[發明專利]一種基于改進CNN-LSTM的光伏發電功率預測方法

在審

• 申請號: 202211480384.2
• 申請日: 2022-11-24
• 公開（公告）號: CN115759435A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 趙志強;張濤;付鈺惠
• 申請（專利權）人: 遼寧東科電力有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;H02J3/00;G06N3/08;G06F30/27;G06N3/0442;G06N3/0464;G06F119/06
• 代理公司: 沈陽杰克知識產權代理有限公司 21207
• 代理人: 王洋

1.一種基于改進CNN-LSTM的光伏發電功率預測方法，其特征在于，其步驟為：

1)從特征分析的角度對樣本數據進行分析和降維處理；

2)在分析各氣象成分與輸出功率的相關關系后進行特征選擇,剔除冗余成分實現數據降維；

3)在保留光伏發電功率重要影響成分的基礎上,通過特征轉換實現再次降維；

4)數值天氣預報數據和功率數據組成二維時間序列數據，考慮到長短期記憶神經網絡和卷積神經網絡在處理時間序列數據和二維數據方面的優勢，將兩種神經網絡模型組合應用到光伏發電功率預測中。

2.根據權利要求1所述的一種基于改進CNN-LSTM的光伏發電功率預測方法，其特征在于，所述的步驟1)中，具體方法為：

1.1)檢查數據連續性并標記缺點數據和重復數據，將時間轉換成時間戳格式，逐次計算相鄰兩點的時間戳的差值，對缺測和重復的數據點進行標記；

1.2)根據最大功率值檢驗異常數據，通過箱線圖確定數據的上下限，對異常的數據進行標記和刪除；

1.3)對連續缺測的功率數據進行刪除操作；

1.4)對數據進行歸一化處理，消除不同因素間量綱的影響，根據數值換算到區間的不同，可分為以下兩種：一是最小最大值法，二是平均值法；最小最大值法將數值換算到(0，1)區間，平均值法將數值換算到(-1，1)區間，最小最大值法計算公式如下：其中，x*為歸一化后的數值，xmax為最大值，xmin為最小值。平均值法計算公式如下：其中，x*為歸一化后的數值，xmean為x的平均值，xvar為x的方差。

3.根據權利要求1所述的一種基于改進CNN-LSTM的光伏發電功率預測方法，其特征在于，所述的步驟2)中，具體方法為：

光伏發電系統輸出功率由其系統構成和組件轉換效率決定，受氣象因素影響；其中：太陽輻射強度以及溫度的影響大；溫度影響光伏陣列的組件溫度,從而影響設備效率和逆變器的輸出功率：

N_e1＝E_qAηη_Tη_iη_nη₁×10^-3，

其中，Ne1為理論輸出功率，單位kW；Eq為太陽輻射強度，單位W/m2；A為組件安裝面積，單位m2；η_T為組件轉換效率溫度修正系數；η_i為組件安裝方位角、傾角修正系數；η_n為逆變器效率系數；η₁為線路損失修正系數；ES為標準狀態下的陽光強度，ES＝1000W/m2,PAZ為光伏系統的安裝容量，單位kW；

光伏場站數據特征降維是指數據預處理之后，仍然存在著許多冗余信息；減少冗余信息，能夠減少模型的計算量、提高訓練速度、優化模型性能。從特征的角度完成數據降維，能夠幫助數據分析，基于特征角度的數據降維方法選取特征選擇法；

影響光伏發電功率預測的氣象因素很多，將光伏場站提供的16個數值天氣預報數據進行有效的特征選擇，形成特征子集，選擇單變量特征選擇方法，分別衡量每一個輸入特征與輸出的關系，保留相關度高的特征，刪除相關性低的；

光伏發電功率預測的降維算法是指光伏發電功率預測研究過程中面臨著大量的采集數據，保留和功率相關性高的數據，去除冗余數據，通過特征選擇進行數據降維，模型在訓練中學習和分析數據特征。