一种基于LSGAN-GRU的短期光伏功率预测方法、系统、设备及介质

技术领域

本发明涉及光伏功率预测方法领域，具体涉及一种基于LSGAN-GRU的短期光伏功率预测方法、系统、设备及介质。

背景技术

研究太阳能的波动特性，在1h或更短的时间内获得精确的超短期光伏功率预测，有助于电网部门通过根据预测值确定实际发电量的不足来确定必要的备用发电容量，对于促进光伏电站融入电力系统，提高电网的安全性和稳定性具有重要意义。一般来说，光伏发电功率的预测主要有物理预测模型和统计模型两大类；物理预测模型利用太阳辐照度预报值，结合光伏电池板倾角以及电站所处位置等信息，按照光伏功率的物理成因建立模型；统计模型依托光伏电站历史功率数据，分析多种外界因素对发电量的影响，最后建立输入与输出的映射模型实现光伏功率的预测；但这些预测方法都有一定的局限性，物理预测方法需要依托详细的电站及历史气象数据信息，且计算过程中容易产生偏差，导致预测结果不理想；统计模型方法在建模时更为简单快捷，但部分模型难以收敛，且多数统计模型并未根据天气类型将不同天气下的光伏功率分别预测，而天气类型对光伏发电功率影响较大，因此预测结果误差大、预测不准确、模型难以收敛的缺点。

名称为“融合多种天气状况的光伏发电功率预测方法及装置、设备”，专利号为「CN110717623B」的发明，提供了一种光伏发电功率预测方法，预测方法包括：将待预测功率对应的天气变量数据分别输入不同天气状况下的功率预测器，得到预设数量的预测功率值；根据得到的预测功率值,以及每个功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率；其中，功率预测器通过以下方法训练得到：获取训练数据集并划分为预设数量的样本组,利用每个样本组分别对未训练的预测器进行训练，得到不同天气状况下的功率预测器。由于该发明并未考虑突变天气对功率预测的影响，尤其是目前大部分光伏电站都存在突变天气数据不足的问题,因此该发明存在当光伏电站处于突变天气的场景下，具有预测器无法做出准确预测的缺点。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提出一种基于LSGAN-GRU的短期光伏功率预测方法、系统、设备及介质，通过皮尔逊分析选择相关性大的天气变量作为输入变量，基于SOM神经网络对天气类型进行分类，利用多生成器的最小二乘生成MAD-LSGANs，MAD-LSGANs与最优GRU模型融合得到LSGAN-GRU模型，通过LSGAN-GRU模型来实现对突变天气光伏功率的预测，具有提升预测结果的准确性、减少预测偏差、提高收敛速率和精确度的特点。

为了实现上述目的，本发明采用的技术方案是：

一种基于LSGAN-GRU的短期光伏功率预测方法，包括以下步骤：

步骤1：采集光伏电站历史发电数据，基于皮尔逊相关性分析，获取天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量；

步骤2：基于SOM自组织映射神经网络，根据辐照强度对天气类型进行分类；

步骤3：对每种天气类型下的光伏数据序列按照天气类型，筛选出1类突变天气样本数据；

步骤4：基于多生成器的最小二乘构建MAD-LSGANs模型；

步骤5：构建由交叉网络和深度网络组成的GRU模型；

步骤6：采用骨干差分进化IBBDE算法确定GRU模型的超参数，从而得到最优GRU模型；

步骤7：构建LSGAN-GRU模型，获得突变天气下的光伏短期发电功率预测结果。

所述步骤2的具体过程为：采用的SOM自组织映射神经网络包括输入层和计算层，通过自组织学习，SOM自组织映射神经网络的计算层的神经元被分类为不同的响应区域，输入变量经过计算层时被自动分类，经过计算层分类输出的聚类结果为晴天、阴天和雨天。

所述步骤4的具体过程为：

4.1采用全连接神经网络构建所述判别模型D；

4.2将d个长度为c的一维随机噪声输入到生成模型G中，并得到伪样本；

4.3固定生成模型G的参数，训练判别模型D，根据一维的热张量，利用随机梯度下降法对所述最小二乘生成MAD-LSGANs模型进行训练，更新判别模型D的参数，从而得到训练后的判别模型D'；

4.4固定训练后的判别模型D'的参数，用于训练生成模型G，根据判别模型D'输出的热张量，利用随机梯度下降法更新每个生成模型的参数，从而得到训练后的生成模型G′；

4.5固定训练后的生成模型G′的参数，用该参数对训练后的判别模型D'进行优化训练，得到优化训练的判别模型D″；

4.6不断重复4.2-4.5，直到判别模型对生成的伪样本全部标记为“1”时，训练结束，从而由最终优化训练的生成模型生成最新的样本Q”

4.7将最新的样本集Q”

所述步骤5的具体方法为：

5.1GRU神经网络采用四层神经网络的结构；

5.2确定粒子的适应度函数；

5.3更新粒子的个体极值以及全局极值，同历史最优值进行比较筛选,判断是否找到最优解或达到最大迭代次数，若符合条件，则迭代终止，反之继续迭代寻优。

所述步骤6的具体方法为：

6.1IBBDE对初始值编码，采用随机初始化的方式，初始值包括交叉网络层数U、深度网络层数H、神经元个数θ、训练周期τ；

6.2分别计算种群中所有个体的适应度值，完成种群初始化；

用交叉网络层数U、深度网络层数H、神经元个数θ、训练周期τ，这些GRU模型超参数作为IBBDE算法中种群个体的各维度分量，建立种群，将IBBDE传入的参数解码，获得对应的迭代次数、网络层数、隐含层节点数，输出对应的适应值，实现种群初始化；

6.3IBBDE根据6.2输出的适应度值进行IBBDE种群更新；

6.4计算适应度值进行全场最优解的更新；

6.5判断是否满足条件，若否重新回到IBBDE种群更新继续上述步骤6.3-6.4，当迭代次数达到最大迭代次数时满足终止，若是则输出最优GRU模型超参数，得到最优GRU模型。

所述步骤7的具体过程为：

7.1在步骤3与步骤6的基础上完成LSGAN-GRU模型的搭建；

7.2将经过步骤4得到的新训练样本集X

7.3将经过在步骤3得到的测试集R

一种基于LSGAN-GRU的短期光伏功率预测系统，包括：

数据采集模块：用于根据选定的光伏电站所在地，采集所需要的天气数据；

天气类型划分模块：利用SOM神经网络，对采集的天气数据进行天气类型分类，得到晴天、阴天、雨天3类样本数据集；

数据生成模块：在3类样本数据集中筛选出1类突变天气样本数据，并通过MAD-LSGANS生成新样本；

参数优化模块：利用IBBDE优化算法找到最优的GRU模型超参数，并确定最优的GRU模型；

预测输出模块：通过基于MAD-LSGANS生成的训练样本集对所构建的最优GRU模型进行训练，并通过训练好的模型进行光伏功率预测，输出得到所述的一种基于LSGAN-GRU的短期光伏功率结果。

一种基于LSGAN-GRU的短期光伏功率预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述的一种基于LSGAN-GRU的短期光伏功率预测方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够基于LSGAN-GRU对短期光伏功率进行预测。

相对于现有技术，本发明的有益效果在于：

1.本发明技术由于具有基于多生成器的最小二乘构建的MAD-LSGANs模型，因此可对样本数据集进行精细的划分，并针对不同天气类型选择不同气象因素，以建立不同的模型，借助最小二乘生成MAD-LSGANs模型，从而生成新样本，增加样本容量，解决了数据不足的问题。

2.本发明技术通过骨干差分进化IBBDE对GRU模型超参数进行优化，使每个不同网络都具有最优参数，因此可对不同天气情况下的突变天气进行更加精准地预测，其预测的功率与实际功率差值较小，预测误差值小，从而提高了突变天气下的光伏电站发电功率预测精确度。

3.现有技术没有考虑不同天气类型对预测精度的影响，未能处理突变天气数据样本不足的问题，并且现有技术大多数是根据经验来确定隐含层以及神经元个数等参数，本发明所构建的预测框架主要分为两个部分，分别是数据处理部分和预测模型部分，在数据处理部分主要是通过SOM自组织映射神经网络对天气类型进行分类，再通过最小二乘生成MAD-LSGANs，从而生成新的样本，解决了数据不足的问题；在预测模型部分主要是采用了交叉网络和深度网络组成的GRU模型，并且采用骨干差分进化IBBDE算法的全局搜索能力寻找最优深度交叉神经网络的网络层数、每层所对应的神经元个数以及训练周期，以获得最优解模型，从而在预测过程中避免了陷入局部最优解，大大提高了光伏预测时的收敛速率和精确度，从而提高了突变天气下的光伏电站发电功率预测精度。

附图说明

图1是本发明的步骤流程图；

图2是本发明采用骨干差分进化IBBDE算法确定GRU模型的超参数，获得最优GRU模型流程图。

具体实施方式

下面结合附图对本发明的和工作原理作详细叙述。

参见图1，一种基于LSGAN-GRU的短期光伏功率预测方法，包括以下步骤：

步骤1：获取光伏电站近8年历史发电数据，基于皮尔逊相关性分析获取天气变量预报数据与光伏功率数据的相关性，并选择相关性大的天气变量作为输入变量，例如直射辐射、散射辐射、平均温度、平均湿度、平均风速等。皮尔逊相关系数计算如下：

其中，E是数学期望，cov表示协方差，X为天气变量数据，Y为光伏功率数据；

步骤2：采用的SOM自组织映射神经网络包括输入层和计算层，通过自组织学习，SOM自组织映射神经网络的计算层的神经元被分类为不同的响应区域，输入经过计算层时被自动分类，其中神经元的参数更新如下：

式中，w

以散射水平辐射(DHI)和总水平辐射(GHI)之比的均值和标准差作为SOM自组织映射神经网络的输入值，经过计算层分类输出的聚类结果为晴天、阴天和雨天；

步骤3：对每种气候类型下的光伏数据序列按照天气类型筛选出1类突变天气样本数据；

3.1从每1类突变天气样本数据中选取n个样本组成样本数据集，且所述样本数据集中的每个样本由m种气象特征组成，对所述样本数据集进行归一化处理后，得到维度为n×m的气象特征矩阵

其中，x

3.2采集与所述样本数据集中n个样本中m种气象特征相对应的光伏发电功率据，并进行归一化处理，获得功率序列P＝[P

3.3将经过3.1得到的气象特征矩阵K

其中，P

3.4将经过3.3得到的样本矩阵K

步骤4：构建基于多生成器的最小二乘生成MAD-LSGANs模型，用于生成新样本；

4.1采用全连接神经网络分别构建d个生成模型并采用全连接神经网络构建所述判别模型D

G＝[G

G

4.2将d个长度为c的一维随机噪声输入到生成模型G中，并得到伪样本:

Q

Q

4.3固定生成模型G的参数，可用于训练判别模型D，将经过在步骤3得到的训练样本E

4.4固定训练后的判别模型D′的参数，可用于训练生成模型G，将长度为c的一维随机噪声输入到生成模型G中，并生成新的伪样Q'

4.5固定训练后的生成模型G′的参数，可用于对训练后的判别模型D'进行优化训练，将长度为c的一维随机噪声输入到经过4.4得到的训练后的生成模型G′中，得到新的伪样本，将新的伪样本和经过步骤4得到的训练样本E

4.5不断重复4.2-4.5，直到判别模型对生成的伪样本全部标记为“1”时，训练结束，从而由最终优化训练的生成模型生成最新的样本Q”

4.6将经过4.5得到的最新的样本集Q”

步骤5：构建GRU模型

5.1将GRU的网络参数个数作为粒子的维数分量，GRU的网络参数POP＝(pop1,pop2,pop3,pop4),T编码为粒子位置各维度的位置向量X

X

5.2确定粒子的适应度函数；

5.3更新粒子的个体极值以及全局极值，同历史最优值进行比较筛选，判断是否找到最优解或达到最大迭代次数，若符合条件，则迭代终止，反之继续迭代寻优；

参见图2，步骤6：得到最优GRU模型

6.1IBBDE对初始值编码，采用随机初始化的方式，初始值包括交叉网络层数U、深度网络层数H、神经元个数θ、训练周期τ；

6.2分别计算种群中所有个体的适应度值，完成种群初始化；

用交叉网络层数U、深度网络层数H、神经元个数θ、训练周期τ，这些GRU模型超参数作为IBBDE算法中种群个体的各维度分量，建立种群POP＝V

6.3IBBDE根据6.2输出的适应度值进行IBBDE种群更新；

6.4计算适应度值进行全场最优解的更新；

6.5判断是否满足条件，若否重新回到IBBDE种群更新继续上述(c)-(d)，其中最大迭代次数It

步骤7：构建LSGAN-GRU模型，获得光伏短期发电功率预测结果

7.1步骤3中通过构建LSGAN模型完成了数据生成部分，步骤5与步骤6建立了基于最优超参数的GRU模型，最终在上述步骤的基础上搭建LSGAN-GRU模型；

7.2将经过步骤4得到的新训练样本集X

7.3将经过在步骤3得到的测试集R

一种基于LSGAN-GRU的短期光伏功率预测系统，包括数据采集模块、天气类型划分模块、数据生成模块、参数优化模块及预测输出模块；其中：

数据采集模块：用于根据选定的光伏电站所在地，采集所需要的天气数据；

天气类型划分模块：利用SOM神经网络，对采集的天气数据进行天气类型分类，得到晴天、阴天、雨天3类样本数据集；

数据生成模块：在3类样本数据集中筛选出1类突变天气样本数据，并通过MAD-LSGANS生成新样本；

参数优化模块：利用IBBDE优化算法找到最优的GRU模型超参数，并确定最优的GRU模型；

预测输出模块：通过基于MAD-LSGANS生成的训练样本集对所构建的最优GRU模型进行训练，并通过训练好的模型进行光伏功率预测，输出得到的所述的一种基于LSGAN-GRU的短期光伏功率结果。

一种基于LSGAN-GRU的短期光伏功率预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现基于LSGAN-GRU网络的短期光伏功率预测方法。

所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器等，所述处理器是所述一种基于LSGAN-GRU的短期光伏功率预测设备的控制中心，利用各种接口和线路连接整个LSGAN-GRU网络的短期光伏功率预测设备的各个部分。

所述处理器执行所述计算机程序时实现上述一种基于LSGAN-GRU的短期光伏功率预测方法的步骤，例如：选定待预测光伏电站所在地，采集所需要的天气数据；利用SOM神经网络，对采集的天气数据进行天气类型分类，得到晴天、阴天、雨天3类样本数据集；在3类样本数据集中筛选出1类突变天气样本数据，并通过MAD-LSGANS生成新样本，利用IBBDE优化算法找到最优的GRU模型超参数，并确定最优的GRU模型；通过基于MAD-LSGANS生成的训练样本集对所构建的最优GRU模型进行训练，并通过训练好的模型进行光伏功率预测，输出得到的所述的一种基于LSGAN-GRU的短期光伏功率结果。

或者，所述处理器执行所述计算机程序时实现上述系统中各模块的功能，例如：数据采集模块：用于根据选定的光伏电站所在地，采集所需要的天气数据；天气类型划分模块：利用SOM神经网络，对采集的天气数据进行天气类型分类，得到晴天、阴天、雨天3类样本数据集；数据生成模块：在3类样本数据集中筛选出1类突变天气样本数据，并通过MAD-LSGANS生成新样本；参数优化模块：利用IBBDE优化算法找到最优的GRU模型超参数，并确定最优的GRU模型；预测输出模块：通过基于MAD-LSGANS生成的训练样本集对所构建的最优GRU模型进行训练，并通过训练好的模型进行光伏功率预测，输出得到的所述的一种基于LSGAN-GRU的短期光伏功率结果。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成预设功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序在所述一种基于LSGAN-GRU的短期光伏功率预测设备中的执行过程。例如，所述计算机程序可以被分割成数据采集模块、天气类型划分模块、数据生成模块、参数优化模块及预测输出模块，各模块具体功能如下：数据采集模块：用于根据选定的光伏电站所在地，采集所需要的天气数据；天气类型划分模块：利用SOM神经网络，对采集的天气数据进行天气类型分类，得到晴天、阴天、雨天3类样本数据集；数据生成模块：在3类样本数据集中筛选出1类突变天气样本数据，并通过MAD-LSGANS生成新样本；参数优化模块：利用IBBDE优化算法找到最优的GRU模型超参数，并确定最优的GRU模型；预测输出模块：通过基于MAD-LSGANS生成的训练样本集对所构建的最优GRU模型进行训练，并通过训练好的模型进行光伏功率预测，输出得到的所述的一种基于LSGAN-GRU的短期光伏功率结果。

所述一种基于LSGAN-GRU的短期光伏功率预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种基于LSGAN-GRU的短期光伏功率预测设备可包括，但不仅限于处理器、存储器。本领域技术人员可以理解，上述是一种基于LSGAN-GRU的短期光伏功率预测设备的示例，并不构成对一种基于LSGAN-GRU的短期光伏功率预测设备的限定，可以包括比上述更多的部件，或者组合某些部件，或者不同的部件，例如一种基于LSGAN-GRU的短期光伏功率预测设备还可以包括输入输出设备、网络接入设备、总线等。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于LSGAN-GRU的短期光伏功率预测设备的各种功能。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡

(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于LSGAN-GRU的短期光伏功率预测方法的步骤。

所述一种基于LSGAN-GRU的短期光伏功率预测系统集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

本发明实现上述一种基于LSGAN-GRU的短期光伏功率预测方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述一种基于LSGAN-GRU的短期光伏功率预测方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。

所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、电载波信号、电信信号以及软件分发介质等。

需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。