CN111222674A - 基于长短期记忆神经网络的短期光伏发电量预测方法 - Google Patents

Abstract

一种基于长短期记忆神经网络的短期光伏发电量预测方法，利用长短期记忆神经网络(LSTMNN)预测太阳辐射量间接计算出光伏发电量，包括以下步骤：获取相关地区光伏系统所接收的太阳辐射量数据及相应的历史气象数据信息；将获取的数据归一化处理，分为测试样本和训练样本两部分，建立LSTMNN进行训练；以预测日之前30天的光伏数据作为输入数据，预测当日的太阳辐射量；将预测结果反归一化处理即可得到当日的太阳辐射量数据。本发明建立的预测模型能够保存较长时间太阳辐射量序列所包含的季节性、波动性和趋势性的信息，克服传统递归神经网络训练过程中梯度消失(爆炸)的问题，进一步提高了预测精度。

Description

基于长短期记忆神经网络的短期光伏发电量预测方法

技术领域

本发明属于光伏发电技术领域。

背景技术

光伏系统受天气状况、昼夜交替以及季节变化的影响，具有间歇性、随机性和波动性的特点，在大规模并入电网时将给电力系统的生产和运行带来极大的挑战，因此迫切需要开展针对光伏发电预测技术的研究。根据光伏发电的预测结果，调度运行人员可以及时采取应对措施，调整和优化发电计划，合理安排系统使用，改善电网调峰能力；能够合理安排光伏电站检修计划，减少弃光,提高新能源企业的盈利能力。

影响光伏发电的因素有很多，例如光伏组件的规格型号、光伏阵列的安装排布等，这些电气特性固定下来后，光伏输出主要取决于气象因素，其中，光伏组件表面接收到的太阳辐射量是影响光伏发电的直接因素。因而，通过对太阳辐射量进行预测，间接计算出光伏系统输出功率的方法，就可以达到提高光伏系统合理配电能力的目的。

为了提高太阳辐射量的预测精度，近年来提出了不少预测方法，主要有：时间序列、线性回归模型、贝叶斯网络、支持向量机以及神经网络。由于神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现，所以本文采用神经网络的方法进行太阳辐射量的预测。递归神经网络(Recurrent Neural Network,RNN)是用于时间序列数据预测的好工具，因为其结构简单，具有记忆功能和适应时变特性被常用于太阳辐射量的预测。然而随着天气情况变化复杂，太阳辐射数据的波动性变大，RNN在训练过程中可能出现梯度爆炸或者梯度消失的问题，导致预测结果陷入局部最优解。

发明内容

本发明的目的是提出一种基于长短期记忆神经网络(Long Short-Term MemoryNeural Network,LSTMNN)的短期发电量预测方法，利用合理的气象数据对隔日的每个小时辐射量进行预测，能避免网络训练过程中出现梯度爆炸或者梯度消失的问题，解决太阳辐射量在复杂天气状况下的预测难题，提高预测精度。

本发明是通过以下技术方案实现的。

本发明所述的基于长短期记忆神经网络的短期光伏发电量预测方法，包括以下步骤：

(1)获取相关地区光伏系统所接收的太阳辐射量数据及相应的历史气象数据信息，分析并选取影响光伏系统发电量的气象因素。由于昼夜交替的影响，为减小光伏系统的间歇性对预测的影响，只需预测每天5:00-18:00各整点时刻的太阳辐射量。所需要获取的历史气象数据信息包括：每天5:00-18:00各整点时刻的温度、湿度、风速、太阳高度角以及天气状况，其中天气状况包括晴天、雨天、阴天。

(2)根据所选取的影响因素，确定长短期记忆神经网络的输入数据和输出数据，建立长短期记忆神经网络模型。由于历史数据的时间相关性较强，因此可利用预测日之前30天相同时刻的太阳辐射量序列来预测该日5:00-18:00各整点时刻的太阳辐射量。为提高预测精度，历史气象数据被添加为特征。基于长短期记忆神经网络的短期太阳辐射量预测模型的输入数据X＝{SI₁ ^T,T^T,H^T,WS^T,SA^T,W^T}，输出数据Y＝{SI₂ ^T}。其中，SI₁，T，H，WS，SA分别是预测日前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角，均为14维的向量；W为5:00-18:00各整点时刻天气状况，将天气类型晴天、雨天、阴天分别标记为1、2、3；输出数据SI₂是预测日当日5:00-18:00各整点时刻的太阳辐射量。

(3)将太阳辐射量数据和历史气象数据归一化处理后分为测试样本和训练样本，根据训练样本建立长短期记忆神经网络并进行误差计算、权值更新和阈值更新，从而将长短期记忆神经网络的预测误差控制在5％-10％的范围内。所述长短期记忆神经网络的训练方法采用反向传播算法BPTT(BackPropagation Through Time)，并采用误差平方和函数进行代价函数学习。

(4)根据训练后得到的长短期记忆神经网络模型，以预测日之前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角、天气类型作为输入数据，预测当日的5:00-18:00各整点时刻的太阳辐射量，LSTM的时间步长设置为14。将预测结果反归一化处理即可得到当日的太阳辐射量数据。

(5)利用预测的太阳辐射量数据计算出预测日当日的光伏发电量。

进一步所述的步骤(2)中：

所述长短期记忆神经网络为了克服递归神经网络的梯度消失或爆炸的问题，在保持递归神经网络结构的基础上重新设计记忆单元。其中，每个长短期记忆神经网络(LSTM)记忆单元中含有3个控制门，分别是输入门i_t、输出门o_t和遗忘门f_t。LSTM在时刻t的输入数据为x_t，输出值为h_t，c_t为记忆状态。LSTM记忆单元更新如下：

所述的遗忘门f_t的计算：遗忘门主要取决于从记忆单元状态中遗忘多少信息，由t时刻输入值x_t和t-1时刻隐藏层输出h_t-1共同决定。遗忘门f_t的计算公式是：

f_t＝σ(w_f×[h_t-1,x_t]+b_f) (1)

式(1)中：w_f为t时刻遗忘门f_t的权值矩阵；b_f为偏置量；σ采用Sigmoid函数。

所述的记忆单元状态值c_t的更新分为三部分：第一部分是输入门决定当前输入数据有多少输入到记忆单元中；第二部分是当前输入经过一个tanh层用来生成新的候选状态

它作为当前层产生的候选值可能会添加到记忆状态中；最后，记忆单元c_t通过输入门i_t和遗忘门f_t对自身状态C_t-1和当前候选记忆状态值

进行调节来更新记忆单元状态。

所述的输入门i_t的计算：i_t由t时刻输入值x_t和t-1时刻隐层输出h_t-1共同决定。输入门i_t的计算公式是：

i_t＝σ(w_i×[h_t-1,x_t]+b_i) (2)

式(2)中：w_i为t时刻输入门i_t的权值矩阵；b_i为偏置量。

所述的记忆单元的候选状态

的计算：

由t时刻输入值x_t和t-1时刻隐层输出h_t-1共同决定。记忆单元的候选状态

的计算公式是：

式(3)中：w_c为t时刻候选状态

的权值矩阵；b_c为偏置量。

所述的记忆单元状态值c_t的更新计算：记忆单元状态值c_t的更新计算公式为：

所述的输出门o_t的计算：输出门主要是用来控制记忆单元状态值有多少需要输出，由t时刻输入值x_t和t-1时刻隐层输出h_t-1共同决定。输出门o_t的计算公式为：

o_t＝σ(w_o×[h_t-1,x_t]+b_o) (5)

式(5)中：w_o为t时刻输出门o_t的权值矩阵；b_o为偏置量。

所述的隐藏层输出值h_t计算：隐藏层输出值由t时刻输出值o_t和记忆单元状态值c_t共同决定。隐藏层输出值h_t的计算公式是：

h_t＝o_t×tanh(c_t) (6)

进一步，所述的步骤(3)中：

(a)由于长短期记忆神经网络对数据比较敏感，我们采用Min-Max法将太阳辐射量数据和历史气象数据归一化处理，归一化后的数据值域变换到[0，1]，计算公式如下：

(b)所述代价函数学习的公式为：

进一步，所述的步骤(5)中：

在实际工程之中，对光伏系统的发电量进行计算一般采用：

P_S＝η_PVSI_r[1-0.005(T_c+25)] (9)

式(9)中：η_PV表示光伏阵列的转换效率，S表示光伏阵列的总面积；I_r表示光伏阵列实际接受到的辐射量；T_c表示光伏阵列组件的温度。

本发明所述的长短期记忆神经网络可以能够保存较长时间太阳辐射量序列所包含的季节性、波动性和趋势性的信息，适用于多变量长时间的序列预测问题。同时，长短期记忆神经网络能克服传统递归神经网络训练过程中梯度消失(爆炸)的问题，进一步提高了预测精度。

附图说明

图1短期光伏发电量预测方法流程框图。

图2递归神经网络。等式左边为递归神经网络，等式右边为递归网络按时间展开后的结构。

图3长短期记忆网络结构图。

图4短期太阳辐射量预测模型。

具体实施方式

下面结合附图和工作原理对具体实施方式进行说明。

一种基于长短期记忆神经网络的短期光伏发电量预测方法，利用长短期记忆神经网络建立短期太阳辐射量预测模型，进而间接计算出短期光伏发电量，短期光伏发电量预测流程如附图1。包括以下步骤：

(1)获取相关地区光伏系统所接收的太阳辐射量数据及相应的历史气象数据信息，分析并选取影响光伏系统发电量的气象因素。由于昼夜交替的影响，为减小光伏系统的间歇性对预测的影响，只需预测每天5:00-18:00各整点时刻的太阳辐射量。所需要获取的历史气象数据信息包括：每天5:00-18:00各整点时刻的温度、湿度、风速、太阳高度角以及天气状况，其中天气状况包括晴天、雨天、阴天。

(2)根据所选取的影响因素，确定长短期记忆神经网络的输入数据和输出数据，建立长短期记忆神经网络模型。由于历史数据的时间相关性较强，因此可利用预测日之前30天相同时刻的太阳辐射量序列来预测该日5:00-18:00各整点时刻的太阳辐射量。为提高预测精度，历史气象数据被添加为特征。基于长短期记忆神经网络模型的短期太阳辐射量预测模型的输入数据X＝{SI₁ ^T,T^T,H^T,WS^T,SA^T,W^T}，输出数据Y＝{SI₂ ^T}。其中，SI₁，T，H，WS，SA分别是预测日前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角，均为14维的向量；W为5:00-18:00各整点时刻天气状况，将天气类型晴天、雨天、阴天分别标记为1、2、3；输出数据SI₂是预测日当日5:00-18:00各整点时刻的太阳辐射量。

(3)由于长短期记忆神经网络对数据比较敏感，我们采用Min-Max法将太阳辐射量数据和历史气象数据归一化处理，归一化后的数据值域变换到[0，1]。将归一化处理后的数据分为测试样本和训练样本，根据训练样本建立长短期记忆神经网络并进行误差计算、权值更新和阈值更新，从而将长短期记忆神经网络的预测误差控制在5％-10％的范围内。所述长短期记忆神经网络的训练方法采用反向传播算法BPTT(BackPropagation ThroughTime)，并采用误差平方和函数进行代价函数学习。

(4)将预测样本输入已建立好的模型当中，输出预测结果。对输出的预测数据进行反归一化，即可得到预测日当日的太阳辐射量数据。

(5)利用预测的太阳辐射量数据计算出预测日当日的光伏发电量。

根据预测得到的太阳辐射量数据，在实际工程之中，对光伏系统的发电量进行计算一般采用：

P_S＝η_PVSI_r[1-0.005(T_c+25)]

上式中：η_PV表示光伏阵列的转换效率，S表示光伏阵列的总面积；I_r表示光伏阵列实际接受到的辐射量；T_c表示光伏阵列组件的温度。

本发明采用递归神经网络(Recurrent Neural Network,RNN)的改进型网络，即长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTMNN)建立短期光伏发电量预测模型。用于时间序列数据预测的好工具，因为其结构简单，具有记忆功能和适应时变特性被常用于太阳辐射量的预测。RNN的网络结构如附图2所示。

RNN结构与前向神经网络结构的不同之处在于网络的隐藏层中增加了一个反馈环节，称之为承接层，承接层包含了隐藏层上一时刻的输出信息，并将输入层和输出层的信息反映到网络结构中，通过隐藏层干预反馈结构。随着学习的进展，历史数据被保存在网络结构中，以达到记忆的目的，从而使系统具有时变特性，并且能直接动态反映动态过程系统的特性。RNN更新网络参数的算法采用反向传播算法BPTT(BackPropagation Through Time)。因此，RNN在处理时间序列上距离较远的节点时会遇到巨大的困难，因为计算距离较远的节点之间的联系时会涉及雅可比矩阵的多次相乘，这会出现梯度消失或者梯度爆炸的问题，而长短期记忆神经网络可以很好地解决这个问题。

长短期记忆神经网络的结构如附图3所示。与传统RNN相比，长短期记忆神经网络增加了一个细胞状态，用来记录随着时间传递的信息。在信息传递过程中，长短期记忆神经网络通过当前时刻输入、上一时刻隐藏层状态、上一时刻细胞状态和门结构来增加或删除细胞状态中的信息。门结构用来控制增加或删除信息的程度，共有输入门(input gate)、遗忘门(forget gate)、输出门(output gate)3种结构门。输入门用来控制当前输入新生成的信息中有多少信息可以加入到细胞状态中，遗忘门决定上一时刻细胞状态中的多少信息可以传递到当前时刻中。长短期记忆神经网络基于遗忘门和输入门的输出来更新细胞状态。更新后的细胞状态由2部分构成：①来自上一时刻旧的细胞状态信息；②当前输入新生成的信息。最后，基于更新的细胞状态，输出隐藏状态。

附图4为短期太阳辐射量预测模型，根据训练后得到的长短期记忆神经网络模型，以预测日之前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角、天气类型作为输入数据，可预测当日的5:00-18:00各整点时刻的太阳辐射量，因此LSTM的时间步长设置为14。

Claims (5)

1.一种基于长短期记忆神经网络的短期光伏发电量预测方法，其特征是包括以下步骤：

(1)获取相关地区光伏系统所接收的太阳辐射量数据及相应的历史气象数据信息，分析并选取影响光伏系统发电量的气象因素；预测每天5:00-18:00各整点时刻的太阳辐射量；所需要获取的历史气象数据信息包括：每天5:00-18:00各整点时刻的温度、湿度、风速、太阳高度角以及天气状况，其中天气状况包括晴天、雨天、阴天；

(2)根据所选取的影响因素，确定长短期记忆神经网络的输入数据和输出数据，建立长短期记忆神经网络模型；利用预测日之前30天相同时刻的太阳辐射量序列来预测该日5:00-18:00各整点时刻的太阳辐射量；模型的输入数据X＝{SI₁ ^T,T^T,H^T,WS^T,SA^T,W^T}，输出数据Y＝{SI₂ ^T}，其中，SI₁、T、H、WS、SA分别是预测日前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角，均为14维的向量；W为5:00-18:00各整点时刻天气状况，将天气类型晴天、雨天、阴天分别标记为1、2、3；输出数据SI₂是预测日当日5:00-18:00各整点时刻的太阳辐射量；

(3)将太阳辐射量数据和历史气象数据归一化处理后分为测试样本和训练样本，根据训练样本建立长短期记忆神经网络并进行误差计算、权值更新和阈值更新；训练方法采用反向传播算法，并采用误差平方和函数进行代价函数学习；

(4)根据训练后得到的长短期记忆神经网络模型，以预测日之前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角、天气类型作为输入数据，预测当日的5:00-18:00各整点时刻的太阳辐射量，长短期记忆神经网络的时间步长设置为14；将预测结果反归一化处理即可得到当日的太阳辐射量数据；

(5)利用预测的太阳辐射量数据计算出预测日当日的光伏发电量。

2.根据权利要求1所述的一种基于长短期记忆神经网络的短期光伏发电量预测方法，其特征是所述的步骤(2)中：

每个长短期记忆神经网络记忆单元中含有3个控制门，分别是输入门i_t、输出门o_t和遗忘门f_t；长短期记忆神经网络在时刻t的输入数据为x_t，输出值为h_t，c_t为记忆状态；长短期记忆神经网络记忆单元更新如下：

所述的遗忘门f_t的计算按下式：

f_t＝σ(w_f×[h_t-1,x_t]+b_f) (1)

式(1)中：w_f为t时刻遗忘门f_t的权值矩阵；b_f为偏置量；σ采用Sigmoid函数；

所述的记忆单元状态值c_t的更新分为三部分：第一部分是输入门决定当前输入数据有多少输入到记忆单元中；第二部分是当前输入经过一个tanh层用来生成新的候选状态

它作为当前层产生的候选值可能会添加到记忆状态中；最后，记忆单元c_t通过输入门i_t和遗忘门f_t对自身状态C_t-1和当前候选记忆状态值

进行调节来更新记忆单元状态；

所述的输入门i_t的计算按下式：

i_t＝σ(w_i×[h_t-1,x_t]+b_i) (2)

式(2)中：w_i为t时刻输入门i_t的权值矩阵；b_i为偏置量；

所述的记忆单元的候选状态

的计算按下式：

式(3)中：w_c为t时刻候选状态

的权值矩阵；b_c为偏置量；

所述的记忆单元状态值c_t的更新计算按下式：

所述的输出门o_t的计算按下式：

o_t＝σ(w_o×[h_t-1,x_t]+b_o) (5)

式(5)中：w_o为t时刻输出门o_t的权值矩阵；b_o为偏置量；

所述的隐藏层输出值h_t计算按下式：

h_t＝o_t×tanh(c_t) (6)

3.根据权利要求1所述的一种基于长短期记忆神经网络的短期光伏发电量预测方法，其特征是所述的步骤(3)中，所述的归一化处理采用Min-Max法将太阳辐射量数据和历史气象数据归一化处理，归一化后的数据值域变换到[0，1]，计算公式如下：

4.根据权利要求1所述的一种基于长短期记忆神经网络的短期光伏发电量预测方法，其特征是所述的步骤(3)中，所述代价函数学习的公式为：

5.根据权利要求1所述的一种基于长短期记忆神经网络的短期光伏发电量预测方法，其特征是所述的步骤(5)中，对光伏系统的发电量进行计算采用：

P_S＝η_PVSI_r[1-0.005(T_c+25)] (9)

式(9)中：η_PV表示光伏阵列的转换效率，S表示光伏阵列的总面积；I_r表示光伏阵列实际接受到的辐射量；T_c表示光伏阵列组件的温度。

Images