[發明專利]一種基于聚類和雙向LSTM的光伏發電預測方法

在審

• 申請號: 202210961822.0
• 申請日: 2022-08-11
• 公開（公告）號: CN115330049A
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 鄭含博;唐鈺本;杜齊;胡永樂;郭文豪;陳俊江;萬海斌;覃團發
• 申請（專利權）人: 廣西大學;潤建股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F30/27;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢維盾知識產權代理事務所(普通合伙) 42244
• 代理人: 蔣悅

1.一種基于聚類和雙向LSTM的光伏發電預測方法，其特征在于包括以下步驟：

S1，對輸入數據進行預先處理，采取箱型圖的方法進行篩選異常值，設置為缺省值；針對缺省值使用線性插值的方法進行填補；所述的輸入數據包括氣象和光伏發電歷史數據；

箱型圖通過設置異常值識別標準來識別異常值，設置方法為：設上四分位與下四分位的插值為IQR，上界設為U+1.5IQR，下界設為L-1.5IQR，超出上界或下界的數值即為異常值；其中，U表示上四分位，L表示上四分位；

將異常值重新設定為缺省值，使用極大似然估計法插補所有的缺省值，完成數據預處理；

S2，使用Pearon相關系數P(x，y)分析輸入自變量之間的相關性，根據P(x，y)的計算結果，去除自變量中強相關性的變量，保留自變量極強相關的變量；其中x和y表示兩個輸入自變量，輸入自變量為輸入數據；

S3，使用主成分分析法對輸入自變量進行降維處理，用于提取主成分；

S4，使用K-means++算法對篩選后的主成分進行聚類：

定義樣本之間的距離d(x_i,x_j)為：

式中，x_i，x_j表示樣本值；

在所有樣本的數據點中隨機選擇一個中心點u_i，并對未被選中其他數據點x，分別計算即x與已經選擇的最近中心點的距離；使用加權概率分布隨機選擇一個新的數據點作為新中心，其中選擇的點x的概率與成正比，直至完成選擇k個中心點；

將已經選擇的k個中心點作為初始均值向量，計算樣本與各均值向量的距離，根據樣本距離最近的均值向量，將樣本劃入相應的簇并計算聚內平均值，將均值向量更新；重復計算各點與各均值向量的距離，直到每個簇的中心不再移動，或到達迭代次數設置上限；

S5，使用雙向LSTM神經網絡針對聚類結果的不同類型，分別進行訓練，得到預測模型。

2.根據權利要求1所述的一種基于聚類和雙向LSTM的光伏發電預測方法，其特征在于：所述步驟S2中，

根據P(x，y)的計算結果，設定P(x，y)大于0.6時x與y為強相關，P(x，y)大于0.8時x與y為極強相關；分別對輸入量進行相關性分析，去除自變量中強相關性的變量；

式中，x_i表示輸入自變量x中的樣本值，y_i表示輸入自變量y中的樣本值，表示輸入自變量x中的平均值，表示輸入自變量y中的平均值。

3.根據權利要求1所述的一種基于聚類和雙向LSTM的光伏發電預測方法，其特征在于：步驟S3中篩選主成分的過程為：將輸入自變量輸入至矩陣中，將每一維代表的行數據進行均值歸一化處理，計算出均值和標準差，將出均值和標準差統一至同一數量級；

求出協方差矩陣特征值以及對應的特征向量，將特征向量基于特征值從大到小的順利由上到下進行排列進行新的矩陣，回帶計算得到降維后的新矩陣，提取主成分；

特征向量重排后，提取方差累計貢獻率超過85％的前k個主成分。

4.根據權利要求1所述的一種基于聚類和雙向LSTM的光伏發電預測方法，其特征在于：所述步驟S4中，采用輪廓系數作為評估指標；

公式中，a表示樣本與同一類中所有其他點之間的平均距離，b表示樣本與下一個最近聚類中所有其他點之間的平均距離；一組樣本的輪廓系數作為每個樣本的輪廓系數的平均值給出。

5.根據權利要求1所述的一種基于聚類和雙向LSTM的光伏發電預測方法，其特征在于：步驟S5的過程為：針對具有時間周期性的變量，選擇步長，根據主成分分析結果，將輸入變量轉為對應降維后的數據；將歷史數據集70％劃分為訓練集，30％劃分為測試集，輸入時根據K-means++聚類結果為數據增加對應類型的標簽；

遺忘門中選擇使用sigmoid函數進行激活，輸入門中選擇使用tanh函數進行激活，輸出門選擇使用sigmoid激活函數；設定預測范圍m，隱含層層數和神經元數量等參數，為估計點預測的統計質量，計算預測與實際觀測值的對應程度，進行誤差分析；

訓練神經網絡，基于測試結果誤差重新更新隱含層層數和神經元數量，完成模型。