申请/专利权人：山东电力交易中心有限公司

申请日：2020-07-24

公开（公告）日：2024-04-26

公开（公告）号：CN111797981B

主分类号：G06N3/0442

分类号：G06N3/0442;G06N3/045;G06Q10/04;G06Q50/06;G06F18/23;H02J3/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2020.11.06#实质审查的生效;2020.10.20#公开

摘要：本发明涉及一种基于双向长短期记忆神经网络的单日光伏发电量预测方法。方法包括以下步骤：以日为单位，采集光伏发电装置地点每日的辐照度R、温度T、气压PA、降水量W、降雪量S等；采集光伏发电装置实测的单日发电量P；单日数据标幺化处理，并对数据进行聚类，得到n个聚类簇，并优化聚类簇个数；建立n个聚类簇的双向长短期记忆神经网络预测模型，以均方根误差RMSE为评价标准，优化每个预测模型的中间层神经单元个数m1,m2,...,mn；将各种相关因素的预测数据代入，计算其与各个聚类中心的加权欧式距离，归类，然后利用对应的预测模型预测下一日的光伏功率。

主权项：1.一种基于双向长短期记忆神经网络的单日光伏发电量预测方法，其特征在于，包括以下过程：步骤1：以日为单位，采集光伏发电装置地点每日的辐照度R、温度T、气压PA、降水量W、降雪量S；采集光伏发电装置实测的单日发电量P；步骤2：将待预测日以前的上述单日数据标准化处理，并利用K-中心点算法基于加权欧氏距离对数据进行聚类，得到n个聚类簇，并优化聚类簇个数；步骤2.1：计算任意第i天和第j天的加权欧式距离为：Dij＝α1*DR,ij+α2*DT,ij+α3*DPA,ij+α4*DW,ij+α5*DS,ijα1、α2、α3、α4、α5为加权系数，DR,ij为第i天和第j天的日辐照度的欧式距离，DT,ij为第i天和第j天的日温度的欧式距离，DPA,ij为第i天和第j天的日气压的欧式距离，DW,ij为第i天和第j天的日降水量的欧式距离，DS,ij为第i天和第j天的日降雪量的欧式距离；步骤2.2：从原始数据集中随机选取n天的数据作为质心，即聚类中心；步骤2.3：计算原始数据集中每天的数据到每个质心的加权欧式距离，并将其归到最近的质心的类簇；步骤2.4：重新以加权欧式距离计算已经得到的各个聚类簇的质心；步骤2.5：迭代步骤2.3-步骤2.4，直至新的质心与原质心相等或小于指定阈值，算法结束；所述优化聚类簇个数n，其优化目标函数为： 其中，IRmi为第i个预测模型的均方根误差，n为离散变量，取正整数，可以基于遗传算法对其进行求解；该目标函数基于功效系数法的概念，即n个目标函数乘积的n次方根，虽然每个分目标函数IRmn达不到最优，但是总目标函数Ln是最优的，此时的聚类簇个数n最佳；加权欧式距离的权重比αi在该目标函数中是已知量，聚类个数n是未知变量，且为正整数，可以通过枚举法选取最佳聚类个数；步骤3：建立步骤2求得的n个聚类簇的双向长短期记忆神经网络预测模型，以均方根误差RMSE为评价标准，优化每个预测模型的中间层神经单元个数m1,m2,...,mn；以均方根误差为评价标准，优化每个预测模型的中间层神经单元个数，具体为：均方根误差为：其中，mk为隐含层的神经单元个数，取正整数，Pi为光伏发电实测功率，为光伏发电预测功率；对比mk取不同的值时IRmk的大小，当其最小时，神经单元个数最佳；步骤4：将各种相关因素的预测数据代入，计算其与各个聚类中心的加权欧式距离，归类，然后利用对应的预测模型预测下一日的光伏功率；步骤4.1：获取日前的各相关因素的预测数据，分别计算该日到n个聚类中心日的加权欧式距离；步骤4.2：比较n个加权欧式距离，其中将预测日归类到加权欧式距离最小的聚类簇；步骤4.3：将相关因素预测数据代入该聚类簇的长短期记忆神经网络预测模型，预测下一日的光伏发电功率。

全文数据：

权利要求：

百度查询： 山东电力交易中心有限公司 一种基于双向长短期记忆神经网络的单日光伏发电量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD