[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

说明书

本发明公开了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，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。通过构建长短期记忆神经网络对光伏发电负荷进行预测，充分利用长短期记忆网络能有效提取时序特征的功能，同时利用灰狼算法对神经网络参数进行优化，使得改进后的长短期记忆神经网络可以很大程度上提高预测精度并缩短预测耗时，避免陷入局部最优解。

技术领域

本发明涉及调度EMS系统应用技术领域，具体涉及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。

背景技术

近几年来，由于化石能源难以支撑国家长久发展，并且考虑全球温度持续上升，光伏发电一直在高速发展。但因为其波动大、随机性强等问题影响，光伏发电在大规模接入电网后也会产生许许多多的问题，比如电压越限、潮流反向或者是大规模弃光等安全及资源浪费问题。其中可以通过预测光伏发电负荷来为后续制定发电计划和消纳策略提供帮助，光伏发电负荷预测的结果是否精确关系到电力系统能否安全运行。

当前对于光伏发电的负荷预测已经有了很多方法，大致可分为以下两个方向：其一是统计学习方法；其二是物理方法。在风电功率超短期预测时,输入向量包含数值天气预报信息。以往，长短期记忆网络都由于很好的时间序列特征提取功能被利用在光伏发电负荷预测中，但是在实际应用时，传统长短期记忆神经网络不仅耗时长，而且易陷入局部最优，最终结果往往并不理想。因此需要提出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。

发明内容

1.所要解决的技术问题：

针对上述技术问题，本发明提供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。

2.技术方案：

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，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。

进一步地，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。

进一步地，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。

进一步地，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；