[發(fā)明專利]基于主成分分析和改進LSTM的光伏功率預(yù)測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110647701.4
• 申請日: 2021-06-10
• 公開（公告）號: CN113487064A
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計）人: 馬慧心;張楚;彭甜;紀(jì)捷;夏鑫;張濤;孫偉;李沂蔓
• 申請（專利權(quán)）人: 淮陰工學(xué)院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;H02J3/00;G06K9/62;G06N3/00;G06N3/04;G06N3/08;H02J3/38;H02J3/46
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

本發(fā)明公開了一種基于主成分分析和改進LSTM的光伏功率預(yù)測方法及系統(tǒng)，所述方法包括：(1)獲取一定時間內(nèi)光伏功率數(shù)據(jù)，并使用主成分分析法對原始數(shù)據(jù)進行降維，提升數(shù)據(jù)處理的速度；(2)將處理好的數(shù)據(jù)集分為訓(xùn)練集和測試集；(3)使用萊維飛行和爬山搜索改進正余弦算法，用改進后的正余弦算法優(yōu)化長短期記憶網(wǎng)絡(luò)LSTM的隱含層神經(jīng)元個數(shù)和最大訓(xùn)練次數(shù)；(4)建立ISCA?LSTM模型，并使用訓(xùn)練集中數(shù)據(jù)訓(xùn)練模型；(5)將測試集中數(shù)據(jù)輸入訓(xùn)練好的ISCA?LSTM模型，得到預(yù)測結(jié)果，并計算均方誤差、平均絕對標(biāo)度誤差，決定系數(shù)判斷本模型的有效性。本發(fā)明與傳統(tǒng)預(yù)測模型相比，展現(xiàn)出了更為優(yōu)異的預(yù)測精度，能夠進一步提高光伏功率預(yù)測的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于光伏功率預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于主成分分析和改進LSTM的光伏功率預(yù)測方法及系統(tǒng)。

背景技術(shù)

隨著我國不斷發(fā)展，化石燃料也在大量的使用，這造成化石能源的短缺以及環(huán)境污染越發(fā)嚴(yán)重，大力發(fā)展可再生的清潔能源是我國目前的主要目標(biāo)。光伏發(fā)電在我國經(jīng)過一系列發(fā)展已經(jīng)小有規(guī)模，但隨著光伏發(fā)電大容量的并入電網(wǎng)，輸出功率的隨機性必然會對電網(wǎng)安全穩(wěn)定運行造成較大的影響。由于光伏電站的功率具有隨機性和波動性，若是能準(zhǔn)確的對光伏功率進行預(yù)測，就能夠有效防止電網(wǎng)過載，提高電網(wǎng)運行的穩(wěn)定性。

目前光伏功率預(yù)測有兩種主要的方法，一種是間接預(yù)測，另一種是直接預(yù)測。間接預(yù)測需要對光伏系統(tǒng)安裝地的太陽輻射進行預(yù)測，并將得到的太陽輻射數(shù)據(jù)導(dǎo)入相應(yīng)的模型中即可得到光伏系統(tǒng)的功率預(yù)測值；直接預(yù)測只需要歷史光伏功率數(shù)據(jù)，無需太陽輻射數(shù)據(jù)就可以預(yù)測未來一段時間內(nèi)的光伏功率。

由于間接預(yù)測需要把太陽輻射導(dǎo)入一定模型才能得到光伏功率，此過程中會造成預(yù)測精度過低，過程也比較復(fù)雜，需要多個設(shè)備才能得到結(jié)果。本發(fā)明只需要歷史的光伏功率，不需要其他繁瑣的步驟，就能得到良好的預(yù)測結(jié)果。

發(fā)明內(nèi)容

發(fā)明目的：為解決上述技術(shù)問題，本發(fā)明提供一種基于主成分分析和改進LSTM的光伏功率預(yù)測方法及系統(tǒng)，克服現(xiàn)階段光伏功率預(yù)測能力差，精度過低的缺點。

技術(shù)方案：本發(fā)明提出一種基于主成分分析和改進LSTM的光伏功率預(yù)測方法，具體包括以下步驟：

(1)獲得預(yù)設(shè)時間內(nèi)光伏功率數(shù)據(jù)，對數(shù)據(jù)使用主成分分析法進行特征選擇并降維處理，將使用主成分分析法處理后的光伏數(shù)據(jù)作為輸入；

(2)將經(jīng)過步驟(1)降維處理的光伏數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

(3)使用萊維(levy)飛行對正余弦算法的位置更新部分進行改進，使用爬山搜索對正余弦算法局部搜索部分進行改進，利用改進后的正余弦算法ISCA對長短期記憶網(wǎng)絡(luò)LSTM隱含層神經(jīng)元個數(shù)和最大訓(xùn)練次數(shù)進行優(yōu)化；

(4)建立ISCA-LSTM模型，使用訓(xùn)練集中數(shù)據(jù)對此模型進行訓(xùn)練，采用訓(xùn)練好ISCA-LSTM模型對測試集樣本進行預(yù)測，得到測試樣本預(yù)測值，使用均方誤差、平均絕對標(biāo)度誤差，決定系數(shù)對預(yù)測值和實際值進行誤差指標(biāo)分析，判斷本模型的有效性。

進一步地，所述步驟(1)包括以下步驟：

(11)輸入原始數(shù)據(jù)集矩陣X，并去均值；

(12)計算原始數(shù)據(jù)矩陣的協(xié)方差矩陣其中，n為樣本數(shù)量；

(13)使用特征值分解方法求協(xié)方差矩陣的特征值和特征向量；

(14)對特征值進行排序，選擇其中特征值最大的y個，將其對應(yīng)的y個特征向量組成的矩陣Z；

(15)將原始數(shù)據(jù)集矩陣X右乘特征向量矩陣Z得到新矩陣P，即P＝ZX，得到的矩陣P作為新的輸入矩陣。

進一步地，步驟(2)所述的訓(xùn)練集占80％，測試集占20％。

進一步地，所述步驟(3)包括以下步驟：