[发明专利]一种适用于光伏电站发电量预测方法

权利要求书

1.一种适用于光伏电站发电量预测方法，其特征在于，包括如下步骤：

步骤1数据获取：

收集爬取天气预报信息存到MySQL数据库；

收集爬取某地区一整年的日照时长信息；

收集爬取10-30年内该地区站点太阳辐射通量每月的平均值；

收集爬取逐小时的云量、降水预报信息；

步骤2数据处理：

(1)对收集的数据中以中文形式表示，在训练预测模型时需要将该特征数值化，采用粒子群算法将天气类型数值化处理；

(2)日照时长数据处理，需要从数据中提取不同日期的日照时长，将数据中的属性“昼长”转换为数值型，例如10:30:00可转换为10.5；

(3)太阳辐照数据处理；

(4)云量、降水数据处理；

(5)异常日发电量数据处理；

步骤3电量预测：采用深度学习模型LSTM算法预测发电量。

2.根据权利要求1所述的一种适用于光伏电站发电量预测方法，其特征在于，所述粒子群算法步骤为：

(1)初始化：首先，我们设置最大迭代次数，目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度；

(2)个体极值与全局最优解：定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解，再与历史全局最优比较，进行更新；

(3)更新速度和位置的公式：

粒子i在第k次迭代中第d维的速度；

粒子i在第k次迭代中第d维的当前位置；

粒子i＝1,2,...,M；M表示种群大小；

ω：惯性权重；c1和c2表示学习因子，合适的c1和c2既可加快收敛速度又不易陷入局部最优；

rand1和rand2是介于[0,1]之间的随机数；

表示粒子i在第d维的个体极值点的位置；

表示整个粒子群在第d维的全局极值点的位置；

终止条件：达到设定迭代次数；代数之间的差值满足最小界限。

3.根据权利要求1所述的一种适用于光伏电站发电量预测方法，其特征在于，所述深度学习模型LSTM算法为：LSTM是由三个同构单元格组成，该结构能够通过更新内部状态来长时间存储信息，通过使用字母A表示三个单元具有相同的单元结构，每个单元格由4个主要元素构成：输入门、遗忘门、输出门和单元状态，用x表示LSTM单元的输入向量；用h表示单元格输出向量；f、i、o分别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、tanh激活函数；W和b分别表示权重和偏差矩阵。

4.根据权利要求1所述的一种适用于光伏电站发电量预测方法，其特征在于，所述步骤2数据处理中，对收集的数据中以中文形式表示，如“小雪”、“多云”、“阴”等，在训练预测模型时需要将该特征数值化，采用粒子群算法将天气类型数值化处理，具体操作为：

Step1：设置粒子群参数迭代次数G＝50，种群大小P＝50，惯性权重w＝0.5，学习因子c1＝c2＝0.5；

Step2：设置粒子编码，如天气类型有L个，则设置粒子编码为长度为L的向量，每一值表示对应天气类型的系数；

Step3：设置目标函数，根据天气类型以及对应的粒子编码，即可将中文形式的天气类型转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值；

Step4：更新粒子位置，计算粒子的目标函数值；

Step5：算法迭代次数达到最大次数G则终止算法，否则返回step4。