一种短期光伏功率预测方法与流程

策树模型对步骤1归一化处理后的数据进行预测并计算每个模型对应光伏功率预测值的 mape值的比例作为权重初值，并结合双向搜索方法进行优化获得最优权重。
11.步骤(4)、实时获取预测点时刻的环境特征数据和预测点前一天同时刻的光伏功率值并 利用步骤1方法进行处理后作为训练好的cnn
‑
lstm模型和lightgbm决策树模型的输入， 得到两个模型的光伏功率预测值，分别表示为和t为预测点时刻，再结合步骤3得到 的最优权重获得最终的光伏功率预测值。
12.进一步地，所述步骤1中，还包括对历史功率数据的预处理步骤，具体为：
13.采用聚类的方式，取相似度最大的三日数据对应时刻的光伏功率值的均值填补空缺数据。 其中，聚类的特征包括天气、温度、电压、电流等。
14.检查历史功率数据的平稳性，并采用前一天同一时刻的值填补极端数据。
15.进一步地，所述步骤2中，特征向量至少包括：预测点时刻的天气、预测点时刻的压力、 预测点时刻的温度、预测点时刻的湿度、预测点前一天同时刻的光伏功率值等。
16.进一步地，所述cnn
‑
lstm模型包括cnn网络和lstm网络，其中，所述cnn网络 用于提取输入的特征向量的静态特征，具体表示：
[0017][0018]
式中：x
t
为t时刻的输入特征向量；ω
j
为卷积核权重矩阵；b为偏差值；k为卷积核个数。
[0019]
所述cnn网络用于根据cnn网络提取的静态特征学习时间序列长依赖信息并输出光伏 功率预测值。其中，所述lstm隐藏层层数为2，且神经元个数分别为128和64。
[0020]
进一步地，所述步骤2中，所述lightgbm模型采用梯度提升方法进行训练，采用网格 搜索法优化lightgbm模型的超参数。
[0021]
进一步地，利用训练好的cnn
‑
lstm模型和lightgbm决策树模型对步骤1归一化处理 后的数据进行预测并计算每个模型对应光伏功率预测值的mape值的比例作为权重初值，具 体为：
[0022]
计算对应光伏功率预测值的mape值：
[0023][0024]
式中，为预测值，y
t，i
为对应的t时刻的光伏功率真实值，n为数据的样本数量。mape1和 mape2分别为cnn
‑
lstm模型和lightgbm模型的mape值。
[0025]
计算mape值的比例作为权重初值：
[0026][0027][0028]
式中，ω1和ω2分别为cnn
‑
lstm模型和lightgbm模型的权重初值。
[0029]
进一步地，所述步骤4中，结合步骤3得到的最优权重获得最终的光伏功率预测值，具 体为：
[0030][0031]
ω
cnn
‑
lstm
和ω
lightgbm
分别为cnn
‑
lstm模型和lightgbm模型的最优权重值，y
t，c
为 组合模型的光伏功率预测值。
[0032]
优选的，所述cnn
‑
lstm模型和所述lightgbm模型均采用python语言实现，基于 cnn
‑
lstm的短期光伏功率预测模型使用keras深度学习库实现，基于lightgbm的短期光 伏功率预测模型使用lightgbm机器学习库实现。
[0033]
本发明的有益技术效果：
[0034]
1.本发明提出了一种短期光伏功率预测方法，设计了相应的光伏功率预测模型，该模型 由cnn
‑
lstm网络与lightgbm模型组合而成。针对lstm网络训练速度慢的缺点，添加 了局部特征预提取模块，由卷积神经网络结构对局部特征进行预提取，是处理长期时序数据 问题的理想模型。
[0035]
2.本发明提供的cnn
‑
lstm
‑
lightgbm短期光伏功率预测方法，基于cnn
‑
lstm的短 期光伏功率预测模型，并结合误差反向传播法则实现对参数的最优化求解，且考虑到单一预 测模型在预测性能上的不足，同时构建基于决策树梯度提升方法lightgbm的短期光伏功率 预测模型，借鉴boosting集成学习的思想，提升预测准确度。
[0036]
3.本发明提供的cnn
‑
lstm
‑
lightgbm短期光伏功率预测方法，利用平均绝对百分误差 mape评价指标比较lstm与lgbm的预测精度，mape评价指标是统计领域中衡量模型预 测准确度的常用指标，它不仅考虑预测值与真实值的误差，还考虑了误差与真实值之间的比 例。使用mape
‑
rw算法对模型进行组合，得到模型最优权重值，使组合模型相对单独的模 型而言都有效提高了预测精度。
附图说明
[0037]
图1为模型流程图；
[0038]
图2为cnn网络结构；
[0039]
图3为lstm网络结构；
具体实施方式
[0040]
为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图。对本 发明作进一步详细的描述，但本发明的实施方式不限于此。
[0041]
如图1
‑
图3所示，本实施提供的cnn
‑
lstm
‑
lightgbm短期光伏功率预测方法，基于 cnn
‑
lstm的预测模型，并结合误差反向传播法实现对参数的最优化求解，且考虑到单一预 测模型在预测性能上的不足，同时构建基于决策树梯度提升方法lightgbm的短期光伏功率 预测模型，借鉴boosting集成学习的思想，提升预测准确度。
[0042]
本实施例中的模型均采用python编程语言实现，基于cnn
‑
lstm的短期光伏功率预测 模型使用keras深度学习库实现，基于lgbm的短期光伏功率预测模型调用lightgbm机器学 习库实现，训练的模型硬件环境为intel core i5，nvidia geforce rtx 2080ti。
[0043]
如图1
‑
图3所示，本实施例提供了一种短期光伏功率预测方法，包括如下步骤：
[0044]
步骤(1)、利用天气预报数据和光伏系统运行的历史数据，提取出每个时刻的天气、温 度、压力、湿度、光伏功率等特征数据，对非数字特征进行one
‑
hot独热编码，然后对提取出 的所有数据按特征进行归一化，并处理成模型需要的张量形式，具体步骤是：
[0045]
1)选取2020年1月1日至2020年7月31日的光伏功率数据，一共31189条数据，本 实施例中按照8∶1∶1的比例划分训练集、验证集和测试集，训练集、验证集、测试集数据 分别为24951条、3119条和3119条。
[0046]
2)光伏功率数据在收集过程中，会出现数据缺失和数据错误的情况，需要对数据进行预 处理，处理步骤为：
[0047]
2.1)由于光伏功率数据具有时序性，一般是连续且平滑的，通过检查数据的平稳性找出 异常数据，对于异常数据的处理，由于每天同一时刻的值具有相似性，因此本实施例中采用 前一天同一时刻的值填补异常数据。
[0048]
2.2)对于光伏功率原始数据的缺失值，本实施例采用聚类的方式，取相似度最大的三日 数据，然后所求时刻光伏功率值用所对应的三日对应时刻的平均值填充。
[0049]
3)收集光伏功率数据对应的天气数据，构建cnn
‑
lstm模型和lightgbm模型的输入 特征向量，选择特征因子，包括：预测点时刻的天气we
t
、预测点时刻的压力pr
t
、预测点时 刻的温度t
t
、预测点时刻的湿度h
t
、预测点前一天同时刻的光伏功率y
′
t
等特征因子，表示为x
t
＝[we
t
，pr
t
，...t
t
，h
t
，...y
′
t
]。其中，对于天气数据，若出现非数字特征，则采用one
‑
hot独 热编码的方式进行处理。
[0050]
4)为了简少后续模型处理的运算量，对输入特征进行归一化处理，采用min
‑
max归一化 方法，归一化后的数据范围均在[0，1]之间，计算公式为：
[0051][0052]
式中，θ
′
为归一化以后的特征的值，包括天气、压力、温度、湿度、功率等，θ为原始数 据中的特征的值，θ
max
为所有数据中该特征的最大值，θ
min
为所有数据中该特征的最小值。
[0053]
步骤(2)、构建cnn
‑
lstm网络，将预处理后的输入特征向量输入cnn网络进行训练， 通过cnn网络的卷积、池化等操作可以提取出输入特征向量的静态特征，将cnn网络提取 的静态特征输入lstm网络的隐藏层进行训练，得到训练后的特征向量，具体步骤是：
[0054]
1)采用cnn结构对局部特征进行预提取
[0055]
在众多神经网络结构中，cnn常用于实现图像识别、图像分类、目标检测和人脸识别， 结构具有可学习的权重与偏差值的神经元，可增加数据的低层次特征，随着网络加深，将低 层次特征组合为多层次特征，引导后续模型针对此类特征的学习与调整，其具体结构如图3 所示。cnn结构通过将特定的特征编译于卷积结构中，使得正向传递函数更加高效，并且降 低了网络中的参数数量。一维卷积层可实现时间轴的特征提取，经cnn网络中一维卷积层提 取后得到的静态特征为：
[0056][0057]
式中：x
t
为t时刻的输入特征向量；ω
j
为卷积核权重矩阵；b为偏差值；k为卷积核个数。
[0058]
2)lstm模型构建
者更好地应用xgboost方法。它的基本思想是通过m棵弱回归树线性组合为强回归树，计 算公式如下：
[0077][0078]
式中：f(x)为最终的输出值；f
m
(x)为第m棵弱回归树的输出值。
[0079]
lightgbm模型的主要改进包括直方图算法和带深度限制的叶子生长(leaf
‑
wise)策略。 直方图算法将连续数据划分为k个整数，并构造宽度为k的直方图。遍历时将离散化的值作 为索引在直方图中累积，进而搜索出最优的决策树分割点。
[0080]
而带深度限制的leaf
‑
wise策略是指在每次分裂时，找到最大增益的叶子进行分裂并循 环下去。同时，通过树的深度以及叶子数限制，减小模型的复杂度，防止出现过拟合。
[0081]
2)lightgbm模型采用梯度提升方法进行训练，采用网格搜索法优化lightgbm模型的 超参数。
[0082]
通过网格搜索法优化后的主要超参数为：lightgbm模型的弱回归树数量为200、叶子 数为50、学习率为0.1、迭代次数为2000。
[0083]
步骤(5)、在两个模型并行完成训练和预测后，结合mape
‑
rw算法对模型权重进行计 算，得到最后的预测值，具体步骤如下：
[0084]
1)平均绝对百分误差mape的计算公式为：
[0085][0086]
式中，为预测值，y
t，i
为对应的t时刻的光伏功率真实值，n为数据的样本数量。mape1和 mape2分别为cnn
‑
lstm模型和lightgbm模型的mape值。
[0087]
2)mape
‑
rw算法对模型权重进行计算的方法为：
[0088]
首先分别计算cnn
‑
lstm模型和lightgbm模型的mape值，确定单个模型的权重初 始值，然后对最佳权重值进行双向搜索，更快速地确定最优权重，然后计算组合光伏功率预 测值，计算公式如下：
[0089][0090][0091][0092]
式中，ω1和ω2分别为cnn
‑
lstm模型和lightgbm模型的权重初始值，ω
cnn
‑
lstm
和 ω
lightgbm
分别为cnn
‑
lstm模型和lightgbm模型的最优权重值，y
t，c
为组合模型的光伏功 率预测值。
[0093]
综上所述，本发明提供的短期光伏功率预测模型，考虑天气、温度、压力、湿度等各类 环境因素，能够有效提取数据的局部特征和时序特征，实现了对短期光伏功率的精准预测。
[0094]
以上仅是本发明的优选实例，并非对本发明保护范围的限制。应当指出，对于本技术领 域的人员，其根据本发明的技术方案或构思做出的同等替换或改变，都属于本发明的
保护范 围。