基于卡尔曼滤波和LSTM发电超短期预测方法及装置

技术领域

本发明属于光伏发电领域，具体而言，涉及一种基于卡尔曼滤波和LSTM发电超短期预测方法及装置。

背景技术

目前传统的光伏功率预测算法例如支持向量机法、回归分析法等都是将采集到的气象数据与光伏电站的历史功率数据进行结合预测，而光伏功率预测受辐照度和云量的影响很大，气象数据的准确性直接影响到预测结果的精度，一旦出现阴雨天气，预测结果的精度会很差，达不到电力考核的要求。

发明内容

本申请实施例提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法及装置，极大地提高了预测精度，满足电力系统考核要求。

第一方面，本申请实施例提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法，包括：

获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；

对上述数据进行数据清洗，并进行数据归一化；

将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；

将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置目标误差阈值，如果误差小于所述目标误差阈值，保存模型，反之继续训练，直到达到目标误差阈值；

加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析；

对最终进行过误差分析的预测结果进行反归一化处理，保存结果。

其中，所述将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据，包括：

系统矩阵采用单位矩阵I

x

y

系统协方差矩阵Q(t

基于卡尔曼滤波修正多步气象数据原理为已知观测矩阵H

其中，所述第一预设时间为四小时。

其中，所述对上述数据进行数据清洗，包括：对历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据进行缺失值填充、异常值处理。

第二方面，本申请提供了一种基于卡尔曼滤波和LSTM发电超短期预测装置，包括：

获取单元，用于获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；

数据清洗单元，用于对上述数据进行数据清洗，并进行数据归一化；

第一训练单元，用于将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；

第二训练单元，用于将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置目标误差阈值，如果误差小于所述目标误差阈值，保存模型，反之继续训练，直到达到目标误差阈值；

预测单元，用于加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析；

反归一化处理单元，用于对最终进行过误差分析的预测结果进行反归一化处理，保存结果。

其中，所述第一训练单元用于：

系统矩阵采用单位矩阵I

x

y

系统协方差矩阵Q(t

基于卡尔曼滤波修正多步气象数据原理为已知观测矩阵H

其中，所述第一预设时间为四小时。

其中，所述数据清洗单元用于：对历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据进行缺失值填充、异常值处理。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。

本申请实施例基于卡尔曼滤波和LSTM发电超短期预测方法及装置具有如下有益效果：

本申请采用卡尔曼滤波结合LSTM模型进行光伏功率超短期预测，减少了传统预测方式由于气象数据不准确对预测带来的影响，极大地提高了预测精度，满足电力系统考核要求，提高光伏电站运营管理效率，优化电网调度，避免一定经济损失。

附图说明

图1为本申请实施例基于卡尔曼滤波和LSTM发电超短期预测方法流程示意图；

图2为本申请实施例基于卡尔曼滤波和LSTM发电超短期预测方法另一种流程示意图；

图3为LSTM神经元结构图；

图4为本申请实施例基于卡尔曼滤波和LSTM发电超短期预测装置的结构示意图；

图5为本申请实施例计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请进行进一步的介绍。

在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。

下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。

光伏发电具有十分明显的随机特征，随着光伏发电容量的日益增加，其并网运行对电力系统带来的影响愈发凸显，但是现有传统预测模型精度难以达到电力考核的要求，使发电企业被考核罚款造成经济损失，难以保证电力系统的安全运行和有效调度。

基于此，如图1-3所示，本申请提供了一种基于卡尔曼滤波和LSTM发电超短期预测方法，包括：S101，获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；S103，对上述数据进行数据清洗，并进行数据归一化；S105，将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；S107，将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置目标误差阈值，如果误差小于目标误差阈值，保存模型，反之继续训练，直到达到目标误差阈值；S109，加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析；S111，对最终进行过误差分析的预测结果进行反归一化处理，保存结果。下面进行详细介绍。

卡尔曼滤波是一种通过将前面时刻观测值与实际值误差反馈到未来时刻观测值进行修正的计算方法。基于Galanis、Louka等人研究成果，卡尔曼滤波状态方程和观测方程描述为：

x

式中：

x

η(t

ε

M

H

卡尔曼滤波提供了基于所有观测值y

x

式中：

x

x

P

P

下面是更新(分析)步骤，在该步骤中，将t

P

其中

K

假定m

式中：

a

采用a

系统矩阵采用单位矩阵I

x

系统协方差矩阵Q(t

基于卡尔曼滤波修正多步气象数据原理为已知观测矩阵H

LSTM(Long-Short Term Memory，长短期记忆网络)是循环神经网络(RNN)中的一种，其特点在于具有记忆和遗忘功能，因此常用于语音识别、手写文字预测等。LSTM算法不仅解决了RNN网络的梯度爆炸问题和梯度消失问题，还能够充分利用历史信息。而光伏发电功率与时间具有很明显的依赖关系，非常适合采用LSTM算法进行预测。LSTM网络的隐藏层具有独特的神经单元，包括输入门(Input gate)、遗忘门(Forget gate)和输出门(Outputgate)组成。

通过卡尔曼滤波修正气象数据，并作为LSTM模型的输入，可以有效的提高预测精度，具体预测步骤如下：

1、获取历史实测气象数据、历史预测气象数据、历史功率数据、未来四小时天气预报数据。

2、对上述数据进行数据清洗，包括缺失值填充、异常值处理等，并进行数据归一化。

3、将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来四小时天气预报数据，得到16步卡尔曼修正预测气象数据。

4、将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置最小误差阈值，如果误差小于该阈值则保存模型、反之继续训练，直到达到最小误差阈值。

5、加载LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析。

6、对最终进行过误差分析的预测结果进行反归一化处理，保存结果。

本申请采用卡尔曼滤波结合LSTM模型进行光伏功率超短期预测，减少了传统预测方式由于气象数据不准确对预测带来的影响，极大地提高了预测精度，满足电力系统考核要求，提高光伏电站运营管理效率，优化电网调度，避免一定经济损失。

如图4所示，本申请实施例提供了一种基于卡尔曼滤波和LSTM发电超短期预测装置，包括：获取单元201，用于获取历史实测气象数据、历史预测气象数据、历史功率数据、未来第一预设时间天气预报数据；数据清洗单元202，用于对上述数据进行数据清洗，并进行数据归一化；第一训练单元203，用于将历史实测气象数据、历史预测气象数据输入到卡尔曼滤波器进行模型训练，模型训练完成之后输入未来第一预设时间天气预报数据，得到16步卡尔曼修正预测气象数据；第二训练单元204，用于将处理过后的历史气象数据、历史功率数据输入进LSTM模型中训练并对比训练结果，设置目标误差阈值，如果误差小于目标误差阈值，保存模型，反之继续训练，直到达到目标误差阈值；预测单元205，用于加载训练完成的LSTM模型，输入16步卡尔曼修正预测气象数据得到预测结果并进行误差分析；反归一化处理单元206，用于对最终进行过误差分析的预测结果进行反归一化处理，保存结果。

本申请中，基于卡尔曼滤波和LSTM发电超短期预测装置实施例与基于卡尔曼滤波和LSTM发电超短期预测方法实施例基本相似，相关之处请参考基于卡尔曼滤波和LSTM发电超短期预测方法实施例的介绍。

本领域的技术人员可以清楚地了解到本发明实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是FPGA(Field－Programmable Gate Array，现场可编程门阵列)、IC(Integrated Circuit，集成电路)等。

本发明实施例的各处理单元和/或模块，可通过实现本发明实施例所述的功能的模拟电路而实现，也可以通过执行本发明实施例所述的功能的软件而实现。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述基于卡尔曼滤波和LSTM发电超短期预测方法步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。

图5为本申请实施例计算机设备的结构示意图，如图5所示，本申请的计算机设备例如为膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。计算机设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本申请计算机设备包括处理器401、存储器402、输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线405或者其他方式连接。存储器402上存储有计算机程序，该计算机程序可在处理器401上运行，而且处理器401执行程序时实现上述基于卡尔曼滤波和LSTM发电超短期预测方法步骤。

输入装置403可接收输入的数字或字符信息，以及产生与数据处理计算机设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器、等离子体显示器和触摸屏。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

以上介绍仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。