[发明专利]基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统

说明书

本发明公开了一种基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统，所述方法包括：S1，使用偏自相关函数对光功率数据进行浅层特征提取后进行归一化处理；S2，构建CNN网络，将处理后的数据送入CNN进行深层特征提取；S3，构建BiLSTM模型；S4，引入Lorenz映射对鲸鱼算法的初始种群进行改进，采用改进鲸鱼优化算法对BiLSTM的参数进行优化；S5，将经CNN深度特征提取后的数据送入到改进BiLSTM进行预测。本发明通过浅层特征提取和深度特征提取的两阶段特征提取，可以进一步挖掘出特征之间的相互关联性并滤除掉光功率数据的噪声和不稳定的成分，将其处理得到的数据送入到改进的BiLSTM模型中进行光功率预测，可以有效提高预测精度。

技术领域

本发明属于光功率预测技术领域，具体涉及一种基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统。

背景技术

随着不可再生能源储量的减少，发展干净清洁的可再生能源成为近年来的研究热点。光功率能作为可再生能源之一，将其应用到发电领域得到了广泛关注和研究。然而，由于光功率能具有不稳定性的缺点，阻碍了电网利用光功率能进行大规模光伏发电。准确预测光功率能，能够更好的指导电网进行发电和调度等工作，并且对电网安全运行具有较大威胁的因素进行预防。因此，准确可靠的光功率能预测是十分必要的。

目前对光功率预测模型有四种，分别为统计模型、传统机器学习模型、深度学习模型和混合模型。统计模型要求数据具有平稳性，而传统机器学习模型对多维数据输入的建模处理能力不足，上述缺点致使它们在光功率的预测精度受限。深度学习模型能够从海量数据中提取对目标向量影响最大的关键特征，提高光伏功率预测精度。混合模型能够综合考虑深度学习模型和智能进化算法的优点，在光功率预测领域有较好的表现。

发明内容

发明目的：针对现有技术的不足，本发明提出一种基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统，通过浅层特征提取和深度特征提取的两阶段特征提取，可以进一步挖掘出特征之间的相互关联性并滤除掉光功率数据的噪声和不稳定的成分，将其处理得到的数据送入到改进的BiLSTM模型中进行光功率预测，可以有效提高预测精度。

技术方案：本发明提出一种基于两阶段特征提取和改进BiLSTM的光功率预测方法，具体包括以下步骤：

(1)收集光功率数据，使用偏自相关函数对光功率数据进行浅层特征提取后，然后再进行归一化处理；

(2)构建CNN网络，将浅层特征提取的输出数据送入CNN网络进行深度特征提取，并将其划分为训练集和测试集；

(3)构建BiLSTM模型；

(4)改进鲸鱼优化算法，引入Lorenz映射产生鲸鱼初始种群，将训练数据送入到改进的鲸鱼优化算法中对步骤(3)构建的BiLSTM模型的学习率和隐含层节点数进行优化；

(5)使用含有优化参数的BiLSTM模型对光功率进行预测。

进一步地，所述步骤(1)所述偏自相关函数为：

s_t＝φ_i1s_t-1+φ_i2s_t-2+…φ_ijs_t-k...+φ_iis_t-i+u_t  (1)

式中，s_t为时间序列,s_t-k(k＝1,2,…,i)表示滞后阶数为k阶的时间序列，φ_ij表示第i阶自回归方程中的第j(j＝1,2,…,i)个回归系数，u_t为残差序列。

进一步地，所述步骤(2)包括以下步骤：