一种光伏电站负载预测方法与流程

本发明属于光伏电站负载预测，尤其涉及一种光伏电站负载预测方法。

背景技术：

1、光伏电站是一种利用太阳光能发电的设施，它主要通过光伏发电系统将太阳能转换为电能。而光伏电站的负载需求预测对于提高能源管理的效率、可靠性和可持续性至关重要。它不仅有助于充分利用可再生能源资源，还能够降低能源成本、减少浪费，以及减少环境影响，从而在多个层面上带来效益的提升。

2、但目前对于光伏电站的负载预测的技术手段中，数据的干扰性太大，无法有效地对历史数据进行训练以预测得到更加准确的负载需求数据。

技术实现思路

1、针对背景技术提出的问题，本发明提出一种光伏电站能效优化方法。

2、为达此目的，本发明采用以下技术方案：

3、一种光伏电站负载预测方法，步骤a：收集光伏电站历史数据，历史数据包括太阳辐射oi、气温ti、光伏组件发电功率pi、光伏组件内部温度iti、内部湿度hi、风速wi、内部耗电量ii和电力负载数据qi，基于多个历史数据的数据集组建一维矩阵集合xi＝[oi，ti，pi，iti，hi，wi，ii，qi]，其中，i表示不同时间点；

4、步骤b：对电力负载数据进行数据处理并整理成新的一维矩阵集合，包括执行数据清洗操作、采用孤立森林算法执行去噪操作、执行归一化操作；

5、步骤c：将新的一维矩阵集合输入到lstm预测模型进行预测，包括将数据处理后的一维矩阵集合作为lstm预测模型的当前时间步的输入序列进行计算以输出lstm预测模型的更新后的隐藏状态，将更新后的隐藏状态传递给lstm预测模型的输出层以得到预测后的一维矩阵集合，即预测后的负载数据。

6、优选的，在所述步骤b中，对一维矩阵集合执行数据清洗操作包括：

7、电力负载数据qi≤0所在的矩阵。

8、优选的，在所述步骤b中，对电力负载数据采用孤立森林算法执行去噪操作包括：

9、步骤b1：将电力负载数据qi所在的集合记作数据集x，对该数据集x随机抽取τ个样本点以构成该数据集x的子集x′，将子集x′放入孤立树的根节点；其中：

10、

11、xi表示子集x′，即对数据集x中在不同时间点i随机抽取τ个样本点所构成的集合，集合中所抽取的样本点记作xiτ；

12、步骤b2：从d个维度中随机指定一个维度q，在子集x′中随机产生一个切割点p，令其中：

13、xij表示当随机指定的一个维度q时的样本点；

14、步骤b3：所述切割点p生成一个超平面以将子集x′划分成两个子空间，其中一子空间内的样本点为维度小于切割点p的样本点，指定维度小于切割点p的样本点放入孤立树的左子节点；

15、另一子空间内的样本点为维度大于或等于切割点p的样本点，指定维度大于或等于切割点p的样本点放入孤立树的右子节点；

16、步骤b4：递归步骤b2和步骤b3，直至孤立树所有的子节点都只有一个样本点或者孤立树已经达到指定高度；

17、步骤b5：循环步骤b1至步骤b4，直至生成指定数量的孤立树。

18、优选的，在生成指定数量的孤立树后，将每个孤立树中每个样本点令其遍历每一个孤立树，计算每个样本点在所有孤立树构成的森林中的平均高度，并计算每个样本点的异常值分数，异常值分数的计算公式如下：

19、s(x，a)＝2e(h(x))/c(a)；

20、

21、h(c)＝ln(c)+β，β＝0.5772156649；

22、其中：

23、s(x，a)表示样本点x在孤立树的异常指数，即异常值分数，取值范围为[0,1]；

24、a表示阈值参数；

25、e(x)表示每个样本点x的期望值；

26、h(x)表示样本点x从孤立树的根节点到达该样本点x所在子节点所经过的划分次数，即深度；

27、c(a)表示常数，用来对路径长度进行缩放；

28、h(c)表示一个样本集合中包含c个样本时的期望路径长度。

29、优选的，在计算得到异常值分数后，判断样本异常情况包括：

30、当s(x，a)等于1时，表示样本点是异常点；

31、当s(x，a)等于0时，表示样本点是正常点；

32、当超过预设阈值数量的样本点的s(x，a)等于0.5时，则说明历史数据所在的数据集无需执行去噪操作；

33、删除数据集中存在异常点的样本，得到去噪后的电力负载数据的数据集x′i。

34、优选的，对去噪后的电力负载数据的数据集x′i执行归一化操作，包括基于如下公式进行归一化：

35、

36、其中：

37、x″i表示归一化后的电力负载数据的数据集；

38、x′i表示去噪后的电力负载数据的数据集；

39、mean表示x′i的均值；

40、std表示子集x′的标准差；

41、将归一化后的电力负载数据和其他历史数据重新组成新的一维矩阵：

42、yi＝[oi，ti，pi，iti，hi，wi，ii，x″i]。

43、优选的，在所述步骤c中，包括：

44、步骤c1：计算lstm预测模型的遗忘门：

45、ft＝σ(wf*[ht-1，xt]+bf)；

46、其中：

47、ft表示遗忘门的输入，wf表示遗忘门的权重矩阵，bf表示遗忘门的偏置向量，σ表示sigmoid函数，ht-1表示前一个时间步的隐藏状态，xt表示当前时间步的输入序列，即yi＝[oi，ti，pi，iti，hi，wi，ii，x″i]；

48、步骤c2：根据遗忘门的输入计算每个时间步长上细胞状态的更新：

49、c1t＝ft*clt-1；

50、其中：

51、c1t表示遗忘门的更新后的当前时间步长的细胞状态，c1t-1前一个时间步长的细胞状态；

52、步骤c3：计算lstm预测模型的输入门：

53、it＝σ(wi*[ht-1，xt]+bi)；

54、其中：

55、it表示输入门的输入，wi表示输入门的权重矩阵，bi表示输入门的偏置向量，σ表示sigmoid函数，ht-1表示前一个时间步的隐藏状态，xt表示当前时间步的输入序列，即yi＝[oi，ti，pi，iti，hi，wi，ii，x″i]；

56、步骤c4：根据输入门的输入计算每个时间步长上细胞状态的更新：

57、

58、

59、其中：

60、ct表示输入门的更新后的当前时间步长的细胞状态，ct-1前一个时间步长的细胞状态，表示候选更新的细胞状态，tanh表示双曲正切函数，wc表示候选更新的权重矩阵，bc表示候选更新的偏置向量，ht-1表示前一个时间步的隐藏状态，xt表示当前时间步的输入序列，即yi＝[oi，ti，pi，iti，hi，wi，ii，x″″i]；

61、步骤c5：计算lstm预测模型的输出门：

62、ot＝σ(wo*[ht-1，xt]+bo)；

63、其中：

64、ot表示输出门的输入，wo表示输入门的权重矩阵，bo表示输出门的偏置向量，σ表示sigmoid函数，ht-1表示前一个时间步的隐藏状态，xt表示当前时间步的输入序列，即yi＝[oi，ti，pi，iti，hi，wi，ii，x″i]；

65、步骤c6：根据输出门的输入更新当前时间步的隐藏状态；

66、ht＝ot*tanh(ct)；

67、其中：

68、ht表示当前时间步更新后的隐藏状态，ot表示输出门的输入，tanh表示双曲正切函数，ct表示输入门的更新后的当前时间步长的细胞状态；

69、步骤c7：将更新后的隐藏状态ht传递给lstm预测模型的输出层以得到预测后的一维矩阵集合。

70、与现有技术相比，上述技术方案中的一个技术方案具有以下有益效果：

71、1、本发明通过孤立森林算法来对数据进行处理，可以自行确定丢弃数据的百分比，增加数据多样性或集中性，使得预测变得更加精准；

72、2、对于光伏系统而言，电力负载具有一定的周期性，对此，本发明提出lstm预测模型，利用lstm预测模型可以记忆近期的信息的特点，从短期而言，电力负载波动不大，根据太阳辐射、温度、湿度等数据可以更好地预测未来一段时期的负载需求。