[发明专利]一种光伏发电超短期功率预测方法及系统

说明书

本发明提供一种光伏发电超短期功率预测方法及系统，其方法包括以下步骤：实测变量数据和气象预测变量数据与发电功率间Spearman相关系数分析，将与发电功率相关性强的变量选取出来，作为模型的输入变量；再次利用Spearman相关系数计算输入变量中各个时刻之间的相关性，相关性高的时刻变量值确定为LSTM预测模型的输入数据；利用LSTM网络对每个时刻输入数据序列与光伏发电功率序列之间的非线性关系建模，构建分时长短期记忆网络预测模型；其中Spearman相关系数分析通过SPSS平台上完成，光伏功率预测在Keras和Tensorflow平台下完成。本发明研究一种针对光伏电站超短期发电功率预测方法，并实现分时预测，提高了发电功率的预测精度。

技术领域

本发明涉及电力系统工程技术领域，尤其涉及一种光伏发电超短期功率预测方法及系统。

背景技术

光伏发电系统的超短期功率预测结果关系到电力系统调度运行和生产计划的制定，准确预测光伏发电功率对电力系统运行调度至关重要。由于光伏发电系统的输出功率受到昼夜、季节和天气等自然因素影响而存在间歇性强、波动性和不确定性的特点，给发电功率的准确预测带来巨大的挑战。因此亟待一种能够更好把握发电功率变化规律的预测方法。

影响光伏发电的因素众多，以及在不同时刻变量因素对发电功率的影响程度不同。因此，利用相关系数法找出与发电功率相关的因素，提高光伏发电功率预测的精度是十分必要的。

发明内容

本发明的目的，在于提出一种光伏发电超短期功率预测方法及系统，有效解决由于气象条件造成的发电功率预测精度较低问题。

为实现上述目的，一方面，本发明提供了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，并建立分时长短期记忆网络(Long Short-Term Memory，简称LS臵M)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。

优选地，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。

优选地，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。

优选地，所述步骤三具体包括如下步骤：

针对步骤二的分析结果，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：