一种短期光伏功率预测方法与流程

技术特征：
1.一种短期光伏功率预测方法，其特征在于：包括如下步骤：步骤(1)、利用环境数据和光伏系统运行的历史功率数据，提取出不同时刻的环境数据和光伏功率的作为特征数据，并对非数字特征进行one
‑
hot独热编码，然后对所有数据的特征进行归一化处理；步骤(2)、分别构建用于光伏功率预测的cnn
‑
lstm模型和lightgbm决策树模型，并利用步骤1归一化处理后的数据分别对构建好的cnn
‑
lstm模型和lightgbm决策树模型进行训练。其中，cnn
‑
lstm模型和lightgbm决策树模型的输入为由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构成的特征向量，输出为预测点时刻的光伏功率预测值。步骤(3)、在两个模型并行完成训练后，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，并结合双向搜索方法进行优化获得最优权重。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。2.根据权利要求1所述的一种短期光伏功率预测方法，其特征在于：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：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。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。3.根据权利要求1所述的一种短期光伏功率预测方法，其特征在于：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。4.根据权利要求1所述的一种短期光伏功率预测方法，其特征在于：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：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。所述lstm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。5.根据权利要求1所述的一种短期光伏功率预测方法，其特征在于：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。6.根据权利要求1所述的一种短期光伏功率预测方法，其特征在于：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：计算对应光伏功率预测值的mape值：
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。计算mape值的比例作为权重初值：计算mape值的比例作为权重初值：式中，ω1和ω2分别为cnn
‑
lstm模型和lightgbm模型的权重初值。7.根据权利要求1所述的一种短期光伏功率预测方法，其特征在于：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：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。

技术总结
本发明公开了一种短期光伏功率预测方法，主要包括数据预处理、模型训练和模型预测三个部分。在数据预处理阶段，收集历史环境和历史光伏功率数据，对数据进行数据清洗和归一化等预处理；在模型训练阶段，首先搭建CNN


技术研发人员：高贵亮 任娟 关洪浩 于国康 辛超山
受保护的技术使用者：国网新疆电力有限公司经济技术研究院
技术研发日：2021.05.24
技术公布日：2021/11/8