[发明专利]基于LSTM的短期光伏发电功率预测方法及系统

权利要求书

1.一种基于LSTM的短期光伏发电功率预测方法，其特征在于，包括以下步骤：

S1、采集光伏电厂的历史发电数据以及所处地区的历史气象数据，并对其进行预处理；

S2、选择一年的历史数据作为训练集，输入为输出点前96个时间点的发电功率与气象数据，将其表示为的形式，其中m₁为样本的数目，m₂为输入层时间步数，m₃为输入层维数，时间步数选择为96，输入层维数为8；

S3、建立基于LSTM的预测模型，将训练集输入LSTM进行训练，其训练方式采用反向传播BPTT算法；

S4、采用迭代的方式进行逐点预测，实现以单输出的形式预测未来一天的输出功率；

其中，步骤S4具体包括以下步骤：

S41、采集数据为预测日前一天的历史发电功率和历史气象数据以及预测日的天气预报数据；

S42、将前一天的历史发电功率和历史气象数据组成的矩阵表示为矩阵其中I₁为输入层时间步数，I₂为输入层维数；

S43、将该矩阵转换为三阶形式输入到预测模型中，其中m₁为预测样本的数目，此处为1，m₂为输入层时间步数，m₃为输入层维数，预测未来一个时间点的输出功率，将该点预测功率和该点的天气预报数据作为新的一行加入矩阵，删除原矩阵第一行的数据，将新的矩阵作为输入预测下一个点；

S44、重复上述步骤，直到预测完96个点结束。

2.根据权利要求1所述的基于LSTM的短期光伏发电功率预测方法，其特征在于，历史发电数据为光伏电厂提供的历史发电功率数据，而气象数据由气象中心提供，气象数据包括温度、湿度、风速、风向、降雨量与辐照强度。

3.根据权利要求1所述的基于LSTM的短期光伏发电功率预测方法，其特征在于，预处理包括：对收集到的数据进行抽样与填充缺失数据，使其为间隔为15min的连续数据，缺失数据的填充选择K近邻算法；根据历史数据，结合Pearson相关系数计算分析影响光伏发电功率的重要因素。

4.根据权利要求1所述的基于LSTM的短期光伏发电功率预测方法，其特征在于，所述预测模型包括输入层、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。