光伏发电功率的预测方法与流程

本发明属于光伏发电领域，具体涉及一种光伏发电功率的预测方法。
背景技术：
：随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。而随着环境问题的日益突出，新能源发电受到了越来越多的关注。光伏发电，以清洁性著称，因此也受到了全世界的关注。但是光伏发电受自然环境的影响较大，从而使得光伏发电并网后，给电网的电能质量带来了较大的挑战；同时由于光伏发电的随机性，使得电网的负荷预测和电力调度均受到了较大的影响。因此，对光伏发电功率进行准确、可靠的预测，就成为了解决问题的关键方法之一。但是，目前现有的对于光伏发电功率预测的方法，往往采用的rnn模型；rnn模型虽然具有较好的预测效果，但是其在反向传播时产生梯度消失的情况，从而使得算法整体的预测精度不高，严重削弱了光伏发电功率预测的准确性。技术实现要素：本发明的目的在于提供一种可靠性高且准确性好的光伏发电功率的预测方法。本发明提供的这种光伏发电功率的预测方法，包括如下步骤：s1.构造光伏发电实际功率预测特征；s2.构建基于indrnn的光伏发电功率预测模型；s3.采用步骤s1构建的预测特征，结合步骤s2构建的预测模型，对光伏发电功率进行预测。步骤s1所述的构造光伏发电实际功率预测特征，具体为采用如下特征作为光伏发电实际功率预测特征：在上述表格中，mean表示某特征值在时间窗内的均值；std表示某特征值在时间窗内的方差。步骤s2所述的构建基于indrnn的光伏发电功率预测模型，具体为采用如下算式作为基于indrnn的光伏发电功率预测模型：采用如下公式作为预测模型的传递公式：ht＝σ(wxt+u⊙ht-1+b)ot＝σ(vht+c)式中为t时刻的输入传递状态；为t时刻的隐层传递状态；为输入权重；u为传递向量；为偏置项的权重；⊙为矩阵点乘；σ为sigmiod函数；为输出层的权重；为输出层的偏置；为输出；采用如下算式作为n层预测模型堆叠情况下的传递导数：式中ln为n层的损失函数；hn,t为n层t时刻隐含输出；hn,t为为n层t时刻隐含输出；为第n层hk+1的sigmiod函数；un为第n层隐藏输入的权重；为第n层t-1时刻隐藏输入的权重；采用如下算式作为损失函数mse：式中n为总样本数；yi为真实值；为预测值。本发明提供的这种光伏发电功率的预测方法，首先构造预测特征，然后构建indrnn模型进行预测，因此本发明方法能够准确可靠且科学的对光伏发电功率进行预测。附图说明图1为本发明方法的方法流程示意图。图2为本发明方法与现有技术在晴天下的预测结果对比示意图。图3为本发明方法与现有技术在天气变化情况下的预测结果对比示意图。图4为本发明方法与现有技术在阴天下的预测结果对比示意图。具体实施方式如图1所示为本发明方法的方法流程示意图：本发明提供的这种光伏发电功率的预测方法，包括如下步骤：s1.构造光伏发电实际功率预测特征；具体为采用如下特征作为光伏发电实际功率预测特征：在上述表格中，mean表示某特征值在时间窗内的均值；std表示某特征值在时间窗内的方差；s2.构建基于indrnn的光伏发电功率预测模型；具体为采用如下算式作为基于indrnn的光伏发电功率预测模型：采用如下公式作为预测模型的传递公式：ht＝σ(wxt+u⊙ht-1+b)ot＝σ(vht+c)式中为t时刻的输入传递状态；为t时刻的隐层传递状态；为输入权重；u为传递向量；为偏置项的权重；⊙为矩阵点乘；σ为sigmiod函数；为输出层的权重；为输出层的偏置；为输出；采用如下算式作为n层预测模型堆叠情况下的传递导数：式中ln为n层的损失函数；hn,t为n层t时刻隐含输出；hn,t为为n层t时刻隐含输出；为第n层hk+1的sigmiod函数；un为第n层隐藏输入的权重；为第n层t-1时刻隐藏输入的权重；采用如下算式作为损失函数mse：式中n为总样本数；yi为真实值；为预测值；s3.采用步骤s1构建的预测特征，结合步骤s2构建的预测模型，对光伏发电功率进行预测。在具体实施时，可以采用r-squared、mae(meanabsoluteerror)均方根误差和mape(meanabsolutepercentageerror)相对百分误差绝对值的平均值对算法效果进行评价。具体的，r-squared为：mae(meanabsoluteerror)均方根误差为：mape(meanabsolutepercentageerror)相对百分误差绝对值的平均值为：以下，结合一个实施例，对本发明的方法和现有技术的技术效果(预测准确性)进行对比：根据某个光伏电站的实际光伏数据共41853条数据，数据采样频率为15min，从2017/1/10:00:00开始直到2018/4/264:00:00。将其中33853作为训练样本后面8000条作为测试样本。在cpu:i7-7000,gpu:1050ti4g,内存：16g的计算机条件下进行。样本中给出了时间、辐照度(预测辐照度)、和数字天气预报给出的风速、风向、温度、压强、湿度。根据第一节中的特征工程构造特征之后，对数据进行标准化。共用5个模型对原始特征和经特征工程构造后特征分别建模训练和预测。模型及其参数见表1，其中神经网络的参数代表其每层的单元数。表1各个模型参数模型参数indrnn[96,32,1]lstm[96,32,1]bp[96,32,1]svrc＝100，gama＝0.01knnk＝5采用以上5个模型分别对使用原始特征和特征工程构造后的特征进行建模，预测结果中包含哥类型复杂天气情况，分别展示不同变化情况下的光伏实际预测情况。表2各个模型的预测结果模型maer2mape构造特征indrnn0.6430.8624.497构造特征lstm0.6530.8694.800构造特征bp0.7700.8025.642构造特征svr0.7750.7945.747构造特征knn0.8740.7706.187原始特征indrnn0.8560.8436.508原始特征lstm0.8600.8436.585原始特征bp0.8850.8537.079原始特征svr1.0140.7857.559原始特征knn2.3090.52614.076表2给出了共8000个点的预测值平均mae、r2、mape。可以看出，经过特征构造后的模型精度有很大程度的提高。为了详细验证indrnn模型的有效性，展示不同天气情况下的构造特征下各模型的预测结果进行展示。由于夜晚一般不会有太阳，因此只考虑早上6点到晚上6点的光伏发电功率。图2展示了整天天气晴好的光伏发电功率预测情况，可以看出各个模型都能较好的拟合出实际光伏发电功率，其中indrnn的功率预测曲线更加贴合真实值的变化情况。根据表3可知，indrnn模型预测结果的mae、r2、mape相对其他模型预测结果有着优势。表3晴天时模型预测结果模型maer2mape构造特征indrnn0.4010.9702.432构造特征svr0.7470.8864.467构造特征bp0.7430.8874.641图3展示了天气突变情况下(上午晴天下午阴天)光伏功率预测结果，可以看出只有indrnn模型的预测功率趋势与该天气下的实际功率有大致相同的变化趋势，说明该算法能较好的预测复杂天气变化情况下光伏功率发电功率变化情况。从表4可以看出在此种天气下对比天气晴好时，所有模型的预测准确率都会大幅度下降，但是indrnn还是具有最好的准确率。表4变天时模型预测结果模型maer2mape％构造特征indrnn1.1200.7807.725构造特征svr1.4040.7119.633构造特征knn1.4700.6159.915构造特征bp1.6130.64710.913构造特征lstm1.5600.68811.146图4展示了阴天情况下光伏功率预测情况，可以看出在这种情况下只有indrnn和lstm模型预测结果能大致拟合实际光伏发电功率。说明此类天气下，需要有记忆能力的模型来预测光伏发电功率才会更加准确。从表5看出inrnn模型的预测准确率比lstm模型更高。表5阴天时模型预测结果模型maer2mape％构造特征indrnn0.548-0.2214.822构造特征lstm0.636-0.4615.744构造特征svr0.702-0.6356.212构造特征knn0.811-0.9377.355构造特征bp0.816-0.6457.578以上对比了在三种不同天气情况下各个模型的光伏发电功率预测结果，可以充分证明indrnn模型既具有lstm模型的记忆能力，但是比其他rnn模型有更好的泛化能力。因此，上述结果充分证明本发明方法的优越性。当前第1页1 2 3