(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 109902874 A(43)申请公布日 2019.06.18
(21)申请号 201910151971.9(22)申请日 2019.02.28
(71)申请人 武汉大学
地址 430072 湖北省武汉市武昌区珞珈山
武汉大学(72)发明人 邓长虹 谭津
(74)专利代理机构 武汉科皓知识产权代理事务
所(特殊普通合伙) 42222
代理人 鲁力(51)Int.Cl.
G06Q 10/04(2012.01)G06Q 10/06(2012.01)G06Q 50/06(2012.01)
权利要求书2页 说明书5页 附图3页
(54)发明名称
一种基于深度学习的微电网光伏发电短期预测方法(57)摘要
本发明涉及微电网光伏发电系统研究领域，尤其是涉及一种基于深度学习的微电网光伏发电短期预测方法，其步骤是：1、数据预处理，对历史数据中的不良数据、缺失数据进行补充修正，然后进行归一化处理形成训练样本数据；2、将处理过的样本数据分为不同季节、不同广义天气类型的样本子集，输入LSTM预测模型作为训练样本；3、按照天气类型建立LSTM短期预测模型并完成训练；4、根据预测日所属季节和天气类型预报信息选择对应的LSTM预测子模型，输出未来时刻的光伏发电短期预测值。本发明采用深度学习算法深入挖掘光伏发电的出力特性并建立预测模型，不需要贵重的气象测量设备和仪器，降低了成本，具有较广的适用范围。
CN 109902874 ACN 109902874 A
权 利 要 求 书
1/2页
1.一种基于深度学习的微电网光伏发电短期预测方法，包括以下步骤：步骤1，数据预处理，对历史数据中的不良数据、缺失数据进行补充修正，然后进行归一化处理形成训练样本数据；
步骤2，将处理过的样本数据分为不同季节、不同广义天气类型的样本子集，输入LSTM预测模型作为训练样本；
步骤3，按照天气类型建立LSTM短期预测模型并完成训练；步骤4，根据预测日所属季节和天气类型预报信息选择对应的LSTM预测子模型，输出未来时刻的光伏发电短期预测值。
2.根据权利要求1所述的基于深度学习的微电网光伏发电短期预测方法，其特征在于：所述步骤1对历史数据中的不良数据、缺失数据进行补充修正，然后进行归一化处理形成训练样本数据，具体方法为：去除非正常数据如因临时事故或临时设备检修引起的发电量为零的历史数据；发电量超常的数据；丢失了的数据；采用横向对比法处理：当某一天光伏发电数据异常时，在其附近的一段时间内寻找与其天气类型一致的相似日，用相似日的光伏出力数据进行代替；采用均值-标准差(Z-score)归一化方法对其进行处理，其函数公式为：
式中：x为归一化之前的输入数据值，μ为所有输入数据的均值，σ为所有输入数据的标准差，x为归一化之后的输入数据。
3.根据权利要求1所述的基于深度学习的微电网光伏发电短期预测方法，其特征在于：所述步骤2将处理过的样本数据分为不同季节、不同广义天气类型的样本子集，输入LSTM预测模型作为训练样本；
采用天气状态模式识别方法，将中国气象局细分的33种天气类型归类整理至A、B、C、D4种广义天气类型，并分别建立预测子模型。
4.根据权利要求1所述的基于深度学习的微电网光伏发电短期预测方法，其特征在于：所述步骤3按照天气类型建立LSTM短期预测模型并完成训练，包括以下步骤：
步骤3.1、确定LSTM预测模型的参数如输入层、隐含层、输出层节点数；隐含层节点数选取过多会增加网络模型的复杂度，训练时间变长，并导致过拟合现象将一些非特征关系记住并学习；节点数选取过少则过于泛化输入输出变量之间的联系，找不到样本数据的规律；本发明根据经验公式获得隐含层节点初始设置值，经过多次试验选择最优的；常用的经验公式有：
m＝log2n (3)
式中：m为隐层节点数，n为输入层节点数，l为输出层节点数，α为1～10之间的常数；获得节点初始值后并在此基础上增减，通过对取不同节点数的网络进行训练仿真后，选取网络输出误差最小和训练次数少的作为最佳网络模型；
2
CN 109902874 A
权 利 要 求 书
2/2页
步骤3.2、随机初始化网络权重和偏置，确定网络训练过程中的迭代次数N和每次迭代的权重调整比例；
步骤3.3、根据误差函数(模型输出值ot与实际输出值yt的函数)计算预测误差E，采用沿时间的误差反向传播算法计算整个网络的累积误差相对于权值参数U、V、W的梯度，根据梯度下降调整更新其权值使得预测误差最小，其表达式如下所示：
Et(o,y)＝ot-yt (5)
网络权重反复迭代直至误差达到设定值ε或迭代次数达到最大值。
5.根据权利要求1所述的基于深度学习的微电网光伏发电短期预测方法，其特征在于：所述步骤4根据预测日所属季节和天气类型预报信息选择对应的LSTM预测子模型，输出未来时刻光伏发电短期预测值；本发明采用直接预测法，得到训练样本天气类型分类结果后，通过训练好的LSTM预测模型直接计算未来时刻光伏发电输出功率。
3
CN 109902874 A
说 明 书
一种基于深度学习的微电网光伏发电短期预测方法
1/5页
技术领域
[0001]本发明涉及微电网光伏发电系统研究领域，具体是一种基于深度学习的微电网光伏发电短期预测方法。
背景技术
[0002]太阳能是一种取之不尽用之不竭、零碳排放的新能源，光伏发电作为其主要利用方式之一得到了充足的发展。随着光伏发电装机容量的不断攀升，光伏发电的随机波动性及其大规模的并网接入使得电网调度需要配套使用储能设备或采用其他可调机组对其进行调峰才能实现对光伏发电的控制，否则只能弃光。因此如何在保证电网安全经济运行的条件下最大限度地消纳光伏发电功率显得尤为重要。准确的光伏发电功率预测技术是提高其消纳水平的有效途径之一。
[0003]微电网主要由分布式发电单元、能量转换单元、储能单元和用户单元等集成，能实现局部的功率平衡及优化。微电网光伏发电系统分散接入配电网，对电网调度人员来说是“不可见”的，其功能相对于输电网来说相当于负荷。微电网的经济调度运行需要综合可再生能源预测信息、负荷预测信息和未来市场等多方面的信息来制定计划，而传统电网调度方法只考虑了负荷预测，从而无法满足电网的安全、经济运行要求。因此，准确的光伏发电预测能提供更丰富的可靠的依据，是提高电网消纳分布式光伏发电的关键技术。在进行光伏发电预测前，同样需要对光伏出力的输出特性进行深入分析，准确地把握光伏输出功率的不确定性，为微电网能量管理及控制提供技术支撑。发明内容
[0004]本发明提出一种基于LSTM网络的微电网光伏发电短期预测方法，建立了适用于动态时序的预测模型。首先分析了光伏出力本身的周期性和时序特性；介绍了深度学习中能处理长依赖信息的LSTM网络的工作原理；并确定了LSTM预测模型的输入输出变量和隐含层节点数；采用横纵向相似日修补和归一化方法对训练样本数据进行了预处理；最后基于A、B、C、D四类广义天气类型建立预测子模型，实现对未来时刻微电网光伏发电短期预测；仿真结果表明LSTM预测模型具有较高的预测精度。
[0005]本发明的上述技术问题主要是通过下述技术方案得以解决：[0006]一种基于深度学习的微电网光伏发电短期预测方法，包括以下步骤：[0007]步骤1，数据预处理，对历史数据中的不良数据、缺失数据进行补充修正，然后进行归一化处理形成训练样本数据；[0008]步骤2，将处理过的样本数据分为不同季节、不同广义天气类型的样本子集，输入LSTM预测模型作为训练样本；[0009]步骤3，按照天气类型建立LSTM短期预测模型并完成训练；[0010]步骤4，根据预测日所属季节和天气类型预报信息选择对应的LSTM预测子模型，输出未来时刻的光伏发电短期预测值。
4
CN 109902874 A[0011]
说 明 书
2/5页
所述步骤1中对历史数据中的不良数据、缺失数据进行补充修正，然后进行归一化
处理形成训练样本数据的流程如下：
[0012]去除非正常数据如因临时事故或临时设备检修引起的发电量为零的历史数据；发电量超常的数据；丢失了的数据。采用横向对比法处理：当某一天光伏发电数据异常时，在其附近的一段时间内寻找与其天气类型一致的相似日，用相似日的光伏出力数据进行代替。
[0013]采用均值-标准差(Z-score)归一化方法对其进行处理，其函数公式为：
[0014]
式中：x为归一化之前的输入数据值，μ为所有输入数据的均值，σ为所有输入数据的标准差，x为归一化之后的输入数据。
[0016]所述步骤2将处理过的样本数据分为不同季节、不同广义天气类型的样本子集，输入LSTM预测模型作为训练样本的流程为：[0017]采用天气状态模式识别方法，将中国气象局细分的33种天气类型归类整理至A、B、C、D4种广义天气类型，并分别建立预测子模型。
[0018]所述步骤3按照天气类型建立LSTM短期预测模型并完成训练的流程如下：[0019]步骤3.1、确定LSTM预测模型的参数如输入层、隐含层、输出层节点数。隐含层节点数选取过多会增加网络模型的复杂度，训练时间变长，并导致过拟合现象将一些非特征关系记住并学习；节点数选取过少则过于泛化输入输出变量之间的联系，找不到样本数据的规律。本发明根据经验公式获得隐含层节点初始设置值，经过多次试验选择最优的。常用的经验公式有：
[0020][0021][0022][0023]
[0015]
m＝log2n (3)
式中：m为隐层节点数，n为输入层节点数，l为输出层节点数，α为1～10之间的常
数。获得节点初始值后并在此基础上增减，通过对取不同节点数的网络进行训练仿真后，选取网络输出误差最小和训练次数少的作为最佳网络模型。[0024]步骤3.2、随机初始化网络权重和偏置，确定网络训练过程中的迭代次数N和每次迭代的权重调整比例；[0025]步骤3.3、根据误差函数(模型输出值ot与实际输出值yt的函数)计算预测误差E，采用沿时间的误差反向传播算法计算整个网络的累积误差相对于权值参数U、V、W的梯度，根据梯度下降调整更新其权值使得预测误差最小，其表达式如下所示：[0026]Et(o,y)＝ot-yt (5)
[0027]
5
CN 109902874 A[0028][0029]
说 明 书
3/5页
网络权重反复迭代直至误差达到设定值ε或迭代次数达到最大值。
[0030]所述步骤4根据预测日所属季节和天气类型预报信息选择对应的LSTM预测子模型，输出未来时刻光伏发电短期预测值的流程如下：[0031]本发明采用直接预测法，得到训练样本天气类型分类结果后，通过训练好的LSTM预测模型直接计算未来时刻光伏发电输出功率。[0032]本发明的优点和积极效果是：提出了一种基于LSTM网络的微电网光伏发电短期预测方法，建立了适用于动态时序的预测模型。采用天气分类方法将训练样本分为4类广义天气类型，减少了模型训练时间。由于光伏发电数据是典型的非线性时间序列，并且存在动态特性即光伏发电系统下一时刻的输出不仅与当前时刻输入值有关还与以前的输入值有一定的联系，而LSTM网络添加了用于存储较长时间信息的记忆单元，能学习到时间序列中长距离依赖的信息，因此非常适用于对波动较大的光伏发电出力序列进行预测。本发明采用深度学习算法深入挖掘光伏发电的出力特性并建立预测模型，不需要贵重的气象测量设备和仪器，降低了成本，具有较广的适用范围。附图说明
[0033]附图1是本发明的短期预测方法流程图。[0034]附图2是广义天气类型下光伏出力曲线图。[0035]附图3是A类天气类型预测对比曲线图。[0036]附图4是B类天气类型预测对比曲线图。[0037]附图5是C类天气类型预测对比曲线图。[0038]附图6是D类天气类型预测对比曲线图。
具体实施方式
[0039]下面通过实例，并结合附图，对本发明的技术方案作进一步具体的说明。[0040]实例：
[0041]一种基于深度学习的微电网光伏发电短期预测方法，如图1所示，包括以下步骤：[0042]步骤1：数据预处理，对历史数据中的不良数据、缺失数据进行补充修正，然后进行归一化处理形成训练样本数据。[0043]步骤2：将处理过的样本数据分为不同季节、不同广义天气类型的样本子集，输入LSTM预测模型作为训练样本。[0044]在本实例中，采用武汉某微电网光伏实验平台记录的2010年、2015～2016年的光伏出力实际数据为样本，该光伏发电站的装机容量为10kWp，光伏试验平台记录的历史数据时间间隔为5min。由于光伏发电具有间歇性，夜晚期间光伏出力为零，因此本文只对白昼期间的光伏出力进行预测。由于武汉地区6点之前和18点之后光伏电池板出力大多为零，本文仅对6:00～18:00的光伏出力进行预测。根据天气类型识别方法得到基础天气类型和广义天气类型的对应关系如表1所示，各广义天气类型的光伏出力曲线图如图2所示：[0045]表1天气类型分类结果
6
CN 109902874 A[0046]
说 明 书
4/5页
步骤3：按照天气类型建立LSTM短期预测模型并完成训练。
[0048](1)确定LSTM预测模型的参数如输入层、隐含层、输出层节点数；[0049]本发明选取用来进行光伏发电预测的时间序列作为输入变量，选取预测日每时刻前8个样本点作为模型的输入变量。根据输出层节点数的不同，预测模型主要有两种网络结构：(a)单变量输出网络，每次预测只输出一个变量值，建立48个预测模型获得一天48个点的输出变量；(b)多变量输出网络，输出层节点数根据需要输出的功率预测值确定，每次预测能输出多个预测值。本发明预测输出值为预测日一天48个点的光伏出力值，选择上述第二种多变量输出网络，输出层节点数为4个，输出值为预测日每个小时间隔15min的光伏发电量，一共训练12个不同的LSTM模型；经过多次试凑比较最后确定隐含层节点数为18个。[0050](2)随机初始化网络权重和偏置，确定网络训练过程中的迭代次数N和每次迭代的权重调整比例；[0051](3)根据误差函数(模型输出值ot与实际输出值yt的函数)计算预测误差E，采用沿时间的误差反向传播算法计算整个网络的累积误差相对于权值参数U、V、W的梯度，根据梯度下降调整更新其权值使得预测误差最小。[0052]步骤4：根据预测日所属季节和天气类型预报信息选择对应的LSTM预测子模型，输出未来时刻的光伏发电短期预测值。[0053]在步骤1和步骤2的基础上，历史数据被划分为A(晴天)、B(多云)、C(雨天)和D(阴天)四大类分别进行预测，本发明选择对预测日6:00至18:00时段的光照强度进行间隔15min的短期预测，这里选取均方根误差(RMSE)和平均绝对百分比误差对预测效果进行评价：
[0054]
[0047]
[0055]
式中：Pmeas为实测值；Ppred为预测值；i为时间序列；Pcap为i时段的光伏电站开机总
容量；N为样本个数。
[0057]为更全面地分析LSTM深度学习网络的优缺点，增加了BP神经网络预测模型进行对比模型。图3为2016年11月5日(A类天气类型)的光伏发电实际、预测对比曲线图；图4为2016年11月24日(B类天气类型)的光伏发电实际、预测对比曲线图；图5为2016年11月16日(C类天气类型)的光伏发电实际、预测对比曲线图；图6为2016年11月28日(D类天气类型)的光伏
7
[0056]
CN 109902874 A
说 明 书
5/5页
发电实际、预测对比曲线图。表2为预测模型的预测误差。[0058]表2 LSTM预测误差MAPE/RMSE比较值
[0059]
本实例中预测结果显示本发明所提LSTM预测模型预测效果整体优于传统BP神经网络预测模型。A类天气类型下两种预测模型的光伏发电输出功率预测值及变化趋势均与实测值曲线高度吻合，虽有小范围的波动但误差较小，BP和LSTM两模型的平均绝对百分比误差基本保持在10％以内；B类天气类型下光伏出力的随机波动性最强，峰值、谷值的错误预报增加使得预测精度下降，LSTM预测模型较BP模型能更好地预测由云层遮挡引起的连续时间内的光伏出力变化，因为LSTM网络有复杂的记忆单元，能记住历史时刻的数据信息，云层引起的光伏出力衰减具有时序相关性和持续性，因此LSTM网络预测准确度较高；C、D类天气类型下LSTM网络较BP网络能更好地学习到该天气类型下光伏出力间歇性和小波动的特征。
[0061]本发明所属的实施例是说明性的，而不是限定性的，因此发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
[0060]
8
CN 109902874 A
说 明 书 附 图
1/3页
图1
9
CN 109902874 A
说 明 书 附 图
2/3页
图2
图3
10
CN 109902874 A
说 明 书 附 图
3/3页
图4
图5
图6
11