【技术实现步骤摘要】
本专利技术涉及模型预测，特别是基于nsga的lstm预测性能源发电方法及系统。
技术介绍
1、光伏发电预测是一项复杂的任务，虽然已有多种现有技术都可以用于预测，但它们仍然存在一些缺点，包括：光伏发电预测通常涉及短期波动，特别是在多云或阴天时，传统方法可能难以捕捉这些瞬时波动。模型的持续更新和维护是一个挑战，因为新数据不断产生，模型需要不断适应变化。优化不仅涉及预测准确性，还可能包括经济性和环境因素。传统方法难以有效处理多目标优化问题。
2、预测光伏发电是为了帮助电力系统运营商、光伏电站管理者和能源市场等各方更好地规划和管理能源供应。以下是一些现有的方法用于预测光伏发电：时间序列方法：传统的时间序列方法如arima(自回归集成滑动平均)、exponential smoothing等，用于分析历史发电数据的趋势和季节性，以生成短期和中期的预测。
3、物理模型：这些方法利用光伏电池的工作原理和太阳辐射等物理因素建立数学模型，以预测光伏发电量。这包括天文模型、光伏电池效率模型和辐射传输模型。
4、深度学习方法：深度学习模型，尤其是循环神经网络(rnn)和长短时记忆网络(lstm)，已经广泛应用于光伏发电预测。它们能够捕捉时间序列数据的长期依赖关系。
5、现有的光伏发电预测方法存在一些缺点，其中一些问题可以通过nsga(non-dominated sorting genetic algorithm)优化的lstm算法来解决，包括：本专利技术公开了一种基于nsga优化算法的长短时序神经网络ls
6、通过将nsga与lstm结合使用，可以解决传统方法在多目标优化、模型参数优化、实时性和多数据类型整合等方面存在的问题，提高光伏发电预测的效率、准确性和灵活性。这种集成方法有望优化新能源发电系统的性能，提高可持续性和经济性。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题是：如何解决传统方法在多目标优化、模型参数优化、实时性和多数据类型整合等方面存在的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：基于nsga的lstm预测性能源发电方法，包括，收集光伏发电系统的历史数据，对数据进行清洗；构建lstm神经网络模型；使用训练集的数据训练lstm神经网络模型；对lstm神经网络模型进行评估和预测。
4、作为本专利技术所述基于nsga的lstm预测性能源发电方法的一种优选方案，其中：所述历史数据包括具有相同时间戳的光照强度、温度、电流及电压的相关参数数据；所述清洗包括处理缺失值和异常值；所述缺失值包括，若超过50％的缺失值，处于超高缺失状态，则重新收集其他时间戳的历史数据；若超过30％未超过50％的缺失值，处于严重缺失状态，则使用时间序列插值方法填充缺失值，表示为：
5、
6、其中，xt为当前时间步t的数据，xt-1为当前时间步的前一个时间步的数据，xt+1为当前时间步的后一个时间步的数据；若超过15％未超过30％的缺失值，处于高度缺失状态，则使用滑动窗口法的平均法填充缺失值，表示为：
7、
8、其中，n为滑动窗口的大小；若超过5％未超过15％的缺失值，处于中度缺失状态，则使用前向填充或后向填充，表示为：
9、xt＝xt-1或xt＝xt+1
10、若低于5％的缺失值，处于轻微缺失状态，则直接使用前一个非缺失值进行填充，表示为：
11、xt＝xt-1
12、所述异常值包括，使用iqr方法处理异常值，表示为：
13、iqr＝q3-q1
14、其中，iqr为四分位距，q3为数据集中75％的数值低于q3，q1为数据集中75％的数值低于q1；若低于1.5iqr的异常值，处于不异常状态，则不进行处理；若存在高于1.5iqr低于3iqr的异常值，处于轻度异常状态，则将异常值替换为相应的上界限或下界限，表示为：
15、xt＝min(xt,q3+1.5×iqr)
16、xt＝max(xt,q1-1.5×iqr)
17、若存在高于3iqr的异常值，处于极端异常状态，则使用中位数替换异常值；将数据集拆分为训练集和测试集，使用时间窗口方法，在训练集中包含过去的数据，而在测试集中包含未来的数据。
18、作为本专利技术所述基于nsga的lstm预测性能源发电方法的一种优选方案，其中：所述lstm神经网络模型包括输入层、lstm层、输出层和附加层，输入层的特征维度与数据特征的数量相匹配，时间步长与选择的时间窗口大小相匹配，输出层包括一个线性层，输出光伏发电的预测值。
19、作为本专利技术所述基于nsga的lstm预测性能源发电方法的一种优选方案，其中：所述训练lstm神经网络模型包括，在每个时间步，将输入数据传递给模型，计算损失函数，使用反向传播算法来更新模型的权重，减小损失函数，表示为：
20、
21、wnew＝wold-α×▽l
22、其中，l为损失函数的值，yt为时间步t的真实值，为时间步t的预测值，wnew为更新后的权重，wold为当前的权重，α为学习率，▽l为损失函数关于权重的梯度。
23、作为本专利技术所述基于nsga的lstm预测性能源发电方法的一种优选方案，其中：所述训练lstm神经网络模型还包括，若处于严重缺失状态，则添加dropout层防止过拟合，并减小学习率进行训练神经网络模型；若处于高度缺失状态，则在lstm层之后添加batchnormalization层规范化数据，进行训练神经网络模型；若处于中度缺失状态，则使用早停法防止过拟合，进行训练神经网络模型；若处于轻微缺失状态或处于不异常状态，则直接使用标准的lstm训练方法；若处于轻微异常状态，则在lstm层之后添加batch normalization层规范化数据，并使用dropout层防止过拟合，进行训练神经网络模型；若处于极端异常状态，则使用数据增强技术，增加训练数据的数量，使用dropout层防止过拟合，进行训练神经网络模型；训练完成之后，使用nsga多目标优化算法对神经网络模型进行优化。
24、作为本发本文档来自技高网...
【技术保护点】
1.基于NSGA的LSTM预测性能源发电方法，其特征在于：包括，
2.如权利要求1所述的基于NSGA的LSTM预测性能源发电方法，其特征在于：所述历史数据包括具有相同时间戳的光照强度、温度、电流及电压的相关参数数据；
3.如权利要求2所述的基于NSGA的LSTM预测性能源发电方法，其特征在于：所述LSTM神经网络模型包括输入层、LSTM层、输出层和附加层，输入层的特征维度与数据特征的数量相匹配，时间步长与选择的时间窗口大小相匹配，输出层包括一个线性层，输出光伏发电的预测值。
4.如权利要求3所述的基于NSGA的LSTM预测性能源发电方法，其特征在于：所述训练LSTM神经网络模型包括，在每个时间步，将输入数据传递给模型，计算损失函数，使用反向传播算法来更新模型的权重，减小损失函数，表示为，
5.如权利要求4所述的基于NSGA的LSTM预测性能源发电方法，其特征在于：所述训练LSTM神经网络模型还包括，若处于严重缺失状态，则添加Dropout层防止过拟合，并减小学习率进行训练神经网络模型；
6.如权利要求5所述的基于NSGA
7.如权利要求6所述的基于NSGA的LSTM预测性能源发电方法，其特征在于：所述评估和预测包括，用测试集的数据评估模型的性能，使用均方误差、均方根误差和R2分数进行评估和预测，表示为，
8.一种采用如权利要求1～7任一所述的基于NSGA的LSTM预测性能源发电方法的系统，其特征在于：包括，数据采集模块、数据预处理模块、模型构建模块、模型训练模块、模型优化模块及模型评估预测模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于NSGA的LSTM预测性能源发电方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于NSGA的LSTM预测性能源发电方法的步骤。
...【技术特征摘要】
1.基于nsga的lstm预测性能源发电方法，其特征在于：包括，
2.如权利要求1所述的基于nsga的lstm预测性能源发电方法，其特征在于：所述历史数据包括具有相同时间戳的光照强度、温度、电流及电压的相关参数数据；
3.如权利要求2所述的基于nsga的lstm预测性能源发电方法，其特征在于：所述lstm神经网络模型包括输入层、lstm层、输出层和附加层，输入层的特征维度与数据特征的数量相匹配，时间步长与选择的时间窗口大小相匹配，输出层包括一个线性层，输出光伏发电的预测值。
4.如权利要求3所述的基于nsga的lstm预测性能源发电方法，其特征在于：所述训练lstm神经网络模型包括，在每个时间步，将输入数据传递给模型，计算损失函数，使用反向传播算法来更新模型的权重，减小损失函数，表示为，
5.如权利要求4所述的基于nsga的lstm预测性能源发电方法，其特征在于：所述训练lstm神经网络模型还包括，若处于严重缺失状态，则添加dropout层防止过拟合，并减小学习率进行训练神...
【专利技术属性】
技术研发人员：杨强，杜秀举，沈光友，颜宗辉，李青峰，张玉莲，董仁梅，汪永，牟景艳，胡海，隆孝斌，陈朝宽，周凤，李秋硕，程云，刘禹成，张凯，夏超，张云菊，郭明，杨彪，吴小虎，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。