[发明专利]一种结合神经网络和参数估计的光伏功率区间预测方法

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结合深度循环神经网络和参数估计的光伏功率区间预测方法。利用长短期记忆网络的光伏发电功率预测的方法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、太阳辐照度数据作为光伏功率预测的原始数据；对一年365天每天24个整点时刻的光伏功率数据和天气数据，由预测模型输出预测日当天24个整点时刻对应的光伏功率值和预测值对应的置信区间；该方法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。容易操作，具有较强的实用性和较高的推广价值。

主权项

1.一种结合神经网络和参数估计的光伏功率区间预测方法，其特征在于，利用长短期记忆网络的光伏发电功率预测的方法进行提前一天的短期光伏功率预测，其特征向量为[积日，环境温度，环境湿度，风速，太阳辐照度]，其中积日从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，模型目标是输入预测日之前30天每天24个整点时刻的光伏功率数据和天气数据，由预测模型输出预测日当天24个整点时刻对应的光伏功率值和预测值对应的置信区间；具体流程如下：步骤1：输入数据选取：本方法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、太阳辐照度数据作为光伏功率预测的原始数据；步骤2：基于辐照度指数进行天气类型聚类：以辐照度指数作为天气类型聚类指标，将辐照度指数记为K，其计算公式如下：式(1)中，S理论辐照度记为理论辐照度日曲线与坐标轴所围成的面积，S实测辐照度记为实测辐照度日曲线与坐标轴所围成的面积；由式1计算出每天的辐照度指数，利用辐照度指数对预测日之前30天的数据进行聚类，使用K‑means聚类算法进行聚类，将预测日前30天的数据进一步聚类为晴天、雨雪天和多云天气三种天气类型；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，为了消除不同变量之间量纲，数值差别对实验结果的影响，实验中对输入数据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使其具有物理意义；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)是一种特殊的循环神经网络(Recurrent Neural Network，RNN)，鉴于普通循环神经网络存在的记忆能力有限问题，因此采用长短期记忆网络作为预测模型，其在保持循环神经网络结构的基础上重新设计了计算单元，每个LSTM单元中存在一个细胞cell，cell被视为是LSTM的记忆单元，用于描述LSTM单元的当前状态；每个LSTM单元存在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cell单元的状态；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。步骤6：计算功率预测的误差序列：基于步骤5得到光伏功率确定性预测的结果，采用相对误差来对确定性预测误差进行统计；步骤7：对误差的分布特性进行分析，确定误差所服从的分布：根据步骤6进行计算就得到了预测点的逐点相对误差，进而可以统计出晴天、多云和雨雪天三种天气类型下的误差频数统计直方图；步骤8：根据直方图，假设误差基本上符合正态分布；利用极大似然估计对误差分布的参数进行估计：最大似然估计又称为极大似然估计，是一种重要的参数估计方法，其基本理论是极大似然原理，极大似然估计求解参数的基本过程如下：(1)写出似然函数；(2)对似然函数取对数，并整理；(3)对对数似然函数求导数；(4)解似然方程；步骤9：计算在给定置信水平下误差的置信区间，得到置信区间上限和下限以及对应的误差值；在实际应用中，在计算光伏发电系统预测功率的置信区间时，置信度取值过高无实际意义，取值过低则影响预测的精度，所以取值在80％‑95％；步骤10：针对每个时刻的功率预测值，根据误差区间得到预测值置信区间的上下限；步骤11：将每个时刻的功率预测值的置信区间的上下限分别联结即形成上下2条包络线，得到光伏功率的预测区间。