[發明專利]一種光伏發電功率預測方法

有效

• 申請號: 201910942506.7
• 申請日: 2019-09-30
• 公開（公告）號: CN110738363B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 蔡濤;盧俊杰;韓月;段方維
• 申請（專利權）人: 華中科技大學;國網遼寧省電力有限公司;國家電網有限公司;中國電力科學研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 曹葆青;李智

本發明公開了一種光伏發電功率預測方法，方法包括：分別獲取影響功率趨勢項和影響功率波動項的低維特征矩陣，對每個低維特征矩陣中各維度特征間基于光伏發電機理進行非線性變換，得到影響每個功率分項的高維特征矩陣；基于每個高維特征矩陣，采用前向特征選取法，訓練用于預測該高維特征矩陣對應的功率趨勢項或波動項的帶補償偏置的長短期記憶網絡預測分模型并得到優選維度集，完成光伏發電功率預測模型構建。本發明在原始低維特征基礎上為預測功率趨勢項和波動項構造高維特征，以反映光伏功率的變換規律。后用前向特征選取有用維度，訓練兩個具有偏置補償的長短期記憶網絡預測分模型，極大提高光伏發電功率預測精度。

技術領域

本發明屬于光伏發電功率預測技術領域，更具體地，涉及一種光伏發電功率預測方法。

背景技術

光伏發電受太陽輻射強度、溫度、氣壓等多種因素的影響，輸出功率具有較大的波動性和隨機性，因而對光伏發電功率進行準確預測，能夠有效降低其對電網運行穩定性以及電網經濟效益的影響。

根據預測時間分類，光伏功率預測可分為短期光伏功率預測和中長期光伏功率預測。對于短期光伏功率預測，目前，主要的研究方法可以概括為以下2類：一類是以多元線性回歸和支持向量機為代表的直接預測方法，另一類則是以人工智能方法如人工神經網絡、極限學習機和機器學習為代表的間接預測方法。

現有采用間接預測方法進行短期光伏功率預測的方法已有很多，例如，(1)申請號201610698185.7，名稱為光伏功率預測系統；(2)申請號201810047788.x，名稱為考慮輻射衰減的光伏功率預測方法；(3)申請號201611261697.3，名稱為一種自修正檢驗的光伏功率短期預測方法。然而，目前這些預測方法都存在著一些不足，例如，利用k均值尋找相似日來進行預測，利用了相似日之間具有相似的發電特性，能夠在一般的預測方法上有所改善；考慮輻射衰減的光伏功率預測方法對太陽輻射這一重要影響因素做了更精確的分析，在輸入數據上進行了改善，采用自修正檢驗來對光伏功率預測，在應對輸入數據質量較差時具有較好的應對效果。但以上幾種方法均存在著共性的問題，均沒有考慮光伏發電功率的根本原理(光生伏特原理)，未從深層次剖析影響光伏發電的數據特征，用不完整的數據特征試圖去預測光伏發電功率，其預測經過存在著精度上限。

發明內容

本發明提供一種光伏發電功率預測方法，用以解決現有光伏發電功率預測方法中未充分考慮光伏發電功率原理而導致預測精度受限的技術問題。

本發明解決上述技術問題的技術方案如下：一種光伏發電功率預測模型的構建方法，包括：

S1、分別獲取影響功率趨勢項和影響功率波動項的低維特征矩陣m*n，并根據光伏發電原理對每個低維特征矩陣中各維度特征之間進行非線性變換，構造影響該低維特征矩陣對應的功率趨勢項或功率波動項的高維特征矩陣m*N，其中，m為歷史時間點個數，N、n為特征維度個數，且Nn；

S2、基于每個高維特征矩陣，采用前向特征選取法，訓練用于預測該高維特征矩陣對應的功率趨勢項或功率波動項的帶補償偏置的長短期記憶網絡預測分模型并得到優選維度集，完成光伏發電功率預測模型的構建。

本發明的有益效果是：本發明從光伏發電的原理出發，將光伏發電的功率分成功率趨勢項和功率波動項，并分別獲取影響功率趨勢項的第一低維特征矩陣以及影響功率波動項的第二低維特征矩陣，進一步利用第一低維特征矩陣為預測功率趨勢項構造高維特征，利用第二低維特征矩陣為預測功率波動項構造高維特征，能很好的反映光伏功率的變換規律。然后，分別對兩個高維特征，利用前向特征，選取有用特征，剔除無關特征，同時訓練得到兩個具有偏置補償的長短期記憶網絡預測分模型，特別的，在長短期記憶網絡中引入現代控制理論中的反饋思想，使得每個長短期記憶網絡預測分模型帶有偏置補償，使得在預測過程中考慮預測偏差。因此，本發明方法能夠有效突破現有預測精度上限，極大提高預測精度。

上述技術方案的基礎上，本發明還可以做如下改進。