相互间再次进行Spearman相关系数分析；

第一处理模块，用于由分析结果确认与预测时刻发电功率强相关时刻数据值，并建立分时LSTM模型，将强相关时刻数据值作为各个时刻模型输入数据，进行归一化；

第二处理模块，用于对输入数据进行划分为训练集与测试集，并输入LSTM网络模型，得出预测值，进行反归一化；

第三处理模块，用于测试值与真实值进行误差计算，利用训练好的LSTM网络模型，对预测时刻进行预测。