[发明专利]一种利用改进的长短期记忆神经网络预测光伏发电负荷的方法

权利要求书

1.一种利用改进的长短期记忆神经网络预测光伏发电负荷的方法，其特征在于，包括：

步骤1，获取光伏发电历史数据，通过主成分分析法进行降维预处理，再进行极差标准化处理得到训练数据，将训练数据分成训练集和测试集；

步骤2，构建长短期记忆神经网络，将训练集输入以训练参数，再将测试集输入训练后的神经网络得到光伏发电负荷预测值，并对光伏发电负荷预测值进行评价；

步骤3，利用灰狼算法优化步骤2中长短期记忆神经网络的参数；

步骤4，基于步骤3优化后的长短期记忆网络对光伏发电负荷进行预测。

2.根据权利要求1所述的一种利用改进的长短期记忆神经网络预测光伏发电负荷的方法，其特征在于，步骤1中光伏发电历史数据包括时间日期、光电功率、光照强度、湿度、温度和风速。

3.根据权利要求1所述的一种利用改进的长短期记忆神经网络预测光伏发电负荷的方法，其特征在于，步骤1中的主成分分析法，包括以下步骤：

步骤a，将光伏发电历史数据中的各样本作为列向量，构建成n行m列的矩阵Y；

步骤b，将矩阵Y的每行向量减去该行向量的均值得到矩阵X；

步骤c，求取矩阵X的协方差矩阵Z，并用特征值分解方法计算矩阵Z的特征值λ、特征向量e；

步骤d，将特征值λ从大到小排列，选择最大的γ个，并将对应的γ个特征向量作为行向量排列得到转换矩阵P，求得主成分矩阵Y_k＝PY，将光伏发电历史数据转化至新空间从而达到降维。

4.根据权利要求1或3所述的一种利用改进的长短期记忆神经网络预测光伏发电负荷的方法，其特征在于，步骤2具体包括：

步骤2.1，设置长短期记忆神经网络的初始参数，并依据设定的初始参数构建神经网络；

步骤2.2，将步骤1中训练集输入长短期记忆网络并反复迭代进行训练；再将测试集输入长短期记忆神经网络，得到光伏发电负荷预测值，选用均方误差对输出的光伏发电负荷预测值进行评价；均方误差公式如下：

其中为测试集的光伏发电负荷真实值和光伏发电负荷预测值的差值。

5.根据权利要求4所述的一种利用改进的长短期记忆神经网络预测光伏发电负荷的方法，其特征在于，步骤3具体包括：

步骤3.1，设置灰狼算法中种群规模、维数，初始化收敛因子、控制参数和摆动因子，将长短期记忆神经网络中的参数集合定义为种群，参数包括长短期记忆神经网络的网络层数、神经元数和学习率；

步骤3.2，初始化种群，输入训练数据获取光伏发电负荷预测值，用均方误差评估预测准确度，作为适应度；将种群个体按照适应度从大到小排序，取前三个依次作为α狼，β狼，δ狼；

适应度计算公式如下：

其中y'为真实值，y为预测值，T为时间序列长度；

步骤3.3，更新收敛因子、摆动因子和控制参数，公式如下：

其中，D为包含位置信息的参数，X_p(t)为第t代猎物位置，X(t)为第t代灰狼个体位置，A为收敛因子，C为摆动因子，r₁和r₂为0到1间的随机数，a为控制参数，T_max为最大迭代次数；

步骤3.4，更新种群个体位置并重新计算适应度，更新α狼，β狼，δ狼；

步骤3.5，判断是否达到最大迭代次数，如果达到则输出α狼的位置，即最终猎物位置，得到最优解，否则重新计算适应度，循环往复。

6.根据权利要求5所述的一种利用改进的长短期记忆神经网络预测光伏发电负荷的方法，其特征在于，灰狼算法中灰狼种群个体位置更新公式如下：

其中，n＝1,2,3与i＝α,β,δ分别一一对应在同一公式中，D_i为灰狼个体i到猎物的距离，X_i(t)为第t代灰狼个体i的位置，t为迭代的次数，X(t+1)为t+1次迭代时灰狼个体的位置。