一种基于NWP-LSTM的短期光功率预测方法与流程

一种基于nwp
‑
lstm的短期光功率预测方法
技术领域
1.本发明涉及光伏发电技术领域中的光伏功率预测技术，尤其是涉及一种基于nwp
‑
lstm的短期光功率预测方法。


背景技术：

2.目前，大部分能源是通过化石燃料提供的，而随着对化石燃料使用量的不断增加，人们对一次能源的储量和环境污染的担忧也与日俱增。因此，取之不尽、用之不竭的可再生能源越来越受到人们的重视。国家统计局的报告称，2020年国内的并网光伏装机容量增至253.43千兆瓦。太阳能是最有希望替代化石燃料的可再生资源之一
3.随着光伏发电所占比重的增加，光伏发电对电网的影响也越来越大。由于云层阴影、风速大小以及降雨多少的影响，光伏发电会随着天气的变化而迅速波动。如果这种随机的光伏功率波动渗透到电网中，会导致在短期内电力供需严重不匹配。甚至会导致电网在不稳定的情况中运行，严重影响了电网的正常运转。因此，准确可靠的短期光伏发电预测对于太阳能系统的短期资源规划、电网的电力调度和运行安全具有十分重要的意义。


技术实现要素：

4.本发明要解决的技术问题是提供一种基于nwp
‑
lstm的短期光功率预测方法，通过该方法可以获取高精度、高关联性的气象数据以及进行短期光伏发电功率预测。
5.为了解决现有技术存在的问题，本发明采用如下技术方案：
6.一种基于nwp
‑
lstm的短期光功率预测方法，包括以下步骤：
7.步骤1：建立数值天气预报修正模型，将数值天气预报修正到目标光伏板处，提高数值天气预报与目标光伏板之间的关联性；
8.步骤2：计算功率数据与气象数据之间的相关性，根据计算结果考虑多维气象因素对光伏发电功率的影响；
9.步骤3：以数值天气预报修正模型修正后的气象数据为输入和目标光伏板的功率数据为输出，建立基于长短期记忆神经网络的短期功率预测模型。
10.其中，所述步骤1包括以下步骤：
11.步骤1.1：在目标光伏板处设置气象数据采集装置，得到t
‑
1时刻、t时刻的实时气象数据；
12.步骤1.2：基于数值天气预报系统，得到目标位置t时刻的实时气象预报；
13.步骤1.3基于三次样条插值对所得到的t
‑
1时刻、t时刻的实时气象数据、t时刻的实时气象预报进行精度提升，将原先每1小时或者3小时一个数据点提升到每15分钟一个数据点。
14.步骤1.4：基于长短期记忆神经网络建立数值天气预报的修正模型。
15.进一步地，所述步骤1中，每一个光伏板周围有四个数值天气预报系统提供的气象预报，如公式所示：
[0016][0017]
式中，l为修正后目标光伏板位置的气象预报，n1、n2、n3、n4为数值天气预报的位置，t为目标光伏板的位置；
[0018]
将这四个位置的气象预报基于长短期记忆神经网络的方法修正到目标位置处，其中，数值天气预报的空间分辨率为10km，时间分辨率为1小时。
[0019]
其中，所述步骤3中，t
‑
1时刻采集的实时气象数据和t时刻的实时气象预报为数值天气预报修正模型的输入，t时刻采集的实时气象数据为模型的输出，基于长短期基于神经网络的方法建立功率预测模型。
[0020]
本发明所具有的优点和有益效果是：
[0021]
本发明一种基于nwp
‑
lstm的短期光功率预测方法，首先，针对光伏电站无法获得高精度的气象预测数据的情景，基于长短期记忆神经网络的方法，建立数值天气预报修正模型，进而对数值天气预报提供的气象数据进行修正；其次，针对光伏功率预测精度较低的情景，基于数值天气预报修正模型和长短期记忆神经网络的方法，以修正的数据为输入，实际的功率为输出对网络进行训练，建立短期功率预测模型，对目标光伏板进行功率预测。通过本发明的实施，能够较好的修正气象数据并提高短期光伏功率的预测精度，实现电网的经济和稳定运行。
附图说明
[0022]
下面结合附图对本发明作进一步详述：
[0023]
图1为基于lstm神经网络的数值天气预报修正模型的结构图；
[0024]
图2为本发明一种基于nwp
‑
lstm的短期光功率预测方法的流程图。
具体实施方式
[0025]
如图2所示，本发明一种基于nwp
‑
lstm的短期光功率预测方法，包括以下步骤：
[0026]
步骤1：建立数值天气预报修正模型，将数值天气预报修正到目标光伏板处，提高数值天气预报与目标光伏板之间的关联性；
[0027]
在目标光伏板处设置气象数据采集装置，得到t
‑
1时刻、t时刻的实时气象数据。基于数值天气预报系统，得到目标位置t时刻的实时气象预报。其中，数值天气预报的空间分辨率为10km，时间分辨率为1小时。
[0028]
每一个光伏板周围有4个数值天气预报系统提供的气象预报，如公式所示：
[0029][0030]
式中，l为修正后目标光伏板位置的气象预报；n1、n2、n3、n4为数值天气预报的位置，t为目标光伏板的位置。
[0031]
将目标光伏板周围四个位置的气象预报基于长短期记忆神经网络的方法修正到目标位置处，能大幅提高数值天气预报的精度。
[0032]
基于三次样条插值的方法对所得到的t
‑
1时刻、t时刻的实时气象数据、t时刻的实时气象预报进行精度提升，将原先每1小时或者3小时一个数据点提升到每15分钟一个数据点。
[0033]
基于长短期记忆神经网络建立数值天气预报的修正模型。所建立的数值天气预报修正模型的网络结构如图1所示，其中包含5层输入层、2层隐含层、每隐含层神经元的数量为20、1层输出层。
[0034]
步骤2：计算功率数据与气象数据之间的相关性，根据计算结果考虑多维气象因素对光伏发电功率的影响；
[0035]
基于信息熵及互信息的相关性分析方法，得到短期光伏发电功率预测时选取的特征变量，其中包括光照强度变量、温度变量、风速变量和湿度变量。
[0036]
步骤3：以数值天气预报修正模型修正后的气象数据为输入和目标光伏板的功率数据为输出，建立基于长短期记忆神经网络的短期功率预测模型，提高功率短期预测的精度。
[0037]
以t
‑
1时刻采集的实时气象数据和t时刻的实时气象预报为数值天气预报修正模型的输入，t时刻采集的实时气象数据为模型的输出，基于长短期记忆神经网络的方法建立预测模型。所建立的预测模型的网络结构包含5层输入层、2层隐含层、1层输出层，其中每隐含层神经元的数量为25。采用均方根误差rmse作为预测结果的评价指标，如公式所示：
[0038][0039]
式中：ε
rmse
为均方根误差；t
i
和p
i
分别为光伏功率数据的实际值和预测值；n为数据的个数。
[0040]
实施例1：
[0041]
本实施例一种基于nwp
‑
lstm的短期光功率预测方法，以国内辽宁省某光伏电站2018年1月的数据为例实施本方法：
[0042]
以1月前28天的数据作为训练数据，以1月29日作为测试数据，将nwp
‑
lstm模型与bp模型、lstm模型进行对比分析。
[0043]
根据步骤1，经数值天气预报修正模型得到的气象数据和数值天气预报提供的气象数据与气象数据的真实结果的归一化对比，误差指标rmse如表1所示：
[0044]
表1：数值天气预报修正前后的rmse误差
[0045]
气象数据种类修正前的rmse修正后的rmse精度提升光照强度10.18％7.99％2.19％温度9.69％7.42％2.27％相对湿度10.47％8.48％1.99％风速8.52％6.22％2.3％
[0046]
通过步骤1提出的数值天气预报修正模型可以得到与目标光伏板相关性更强的气象数据。由表1可知经过气象数据修正模型得到数据的rmse平均降低了2％。
[0047]
根据步骤3，建立短期功率预测模型，将测试集数据带入进行验证。表2显示了考虑光照强度、温度、相对湿度和风速的短期光伏功率日前预测的rmse结果。
[0048]
表2：短期光伏功率日前预测的rmse
[0049][0050][0051]
由表2可知，在考虑光照强度、温度、相对湿度和风速变量的情况下，基于nwp
‑
lstm的短期光功率预测方法可以得到更好的功率预测结果。