[发明专利]基于卡尔曼滤波和LSTM发电超短期预测方法及装置

说明书

本发明提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法及装置，该方法包括：获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；对上述数据进行数据清洗，并进行数据归一化；将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；将处理过后的历史气象数据、历史功率数据输入进LSTM模型中进行训练；加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析。本申请极大地提高了预测精度，满足电力系统考核要求。

技术领域

本发明属于光伏发电领域，具体而言，涉及一种基于卡尔曼滤波和LSTM发电超短期预测方法及装置。

背景技术

目前传统的光伏功率预测算法例如支持向量机法、回归分析法等都是将采集到的气象数据与光伏电站的历史功率数据进行结合预测，而光伏功率预测受辐照度和云量的影响很大，气象数据的准确性直接影响到预测结果的精度，一旦出现阴雨天气，预测结果的精度会很差，达不到电力考核的要求。

发明内容

本申请实施例提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法及装置，极大地提高了预测精度，满足电力系统考核要求。

第一方面，本申请实施例提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法，包括：

获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；

对上述数据进行数据清洗，并进行数据归一化；

将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；

将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置目标误差阈值，如果误差小于所述目标误差阈值，保存模型，反之继续训练，直到达到目标误差阈值；

加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析；

对最终进行过误差分析的预测结果进行反归一化处理，保存结果。

其中，所述将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据，包括：

系统矩阵采用单位矩阵I_n，系统方程和观测方程用以下表示：

x^t(t_i+1)＝x^t(t_i)+η(t_i)

y_i^O＝H_i[x^t(t_i)]+ε_i

系统协方差矩阵Q(t_i)以及观测矩阵R(t_i)，基于η(t_i)＝x^t(t_i+1)-x^t(t_i)以及的最后7个值，表示如下：

基于卡尔曼滤波修正多步气象数据原理为已知观测矩阵H_i，通过上式对t_i+1时刻观测向量进行更新

其中，所述第一预设时间为四小时。