基于误差修正和长短期记忆网络的光伏发电功率预测方法与流程

1.本发明涉及光伏发电功率预测技术领域，尤其涉及一种基于误差修正和长短期记忆网络的光伏发电功率预测方法。


背景技术：

2.太阳能因其具有存储丰富、安全、环境友好等特点，且不受资源分布地域限制，所以已成为全国乃至全世界大力推广的清洁能源，而其广泛应用，对于解决全球能源危机、保护环境以及促进人类可持续发展都具有重要意义。光伏发电作为最有潜力的可再生能源发电形式之一，具有低成本和零污染的特点，精确的光伏发电功率预测能有效减少电网并网风险，提高光伏电站的经济效益。
3.光伏发电功率预测方法大致可分为统计方法、物理方法、深度学习方法和混合方法这4种类型。统计方法通过建立气象等相关信息与光伏功率之间的映射关系，进行光伏功率的预测。将数值天气预报和地理气象信息相结合，是物理方法进行光电功率预测的主要思路。随着深度学习的快速发展，并在各种领域取得重大成功，基于深度学习的光伏发电功率预测方法被大量研究。但在目前研究中，许多学者对原始光伏功率数据进行分析和提取特征，采用机器学习模型进行预测，没有对历史预测产生的误差进行分析和挖掘。采用模态分解得到的模态分量，大都采用直接融合的方式进行叠加求和，没有进一步分析模态分量和原始序列之间的内在联系。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。因此，本发明提供了基于误差修正和长短期记忆网络的光伏发电功率预测方法，用来解决实际问题中，电网并网风险大、传统方法使用双向长短期记忆网络结构预测值不准确的问题。
6.为解决上述技术问题，本发明提供如下技术方案：
7.本发明提供了基于误差修正和长短期记忆网络的光伏发电功率预测方法，包括：
8.采用双向长短期记忆网络结构对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列；
9.基于经验模态分解算法分解所述误差序列，得到n阶固有模态函数；
10.基于核密度函数计算原始误差序列和各阶误差固有模态分量的概率密度函数；
11.基于豪斯多夫距离比较误差固有模态分量和原始误差序列的概率密度函数的相似性，筛选并计算保留的误差固有模态分量的权重系数；
12.采用双向长短期记忆网络结构预测各个误差固有模态分量以及光伏功率，分配每一个模态分量的权重系数；
13.将预测误差固有模态分量和光伏功率预测结果相加，得到修正后的未来功率预测值。
14.作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：所述采用双向长短期记忆网络对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列，包括：
15.将光伏功率数据由双向长短期记忆网络结构的输入层输入，正向序列沿初始时刻由前向后计算，得到并记忆各时刻隐含层的输出；反向序列则沿时刻由后向前计算，得到并记忆各时刻隐含层的输出；
16.正向序列和反向序列并行计算，正向序列和反向序列分别得到一个激活函数，最后综合两个激活函数输出的结果得到最终的输出；
17.双向长短期记忆网络结构的数学表达式为：
[0018][0019][0020]nt
＝r(s4x
t
+s6x
t
′
)
[0021]
其中，s1和s3表示输入到前向隐藏层和后向隐藏层的权重向量；s2和s5表示各隐藏层间的权重向量；s4和s6分别表示前向隐藏层和后向隐藏层到输出层的权重向量；x
t
和x
t
′
分别表示前向层和后向层的输出向量；n
t
表示当前时刻输出层的输出向量。
[0022]
作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：基于经验模态分解算法分解所述误差序列，包括：
[0023]
将其中不同尺度的波动和趋势逐级分解，输出一系列具有不同特征尺度的数据序列，即误差固有模态函数(imf)；
[0024]
通过筛选得到所述的误差固有模态函数。
[0025]
作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：通过筛选得到所述的误差固有模态函数，包括：
[0026]
输入原始误差序列，标出误差序列的局部极值点，通过三次样条插值连接极大值点构成上包络线，连接极小值点构成下包络线，然后求上下包络线的均值c1，再用误差序列减去c1；多次迭代上述过程，每次经验模态分解需要迭代至满足停止准则。
[0027]
作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：所述停止准则，包括：
[0028]
根据相邻两次分解分量的标准差设置停止准则，即当标准差sd小于阈值时停止迭代；
[0029]
标准差sd的计算公式为：
[0030][0031]
其中，n为序列长度，h
k-1
(t)、hk(t)分别是第k次和第k-1次迭代得到的分量，根据实际应用场景将阈值设置为0.3；每次分解完成后都用本次分解的输入r
t
减去imfi作为下一次分解的输入r
t
，直到成为单调函数无法再进行imf分解，整个经验模态分解(emd)分解过程结束；
[0032]
通过imfi引出公式：
[0033][0034]
其中，x(n)是误差序列，作为待分解输入；imfi(n)是分解出的第i个固有模态函数；ek(n)为对应于k个imf的残差；
[0035]
采用核密度函数估计原始误差序列及各imf分量的概率密度函数(pdf)，序列f(x)的核密度估计定义为：
[0036][0037]
其中，n为序列长度，w为窗宽，k为核函数，选取高斯(gauss)函数作为k最优窗宽的选取计算公式为：
[0038][0039]
其中，g(k)＝∫k(x)2dx,h(k)＝∫x2k(x)dx；第i个imf分量的pdf记为pdf(imf(i))。
[0040]
作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：所述基于豪斯多夫距离，包括：
[0041]
计算初始误差序列与各误差固有模态分量之间概率密度函数的双向豪斯多夫距离。
[0042]
作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：所述双向豪斯多夫距离，包括：
[0043]
通过单向豪斯多夫距离，结合欧几里得距离推导得到定义双向豪斯多夫距离；
[0044]
单向豪斯多夫距离d的定义为：
[0045][0046]
其中，d(x,y)是点x，y之间的欧几里得距离；由于d(x,y)≠d(y,x)，定义双向豪斯多夫距离hd为：
[0047]
hd＝max{d(x,y),d(y,x)}
[0048]
根据定义双向豪斯多夫距离公式计算初始误差x(t)与各imf分量之间pdf的hd值，记为hd(i)并表示为：
[0049]
hd(i)＝hd{pdf(x),pdf(imf(i))}
[0050]
其中，i＝1,2,
…
,n。
[0051]
作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：筛选并计算保留的误差固有模态分量的权重系数，包括：
[0052]
将计算得出的双向豪斯多夫距离的值，进行归一化处理，记为hd2(i)；并计算这一部分imf分量的权重系数，计算公式为：
[0053][0054]
其中，m是保留的imf分量个数；w
hd
(i)为保留的第i个模态分量所占的权重，其满足以下条件：。
[0055][0056]
作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：采用双向长短期记忆网络结构预测各个误差模态分量以及光伏功率，分配每一模态分量的权重系数，包括：
[0057]
将筛选后的模态分量输入到双向长短期记忆网络结构中产生长度为n的未来点位的预测误差模态分量bimf1、bimf2、
…
、bimfn；将光伏功率输入到双向长短期记忆网络结构中产生长度为n的对应预测误差序列的功率预测序列bpw。
[0058]
作为本发明所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的一种优选方案，其中：得到修正后的未来功率预测值，包括：
[0059]
计算保留的误差固有模态分量权重分配给对应的预测误差模态分量bimfi并将预测误差固有模态分量和光伏功率预测结果相加，得到最终光伏发电功率的预测值；
[0060]
最终光伏发电功率预测值ebpw公式为：
[0061][0062]
其中，m是筛选后的imf分量的个数。
[0063]
与现有技术相比，发明有益效果为：本发明提供了一种基于误差修正和双向长短期记忆网络的短期光伏发电功率预测方法；将误差序列采用经验模态分解，并引入核密度估计以及豪斯多夫距离对分解的误差序列进行相关性分析，根据产生的相关性系数，分配分解误差序列的权重，从而修正双向长短期记忆网络光伏功率的预测值，提高光伏预测精度；有效的减少电网并网的风险，提高光伏电站的经济效益。
附图说明
[0064]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0065]
图1为本发明一个实施例所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的整体流程图；
[0066]
图2为本发明一个实施例所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的双向长短期记忆网络结构图；
[0067]
图3为本发明一个实施例所述的基于误差修正和长短期记忆网络的光伏发电功率
预测方法的经验模态分解流程图；
[0068]
图4为本发明一个实施例所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的经验模态分解结果图；
[0069]
图5为本发明一个实施例所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的核密度函数计算结果；
[0070]
图6为本发明一个实施例所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法的算法模型预测曲线测试图。
具体实施方式
[0071]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0072]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0073]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0074]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0075]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0076]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0077]
实施例1
[0078]
参照图1，为本发明第一个实施例，该实施例提供了基于误差修正和长短期记忆网络的光伏发电功率预测方法，包括：
[0079]
s1、采用双向长短期记忆网络结构对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列；
[0080]
s2、基于经验模态分解算法分解所述误差序列，得到n阶固有模态函数；
[0081]
基于核密度函数计算原始误差序列和各阶误差固有模态分量的概率密度函数；
[0082]
s3、基于豪斯多夫距离比较误差固有模态分量和原始误差序列的概率密度函数的
相似性，筛选并计算保留的误差固有模态分量的权重系数；
[0083]
进一步的，通过单向豪斯多夫距离，结合欧几里得距离推导得到定义双向豪斯多夫距离；
[0084]
单向豪斯多夫距离d的定义为：
[0085][0086]
其中，d(x,y)是点x，y之间的欧几里得距离；由于d(x,y)≠d(y,x)，定义双向豪斯多夫距离hd为：
[0087]
hd＝max{d(x,y),d(y,x)}
[0088]
进一步的，根据定义双向豪斯多夫距离公式计算初始误差x(t)与各imf分量之间pdf的hd值，记为hd(i)并表示为：
[0089]
hd(i)＝hd{pdf(x),pdf(imf(i))}
[0090]
其中，i＝1,2,
…
,n；
[0091]
s4、采用双向长短期记忆网络结构预测各个误差固有模态分量以及光伏功率，分配每一个模态分量的权重系数；
[0092]
s5、将预测误差固有模态分量和光伏功率预测结果相加，得到修正后的未来功率预测值；
[0093]
进一步的，对hd(i)进行归一化处理，记为hd2(i)；
[0094]
应当说明的是，hd2(i)≥0.3的部分可被视为相关性很弱，故只保留hd2(i)《0.3部分对应的imf分量，并计算这一部分imf分量的权重系数，计算公式为：
[0095][0096]
其中，m是保留的imf分量个数；w
hd
(i)为保留的第i个模态分量所占的权重，其满足以下条件：；
[0097][0098]
进一步的，最终光伏发电功率预测值ebpw公式为：
[0099][0100]
其中，m是筛选后的imf分量的个数。
[0101]
实施例2
[0102]
参照图2，为本发明第二个实施例，该实施例提供了基于误差修正和长短期记忆网络的光伏发电功率预测方法，包括：
[0103]
将光伏功率数据由双向长短期记忆网络结构的输入层输入，正向序列沿初始时刻由前向后计算，得到并记忆各时刻隐含层的输出；反向序列则沿时刻由后向前计算，得到并记忆各时刻隐含层的输出；
[0104]
正向序列和反向序列并行计算，正向序列和反向序列分别得到一个激活函数，最后综合两个激活函数输出的结果得到最终的输出；
[0105]
双向长短期记忆网络结构的数学表达式为：
[0106][0107][0108]nt
＝r(s4x
t
+s6x
′
t
)
[0109]
其中，s1和s3表示输入到前向隐藏层和后向隐藏层的权重向量；s2和s5表示各隐藏层间的权重向量；s4和s6分别表示前向隐藏层和后向隐藏层到输出层的权重向量；x
t
和x
′
t
分别表示前向层和后向层的输出向量；n
t
表示当前时刻输出层的输出向量。
[0110]
实施例3
[0111]
参照图3，为本发明第三个实施例，该实施例提供了基于误差修正和长短期记忆网络的光伏发电功率预测方法，包括：
[0112]
基于经验模态分解算法的处理流程为，输入原始误差序列x(t)，标出误差序列的局部极值点，通过三次样条插值连接极大值点构成上包络线，连接极小值点构成下包络线，然后求上下包络线的均值c1，再用误差序列减去c1；多次迭代上述过程，每次经验模态分解需要迭代至满足停止准则；
[0113]
进一步的，停止准则，是根据相邻两次分解分量的标准差设置停止准则，即当标准差sd小于阈值时停止迭代；
[0114]
标准差sd的计算公式为：
[0115][0116]
其中，n为序列长度，h
k-1
(t)、hk(t)分别是第k次和第k-1次迭代得到的分量，根据实际应用场景将阈值设置为0.3；每次分解完成后都用本次分解的输入r
t
减去imfi作为下一次分解的输入r
t
，直到成为单调函数无法再进行imf分解，整个经验模态分解(emd)分解过程结束，i为迭代次数，li(t)为第i个模态分量，r(t)为减去各模态分量后的余量；
[0117]
进一步的，通过imfi引出公式：
[0118][0119]
其中，x(n)是误差序列，作为待分解输入；imfi(n)是分解出的第i个固有模态函数；ek(n)为对应于k个imf的残差；
[0120]
应当说明的是，考虑到emd方法分解得到的imf分量中可能存在模态混叠效应导致分量中混有少量噪声，影响对imf分量进行筛选，故采用核密度函数估计原始误差序列及各imf分量的概率密度函数(pdf)，序列f(x)的核密度估计定义为：
[0121][0122]
其中，n为序列长度，w为窗宽，k为核函数，选取高斯(gauss)函数作为k，最优窗宽的选取计算公式为：
[0123][0124]
其中，g(k)＝∫k(x)2dx,h(k)＝∫x2k(x)dx；第i个imf分量的pdf记为pdf(imf(i))。
[0125]
实施例4
[0126]
参照图4至图6，为本发明第三个实施例，该实施例提供了基于误差修正和长短期记忆网络的光伏发电功率预测方法，包括：
[0127]
使用徐州沛县光伏发电功率2018年1月1日至2018年4月21日数据，粒度为15min，采样时间为08：00到17：00，总共3996条；选取其中四天数据作为待测样本，(长短时记忆网络)lstm网络设置训练样本与测试样本的比例为80％和20％，隐含层神经元数量为200，最大迭代次数为20，最小包尺寸为124，sigmoid作为激活函数，然后将窗宽设置为0.2进行核密度估计计算pdf；图4展示了初始误差序列的emd分解结果图，图5展示了核密度函数计算结果图；
[0128]
同时，参考表1比较了本发明算法和lstm算法以及bp神经网络三种算法的预测结果，评价指标定义公式如下：
[0129][0130][0131][0132]
表1不同模型的预测精度
[0133]
[0134][0135]
结合表1以及图6可以明显看见，采用本发明提出的算法在四次测试中，mape、mae以及rmse三个指标都得到了提升；
[0136]
本发明能够有效的利用历史误差特征实现误差修正，提高光伏功率预测准确率，有助于降低光伏并网下的电网调度和管理难度。
[0137]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，包括：采用双向长短期记忆网络结构对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列；基于经验模态分解算法分解所述误差序列，得到n阶固有模态函数；基于核密度函数计算原始误差序列和各阶误差固有模态分量的概率密度函数；基于豪斯多夫距离比较误差固有模态分量和原始误差序列的概率密度函数的相似性，筛选并计算保留的误差固有模态分量的权重系数；采用双向长短期记忆网络结构预测各个误差固有模态分量以及光伏功率，分配每一个模态分量的权重系数；将预测误差固有模态分量和光伏功率预测结果相加，得到修正后的未来功率预测值。2.如权利要求1所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，所述采用双向长短期记忆网络对光伏功率数据进行预测，计算得到预测值与观测值之间的误差序列，包括：将光伏功率数据由双向长短期记忆网络结构的输入层输入，正向序列沿初始时刻由前向后计算，得到并记忆各时刻隐含层的输出；反向序列则沿时刻由后向前计算，得到并记忆各时刻隐含层的输出；正向序列和反向序列并行计算，正向序列和反向序列分别得到一个激活函数，最后综合两个激活函数输出的结果得到最终的输出。3.如权利要求2所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，基于经验模态分解算法分解所述误差序列，包括：将其中不同尺度的波动和趋势逐级分解，输出一系列具有不同特征尺度的数据序列，即误差固有模态函数；通过筛选得到所述的误差固有模态函数。4.如权利要求2或3所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，通过筛选得到所述的误差固有模态函数，包括：标出误差序列的局部极值点，通过三次样条插值连接极大值点构成上包络线，连接极小值点构成下包络线，然后求上下包络线的均值c1，再用误差序列减去c1；多次迭代上述过程，每次经验模态分解需要迭代至满足停止准则。5.如权利要求4所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，所述停止准则，包括：根据相邻两次分解分量的标准差设置停止准则，即当标准差sd小于阈值时停止迭代。6.如权利要求5所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，所述基于豪斯多夫距离，包括：计算初始误差序列与各误差固有模态分量之间概率密度函数的双向豪斯多夫距离。7.如权利要求6所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，所述双向豪斯多夫距离，包括：通过单向豪斯多夫距离，结合欧几里得距离推导得到定义双向豪斯多夫距离。8.如权利要求6或7所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，筛选并计算保留的误差固有模态分量的权重系数，包括：
将计算得出的双向豪斯多夫距离的值，进行归一化处理。9.如权利要求8所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，采用双向长短期记忆网络结构预测各个误差模态分量以及光伏功率，分配每一模态分量的权重系数，包括：将筛选后的各阶误差固有模态分量输入到双向长短期记忆网络结构中得到未来点位的预测误差模态分量，将光伏功率输入到双向长短期记忆网络结构中产生未来点位对应的误差序列点位的预测功率值。10.如权利要求9所述的基于误差修正和长短期记忆网络的光伏发电功率预测方法，其特征在于，得到修正后的未来功率预测值，包括：计算保留的误差固有模态分量权重分配给对应的预测误差模态分量，将预测误差固有模态分量和光伏功率预测结果相加，得到最终光伏发电功率的预测值。

技术总结
本发明公开了基于误差修正和长短期记忆网络的光伏发电功率预测方法包括，采用双向长短期记忆网络结构对光伏功率数据进行预测，得到预测值与观测值之间的误差序列；基于经验模态分解算法分解所述误差序列，计算原始误差序列和各阶误差固有模态分量的概率密度函数；基于豪斯多夫距离比较模态分量和原始误差序列的概率密度函数的相似性，筛选并计算保留的模态分量的权重系数；采用双向长短期记忆网络结构预测各个模态分量以及光伏功率，分配每一个模态分量的权重系数；将预测误差模态分量和光伏功率预测结果相加，得到修正后的未来功率预测值；本发明通过分析误差序列和模态分量的相似性，能够自动修正预测误差，更加准确的预测光伏功率发电数据。光伏功率发电数据。光伏功率发电数据。


技术研发人员：朱涛 李俊伟 龚新勇 朱元富 杨永志 闫文棋 叶志明 张亚杰
受保护的技术使用者：云南电网有限责任公司昆明供电局
技术研发日：2023.02.28
技术公布日：2023/7/19