[发明专利]基于门控循环单元网络的光伏电站短期功率预测方法

说明书

本发明涉及一种基于门控循环单元网络的光伏电站短期功率预测方法。该方法包括：包括以下步骤：步骤S1：根据待预测日的天气类型选取气象参数作为模型输入，不同的天气类型，占主导地位的气象参数不同；步骤S2：对待预测日之前的20天历史数据进行处理，剔除异常值和黑夜的值，然后对历史功率和历史NWP气象参数进行归一化处理，将其作为训练数据集；步骤S3：采用门控循环单元网络对训练数据集进行学习，并用方均根反向传播算法调整网络的参数；步骤S4：将待预测日的NWP气象参数作为模型的输入，得出预测的功率值。本发明方法能够显著提高光伏电站短期功率预测的精度和可靠性。

技术领域

本发明属于光伏电站功率的短期预测技术，具体涉及一种基于门控循环单元网络的光伏电站短期功率预测方法。

背景技术

太阳能具有清洁、无污染、来源广和取之不尽等特点，非常具有潜力，受到了各国的广泛关注，但随着太阳能发电在电网中占有比例的增大，其缺点也开始显现，太阳能具有受天气影响大、波动大与随机性强的特点，这不利于电网的稳定，因为电网波动超过一定的限度就会存在安全问题。利用光伏电站短期功率预测方法，可以提前估计光伏产能，为电网管理者调配电网，减少太阳能波动对电网造成的影响提供依据。

目前国内外相关研究主要集中在单一电站的超短期和短期功率预测，这主要是因为从预测开始进行时算起，将要产生的电能大部分都可以在未来1天内交易完毕。根据功率预测原理和方法的不同，可以将其分为三类：物理方法、统计方法和混合方法。其中物理方法主要是利用物理公式进行推理计算，这种方法建模复杂，需要考虑的因素很多，一般预测精度较低；统计方法，需要大量的历史发电数据，有时还需要对应的气象数据，一般来讲是使用人工神经网络对历史数据进行学习，建立环境因素与输出功率或者历史功率与未来功率之间的映射关系，然后便可以得出预测日的功率大小；混合方法则结合了物理方法和统计方法或者不同的统计方法，建立了更为复杂的模型，一般来讲精度也会更高。

一般的神经网络(如，BP网络)只考虑了当前输入气象参数对光伏功率的影响，而循环神经网络不仅考虑了当前输入气象参数对光伏功率的影响，还考虑了历史功率对当前功率的影响，这能有效提高预测的准确度，而门控循环单元网络是循环神经网络中的一种，它与一般循环神经网络相比能更好地捕捉时间序列中时间步距离较大的依赖关系。

目前，公开发表的文献及专利中尚未见有将门控循环单元网络用于预测光伏电站输出功率的研究。

发明内容

本发明的目的在于提供一种基于门控循环单元网络的光伏电站短期功率预测方法，以克服现有相关技术的缺陷，从而提高光伏电站短期功率预测的精度。

为实现上述目的，本发明的技术方案是：一种基于门控循环单元网络的光伏电站短期功率预测方法，包括如下步骤，

步骤S1、根据待预测日的天气类型选取气象参数作为模型输入，不同的天气类型，占主导地位的气象参数不同；

步骤S2、对待预测日之前的N天历史数据进行处理，剔除异常值和黑夜的值，然后对历史功率和历史NWP气象参数进行归一化处理，将其作为训练数据集；

步骤S3、采用门控循环单元网络对训练数据集进行学习，并用方均根反向传播算法调整网络的参数；

步骤S4、将待预测日的NWP气象参数作为模型的输入，得出预测的功率值。

在本发明一实施例中，所述步骤S1中，与天气类型相对应的气象参数，分为，晴天：地面水平辐照度、散射水平辐照度和环境温度；部分阴天：地面水平辐照度、散射水平辐照度、环境温度和相对湿度；阴天：地面水平辐照度、散射水平辐照度、环境温度和相对湿度；雨天：相对湿度。

在本发明一实施例中，所述步骤S2中，剔除异常值即剔除由非气象参数引起的功率变化该部分对应的数据；剔除黑夜的值，即剔除黑夜的数据，取白天6时至19时的数据，而后将数据归一化到区间[0,1]。