本发明涉及光伏发电预测领域，更具体地，涉及一种光伏发电功率预测方法。
背景技术：
：随着越来越多的可再生能源被接入到电网中，可再生能源发电功率的预测分析这一研究领域在过去十年中一直备受关注。光伏发电板等可再生能源发电设备要根据当前的天气情况产生能量，受天气影响大，发电功率具有很强的随机性和波动性，这意味着光伏发电站不能像水力发电站和火力发电站等常规发电站那样容易受到控制。由于接入到电网中的光伏发电功率不断增加，这将会对电网运行的可靠性和稳定性产生很大的冲击，如何将这些光伏发电功率安全稳定地接入到电网中成为了该行业目前面临的重大挑战之一。为了解决这一问题，我们需要以可靠的方式使用复杂的算法对未来的光伏发电功率进行预测分析，提前获知光伏发电功率的大小和变化趋势，为光伏发电站的运维和电网的调度以及安全运行提供参考依据，以降低安全风险。同时光伏发电功率预测结果还与电厂运营商，能源交易市场和电网运营商相关，预知电网中的光伏发电功率大小和变化趋势，可以降低其技术风险和财务风险。技术实现要素：本发明的目的是解决上述一个或多个缺陷，提出一种光伏发电功率预测方法。为实现以上发明目的，采用的技术方案是：一种光伏发电功率预测方法，包括以下步骤：S1：获取数据，从系统数据库中读取所有光伏发电功率的历史数据以及对应的气象数据；S2：数据预处理，将数据集内的每个数据变量进行归一化到(-1,1)，将不同表征的数据规约到相同的尺度内；S3：建立预测网络模型，建立用于预测光伏发电功率的深度学习算法网络，需要确定网络结构的5个参数，即输入层维数、输入层时间步数、隐含层的数目、每个隐含层的维数、输出层的维数以及设置网络的激活函数、损失函数、优化器；S4：训练模型，根据预处理后的样本数据，采用误差反向传播训练方法对模型进行训练，不断调整网络的各个权值和阈值，以使损失值达到最小；S5：测试和评估模型，使用测试数据集对步骤S4中得到的预测模型进行测试和效果评估，以确保所建立模型的有效性；S6：保存模型，将步骤S5中通过测试、评估合格的模型保存到计算机ROM存储单元中；S7：预测光伏发电功率，从计算机ROM存储单元中调用步骤S6中保存的光伏发电功率预测模型，计算得到光伏发电功率的预测值。优选的是，步骤S1所述光伏发电历史数据包括发电功率和发电量，气象数据包括光照强度、环境温度、湿度、风速、风向角度。优选的是，步骤S2所述的归一化采用的公式如下：其中，xmid表示数据的中间值，xmax和xmin分别表示数据的最大值和最小值，xi和分别表示归一化处理前和处理后的数据。优选的是，步骤S3所述的深度学习算法网络为自动编码网络(Auto-Encodernetwork)结合长短期记忆网络(LongShort-TermMemorynetwork，LSTM)而形成的Auto-LSTM网络。优选的是，步骤S3中所述的激活函数为“ReLU”函数，所述的损失函数为“mae”函数，所述的优化器选为“adam”。优选的是，步骤S4包括以下步骤：S4.1：使用Auto-Encoder网络对数据进行编码以及特征提取；S4.2：向前计算LSTM网络中每个神经元的输出值；S4.3：反向计算LSTM中每个神经元的误差项；S4.4：根据相关的误差项，计算LSTM网络每个权重的梯度。优选的是，步骤S5中所述的评估模型即使用以下三条公式对模型的预测效果进行评估：其中，公式(3-2)计算均方根误差(root-mean-squarederror，RMSE)，公式(3-3)计算平均绝对误差(meanabsoluteerror，MSE)，公式(3-4)计算预测功率与实际功率之间的相关性；式中x为实测功率，x’为预测功率，N为样本个数。与现有技术相比，本发明的有益效果是：本发明所述的技术方案在获取了光伏发电系统的历史功率数据和气象数据之后，采用深度学习算法中的自动编码器和长短期记忆网络相结合的方法，有效利用自动编码器优越的数据特征提取性能和长短期记忆网络突出的时间序列预测能力，相比现有的光伏发电功率预测技术，其预测精度得到了进一步的提高，同时减少了人工对数据进行特征提取工作量，更加精确、智能、简便地预测光伏发电系统的输出功率。附图说明图1为本发明光伏发电功率预测方法的流程图；图2为用于光伏发电功率预测的Auto-LATM网络连接示意图；图3为一个优选实施例的LSTM网络结构图；图4为LSTM网络单元结构示意图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；以下结合附图和实施例对本发明做进一步的阐述。实施例1一种光伏发电功率预测方法，本实施例选择使用python语言和Keras深度学习框架，如图1所示，该方法包括如下步骤：S1：获取数据，从系统数据库中读取所有光伏发电功率的历史数据以及对应的气象数据；步骤S1中的每一条历史气象数据包括光照强度、环境温度、湿度、风速、风向以及对应的光伏发电功率，每一条数据之间的时间间隔为分钟级，例如10分钟间隔。S2：数据预处理，从数据库中导入的数据还不可以直接使用，需要进行处理，将数据集内的每个数据变量进行归一化到(-1,1)，将不同表征的数据规约到相同的尺度内，以消除数据之间的量纲影响；步骤S2中所述的数据应当利用数据处理工具箱，如pandas进行预处理，将数据归一化之后再调整为深度学习框架所要求的数据格式，例如调整为一个数据框架的格式，第一列为数据的时间节点作为索引，第二开始依次为光照强度、环境温度、湿度、风速、风向，最后一列为输出功率。S3：建立预测网络模型，建立用于预测光伏发电功率的深度学习算法网络，需要确定网络结构的5个参数，即输入层维数、输入层时间步数、隐含层的数目、每个隐含层的维数、输出层的维数以及设置网络的激活函数、损失函数、优化器；步骤S3中利用深度学习框架Keras建立预测网络模型，如图2所示，先建立自动编码器网络(Auto-Encoder)，并设置其输入层维度，例如设置为5，隐含层维度设置为3，输出层维度设置为1。然后将自动编码器网络的输出作为长短期记忆网络(LSTM)的输入，并设置长短期记忆网络的输入层维数、输入层时间步数、隐含层的数目、每个隐含层的维数、输出层的维数以及设置网络的激活函数、损失函数、优化器。例如将设置输入层维数为1、输入层时间步数为6、隐含层的数目为2、每个隐含层的维数为50、输出层的维数为1以及网络的激活函数为“ReLU”函数、损失函数为“mae”函数、优化器为“adam”，设置好的LSTM网络模型结构参数如图3所示。S4：训练模型，根据预处理后的样本数据，采用误差反向传播训练方法对模型进行训练，不断调整网络的各个权值和阈值，以使损失值达到最小；步骤S4进一步包括如下子步骤：S4.1：使用Auto-Encoder网络对数据进行编码以及特征提取，如图2所示，其中X(t-1)、X(t)、X(t+1)表示LSTM网络时间步数设置为3时的输入向量，X(t)表示t时刻的网络输入向量，包括光照强度、环境温度、湿度、风速、风向的数值，以此类推。数据经过特征提取之后作为LSTM网络的输入。S4.2：向前计算LSTM网络中每个单元的输出值，如图4所示，每个LSTM单元的计算公式如下式(6-1)-(6-6)所示，其中F(t)表示遗忘门限，I(t)表示输入门限，C(t)表示前一时刻单元状态、C(t)表示当前单元状态(这里就是循环发生的地方)，O(t)表示输出门限，H(t)表示当前单元的输出，H(t-1)表示前一时刻单元的输出，W表示网络的权值，b表示网络的阈值。F(t)＝σ(Wf·[H(t-1),X(t)]+bf)(6-1)I(t)＝σ(Wi·[H(t-1),X(t)+bi])(6-2)O(t)＝σ(Wo[H(t-1),X(t)+bo])(6-5)H(t)＝O(t)*tanh(C(t))(6-6)S4.3：反向计算LSTM中每个神经元的误差项。沿时间反向传递误差项，就是要计算出t-1时刻的误差项：利用ht、ct的定义和全导数公式，可以得到将误差项向前传递到任意k时刻的公式：S4.4：根据相关的误差项，计算LSTM网络每个权重的梯度。首先，我们计算误差函数E对权重矩阵W的梯度它的梯度是各个时刻梯度之和，我们首先求出它们在t时刻的梯度，然后再求出它们最终的梯度。S5：测试和评估模型，使用测试数据集对步骤S4中得到的预测模型进行测试和效果评估，以确保所建立模型的有效性；步骤S5中我们需要选择数据集中的一部分作为训练集，另一部分作为测试集。在优选实施例中，我们用80％的数据作为训练集，剩下20％的数据作为测试集，用于评估模型。S6：保存模型，将步骤S5中通过测试、评估合格的模型保存到计算机ROM存储单元中，方便下次调用以进行发电功率的预测，减少训练次数节约计算机资源；S7：预测光伏发电功率，从计算机ROM存储单元中调用步骤S6中保存的光伏发电功率预测模型，计算得到光伏发电功率的预测值。步骤S7中我们使用训练好的模型进行预测，在一个优选实施例中，我们使用过去10-60分钟的历史数据作为网络模型的输入，未来60分钟的光伏发电功率数据作为模型的输出，LSTM模型的步数设置为1-6。实验设置不同的步数时预测的RMSE(均方根误差)结果如下表所示：步数123456RMSE1.0021.8052.2372.6313.3133.904显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。当前第1页1 2 3