技术领域
[0001] 本
发明属于
能源功率预测领域，更具体地，涉及一种用于分布式
光伏发电系统短期出力的预测方法。
背景技术
[0002] 随着全球化石能源地不断消耗，开发新能源、提高
可再生能源的利用效率成为了解决能源紧缺、环境污染等问题的一项重要手段。在众多新能源中，
太阳能光伏发电由于其具有清洁、高效等诸多优异性能而得到广泛应用，并在近年来得到飞速发展。
[0003] 而随着智能
电网的发展，建设大规模的分布式光伏发电系统成为了一种充分消纳太阳能资源、缓解电网调峰压力的重要方案。分布式光伏发电系统是指采用光伏组件，将太阳能直接转换为
电能的发电系统。分布式光伏发电系统一般布置在电力用户附近，往往直
接与配电网相连，连同配电网一起向周边用户供电。相比较于集中式光伏电站，分布式光伏发电系统的装机规模与输出功率更小，地理
位置更分散，例如，建在城市
建筑物屋顶的光伏发电项目。
[0004] 但是，由于光伏发电具有
波动性和间歇性，分布式光伏发电系统的并网运行增加了电力系统的调度难度，因此，对分布式光伏发电系统的出力进行准确预测将有利于调度
部
门合理规划常规能源
发电厂与各分布式光伏发电系统之间的协调配合，提高电网运行的
安全性和
稳定性。
[0005] 在
现有技术中，对于短期光伏出力的预测方法有诸如
人工神经网络、
支持向量机等方法，然而，现有技术存在的不足之处在于，使用单一的预测方法往往容易导致预测结果不稳定，预测
精度不佳；另外，在天气情况变化较大时，这些方法存在预测准确性不足的情形。
发明内容
[0006] 本发明所要解决的技术问题在于，提供一种分布式光伏发电系统短期出力预测方法，采用组合
深度学习网络，可以提高对分布式光伏发电系统短期出力的预测精度以及在
各种天气条件下模型的适应程度。
[0007] 为解决上述技术问题，本发明所采用的技术方案为，提供一种用于分布式光伏发电系统短期出力的预测方法，其特征在于，包括如下步骤：
[0008] 步骤S1：采集分布式光伏发电系统的历史出力数据、大气
温度数据以及太阳辐照数据，并进行数据归一化预处理；
[0009] 步骤S2：使用多模型单变量的预测方法，建立基于极限学习机(ELM)的第一预测模型，进行待测日的初步预测；
[0010] 步骤S3：使用单模型多变量的预测方法，建立基于长短期记忆(LSTM)深度学习网络的第二
预测模型，结合历史数据对第一预测模型的结果进行修正，并得到最终的光伏出
力预测结果。
[0011] 优选地，所述步骤S1中具体包括：
[0012] 步骤S10，通过安装在分布式光伏发电系统中的功率测量装置、
温度计以及辐照计，选取待测日前一天至前N天时间范围内的历史数据，以每天M个
采样点的采样率采集该
分布式光伏发电系统的输出功率数据、温度数据以及辐照强度数据；
[0013] 步骤S11，按照公式 分别对输出功率数据、温度数据以及辐照强度数据进行归一化；
[0014] 其中，P(j)和 为归一化前后j时刻的数据，j＝1,2,…,M；Pmin和Pmax为数据的最小值和最大值。
[0015] 优选地，所述步骤S2具体包括：
[0016] 步骤S20，使用多模型单变量的预测方法建立第一预测模型；
[0017] 其中，第一预测模型采用极限学习机(ELM)进行待测日光伏出力的初步预测，ELM是一种单隐含层
前馈神经网络，包括
输入层、隐含层以及
输出层，ELM的基本结构和原理是本领域技术人员所熟知的，在此不进行详细描述；
[0018] 步骤S21，在第一预测模型中，建立样本数为N的光伏出力数据集(ti,Xi)，其中模型的输出样本为Xi＝[xi1,xi2,...,xin]T∈Rn，具体为待测日第p(p＝1,2,…,M)时刻的光伏出力值；模型的输入样本为ti＝[ti1,ti2,...,tim]T∈Rm，包含待测日前一天第p-1、p及p+1时刻的输出功率值以及待测日当天第p-1、p及p+1时刻的辐照强度值和温度值；特别地，当p＝1时，p-1时刻选取为前一天的最后一个时刻；当p＝M时，p+1时刻选择为当天的第一个时刻；
[0019] 对于一个有L个隐层
节点的ELM网络，其第j个样本对应的模型拟合输出，即待测日第j时刻的出力预测值oj表示为：
[0020]
[0021] 其中，g(·)为激活函数，Wi＝[wi,1,wi,2,...,wi,n]T为输入权重，βi为输出权重，bi是第i个隐层单元的偏置，Wi·Xj为Wi和Xj的内积；
[0022] 模型训练过程的目标是使得输出误差最小，即：
[0023]
[0024] 即计算βi、Wi和bi，使得
[0025]
[0026] 使用矩阵的形式表示为：
[0027] Hβ＝T (12)
[0028] 其中，H是隐含层节点的输出，β为输出权重，T为期望输出，有：
[0029]
[0030]
[0031] 通过对H和β
迭代寻优，实现第一预测模型的训练过程，目标使网络对训练样本的拟合误差最小，其最小化损失函数为：
[0032]
[0033] 在ELM
算法中，将第一预测模型的训练将转化为求解一个线性系统Hβ＝T解，并且通过下式确定输出权重
[0034]
[0035] 其中，H+是矩阵H的Moore-Penrose广义逆矩阵；
[0036] 步骤S22，对于待测日的每一个时刻，重复上述步骤S21，得到待测日所有时刻的光伏出力预测值。
[0037] 优选地，所述步骤S3具体包括：
[0038] 步骤S30，使用单模型多变量的预测方法建立第二预测模型；
[0039] 其中，第二预测模型采用长短期记忆(LSTM)网络对第一预测模型的预测结果进行修正并得到最终的预测结果，其中，所述LSTM包含输入层、输出层和
隐藏层，隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层；
[0040] 在所述第二预测模型中，所述LSTM单元有三个门结构，即输入门、遗忘门和输出门，和记忆单元，输入门接受输入信息并根据条件更新记忆单元状态，遗忘门根据特定条件决定丢弃的信息，输出门根据输入信息和记忆单元决定要输出的内容；每一个时刻，LSTM单元通过三个门接受当前状态和上一时刻的隐藏状态，同时接收上一时刻记忆单元的状态，
通过计算得到新的记忆单元的状态，最后通过激活函数和输出门输出；
[0041] 各变量之间的计算公式如下：
[0042] 输入门的输出值：it＝σ(Wxixt+Whiht-1+Wcict-1+bi)；
[0043] 遗忘门的输出值：ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
[0044] 输出门的输出值：ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)；
[0045] 当前时刻记忆单元的状态：c(t)＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)；
[0046] LSTM单元的输出：ht＝ottanh(ct)；
[0047] 其中，Wxf、Whf、Wcf、Wxi、Whi、Wci、Wxc、Whc、Wxo、Who、Wco为权重矩阵；bi、bc、bf、bo为偏置参数；σ为激活函数，其为relu或sigmoid函数；
[0048] 步骤S31，在所述第二预测模型中，以第一预测模型的初步预测值作为输入样本；则通过其输出样本获得待测日所有M个时刻的光伏出力最终预测值。
[0049] 优选地，所述步骤S31中，所述第一预测模型的初步预测值为待测日所有M个时刻的光伏出力预测值，以及待测日所有M个时刻的温度以及辐照强度值。
[0050] 实施本发明的
实施例，具有以下的有益效果：
[0051] 本发明所采用的预测方法，其第一预测模型利用ELM优异的泛化性能和较快的收敛速度对分布式光伏发电系统的历史数据进行初步泛化，通过待测日的辐照强度以及温度
数据得到待测日的初步光伏出力预测值；
[0052] 同时，其第二预测模型利用LSTM深度学习算法优异的
自学习、自适应和自调整性能，对第一预测模型的结果进行修正，得到待测日最终的光伏出力预测值；
[0053] 在本发明的实施例中，利用ELM的泛化性能，充分利用了分布式光伏发电系统的历史数据，提高了数据利用效率；利用LSTM深度学习算法，对ELM的预测结果进行自适应修正，使得在不同的气象条件下都能保持较高的预测精度，极大地提高了预测模型的预测性能。
附图说明
[0054] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0055] 图1为本发明提供的一种用于分布式光伏发电系统短期出力的预测方法一个实施例的主流程示意图；
[0056] 图2为本发明实施例提供的预测方法的原理示意图；
[0057] 图3为图1中第一预测模型中ELM结构示意图；
[0058] 图4为图1中的第二预测模型中LSTM单元结构示意图；
[0059] 图5为本发明实施例涉及的晴天短期光伏出力预测结果示意图；
[0060] 图6为本发明实施例涉及的雾天短期光伏出力预测结果示意图；
[0061] 图7为本发明实施例涉及的阴雨天短期光伏出力预测结果示意图；
[0062] 图8为本发明实施例涉及的天气突变天短期光伏出力预测结果示意图。
具体实施方式
[0063] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0064] 为使本领域的普通技术人员更加清楚地理解发明的目的、技术方案和优点，以下结合附图和实施例对发明做进一步的阐述。
[0065] 如图1所示，示出了本发明提供的一种用于分布式光伏发电系统短期出力的预测方法的一个实施例的结构示意图，一并结合图2至图8所示，在本发明实施中，所述方法包括如下步骤：
[0066] 步骤S1：采集分布式光伏发电系统的历史出力数据、大气温度数据以及太阳辐照数据，并进行数据归一化预处理；
[0067] 步骤S2：使用多模型单变量的预测方法，建立基于极限学习机(ELM)的第一预测模型，进行待测日的初步预测；
[0068] 步骤S3：使用单模型多变量的预测方法，建立基于长短期记忆(LSTM)深度学习网络的第二预测模型，结合历史数据对第一预测模型的结果进行修正，并得到最终的光伏出
力预测结果。
[0069] 下面结合具体的例子，对上述三个步骤进行更详细的描述。
[0070] 在一个具体的实施例中，选取位于我国南方某城市中的分布式光伏发电系统实际数据。数据由光伏电站的出力(kW)、温度(℃)以及太阳辐照历史数据(W/m2)组成，采样时间为2016年4月1日至2016年12月1日共计八个月，每天的采样
频率为30分钟，即24小时内共有
48个采样点。
[0071] 本实施例选取历史数据2016年11月中，四个不同天气状况的日期：晴天(2016年11月28日)、雾天(2016年11月15日)、阴雨天(2016年11月29日)以及天气突变天(2016年11月
21日)分别作为待测日，以验证本发明提供方法的预测性能。
[0072] 所述步骤1中具体处理流程为：
[0073] 步骤S10，以每天M个采样点的采样率采集该分布式光伏发电系统的输出功率数据、温度数据以及辐照强度数据，在本实施例中，M＝48，即24小时内共有48个采样点。
[0074] 步骤S11，按照公式 分别对输出功率数据、温度数据以及辐照强度数据进行归一化。其中，P(j)和 为归一化前后j时刻的数据，j＝1,2,…,M。Pmin和
Pmax为数据的最小值和最大值。
[0075] 通过归一化可防止由于各类型数据的量纲不一致而导致预测结果出现较大的偏差。
[0076] 所述步骤2中具体处理流程为：
[0077] 步骤S20，使用多模型单变量的预测方法建立第一预测模型。所述多模型单变量预测方法为，每次预测一个时刻的光伏出力输出值，将多个模型的预测结果组合起来得到所
有时刻的预测值。
[0078] 第一预测模型采用极限学习机(ELM)进行待测日光伏出力的初步预测，ELM是一种单隐含层前馈神经网络，包括输入层、隐含层以及输出层。相比与传统的单隐含层神经网
络，ELM速度更快、精度更高，具有更强的学习和泛化能力，可以大大地缩短光伏出力的预测周期。ELM的结构如图3所示。
[0079] 步骤S21，在第一预测模型中，建立样本数为N的光伏出力数据集(ti,Xi)，其中模型的输出样本为Xi＝[xi1,xi2,...,xin]T∈Rn，具体为待测日第p(p＝1,2,…,M)时刻的光伏出力值；模型的输入样本为ti＝[ti1,ti2,...,tim]T∈Rm，包含待测日前一天第p-1、p及p+1时刻的输出功率值以及待测日当天第p-1、p及p+1时刻的辐照强度值和温度值。特别地，当p＝1时，p-1时刻选取为前一天的最后一个时刻；当p＝M时，p+1时刻选择为当天的第一个时刻。在第一预测模型中，ELM输入层节点数选择为9，输出层节点数选择为1，经过测试，隐含层节点数选择为14。对于一个有L个隐层节点的ELM网络，其第j个样本对应的模型拟合输出，即待测日第j时刻的出力预测值oj可以表示为：
[0080]
[0081] 其中，g(·)为激活函数，Wi＝[wi,1,wi,2,...,wi,n]T为输入权重，βi为输出权重，bi是第i个隐层单元的偏置，Wi·Xj为Wi和Xj的内积。
[0082] 模型训练过程的目标是使得输出误差最小，即：
[0083]
[0084] 即计算βi、Wi和bi，使得
[0085]
[0086] 可以使用矩阵的形式表示为：
[0087] Hβ＝T (20)
[0088] 其中，H是隐含层节点的输出，β为输出权重，T为期望输出，有：
[0089]
[0090]
[0091] 第一预测模型的训练过程就是对H和β迭代寻优的过程，其目标是使网络对训练样本的拟合误差最小，即最小化损失函数为：
[0092]
[0093] 在ELM算法中，由于输入层权重及偏置采用随机确定的方法进行赋值，所以，第一预测模型的训练将转化为求解一个线性系统Hβ＝T解，并且输出权重 也可以被确定：
[0094]
[0095] 其中，H+是矩阵H的Moore-Penrose广义逆矩阵。
[0096] 步骤S22，对于待测日的每一个时刻，重复上述步骤S21，得到待测日所有时刻的光伏出力预测值。
[0097] 所述步骤3中具体处理流程为：
[0098] 步骤S30，使用单模型多变量的预测方法建立第二预测模型。所述单模型多变量预测方法为，使用一个模型一次性预测所有时刻的光伏出力输出值。
[0099] 第二预测模型采用长短期记忆(LSTM)网络对第一预测模型的预测结果进行修正并得到最终的预测结果，LSTM是一种基于
递归神经网络的深度学习算法，对于处理时序数
据有着较好的效果。LSTM继承了RNN(循环神经网络)的递归属性，在充分利用时序数据的同时，弥补了RNN梯度消失和梯度爆炸以及长期记忆能力不足的缺点。LSTM包含输入层、输出层和隐藏层，隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激
活函数的全连接层。LSTM的结构如图4所示。其中的sigmoid激活函数、tanh激活函数的具体的含义是本领域技术人员所熟知的，在此不进行详述。
[0100] 在上述技术方案中，第二预测模型有如下特点：
[0101] LSTM单元有三个门结构，即输入门、遗忘门和输出门，和记忆单元，输入门接受输入信息并根据条件更新记忆单元状态，遗忘门根据特定条件决定丢弃的信息，输出门根据输入信息和记忆单元决定要输出的内容；每一个时刻，LSTM单元通过3个门接受当前状态和上一时刻的隐藏状态，同时接收上一时刻记忆单元的状态，通过计算得到新的记忆单元的
状态，最后通过激活函数和输出门输出。
[0102] 各变量之间的计算公式如下：
[0103] 输入门的输出值：it＝σ(Wxixt+Whiht-1+Wcict-1+bi)；
[0104] 遗忘门的输出值：ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
[0105] 输出门的输出值：ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)；
[0106] 当前时刻记忆单元的状态：c(t)＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)；
[0107] LSTM单元的输出：ht＝ottanh(ct)；
[0108] 其中，Wxf、Whf、Wcf、Wxi、Whi、Wci、Wxc、Whc、Wxo、Who、Wco为权重矩阵；bi、bc、bf、bo为偏置参数；σ为激活函数，通常为relu或sigmoid函数。
[0109] 步骤S31，在第二预测模型中，以第一预测模型的初步预测值作输入样本，具体地，所述第一预测模型的初步预测值为待测日所有M个时刻的光伏出力预测值，以及待测日所有M个时刻的温度以及辐照强度值；其输出样本即获得待测日所有M个时刻的光伏出力最终
预测值。
[0110] 更加具体地，在本发明实施例中，第二预测模型中的LSTM网络有5个重要参数：输入层节点数、输入层维数、隐藏层数目、每个隐藏层维数以及输出层节点数。本发明的预测模型输入层节点数为一天中的所有时刻，即输入层节点数为48；输入层维数为3，分别是第一预测模型所有时刻的预测值以及待测日所有时刻的温度值和辐照强度值；本模型隐藏层
数目为2，一个LSTM层，一个全连接层，其中，全连接层的激活函数选择为relu；隐藏层的维数根据实验研究，LSTM设为700，全连接层设为100能到较好的效果；输出层节点数为48，即待测日所有时刻的光伏出力值。
[0111] 使用本发明提出的预测方法，对前述2016年11月中四个不同天气状况的待测日进行短期光伏出力预测。预测误差选取MAE和RMSE作为评价标准，MAE和RMSE的值越小，模型预测效果越好，精度越高。计算公式如下：
[0112]
[0113]
[0114] 在(25)和(26)种，M为一天中的光伏出力时刻，本实施例中M＝48。Pi和 分别表示i时刻的实际测量数据和预测数据。
[0115] 对四个待测日，分别使用传统的BP神经网络预测方法、ELMAN神经网络预测方法以及本发明提供的组合深度学习网络预测方法进行预测，并对预测结果做出评价。
[0116] 图5所示为2016年11月28日(晴天)各预测方法的预测结果图。
[0117] 图6所示为2016年11月15日(雾天)各预测方法的预测结果图。
[0118] 图7所示为2016年11月29日(阴雨天)各预测方法的预测结果图。
[0119] 图8所示为2016年11月21日(天气突变天)各预测方法的预测结果图。
[0120] 表1为四个待测日预测结果MAE和RMSE统计。
[0121] 表1四个待测日预测结果MAE和RMSE统计表
[0122]
[0123] 在图5、6、7、8以及表1中，“BP-NN”表示采用BP神经网络预测方法，“ELMAN-NN”表示采用ELMAN神经网络预测方法，“ELM-LSTM”表示采用本发明所提出的组合深度学习网络预测方法。
[0124] 由表1可以看出，本发明所提出的组合深度学习网络分布式光伏发电系统短期出力预测模型在不同的天气状况下，都具有最高的预测精度。
[0125] 实施本发明的实施例，具有如下的有益效果：
[0126] 本发明所采用的预测方法，其第一预测模型利用ELM优异的泛化性能和较快的收敛速度对分布式光伏发电系统的历史数据进行初步泛化，通过待测日的辐照强度以及温度
数据得到待测日的初步光伏出力预测值；
[0127] 同时，其第二预测模型利用LSTM深度学习算法优异的自学习、自适应和自调整性能，对第一预测模型的结果进行修正，得到待测日最终的光伏出力预测值；
[0128] 在本发明的实施例中，利用ELM的泛化性能，充分利用了分布式光伏发电系统的历史数据，提高了数据利用效率；利用LSTM深度学习算法，对ELM的预测结果进行自适应修正，使得在不同的气象条件下都能保持较高的预测精度，极大地提高了预测模型的预测性能。
[0129] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉
本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
