一种基于历史数据分析的短期辐照度预测方法及预测系统与流程

1.本发明属于光伏发电技术领域，更具体地说，涉及一种基于历史数据分析的短期辐照度预测方法及预测系统。


背景技术：

2.光伏发电、水力发电作为清洁、成熟的可再生能源发电形式越来越受人们关注，据国际可再生能源机构统计，2019年全球光伏总装机容量增加了580gw，水电总装机容量达1308gw。精准的径流预测能给水电站调度，水库防洪等提供重要的参考数据，由于光伏输出功率呈现间歇性和波动性，增加了其并网的难度，而辐照度对光伏输出功率的影响最大，因此精准的辐照度预测，对光伏发电有效利用、安全并网有着至关重要的作用。
3.目前，辐照度预测有多种方法，如，利用bilstm和cnn等预测模型进行预测，但太阳辐照度随季节和天气的变化较大，常规的单种预测方法很难准确预测气象条件下的辐照度，为解决此缺陷，很多学者提出耦合预测的方法，将多种预测方法进行组合，从而提高辐照度预测精度，如，先用lstm、bp等神经网络模型进行预测，再用其他方法对预测结果进行修正；又如，采用结合卷积神经网络(cnn)和长短时记忆(lstm)网络的混合深度学习框架预测太阳辐照度，通过验证预测结果表明，耦合预测的方法确能提高预测精度，但耦合预测的方法大多步骤复杂，且计算量大，工作量大。
4.经检索，中国专利公开号：cn 112434891 a；公开日：2021年3月2日；公开了一种基于wcnn-alstm的太阳辐照度时间序列的预测方法，包括以下步骤：1)采集某地区一年的太阳辐照度数据，按时间顺序依次记录辐照度数值，得到的时间序列数据；2)使用小波变换wt的方法对时间序列数据进行分解，得到频率不同的多个子序列；3)将各个子序列输入cnn-alstm深度学习网络模型进行训练，所述cnn-alstm深度学习网络模型结合卷积神经网络cnn、长短记忆神经网络lstm以及attention机制；4)根据误差评价指标调节模型迭代次数和cnn以及lstm的内部参数，得到wcnn-alstm深度学习网络模型；5)对太阳辐照度进行预测，具体为：将采集的辐照度数据使用小波变换进行分解，得到频率不同的多个子序列，然后输入cnn-alstm深度学习网络模型中，将每个子序列进行叠加输出最终的预测结果。该申请案的方法能有效提高辐照度预测精度，但需要预测多组数据并进行叠加，预测步骤复杂，工作量大。


技术实现要素：

5.为了解决上述技术问题至少之一，根据本发明的一方面，提供了一种基于历史数据分析的短期辐照度预测方法，包括如下步骤：
6.s10、历史数据获取，获取目标地区历史一年度的太阳辐照度数据；
7.s20、数据预处理，
8.先将s10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列；
9.然后根据s10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列；
10.s30、训练数据匹配，根据天气预报获取目标预测日的天气类型数据，然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据；
11.s40、预测，将s30匹配的数据序列输入lstm神经网络模型，预测目标预测日24小时的太阳辐照度。
12.根据本发明实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤s20中，季节数据序列分类方法为：
13.3～5月的数据划分为春季数据序列；6～8月的数据划分为夏季数据序列；9～11月的数据划分为秋季数据序列；12～2月份的数据序列划分为冬季数据序列。
14.根据本发明实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤s20中，天气数据序列分类方法为：
15.获取历史一年度内每个自然日的日平均辐照度；
16.然后对每个季节数据序列下的日平均辐照度按从大到小进行排序；
17.将排序三等分，按从大到小依次划分为对应季节的晴天、阴天和雨天天气数据序列。
18.根据本发明实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤s40中，lstm神经网络模型包括：
19.遗忘门f
t
，
20.f
t
＝sigm(wfx
t
ufh
t-1
bf)；
21.输入门i
t
，
22.i
t
＝sigm(wix
tuiht-1
bi)；
23.激活函数g
t
，
24.g
t
＝tanh(wfx
t
ufh
t-1
bf)；
25.当前时刻记忆单元状态c
t
，
26.c
t
＝f
t
·ct-1
i
t
·gt
；
27.输出门o
t
，
28.o
t
＝sigm(wox
t
u
o h
t-1
bo)；
29.lstm神经网络模型输出h
t
，
30.h
t
＝o
t
·
tanh(c
t
)
31.其中，wf为上一时刻遗忘门输入权重，uf为上一时刻遗忘门输出权重，bf为上一时刻遗忘门偏置项，wi为上一时刻输入门输入权重，ui为上一时刻输入门输出权重，bi为上一时刻输入门偏置项，c
t-1
为上一时刻记忆单元状态，wo为上一时刻输出门输入权重，uo为上一时刻输出门输出权重，bo为上一时刻输出门偏置项，x
t
为当前输入的数据，h
t-1
为上一时刻的输出值。
32.根据本发明实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤s40具体包括：
33.s41、将匹配数据序列做为训练数据d
train
，用于训练lstm神经网络模型；
34.s42、对训练数据d
train
做标准化处理，得到标准化处理后的训练数据ds
train
；
35.s43、创建lstm神经网络模型；
36.s44、在trainnetwork函数中输入标准化处理后的训练数据序列及lstm神经网络模型，训练lstm神经网络；
37.s45、用训练好的lstm神经网络模型预测目标预测日24小时的太阳辐照度，得到预测数据ds
pred
，并对预测数据ds
pred
去标准化。
38.根据本发明实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤s42的标准化处理步骤如下：
39.s421、获取平均值μ，
[0040][0041]
其中n为训练数据d
train
的总个数；
[0042]
s422、获取标准差σ，
[0043][0044]
s423、获取ds
train
，
[0045]
ds
train
＝(d
train-μ)/σ。
[0046]
根据本发明实施例的基于历史数据分析的短期辐照度预测方法，可选地，所述步骤s45的去标准化处理采用如下计算模型：
[0047]dpred
＝ds
pred
·
σ μ。
[0048]
根据本发明的另一方面，提供了一种基于历史数据分析的短期辐照度预测系统，该系统包括：
[0049]
数据采集模块，其用于获取目标地区历史年度的太阳辐照数据；
[0050]
分类模块，其用于将指定一年度的太阳辐照数据按预设时间段划分为春季、夏季、秋季及冬季四类季节数据序列，并根据辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列；
[0051]
数据匹配模块，其用于获取目标预测日天气预报中的天气类型及目标预测日所处季节，并匹配筛选出对应季节及对应天气类型下的天气数据序列；
[0052]
训练模块，其上搭载有lstm神经网络模型，用于接收数据匹配模块筛选出的天气数据序列，并对lstm神经网络模型进行训练；
[0053]
预测模块，其用于利用完成训练的lstm神经网络模型预测目标预测日24小时的太阳辐照度。
[0054]
根据本发明的又一方面，提供了一种计算机可读存储介质，用于存储非暂时性计算机可读命令，当非暂时性计算机可读命令由计算机执行时，实现本发明的基于历史数据分析的短期辐照度预测方法。
[0055]
本发明的基于历史数据分析的短期辐照度预测方法，利用lstm神经网络擅长追踪辐照度的波动性，对其训练数据进行预处理，将辐照度历史数据分成几组数据序列分别对应不同的天气类型，再用与预测日类似的天气类型数据序列作为lstm的输入数据进行预测，使其训练数据与预测数据的波动性相似，在不采用多种耦合预测模型方法的基础上有效提高了预测精度。
附图说明
[0056]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
[0057]
图1示出了春季三种天气类型的辐照度数据序列；
[0058]
图2示出了夏季三种天气类型的辐照度数据序列；
[0059]
图3示出了秋季三种天气类型的辐照度数据序列；
[0060]
图4示出了冬季三种天气类型的辐照度数据序列；
[0061]
图5示出了本发明的lstm神经网络模型的单元示意图；
[0062]
图6示出了本发明的基于历史数据分析的短期辐照度预测系统原理框图；
[0063]
图7示出了实施例2的晴天预测数据序列与实际数据序列波动性对比图；
[0064]
图8示出了本发明方法预测、传统lstm方法预测及实际晴天辐照度对比图；
[0065]
图9示出了本发明方法预测、传统lstm方法预测及实际阴天辐照度对比图；
[0066]
图10示出了本发明方法预测、传统lstm方法预测及实际雨天辐照度对比图；
[0067]
图11示出了本发明的基于历史数据分析的短期辐照度预测方法流程图。
具体实施方式
[0068]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
[0069]
现有的短期辐照度预测方法中，有利用bilstm和cnn等预测模型进行预测，但由于太阳辐照度随季节和天气的变化较大，常规的单种预测方法很难准确预测气象条件下的辐照度，于是提出了耦合预测的方法，将多种预测方法进行组合，从而提高辐照度预测精度，如，先用lstm、bp等神经网络模型进行预测，再用其他方法对预测结果进行修正，又如，采用结合卷积神经网络cnn和长短时记忆lstm网络的混合深度学习框架预测太阳辐照度，虽然确能提高预测精度，但耦合预测的方法步骤复杂，且运算量大，工作量大，针对此，本技术提出一种基于历史数据分析的短期辐照度预测方法，利用lstm神经网络擅长追踪辐照度的波动性，对其训练数据进行预处理，将辐照度历史数据分成几组数据序列分别对应不同的天气类型，再用与预测日类似的天气类型数据序列作为lstm的输入数据进行预测，使其训练数据与预测数据的波动性相似，在不采用多种耦合预测模型方法的基础上有效提高了预测精度。
[0070]
实施例1
[0071]
本实施例的基于历史数据分析的短期辐照度预测方法，如图11所示，包括如下步骤：
[0072]
s10、历史数据获取，
[0073]
获取目标地区历史一年度的太阳辐照度数据；
[0074]
s20、数据预处理，
[0075]
先将s10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列，其中，3～5月的数据划分为春季数据序列；6～8月的数据划分为夏季数据序列；9～11月的数据划分为秋季数据序列；12～2月份的数据序列划分为冬季数据序列；
[0076]
然后根据s10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列，分别得到了春季三类天气数据序列如图1所示，夏季三类天气数据序列如图2所示，秋季三类天气数据序列如图3所示，冬季三类天气数据序列如图4所示；
[0077]
进行天气数据序列分类的方法具体为，以春季数据序列为例，先计算出对应历史年度每日的日平均辐照度，将3～5月各日的日平均辐照度按从大到小进行排序，并将排序后的日期三等分，将排序最靠前的一份的各日期划分为晴天，其对应的辐照度数据划分至晴天天气数据序列中，将排序中间一份的各日期划分为阴天，其对应的辐照度数据划分至阴天天气数据序列中，将排序最靠后的一份的各日期划分为雨天，其对应的辐照度数据划分至雨天天气数据序列，由此完成春季中各天气数据序列的划分，夏季、秋季及冬季对应天气数据序列划分同理；
[0078]
s30、训练数据匹配，
[0079]
根据天气预报获取目标预测日的天气类型数据，然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据；
[0080]
s40、预测，
[0081]
将s30匹配的数据序列输入lstm神经网络模型，预测目标预测日24小时的太阳辐照度。
[0082]
s40预测时的具体步骤为：
[0083]
s41、将匹配数据序列做为训练数据d
train
，用于训练lstm神经网络模型；
[0084]
s42、对训练数据d
train
做标准化处理，得到标准化处理后的训练数据ds
train
；
[0085]
标准化处理如下，
[0086]
s421、获取平均值μ，
[0087][0088]
其中n为训练数据d
train
的总个数；
[0089]
s422、获取标准差σ，
[0090][0091]
s423、获取ds
train
，
[0092]
ds
train
＝(d
train-μ)/σ；
[0093]
s43、创建lstm神经网络模型；
[0094]
传统人工神经网络在数据序列中缺乏对时间相关性的考虑，因而无法捕捉到数据与时间的关系，而循环神经网络通过神经元的周期性连接实现输入，输出数据之间的映射关系，使每次输入对下一个输出有影响，从而保持了对数据特性的“记忆”，然而，循环神经网络不同网络层都共享一组权重和偏差，容易导致梯度“消失”或“爆炸”，因此，本实施例采用了lstm神经网络预测模型，作为循环神经网络的一种变种结构，lstm既有对短期输入敏感的状态h，又增加了保存长期的单元状态c，本实施例的lstm神经网络模型的单元示意图如图5所示，lstm内部主要有忘记阶段，选择记忆阶段和输出阶段，分别由遗忘门f
t
，输入门i
t
和输出门o
t
控制，具体如下：
[0095]
遗忘门f
t
，
[0096]ft
＝sigm(wfx
t
ufh
t-1
bf)；
[0097]
在忘记阶段，遗忘门的激活向量f
t
由值域为(0，1)的sigmoid激活函数计算，如果值为1，则保留，如果值为0，则忘记上一个时刻中不重要的信息；
[0098]
输入门i
t
，
[0099]it
＝sigm(wix
t u
iht-1
bi)；
[0100]
激活函数g
t
，
[0101]gt
＝tanh(wfx
t
ufh
t-1
bf)；
[0102]
在选择记忆阶段，主要对输入x
t
进行选择记忆，激活函数g
t
和输入门i
t
决定哪些值保存到当前时刻记忆单元状态c
t
；
[0103]
当前时刻记忆单元状态c
t
，
[0104]ct
＝f
t
·ct-1
i
t
·gt
；
[0105]
输出门o
t
，
[0106]ot
＝sigm(wox
t
u
o h
t-1
bo)；
[0107]
在输出阶段，输出门决定当前时刻记忆单元状态的输出值，由此得到lstm神经网络模型的输出h
t
；
[0108]
lstm神经网络模型输出h
t
，
[0109]ht
＝o
t
·
tanh(c
t
)；
[0110]
其中，wf为上一时刻遗忘门输入权重，uf为上一时刻遗忘门输出权重，bf为上一时刻遗忘门偏置项，wi为上一时刻输入门输入权重，ui为上一时刻输入门输出权重，bi为上一时刻输入门偏置项，c
t-1
为上一时刻记忆单元状态，wo为上一时刻输出门输入权重，uo为上一时刻输出门输出权重，bo为上一时刻输出门偏置项，x
t
为当前输入的数据，h
t-1
为上一时刻的输出值；
[0111]
本实施例在matlab中创建lstm神经网络，输入、输出均为一维，隐含层单元个数设置为n，设置最大迭代次数为m次，初始学习率为r，迭代m1次后降低学习率，学习下降因子为f，梯度阈值为g；
[0112]
s44、在trainnetwork函数中输入标准化处理后的训练数据序列及lstm神经网络模型，训练lstm神经网络，按照标准化处理后的训练数据序列中日期时间先后顺序，依次采用各时间下的ds
train
对lstm神经网络进行训练，直到各ds
train
均迭代完毕，即为完成对lstm神经网络的训练；
[0113]
s45、用训练好的lstm神经网络模型预测目标预测日24小时的太阳辐照度，得到预测数据ds
pred
，并对预测数据ds
pred
采用如下计算模型去标准化：
[0114]dpred
＝ds
pred
·
σ μ；
[0115]dpred
即为预测的目标预测日24小时的太阳辐照度。
[0116]
实施例2
[0117]
本实施例的基于历史数据分析的短期辐照度预测方法，如图11所示，包括如下步骤：
[0118]
s10、历史数据获取，
[0119]
获取目标地区历史一年度的太阳辐照度数据；
[0120]
s20、数据预处理，
[0121]
先将s10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列，其中，3～5月的数据划分为春季数据序列；6～8月的数据划分为夏季数据序列；9～11月的数据划分为秋季数据序列；12～2月份的数据序列划分为冬季数据序列；
[0122]
然后根据s10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列，分别得到了春季三类天气数据序列，夏季三类天气数据序列，秋季三类天气数据序列，冬季三类天气数据序列；
[0123]
进行天气数据序列分类的方法具体为，以春季数据序列为例，先计算出对应历史年度每日的日平均辐照度，将3～5月各日的日平均辐照度按从大到小进行排序，并将排序后的日期三等分，将排序最靠前的一份的各日期划分为晴天，其对应的辐照度数据划分至晴天天气数据序列中，将排序中间一份的各日期划分为阴天，其对应的辐照度数据划分至阴天天气数据序列中，将排序最靠后的一份的各日期划分为雨天，其对应的辐照度数据划分至雨天天气数据序列，由此完成春季中各天气数据序列的划分，夏季、秋季及冬季对应天气数据序列划分同理；
[0124]
s30、训练数据匹配，
[0125]
根据天气预报获取目标预测日的天气类型数据，然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据；
[0126]
s40、预测，
[0127]
将s30匹配的数据序列输入lstm神经网络模型，预测目标预测日24小时的太阳辐照度。
[0128]
s40预测时的具体步骤为：
[0129]
s410、将匹配数据序列的前95％做为训练数据d
train
，用于训练，后5％做为测试数据d
test
，用于测试；
[0130]
s420、对训练数据d
train
做标准化处理，得到标准化处理后的训练数据ds
train
；
[0131]
标准化处理如下，
[0132]
s421、获取平均值μ，
[0133][0134]
其中n为训练数据d
train
的总个数；
[0135]
s422、获取标准差σ，
[0136][0137]
s423、获取ds
train
，
[0138]
ds
train
＝(d
train-μ)/σ；
[0139]
s43、创建lstm神经网络模型；
[0140]
传统人工神经网络在数据序列中缺乏对时间相关性的考虑，因而无法捕捉到数据与时间的关系，而循环神经网络通过神经元的周期性连接实现输入，输出数据之间的映射关系，使每次输入对下一个输出有影响，从而保持了对数据特性的“记忆”，然而，循环神经网络不同网络层都共享一组权重和偏差，容易导致梯度“消失”或“爆炸”，因此，本实施例采用了lstm神经网络预测模型，作为循环神经网络的一种变种结构，lstm既有对短期输入敏感的状态h，又增加了保存长期的单元状态c，本实施例的lstm神经网络模型的单元示意图
如图5所示，lstm内部主要有忘记阶段，选择记忆阶段和输出阶段，分别由遗忘门f
t
，输入门i
t
和输出门o
t
控制，具体如下：
[0141]
遗忘门f
t
，
[0142]ft
＝sigm(wfx
t
ufh
t-1
bf)；
[0143]
在忘记阶段，遗忘门的激活向量f
t
由值域为(0，1)的sigmoid激活函数计算，如果值为1，则保留，如果值为0，则忘记上一个时刻中不重要的信息；
[0144]
输入门i
t
，
[0145]it
＝sigm(wix
tuiht-1
bi)；
[0146]
激活函数g
t
，
[0147]gt
＝tanh(wfx
t
ufh
t-1
bf)；
[0148]
在选择记忆阶段，主要对输入x
t
进行选择记忆，激活函数g
t
和输入门i
t
决定哪些值保存到当前时刻记忆单元状态c
t
；
[0149]
当前时刻记忆单元状态c
t
，
[0150]ct
＝f
t
·ct-1
i
t
·gt
；
[0151]
输出门o
t
，
[0152]ot
＝sigm(wox
t
u
o h
t-1
bo)；
[0153]
在输出阶段，输出门决定当前时刻记忆单元状态的输出值，由此得到lstm神经网络模型的输出h
t
；
[0154]
lstm神经网络模型输出h
t
，
[0155]ht
＝o
t
·
tanh(c
t
)；
[0156]
其中，wf为上一时刻遗忘门输入权重，uf为上一时刻遗忘门输出权重，bf为上一时刻遗忘门偏置项，wi为上一时刻输入门输入权重，ui为上一时刻输入门输出权重，bi为上一时刻输入门偏置项，c
t-1
为上一时刻记忆单元状态，wo为上一时刻输出门输入权重，uo为上一时刻输出门输出权重，bo为上一时刻输出门偏置项，x
t
为当前输入的数据，h
t-1
为上一时刻的输出值；
[0157]
本实施例在matlab中创建lstm神经网络，输入、输出均为一维，隐含层单元个数设置为n，设置最大迭代次数为m次，初始学习率为r，迭代m1次后降低学习率，学习下降因子为f，梯度阈值为g；
[0158]
s440、在trainnetwork函数中输入标准化处理后的训练数据序列及lstm神经网络模型，训练lstm神经网络，按照标准化处理后的训练数据序列中日期时间先后顺序，依次采用各时间下的ds
train
对lstm神经网络进行训练，直到各ds
train
均迭代完毕，即为完成对lstm神经网络的训练；
[0159]
s450、用训练好的lstm神经网络模型预测测试组预测日24小时的太阳辐照度，得到预测数据d
′spred
，并对预测数据d
′spred
采用如下计算模型去标准化：
[0160]d′
pred
＝d
′spred
·
σ μ；
[0161]d′
pred
即为预测的测试组预测日24小时的太阳辐照度；
[0162]
s460、以测试数据d
test
所处的某日期24h的太阳辐照度数据为实际数据，采用均方根误差rmse和平均绝对误差mae评估d
′
pred
与实际数据的误差，
[0163]
当预测天气类型为晴天时，若rmse≤0.6％且mae≤0.4％，则用s440训练好的lstm
神经网络模型预测目标预测日24小时的太阳辐照度，否则，重新选一历史年度的太阳辐照度数据，进行s10～s460的步骤；
[0164]
当预测天气类型为阴天时，若rmse≤1.8％且mae≤1.1％，则用s440训练好的lstm神经网络模型预测目标预测日24小时的太阳辐照度，否则，重新选一历史年度的太阳辐照度数据，进行s10～s460的步骤；
[0165]
当预测天气类型为雨天时，若rmse≤1.3％且mae≤0.7％，则用s440训练好的lstm神经网络模型预测目标预测日24小时的太阳辐照度，否则，重新选一历史年度的太阳辐照度数据，进行s10～s460的步骤。
[0166]
进一步地，根据均方根误差rmse和平均绝对误差mae，可以对lstm模型建立时的最大迭代次数、初始学习率等参数进行调整，以对lstm模型进行优化。
[0167]
实施例3
[0168]
本实施例利用实施例2的方法对某地区某日天气进行预测，对某地区春季辐照度进行分类，将预测日对应天气类型数据序列的共20日，20
×
24h＝480h的数据序列作为lstm训练及测试数据预测目标日24h的太阳辐照度，前19天为训练数据，最后一天为测试数据，并与目标日实际太阳辐照度数据序列比较。
[0169]
本实施例的lstm神经网络中，隐含层单元个数n＝96*3，最大迭代次数m＝250次，m1＝125，初始学习率r＝0.005，学习下降因子为f＝0.2，梯度阈值g＝1。
[0170]
由图7可以看出晴天类型辐照度数据序列波动幅度比实际数据序列小，且与预测日辐照度数据的波动性相似。
[0171]
进一步地，本实施例分别对晴天、阴天和雨天三种天气类型的辐照度均进行预测，并与传统单lstm模型预测及实际数据进行比对，如图8、图9和图10所示，本方法预测的晴天、阴天、雨天辐照度曲线比直接用单lstm模型预测的更接近实际值。
[0172]
进一步地，本实施例采用均方根误差rmse和平均绝对误差mae评估日前辐照度预测的误差水平。
[0173]
三种天气状况本方法与传统单lstm方法的具体预测误差如表1所示。
[0174]
表1.传统lstm与本方法辐照度预测结果比较
[0175][0176]
本方法预测的晴天rmse和mae分别为0.57％和0.31％，阴天分别为1.76％和1.09％，雨天分别为1.26％和0.68％，均比传统lstm预测误差小。因此，本方法预测精度更高。
[0177]
实施例4
[0178]
本实施例的基于历史数据分析的短期辐照度预测系统，包括：
[0179]
数据采集模块，其用于获取目标地区历史年度的太阳辐照数据；
[0180]
分类模块，其用于将指定一年度的太阳辐照数据按预设时间段划分为春季、夏季、秋季及冬季四类季节数据序列，并根据辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列；
[0181]
数据匹配模块，其用于获取目标预测日天气预报中的天气类型及目标预测日所处季节，并匹配筛选出对应季节及对应天气类型下的天气数据序列；
[0182]
训练模块，其上搭载有lstm神经网络模型，用于接收数据匹配模块筛选出的天气数据序列，并对lstm神经网络模型进行训练；
[0183]
预测模块，其用于利用完成训练的lstm神经网络模型预测目标预测日24小时的太阳辐照度。
[0184]
本实施例的基于历史数据分析的短期辐照度预测系统，如图6所示，用于实现实施例1的基于历史数据分析的短期辐照度预测方法。
[0185]
实施例5
[0186]
本实施例的计算机可读存储介质，用于存储非暂时性计算机可读命令，当非暂时性计算机可读命令由计算机执行时，实现本发明的基于历史数据分析的短期辐照度预测方法。
[0187]
本实施例所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
[0188]
本发明所述实例仅仅是对本发明的优选实施方式进行描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围。