[发明专利]一种利用长短期记忆网络的光伏发电功率预测方法

摘要

本发明公开了属于光伏发电功率预测技术领域的一种利用长短期记忆网络的光伏发电功率预测方法。利用长短期记忆网络的光伏发电功率参数构建长短期记忆网络预测模型：搭建具有包含若干个神经元的隐藏层的长短期记忆网络，利用相关的五维特征向量：积日、环境温度、环境湿度、风速和太阳辐照度和以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据，将这五维向量组成输入矩阵，输入到长短期记忆网络，进行预测点的功率预测；相对于所有的预测方法，本发明将当前时刻的光伏功率变化和以前光伏功率的变化之间建立了联系，实现了时间序列数据的动态建模，能更加充分的反映光伏功率的变化规律，实现更为精确的光伏功率预测。

主权项

1.一种利用长短期记忆网络的光伏发电功率预测方法，其特征在于，利用长短期记忆网络的光伏发电功率参数构建长短期记忆网络预测模型：搭建具有包含若干个神经元的隐藏层的长短期记忆网络，利用相关的五维特征向量：积日、环境温度、环境湿度、风速和太阳辐照度和以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据，将这五维向量组成输入矩阵，输入到长短期记忆网络，进行预测点的功率预测；具体步骤：步骤1：输入数据选取：首先选取预测日之前30天每天24个整点时刻的积日、环境温度、环境湿度、风速、太阳辐照度的数据作为光伏功率预测的原始数据；其中积日是从1月1号开始记为1，以此类推12月31日记为365；数据的时间分辨率为一小时；步骤2：基于辐照度指数进行天气类型聚类：鉴于不同天气类型下，理论辐照度和实测辐照度的日曲线与坐标轴所围成的面积之间存在明显的规律；步骤3：数据归一化：当使用多变量时间序列进行光伏功率预测时，不同变量之间量纲不同，数值差别也较大；考虑到模型中非线性激活函数的输入输出范围，为避免神经元饱和，同时也充分的考虑到每一种变量对光伏功率的作用，需要对输入变量和光伏功率时间序列进行归一化处理；实验中对输入变量和光伏功率数据各自进行最大最小值归一化，经过预测模型得到光伏功率预测数据后，再进行反归一化处理；步骤4：建立长短期记忆网络预测模型：长短期记忆网络(Long‑Short Term Memory，LSTM)是一种循环神经网络LSTM单元；每个LSTM单元中存在一个细胞，被视为是LSTM的记忆单元，用于描述LSTM单元的当前状态；LSTM单元的当前状态由3个控制门控制，3个控制门分别是输入门，输出门和遗忘门，三个门分别控制网络的输入、输出以及细胞单元的状态；具体是每个时刻，LSTM单元接收到输入信息后，每个门将对不同来源的输入进行运算，决定输入信息是否通过；输入门的输入经过非线性函数的变换后，与遗忘门处理的记忆单元状态进行叠加，形成新的记忆单元状态；最终，记忆单元状态通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出；其中门单元就是一个使用神经网络和一个按位做乘法的操作，这两个操作合在一起就是一个门单元，门单元中神经网络的权重通过训练过程学习，LSTM依靠门单元让信息有选择性地影响循环神经网络中每个时刻的状态；步骤5：滚动预测：重复前面四个步骤，以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据，进行该预测点的功率预测。