[发明专利]一种光伏发电功率预测方法

说明书

本发明公开了一种光伏发电功率预测方法，方法包括：分别获取影响功率趋势项和影响功率波动项的低维特征矩阵，对每个低维特征矩阵中各维度特征间基于光伏发电机理进行非线性变换，得到影响每个功率分项的高维特征矩阵；基于每个高维特征矩阵，采用前向特征选取法，训练用于预测该高维特征矩阵对应的功率趋势项或波动项的带补偿偏置的长短期记忆网络预测分模型并得到优选维度集，完成光伏发电功率预测模型构建。本发明在原始低维特征基础上为预测功率趋势项和波动项构造高维特征，以反映光伏功率的变换规律。后用前向特征选取有用维度，训练两个具有偏置补偿的长短期记忆网络预测分模型，极大提高光伏发电功率预测精度。

技术领域

本发明属于光伏发电功率预测技术领域，更具体地，涉及一种光伏发电功率预测方法。

背景技术

光伏发电受太阳辐射强度、温度、气压等多种因素的影响，输出功率具有较大的波动性和随机性，因而对光伏发电功率进行准确预测，能够有效降低其对电网运行稳定性以及电网经济效益的影响。

根据预测时间分类，光伏功率预测可分为短期光伏功率预测和中长期光伏功率预测。对于短期光伏功率预测，目前，主要的研究方法可以概括为以下2类：一类是以多元线性回归和支持向量机为代表的直接预测方法，另一类则是以人工智能方法如人工神经网络、极限学习机和机器学习为代表的间接预测方法。

现有采用间接预测方法进行短期光伏功率预测的方法已有很多，例如，(1)申请号201610698185.7，名称为光伏功率预测系统；(2)申请号201810047788.x，名称为考虑辐射衰减的光伏功率预测方法；(3)申请号201611261697.3，名称为一种自修正检验的光伏功率短期预测方法。然而，目前这些预测方法都存在着一些不足，例如，利用k均值寻找相似日来进行预测，利用了相似日之间具有相似的发电特性，能够在一般的预测方法上有所改善；考虑辐射衰减的光伏功率预测方法对太阳辐射这一重要影响因素做了更精确的分析，在输入数据上进行了改善，采用自修正检验来对光伏功率预测，在应对输入数据质量较差时具有较好的应对效果。但以上几种方法均存在着共性的问题，均没有考虑光伏发电功率的根本原理(光生伏特原理)，未从深层次剖析影响光伏发电的数据特征，用不完整的数据特征试图去预测光伏发电功率，其预测经过存在着精度上限。

发明内容

本发明提供一种光伏发电功率预测方法，用以解决现有光伏发电功率预测方法中未充分考虑光伏发电功率原理而导致预测精度受限的技术问题。

本发明解决上述技术问题的技术方案如下：一种光伏发电功率预测模型的构建方法，包括：

S1、分别获取影响功率趋势项和影响功率波动项的低维特征矩阵m*n，并根据光伏发电原理对每个低维特征矩阵中各维度特征之间进行非线性变换，构造影响该低维特征矩阵对应的功率趋势项或功率波动项的高维特征矩阵m*N，其中，m为历史时间点个数，N、n为特征维度个数，且Nn；

S2、基于每个高维特征矩阵，采用前向特征选取法，训练用于预测该高维特征矩阵对应的功率趋势项或功率波动项的带补偿偏置的长短期记忆网络预测分模型并得到优选维度集，完成光伏发电功率预测模型的构建。

本发明的有益效果是：本发明从光伏发电的原理出发，将光伏发电的功率分成功率趋势项和功率波动项，并分别获取影响功率趋势项的第一低维特征矩阵以及影响功率波动项的第二低维特征矩阵，进一步利用第一低维特征矩阵为预测功率趋势项构造高维特征，利用第二低维特征矩阵为预测功率波动项构造高维特征，能很好的反映光伏功率的变换规律。然后，分别对两个高维特征，利用前向特征，选取有用特征，剔除无关特征，同时训练得到两个具有偏置补偿的长短期记忆网络预测分模型，特别的，在长短期记忆网络中引入现代控制理论中的反馈思想，使得每个长短期记忆网络预测分模型带有偏置补偿，使得在预测过程中考虑预测偏差。因此，本发明方法能够有效突破现有预测精度上限，极大提高预测精度。

上述技术方案的基础上，本发明还可以做如下改进。