CN110738363A - 一种光伏发电功率预测模型及其构建方法和应用 - Google Patents

Abstract

本发明公开了一种光伏发电功率预测模型及其构建方法和应用，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。

Description

一种光伏发电功率预测模型及其构建方法和应用

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模型及其构建方法和应用。

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模型及其构建方法和应用，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N>n；

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。

进一步，所述影响功率趋势项的低维特征矩阵中包括太阳辐照度维度特征和NWP气象维度特征；所述影响功率波动项的低维特征矩阵中包括云层维度、太阳辐照度差分项维度特征、太阳辐照度导数项维度特征、NWP气象差分项维度特征、NWP气象差分项维度特征。

本发明的进一步有益效果是：功率趋势项主要与太阳辐照度和NWP气象数据有关，功率波动项主要与云层和部分NWP(数值天气预报)气象数据有关，考虑到功率波动项是由于太阳辐照度或是其他气象要素突然波动导致的，因而与功率波动项有关的特征主要是太阳辐照度或是NWP数据前后的差分值以及NWP数据的导数项。

进一步，所述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，包括：

根据光伏发电过程，对每个所述低维特征矩阵中各维度特征之间进行多次非线性变换，构造影响该低维特征矩阵对应的功率分项的多个新维度特征，基于该低维特征矩阵和所述多个新维度特征，构建得到影响该功率分项的高维特征矩阵m*N，其中所述功率分项为功率趋势项或功率波动项。

本发面的进一步有益效果是：新特征主要有：某个时间点距离该日峰值点的距离、每日(平均、最大、最小、方差)(环境温度、压强、板温、湿度、风速)、白天(平均、最大、最小、方差)(环境温度、压强、板温、湿度、风速)。另外，非线性变换优选的是采用多项式特别是两次方构造特征，采用这种构造新特征方法的原因是网络能够很好的学习加减这样的线性运算，然而对于乘和平方这样的运算的学习并不尽如人意，因此，该种方法能够提高预测模型的预测性能，进而提高预测精度。

进一步，所述S2包括：

S2.1、对每个高维特征矩阵中每个维度特征进行归一化处理，并采用随机森林法，确定该高维特征矩阵中各维度间的重要性排序；

S2.2、基于每个重要性排序及其对应的功率分项的真实值，采用前向特征选取法，训练该功率分项的带补偿偏置的长短期记忆网络预测分模型，同时从该重要性排序中选取得到优选维度集，其中，所述功率分项为功率趋势项或功率波动项。

本发明的进一步有益效果是：不同变量之间量纲不同，数值差别也较大，为保证每一个数据的重要程度不因为数据的数量级不同而对映射结果产生影响，需要对每个特征进行归一化处理。另外不同维度对于预测结果影响程度不同，需要对其进行排序，本方法先采用随机森林法对各维度的重要性进行粗排序，以提高后续前向特征选取的速度和精度。

进一步，所述带补偿偏置的长短期记忆网络预测分模型包括：长短期记忆网络功率预测子模型和长短期记忆网络功率偏差预测子模型；

则所述S2.2具体为：

(1)按照每个重要性排序，将前k个维度特征输入该重要性排序对应的功率分项的长短期记忆网络功率预测子模型，该预测子模型输出该功率分项的预测值向量，k初始值为1且其取值不大于n；

(2)将所述预测值向量中每个时间点的预测值与真实值作差，得到偏差向量，将该偏差向量和所述前k个维度特征输入长短期记忆网络功率偏差预测子模型，该预测模型输出该功率分项的预测偏差向量；

(3)时间点一一对应地将所述预测值向量与所述预测偏差向量相加，得到最终预测值向量，并计算预测准确率；

(4)令k＝k+1，重复执行(1)，直至遍历完该重要性排序中所有维度特征，得到该功率分项的长短期记忆网络功率预测子模型和长短期记忆网络功率偏差预测子模型以及优选维度集。

本发明的进一步有益效果是：本发明每个功率分项对应一个的长短期记忆网络预测分模型，该分模型包括一个功率预测子模型和一个功率偏差预测子模型，基于功率预测子模型得到预测值，将该预测值与真实值的差值同得到该预测值的输入一起输入功率偏差预测子模型，对预测得到的偏差实时预测，预测偏差与功率预测子模型得到的预测值相加，得到最终的长短期记忆网络预测分模型的预测结果，因此，引入现代控制理论中的反馈思想，能够使得每个长短期记忆网络预测分模型带有偏置补偿，极大提高预测精度。

进一步，在执行所述步骤(4)时，当当前预测准确率不高于前面最大预测准确率时，剔除当前第k维度特征，当连续剔除预设数目时，对未遍历的所有维度特征随机打乱重排，当连续打乱重排预设次数且该过程未保留一个维度特征，则结束训练。

本发明的进一步有益效果是：先将最重要的特征(按照排序)加入到网络中，计算网络的损失以及准确率等相关指标，再叠加入次之重要的特征，判断计算网络的损失及相关指标是否较之前的指标有所改善，改善则留之，否则剔除，以此类推，当加入某个特征后，网络的各项指标均不在变化(连续预设数目不再改善或者变差)时，之前所保留的特征即为所需的特征，但这样的过程可能会导致特征的选取并不是最优的，因为特征之间存在着耦合关系，此时，将未被选取的所有特征打乱，然后重复以上过程，观察是否有某一个或者某一些特征加入时，网络的各项指标得到了改善，最终得到网络的输入特征。其中，该优化的前向特征选取方法引入了预设数目和预设次数以充分考虑维度之间的耦合关系，进一步提高预测精度和与功率预测最相关的优选维度集合。

进一步，所述真实值为：通过采集历史多时间点的光伏发电功率值，并采用小波变换将每个时间点的功率真实值变换为功率波动项真实值和功率趋势项真实值；

且所述计算预测准确率，具体为：

基于平均绝对百分比误差、均方根误差、预测精度，计算预测准确率。

本发明还提供一种光伏发电功率预测模型，采用如上所述的任一种光伏发电功率预测模型的构建方法构建得到，包括：功率趋势项的带补偿偏置的长短期记忆网络预测分模型和功率波动项的带补偿偏置的长短期记忆网络预测分模型。

本发明的有益效果是：采用前述的光伏发电功率预测模型的构建方法得到，预测性能高，因而预测可靠性高。

本发明还提供一种光伏发电功率预测方法，包括：

S1、分别基于如上所述的任一种光伏发电功率预测模型的构建方法中功率趋势项和功率波动项的优选维度集，一一对应地构造用于预测待预测时间的功率趋势项和功率波动项的优选维度特征矩阵；

S2、分别基于如上所述的一种光伏发电功率预测模型中各分模型，一一对应地采用所述优选维度特征矩阵，得到功率趋势项预测值和功率波动项预测值；

S3、基于功率趋势项预测值和功率波动项预测值，得到功率预测值。

本发明的进一步有益效果是：采用如上所述的光伏发电功率预测模型的构建方法及其构建得到的光伏发电功率预测模型，具有可靠的预测精度。

本发明还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一种光伏发电功率预测模型的构建方法和/或如上所述的一种光伏发电功率预测方法。

附图说明

图1为本发明实施例提供的一种光伏发电功率预测模型的构建方法的流程框图；

图2为本发明实施例提供的基于高维数据特征挖掘的光伏发电功率预测框架示意图；

图3为本发明实施例提供的带偏置补偿的长短期记忆网络结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例一

一种光伏发电功率预测模型的构建方法100，如图1所示，包括：

步骤110、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N>n；

步骤120、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。

需要说明的是，低维特征和高维特征是根据特征维度数目的相对大小来命名区分的，其中，N远远大于n。

另外步骤120中，模型的训练和特征优选过程融合在一起的，使得得到的优选特征能够适用于对应训练的预测模型。

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，该方法能够有效突破现有预测精度上限，极大提高预测精度。

优选的，影响功率趋势项的低维特征矩阵中包括太阳辐照度维度特征和NWP气象维度特征；影响功率波动项的低维特征矩阵中包括云层维度、太阳辐照度差分项维度特征、太阳辐照度导数项维度特征、NWP气象差分项维度特征、NWP气象差分项维度特征。

功率趋势项主要与太阳辐照度和NWP气象数据有关，功率波动项主要与云层和部分NWP(数值天气预报)气象数据有关，考虑到功率波动项是由于太阳辐照度或是其他气象要素突然波动导致的，因而与功率波动项有关的特征主要是太阳辐照度或是NWP数据前后的差分值以及NWP数据的导数项。

优选的，如图于2所示，上述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，包括：

根据光伏发电过程，对每个低维特征矩阵中各维度特征之间进行多次非线性变换，构造影响该低维特征矩阵对应的功率分项的多个新维度特征，基于该低维特征矩阵和所述多个新维度特征，构建得到影响该功率分项的高维特征矩阵m*N，其中功率分项为功率趋势项或功率波动项。

新特征主要有：某个时间点距离该日峰值点的距离、每日(平均、最大、最小、方差)(环境温度、压强、板温、湿度、风速)、白天(平均、最大、最小、方差)(环境温度、压强、板温、湿度、风速)。另外，非线性变换优选的是采用多项式特别是两次方构造特征，采用这种构造新特征方法的原因是网络能够很好的学习加减这样的线性运算，然而对于乘和平方这样的运算的学习并不尽如人意，因此，该种方法能够提高预测模型的预测性能，进而提高预测精度。

需要说明的是，每日(平均、最大、最小、方差)(环境温度、压强、板温、湿度、风速)，表示：每日平均环境温度、平均压强、平均板温、平均湿度、平均风速；每日最大环境温度、最大压强、最大板温、最大湿度、最大风速；每日最小环境温度、最小压强、最小板温、最小湿度、最小风速；每日方差环境温度、方差压强、方差板温、方差湿度、方差风速。“白天(平均、最大、最小、方差)(环境温度、压强、板温、湿度、风速)”的读法同上。

优选的，如图2所示，步骤120包括：

步骤121、对每个高维特征矩阵中每个维度特征进行归一化处理，并采用随机森林法，确定该高维特征矩阵中各维度间的重要性排序；

步骤122、基于每个重要性排序及其对应的功率分项的真实值，采用前向特征选取法，训练该功率分项的带补偿偏置的长短期记忆网络预测分模型，同时从该重要性排序中选取得到优选维度集，其中，所述功率分项为功率趋势项或功率波动项。

不同变量之间量纲不同，数值差别也较大，为保证每一个数据的重要程度不因为数据的数量级不同而对映射结果产生影响，需要对每个特征进行归一化处理。另外不同维度对于预测结果影响程度不同，需要对其进行排序，本方法先采用随机森林法对各维度的重要性进行粗排序，以提高后续前向特征选取的速度和精度。

优选的，如图3所示，上述带补偿偏置的长短期记忆网络预测分模型包括：长短期记忆网络功率预测子模型和长短期记忆网络功率偏差预测子模型；

则步骤122具体为：

(1)按照每个重要性排序，将前k个维度特征输入该重要性排序对应的功率分项的长短期记忆网络功率预测子模型，该预测子模型输出该功率分项的预测值向量，k初始值为1且其取值不大于n；

(2)将所述预测值向量中每个时间点的预测值与真实值作差，得到偏差向量，将该偏差向量和所述前k个维度特征输入长短期记忆网络功率偏差预测子模型，该预测模型输出该功率分项的预测偏差向量；

(3)时间点一一对应地将所述预测值向量与所述预测偏差向量相加，得到最终预测值向量，并计算预测准确率；

(4)令k＝k+1，重复执行(1)，直至遍历完该重要性排序中所有维度特征，得到该功率分项的长短期记忆网络功率预测子模型和长短期记忆网络功率偏差预测子模型以及优选维度集。

需要说明的是，长短期记忆网络由三个门组成，输入、输出和忘记门。它在RNN的基础上引入了自循环的巧妙构思，以产生梯度长时间持续流动的路径，增加了一种携带信息跨越多个时间步的方法，也就很好的解决了梯度消失问题。

LSTM神经网络共有四个输入，其中Z是LSTM网络的输入，Z_i用来控制输入门，Z_o用来控制输出门，Z_f用来控制忘记门，每个门的输入用来实现不同的目的：Z_f用来控制神经网络需要忘记哪些信息；Z_i用来控制将哪些输入数据输入到神经网络中，即确定哪些输入是有效的；Z_o用来控制在神经网络中哪些信息用于输出。

在每个输入和门之间都有一个激活函数，可以是Relu、tanh或者是sigmoid函数。考虑输入、输出和忘记门的权值W和偏置b，则我们可以得到以下计算式：

f(Z_i)_t＝σ(W_i,x·h_t-1+W_i,h·Z+b_i)；f(Z_f)_t＝σ(W_f,x·h_t-1+W_f,h·Z_f+b_f)；f(Z_o)_t＝σ(W_o,x·h_t-1+W_o,h·Z_o+b_o)；C_t＝σ(W_s,x·h_t-1+W_s,h·Z+b_s)；

式中，W_i,x、W_f,x、W_o,x和W_s,x是施加到输入端的四个权重矩阵，W_i,h、W_f,h、W_o,h和W_s,h是在前一时间步施加到输出的权重矩阵，b_i、b_f、b_o和b_s是四个偏置向量，f(Z_i)_t、f(Z_f)_t和f(Z_o)_t是指每个门的激活值，C_t是指t时刻网络的状态值。

每个功率分项对应一个的长短期记忆网络预测分模型，该分模型包括一个功率预测子模型和一个功率偏差预测子模型，基于功率预测子模型得到预测值，将该预测值与真实值的差值同得到该预测值的输入一起输入功率偏差预测子模型，对预测得到的偏差实时预测，预测偏差与功率预测子模型得到的预测值相加，得到最终的长短期记忆网络预测分模型的预测结果，因此，引入现代控制理论中的反馈思想，能够使得每个长短期记忆网络预测分模型带有偏置补偿，极大提高预测精度。

优选的，在执行上述步骤(4)时，当当前预测准确率不高于前面最大预测准确率时，剔除当前第k维度特征，当连续剔除预设数目时，对未遍历的所有维度特征随机打乱重排，当连续打乱重排预设次数且该过程未保留一个维度特征，则结束训练。

选取过程中，先将最重要的特征(按照排序)加入到网络中，计算网络的损失以及准确率等相关指标，再叠加入次之重要的特征，判断计算网络的损失及相关指标是否较之前的指标有所改善，改善则留之，否则剔除，以此类推，当加入某个特征后，网络的各项指标均不在变化(连续预设数目不再改善或者变差)时，之前所保留的特征即为所需的特征，但这样的过程可能会导致特征的选取并不是最优的，因为特征之间存在着耦合关系，此时，将未被选取的所有特征打乱，然后重复以上过程，观察是否有某一个或者某一些特征加入时，网络的各项指标得到了改善，最终得到网络的输入特征。其中，该优化的前向特征选取方法引入了预设数目和预设次数以充分考虑维度之间的耦合关系，进一步提高预测精度和与功率预测最相关的优选维度集合。前向特征选取在考虑耦合关系时，可优选的，在向模型加入维度特征时，设置一个预设个数，例如5，10等，当连续预设个数维度特征分别加入网络后，预测精度不变或者变差时，就认为这预设个数中的第一个维度特征优选过程结束并将其删除，然后将排序中所有未被留下的特征随机打乱顺序，再重复上述过程，另外设定一个预设次数，当连续经过预设次数的打乱后，没有任何一个特征被选择时，则认为余下的特征均为无用特征，结束前向特征选取。

优选的，上述真实值为：通过采集历史多时间点的光伏发电功率值，并采用小波变换将每个时间点的功率真实值变换为功率波动项真实值和功率趋势项真实值；

且上述计算预测准确率，具体为：

基于平均绝对百分比误差、均方根误差、预测精度，计算预测准确率。指标有平均绝对百分比误差(mean absolute percentage error，MAPE)、均方根误差(Root MeanSquare Error，RMSE)、预测精度，其表达式(解释说明)分别如下：

式中，N表示预测总次数，p_i和p_f分别表示i时刻功率的预测值和真实值。

实施例二

一种光伏发电功率预测模型，采用如上实施例一所述的任一种光伏发电功率预测模型的构建方法构建得到，包括：功率趋势项的带补偿偏置的长短期记忆网络预测分模型和功率波动项的带补偿偏置的长短期记忆网络预测分模型。

采用前述的光伏发电功率预测模型的构建方法得到，预测性能高，因而预测可靠性高。

相关技术方案同实施例一，在此不再赘述。

实施例三

一种光伏发电功率预测方法200，包括：

步骤210、分别基于如上实施例一所述的任一种光伏发电功率预测模型的构建方法中功率趋势项和功率波动项的优选维度集，一一对应地构造用于预测待预测时间的功率趋势项和功率波动项的优选维度特征矩阵；

步骤220、分别基于如上实施例二所述的一种光伏发电功率预测模型中各分模型，一一对应地采用所述优选维度特征矩阵，得到功率趋势项预测值和功率波动项预测值；

步骤230、基于功率趋势项预测值和功率波动项预测值，得到功率预测值。

需要说明的是，构造用于预测功率趋势项的优选维度特征矩阵和用于预测功率波动项的优选维度特征矩阵，包括：确定每个优选维度特征集中的特征种类；采集待预测时间的所有特征种类的特征数据；基于所有特征数据，构建得到该优选维度特征集对应的功率分项的优选维度特征矩阵，功率分项为功率趋势项或功率波动项。

本实施例基于高维数据特征挖掘的光伏发电功率预测方法。从光伏发电的原理出发，利用小波变换将光伏发电的功率分成功率趋势项(主要与太阳辐照度和NWP气象数据有关)和功率波动项(主要与云层和部分NWP气象数据有关)，利用太阳辐照度和NWP气象数据等低维原始特征为功率趋势项构造高维特征，利用云层和部分NWP气象数据为功率波动项构造高维特征，并利用前向特征选取有用特征剔除无关特征。在此基础上，搭建两个具有偏置补偿的长短期记忆网络，分别以两个进行特征选取后的高维特征做为网络的输入，以功率趋势项和功率波动项做为网络输出，进行功率点的功率预测。采用如上所述的光伏发电功率预测模型的构建方法及其构建得到的光伏发电功率预测模型，具有可靠的预测精度。

相关技术方案同实施例一和实施例二，在此不再赘述。

实施例四

一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上实施例一所述的任一种光伏发电功率预测模型的构建方法和/或如上实施例三所述的一种光伏发电功率预测方法。

相关技术方案同实施例一和实施例三，在此不再赘述。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种光伏发电功率预测模型的构建方法，其特征在于，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N>n；

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。

2.根据权利要求1所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述影响功率趋势项的低维特征矩阵中包括太阳辐照度维度特征和NWP气象维度特征；所述影响功率波动项的低维特征矩阵中包括云层维度、太阳辐照度差分项维度特征、太阳辐照度导数项维度特征、NWP气象差分项维度特征、NWP气象差分项维度特征。

3.根据权利要求1所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述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，包括：

根据光伏发电过程，对每个所述低维特征矩阵中各维度特征之间进行多次非线性变换，构造影响该低维特征矩阵对应的功率分项的多个新维度特征，基于该低维特征矩阵和所述多个新维度特征，构建得到影响该功率分项的高维特征矩阵m*N，其中所述功率分项为功率趋势项或功率波动项。

4.根据权利要求1所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述S2包括：

S2.1、对每个高维特征矩阵中每个维度特征进行归一化处理，并采用随机森林确定该高维特征矩阵中各维度间的重要性排序；

S2.2、基于每个重要性排序及其对应的功率分项的真实值，采用前向特征选取法，训练该功率分项的带补偿偏置的长短期记忆网络预测分模型，同时从该重要性排序中选取得到优选维度集，其中，所述功率分项为功率趋势项或功率波动项。

5.根据权利要求1至4任一项所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述带补偿偏置的长短期记忆网络预测分模型包括：长短期记忆网络功率预测子模型和长短期记忆网络功率偏差预测子模型；

则所述S2.2具体为：

(1)按照每个重要性排序，将前k个维度特征输入该重要性排序对应的功率分项的长短期记忆网络功率预测子模型，该预测子模型输出该功率分项的预测值向量，k初始值为1且其取值不大于n；

(2)将所述预测值向量中每个时间点的预测值与真实值作差，得到偏差向量，将该偏差向量和所述前k个维度特征输入长短期记忆网络功率偏差预测子模型，该预测模型输出该功率分项的预测偏差向量；

(3)时间点一一对应地将所述预测值向量与所述预测偏差向量相加，得到最终预测值向量，并计算预测准确率；

(4)令k＝k+1，重复执行(1)，直至遍历完该重要性排序中所有维度特征，得到该功率分项的长短期记忆网络功率预测子模型和长短期记忆网络功率偏差预测子模型以及优选维度集。

6.根据权利要求5所述的一种光伏发电功率预测模型的构建方法，其特征在于，在执行所述步骤(4)时，当当前预测准确率不高于前面最大预测准确率时，剔除当前第k维度特征，当连续剔除预设数目时，对未遍历的所有维度特征随机打乱重排，当连续打乱重排预设次数且该过程未保留一个维度特征，则结束训练。

7.根据权利要求5所述的一种光伏发电功率预测模型的构建方法，其特征在于，所述真实值为：通过采集历史多时间点的光伏发电功率值，并采用小波变换将每个时间点的功率真实值变换为功率波动项真实值和功率趋势项真实值；

且所述计算预测准确率，具体为：

基于平均绝对百分比误差、均方根误差、预测精度，计算预测准确率。

8.一种光伏发电功率预测模型，其特征在于，采用如权利要求1至7任一项所述的一种光伏发电功率预测模型的构建方法构建得到，包括：功率趋势项的带补偿偏置的长短期记忆网络预测分模型和功率波动项的带补偿偏置的长短期记忆网络预测分模型。

9.一种光伏发电功率预测方法，其特征在于，包括：

S1、分别基于如权利要求1至7任一项所述的一种光伏发电功率预测模型的构建方法中功率趋势项和功率波动项的优选维度集，一一对应地构造用于预测待预测时间的功率趋势项和功率波动项的优选维度特征矩阵；

S2、分别基于如权利要求8所述的一种光伏发电功率预测模型中各分模型，一一对应地采用所述优选维度特征矩阵，得到功率趋势项预测值和功率波动项预测值；

S3、基于功率趋势项预测值和功率波动项预测值，得到功率预测值。

10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述如权利要求1至7任一项所述的一种光伏发电功率预测模型的构建方法和/或如权利要求9所述的一种光伏发电功率预测方法。

Images