CN115796004A - 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 - Google Patents

Abstract

本发明公开了一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，具体为：首先，对原始数据进行缺失值和异常值处理；然后，对光伏功率变量和气象数据变量进行Spearman相关性分析，确定预测模型的输入变量为温度、湿度和辐照强度；选取温度、湿度和辐照强度作为聚类变量，构建聚类变量的统计特征，采用模糊C均值聚类算法进行光伏历史数据的相似日聚类，得到Type1‑4相似日数据，并对其进行归一化处理；之后将相似日数据集划分为训练集、验证集和测试集；构建SLSTM光伏功率超短期预测模型和MLSTNet光伏功率超短期预测模型，利用超频贝叶斯优化器对SLSTM和MLSTNet模型参数调优，进行超短期功率预测；最后生成测试集上的光伏功率超短期预测结果。本发明的方法能较好地跟踪未来四小时的光伏电站功率曲线趋势，具有运行速度快和预测精度高的优点。

Description

一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预 测方法

技术领域

本发明涉及光伏发电预测技术领域，具体涉及一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法。

技术背景

近年来，环境污染问题日益严重，不可再生能源匮乏问题日渐凸显。在我国新能源发展战略中，太阳能得到了大规模发展和利用，光伏发电***发展迅速。据国家能源局最新数据，我国2021年新增光伏发电并网装机容量约5300万千瓦，分布式光伏新增约2900万千瓦，约占全部新增光伏发电装机的55％，历史上首次突破50％，光伏发电集中式与分布式并举的发展趋势明显。截至2021年底，光伏发电并网装机容量达到3.06亿千瓦，突破3亿千瓦大关，其中分布式光伏达到1.075亿千瓦，突破1亿千瓦，约占全部光伏发电并网装机容量的三分之一。大规模光伏发电并网是实现减排的一种有效方式，但是光伏***并网也会带来可靠性和稳定性的问题，因此在利用太阳能的同时，其特性也给电网的实时调度和安全运行带来了挑战。从时间尺度看，光伏功率预测可以分为中长期(>24h)、短期(4～24h)、超短期(0～4h)。光伏发电超短期功率预测是电网调度部门提前调整调度计划的依据，光伏预测精度越高，越能够减小光伏***并网对电网的负面影响，促进新能源消纳目标的实现。

现有的光伏功率预测技术根据预测过程的分类，光伏功率预测可分为直接预测和间接预测；根据预测空间尺度的分类，可分为单场预测和区域预测；根据预测时间尺度的分类，可以分为超短期预测、短期预测、中期预测和长期预测；根据预测形式的分类，可分为点预测、区间预测和概率预测。按预测方法的分类，可分为物理方法、统计方法和机器学习方法。但是对于任何一种分类，都可以通过不同的预测方法进行预测研究，如物理方法、统计方法和机器学习方法。

物理方法是根据光伏发电原理建立的数学模型，利用数值天气预报(NWP)得到的太阳辐射、温度、湿度、云量、气压和风速，结合光伏***安装角度、光伏阵列转换效率、电池条件等参数建立物理模型，然后直接计算光伏功率。物理预测模型不需要历史数据，而是依靠详细的站点地理信息、准确的气象数据和完整的光伏电池信息。物理方法的预测精度很大程度上依赖于NWP信息的准确性，但目前在提高NWP的精度方面遇到瓶颈。

常用的统计预测方法有时间序列方法、回归分析方法、灰色理论、模糊理论、多源数据驱动方法和时空相关方法。统计方法是对太阳辐射、光伏发电量等历史数据进行处理后，通过曲线拟合、参数估计和相关性分析，建立投入产出数据之间的相关映射关系(即数据模型)，从而实现对未来光伏发电量的预测。但是统计方法实施的前提是经过处理后需要有大量正确的历史数据，在实施过程中数据采集和计算处理存在困难。

机器学习具有高效提取高维复杂非线性特征并将其直接映射到输出的能力。基于机器学习的预测方法利用了这一点，已经成为预测时间序列最常用的方法之一。人工神经网络(ANNs)、随机森林(RF)和深度极限学习机(DELM)等机器学习方法由于能够对气象数据中的非线性进行管理，被广泛应用于光伏发电出力预测。机器学习方法最近也被应用于超短期光伏功率预测，与传统的日前预测相比，需要更高的空间和时间分辨率。

影响光伏功率预测精度的最主要原因在于光伏发电功率的随机性、间歇性和波动性，来源于复杂多变的天气状态、云层移动、环境温度等因素，阻碍了光伏功率预测精度的进一步提升。同时，由于气象数据本身存在一定的预测误差，用于光伏预测会进一步放大误差，因此具有高精度的预测算法成为亟待解决的问题。

发明内容

本发明的目的是提供一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，解决了光伏发电超短期功率预测结果不准确的问题。

本发明采用的技术方案是，基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，具体按照以下步骤实施：

步骤1：获取预处理后的气象数据和历史光伏功率数据，对光伏功率和气象数据进行相关性分析，确定预测模型的输入变量；

步骤2：选取聚类变量，构建聚类变量的统计特征；

步骤3：根据步骤2选取的聚类变量及其统计特征，采用模糊C均值聚类算法进行光伏功率历史数据聚类，得到Type1、Type2、Type3和Type4相似日数据集；

步骤4：将步骤3中Type1、Type2、Type3和Type4相似日数据集划分为训练集、验证集和测试集；

步骤5：对步骤4中训练集、验证集和测试集进行归一化处理；

步骤6：构建SLSTM光伏电站超短期功率预测模型，设置模型训练相关参数，将训练集的数据输入模型中进行训练；

步骤7：构建MLSTNet光伏电站超短期功率预测模型，设置模型训练相关参数，将训练集的数据输入模型中进行训练；

步骤8：将验证集的数据分别输入到步骤6和步骤7中训练好的SLSTM和MLSTNet光伏电站超短期功率预测模型，对预测结果进行验证，若与真实值误差较大，则分别返回步骤6和步骤7；若与真实值误差较小，则进行步骤9；

步骤9：将测试集的数据分别输入到步骤6和步骤7中训练好的SLSTM和MLSTNet光伏电站超短期功率预测模型，进行光伏功率超短期预测；

步骤10：将步骤9中的超短期预测结果进行反归一化处理；

本发明的特点还在于，

步骤1中，具体为：

步骤1.1：选取预处理后的气象数据和光伏功率数据；

气象变量和光伏功率变量的时间分辨率为15min，选取风速、风向、温度、湿度、气压、辐照强度作为原始的气象数据变量；

步骤1.2：采用Spearman相关系数R度量多个气象变量之间的相关性程度；

步骤1.3：选取光伏功率的Spearman相关系数R绝对值不小于0.5的气象数据变量，将其作为预测模型输入。

步骤2中，具体为：

步骤2.1：选取光伏功率的Spearman相关系数R绝对值不小于0.5的气象数据变量作为聚类变量；

步骤2.2：选取聚类变量的平均值、标准差和最大值作为统计特征。

步骤3中，具体为：

步骤3.1：根据步骤2构建的聚类变量的统计特征，计算各天聚类变量的3个统计特征的数值；

步骤3.2：确定数据聚类类别个数c，初始化聚类中心矩阵V，给定模糊加权指数m，初始化隶属度矩阵U，给定算法的终止标准ε，ε为正无穷小；

步骤3.3：根据式(5)计算第t次迭代的所有聚类中心，得到聚类中心矩阵：

式中：u_ij为第i个样本属于第j类的隶属度；x_i为样本点；m是模糊加权指数；t是迭代次数；c表示聚类类别个数；；d_ij是第i个样本到第j类中心的距离；

步骤3.4：更新隶属度矩阵，计算方法如下式所示：

式中：u_ij为第i个样本属于第j类的隶属度；x_i为样本点；m是模糊加权指数；t是迭代次数；c表示聚类类别个数；d_ij是第i个样本到第j类中心的距离；

步骤3.5：计算|U^(t)-U^(t-1)|，并验证是否满足迭代停止条件|U^(t)-U^(t-1)|<ε，若满足条件，则停止迭代；若未满足条件，则重复步骤3.3和步骤3.4直到达到条件为止，最终得到Type1、Type2、Type3和Type4相似日数据集。

步骤6中，具体为：

步骤6.1：将归一化后的Type1相似日数据集通过单步滚动的输入方式输入到LSTM神经网络中，来提取光伏功率动态变化的特征向量；

步骤6.2：将输出的特向向量重新输入LSTM神经网络中，以此来实现单步滚动预测；

例如：将t-1时刻的气象变量和光伏功率以及t时刻的气象变量作为输入，得到t时刻的光伏功率预测值。将t时刻的气象变量和光伏功率预测值以及t+1时刻的气象变量作为输入，得到t+1时刻的光伏功率预测值，直到预测结束；

步骤6.3：将步骤6.2的预测结果与实际光伏功率进行线性拟合，得到最终预测结果；

Y_LSTM＝β₁h_t+β₀

式中：h_t为LSTM神经网络输出结果，β₀和β₁为线性拟合系数，Y_LSTM为最终的光伏功率超短期预测值；

步骤6.4：模型的参数设置与模型训练；

SLSTM模型网络结构由三层LSTM、一层全连接层和校正模型构成；

设置LSTM网络层数为3，第一层神经元个数、第二层神经元个数、第三层神经元个数、学习率和批处理参数均由贝叶斯优化器优化，在模型运行中自动寻优，最大迭代次数为100，所有层均使用Relu激活函数，优化器为Adam；

将Type1相似日数据集的训练集输入构建的SLSTM中进行模型训练。

步骤7中，具体为：

步骤7.1：将归一化后的Type2、Type3和Type4相似日数据集按照与预测日的时间间隔分为长期历史数据和短期历史数据；

步骤7.2：将长期历史数据和短期历史数据输入到TCANN神经网络中，利用其因果卷积层、膨胀卷积层和稀疏注意力机制层来提取光伏功率的时间特征向量；

步骤7.3：将步骤7.2的TCANN神经网络的输出分别送入到LSTM神经网络模型、LSTM-Skip神经网络模型和MTNet模型中，利用LSTM神经网络模型和LSTM-Skip神经网络模型中LSTM层提取光伏功率动态变化的特征向量，利用MTNet模型提高对数据的长短记忆提取能力；

步骤7.4：将步骤7.3的LSTM神经网络、LSTM-Skip神经网络和MTNet的预测结果相加，得到最终预测结果；

Y_MLSTNet＝Y_LSTM+Y_LSTM-Skip+Y_MTNet

式中：Y_LSTM为LSTM神经网络输出结果，Y_LSTM-Skip为LSTM-Skip神经网络输出结果，Y_MTNet为MTNet神经网络输出结果，Y_MLSTNet为最终的光伏功率超短期预测值；

步骤7.5：模型的参数设置与模型训练；

MLSTNet模型网络结构由TCANN神经网络、LSTM神经网络、LSTM-Skip神经网络和MTNet神经网络构成；

MLSTNet模型参数均由贝叶斯优化器优化，在模型运行中自动寻优，最大迭代次数为100，所有层均使用Relu激活函数，优化器为Adam；

将Type2、Type3和Type4相似日数据集的训练集输入构建的MLSTNet中进行模型训练。

本发明的有益效果是：

本发明基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，提出基于Spearman相关性分析方法，可以确定模型输入变量，减少历史数据中的不相关数据的无效信息来提升模型训练速度；选取与光伏功率存在高相关性的气象数据变量作为聚类变量，选取聚类变量的平均值等3个统计特征作为聚类特征，来全面地反映每日历史数据的随机性、间歇性和波动性的特点，以便于模糊C均值聚类算法进行高效聚类；SLSTM模型融合了单步滚动模型、LSTM模型和校正模型，较传统的深度学习预测模型相比，有着更具时间性的输入，有更高的预测精度；MLSTNet模型融合了TCANN模型、LSTM模型、LSTM-Skip模型和MTNet模型，较传统的深度学习预测模型相比，提高了时间特征的提取能力，具有更高的预测精度；利用超频贝叶斯优化器优化模型参数，解决了模型参数调优的问题；在以15min为间隔的时间来预测未来光伏功率时，非晴朗天气情况下，以15min为间隔的光伏功率呈现更加的变化特征，能很好地跟踪未来四小时的光伏电站功率曲线趋势，具有运行速度快和预测精度高的优点。

附图说明

图1是本发明基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法的流程图；

图2是本发明基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法中模糊C均值聚类算法的流程图；

图3是本发明方法中采用模糊C均值聚类算法对数据集聚类的结果图；

具体实施方法

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，如图1所示，具体按照以下步骤实施：

步骤1：获取预处理后的气象数据和历史光伏功率数据，对光伏功率和气象进行变量相关性分析，确定预测模型的输入变量，具体为：

步骤1.1：选取预处理后的气象数据和光伏发电功率数据，气象变量和光伏功率变量的时间分辨率保持一致；

气象变量和光伏功率变量的时间分辨率为15min，选取风速、风向、温度、湿度、气压和辐照强度作为原始的气象数据变量，由于光伏电站夜晚不发电，所以夜晚功率为0；

将历史气象数据和光伏发电功率数据的空缺值通过插值法进行填充，并通过箱线图将异常值进行剔除；

步骤1.2：采用Spearman相关系数R度量多个气象变量之间的相关性程度；

Spearman相关系数R的定义如下式所示：

式中：R表示Spearman相关系数；d_i为两组变量秩次的差值；n为总样本数；

Spearman相关系数R越接近1，表明该气象变量与光伏功率的相关性越高，若相关系数R为正数，则表明是正相关；若相关系数R为负数，则表明是负相关；

步骤1.3：选取光伏功率的Spearman相关系数R绝对值不小于0.5的气象变量，将其作为预测模型输入；

在本实例中，光伏功率变量和各个气象变量的Spearman相关系数R如表1所示：

表1气象变量

选取与光伏功率相关性较高的多个气象变量，即与光伏功率的Spearman相关系数绝对值不小于0.5的气象变量，将其作为预测模型输入，因此选取温度、湿度和辐照强度作为气象变量；

步骤2：选取聚类变量，构建聚类变量的统计特征，具体为：

步骤2.1：选取光伏功率的Spearman相关系数绝对值不小于0.5的气象变量作为聚类变量，本实施例中选取温度、湿度和辐照强度为聚类变量；

步骤2.2：选取聚类变量的平均值、标准差和最大值作为统计特征；

平均值、标准差和最大值的定义分别如下式所示：

X_max＝max{x₁,x₂,…,x_n-1,x_n}

式中，

表示变量平均值，σ表示变量标准差，X_max表示变量最大值，x_i表示变量的某个样本，n表示变量的总样本数；

步骤3：根据步骤2选取的聚类变量及其统计特征，如图2所示，采用模糊C均值聚类算法进行光伏历史数据的相似日聚类，得到光伏相似日数据集，具***置：

步骤3.1：根据步骤2构建的聚类变量的统计特征，计算各天聚类变量的3个统计特征的数值；

步骤3.2：确定数据聚类类别个数c，初始化聚类中心矩阵V，给定模糊加权指数m，初始化隶属度矩阵U，给定算法的终止标准ε；

步骤3.3：根据下式计算第t次迭代的所有聚类中心，得到聚类中心矩阵：

式中：u_ij为第i个样本属于第j类的隶属度；x_i为样本点；m是模糊加权指数；t是迭代次数；c表示聚类类别个数；

步骤3.4：更新隶属度矩阵，计算方法如下式所示：

式中：u_ij为第i个样本属于第j类的隶属度；x_i为样本点；m是模糊加权指数；t是迭代次数；c表示聚类类别个数；d_ij是第i个样本到第j类中心的距离；

步骤3.5：计算|U^(t)-U^(t-1)|，并验证是否满足迭代停止条件|U^(t)-U^(t-1)|<ε，若满足条件，则停止迭代；若未满足条件，则重复步骤3.3和步骤3.4直到达到条件为止，最终得到各个天气情况下的相似日数据集。

步骤4：对光伏相似日数据集进行归一化处理，以消除不同变量间量纲的不同对预测结果的影响；

归一化方法如下式所示：

式中：x表示待归一化的数据，x_normal表示归一化之后的数据，x_max表示某一变量数据的最大值，x_min表示某一变量数据的最小值；

步骤5：将各个天气类型下的相似日数据集划分为训练集、验证集和测试集；

步骤6：构建单步滚动长短期记忆神经网络校正(SLSTM)超短期预测模型，设置LSTM模型参数，设置模型训练的相关参数，将相似日数据集的训练集输入构建的SLSTM模型中进行模型训练，具体为；

步骤6.1：将归一化后的相似日数据集通过单步滚动的输入方式输入到LSTM神经网络中，利用其LSTM层提取光伏功率动态变化的特征向量；

步骤6.2：将输出的特向向量重新输入LSTM神经网络中，以此来实现单步滚动预测；

例如：将t-1时刻的气象变量和光伏功率以及t时刻的气象变量作为输入，得到t时刻的光伏功率预测值。将t时刻的气象变量和光伏功率预测值以及t+1时刻的气象变量作为输入，得到t+1时刻的光伏功率预测值，直到预测到第四小时停止；

LSTM神经网络的计算过程如下：

遗忘门决定哪些输入信息将从记忆单元状态中删除，如下式所示：

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

将上一时刻的输出值和当前时刻的输入值输入到输入门，经计算后得到输入门的输出值，如下式所示：

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

将上一时刻的输出值和当前时刻的输入值输入到输入门，经计算后得到候选细胞状态，如下式所示：

更新当前的细胞状态，如下式所示：

c_t＝f_t⊙c_t-1+i_t⊙c_t-1

将上一时刻的输出值和当前时刻的输入值输入到输出门，经计算后得到输出门的输出值，如下式所示；

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

将输出门的输出与细胞状态进行计算，得到输出值，如下式所示；

h_t＝o_t⊙tanh(c_t)

式中：i_t表示t时刻输入门的输出，f_t表示t时刻遗忘门的输出，o_t表示t时刻输出门的输出，h_t-1表示t-1时刻数据输出信息，h_t表示t时刻数据输出信息，x_t表示t时刻数据输入信息，c_t-1表示t-1时刻的细胞状态，c_t表示t时刻的细胞状态，W_i、W_f、W_o、W_c、U_i、U_f、U_o、U_c表示前面提到的三个门的输入矩阵的权重矩阵，b_i、b_f、b_o表示三个门的偏置矢量，σ表示Sigmoid激活函数，tanh表示双曲正切激活函数；

步骤6.3：将步骤6.2的预测结果与实际光伏功率进行线性拟合，得到最终预测结果；

Y_LSTM＝β₁h_t+β₀

式中：h_t为LSTM神经网络输出结果，β₀和β₁为线性拟合系数，Y_LSTM为最终的光伏功率超短期预测值；

步骤6.4：模型的参数设置与模型训练；

SLSTM模型网络结构由三层LSTM、一层全连接层和校正模型构成；

设置LSTM网络层数为3，第一层神经元个数、第二层神经元个数、第三层神经元个数、学习率和批处理参数均由贝叶斯优化器优化，在模型运行中自动寻优，最大迭代次数为100，所有层均使用Relu激活函数，优化器为Adam；

将相似日Type1数据集的训练集输入构建的SLSTM中进行模型训练；

步骤7：构建记忆长短期序列(MLSTNet)超短期预测模型，设置TCANN、LSTM、LSTM-Skip和MTNet模型参数，设置模型训练的相关参数，将相似日数据集的训练集输入构建的SLSTM模型中进行模型训练，具体为；

步骤7.1：将归一化后的相似日数据集按照与预测日的时间间隔分为长期历史数据和短期历史数据；

步骤7.2：将长期历史数据和短期历史数据输入到TCANN神经网络中，利用其因果卷积层、膨胀卷积层和稀疏注意力机制层来提取光伏功率的时间特征向量；

步骤7.3：将步骤7.2的TCANN神经网络的输出分别送入到LSTM神经网络模型、LSTM-Skip神经网络模型和MTNet模型中，利用LSTM神经网络模型和LSTM-Skip神经网络模型中LSTM层提取光伏功率动态变化的特征向量，利用MTNet模型提高对数据的长短记忆提取能力；

步骤7.4：将步骤7.3的LSTM神经网络、LSTM-Skip神经网络和MTNet的预测结果相加，得到最终预测结果；

Y_MLSTNet＝Y_LSTM+Y_LSTM-Skip+Y_MTNet

式中：Y_LSTM为LSTM神经网络输出结果，Y_LSTM-Skip为LSTM-Skip神经网络输出结果，Y_MTNet为MTNet神经网络输出结果，Y_MLSTNet为最终的光伏功率超短期预测值；

步骤7.5：模型的参数设置与模型训练；

MLSTNet模型网络结构由TCANN神经网络、LSTM神经网络、LSTM-Skip神经网络和MTNet神经网络构成；

MLSTNet模型参数均由贝叶斯优化器优化，在模型运行中自动寻优，最大迭代次数为100，所有层均使用Relu激活函数，优化器为Adam；

将相似日Type2、Type3和Type4数据集的训练集输入构建的MLSTNet中进行模型训练；

步骤8：将验证集的数据分别输入到步骤6和步骤7中训练好的SLSTM和MLSTNet光伏电站超短期功率预测模型，对预测结果进行验证，若与真实值误差较大，则分别返回步骤6和步骤7；若与真实值误差较小，则进行步骤9；

步骤9：将测试集的数据分别输入到步骤6和步骤7中训练好的SLSTM和MLSTNet光伏电站超短期功率预测模型，进行光伏功率超短期预测；

步骤10：将步骤9中的超短期预测结果进行反归一化处理；

对光伏功率超短期预测结果进行评价，采用平均绝对误差(MAE)、归一化平均绝对误差(NMAE)、均方误差(MSE)、均方根误差(RMSE)、归一化均方根误差(NRMSE)和拟合优度(R²)，这6个指标来评价神经网络的预测性能，如下式所示：

NMAE＝(MAE/(y_max-y_min))×100％

NRMSE＝(RMSE/(y_max-y_min))×100％

式中：y_i为真实光伏功率数据，

为预测值，m为测试集个数，y_max和y_min分别为测试集中功率的最大值和最小值。

本发明基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，提出基于Spearman相关性分析方法，可以确定模型输入变量，减少历史数据中的不相关数据的无效信息来提升模型训练速度；选取与光伏功率存在高相关性的气象数据变量作为聚类变量，选取聚类变量的平均值等3个统计特征作为聚类特征，来全面的反映各天历史数据的随机性、间歇性和波动性的特点，以便于模糊C均值聚类算法进行高效聚类；SLSTM模型融合了单步滚动模型、LSTM模型和校正模型，较传统的深度学习预测模型相比，有着更具时间性的输入，有更高的预测精度；MLSTNet模型融合了TCANN模型、LSTM模型、LSTM-Skip模型和MTNet模型，较传统的深度学习预测模型相比，提高了时间特征的提取能力，具有更高的预测精度；利用超频贝叶斯优化器优化模型参数，解决了模型参数调优的问题，该方法可以得到更高质量的预测结果。

Claims (6)

1.一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，其特征在于，具体按照以下步骤实施：

步骤1：获取预处理后的气象数据和历史光伏功率数据，对光伏功率和气象数据进行Spearman相关性分析，确定预测模型的输入变量；

步骤2：选取聚类变量，构建聚类变量的统计特征；

步骤3：根据步骤2选取的聚类变量及其统计特征，采用模糊C均值聚类算法进行光伏功率历史数据聚类，得到Type1、Type2、Type3和Type4相似日数据集；

步骤4：将步骤3中Type1、Type2、Type3和Type4相似日数据集划分为训练集、验证集和测试集；

步骤5：对步骤4中训练集、验证集和测试集进行归一化处理；

步骤6：构建SLSTM光伏电站超短期功率预测模型，设置模型训练相关参数，将训练集的数据输入模型中进行训练；

步骤7：构建MLSTNet光伏电站超短期功率预测模型，设置模型训练相关参数，将训练集的数据输入模型中进行训练；

步骤8：将验证集的数据分别输入到步骤6和步骤7中训练好的SLSTM和MLSTNet光伏电站超短期功率预测模型，对预测结果进行验证，若与真实值误差较大，则分别返回步骤6和步骤7；若与真实值误差较小，则进行步骤9；

步骤9：将测试集的数据分别输入到步骤6和步骤7中训练好的SLSTM和MLSTNet光伏电站超短期功率预测模型，进行光伏功率超短期预测；

步骤10：将步骤9中的超短期预测结果进行反归一化处理。

2.根据权利要求1所属的基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，其特征在于，所述步骤1中，具体为：

步骤1.1：选取预处理后的气象数据和光伏功率数据；

气象变量和光伏功率变量的时间分辨率为15min，选取风速、风向、温度、湿度、气压、辐照强度作为原始的气象数据变量；

步骤1.2：采用Spearman相关系数R度量多个气象变量之间的相关性程度；

步骤1.3：选取光伏功率的Spearman相关系数R绝对值不小于0.5的气象数据变量，将其作为预测模型输入。

3.根据权利要求1所属的基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，其特征在于，所述步骤2中，具体为：

步骤2.1：选取光伏功率的Spearman相关系数R绝对值不小于0.5的气象数据变量作为聚类变量；

步骤2.2：选取聚类变量的平均值、标准差和最大值作为统计特征。

4.根据权利要求1所属的基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，其特征在于，所述步骤3中，具体为：

步骤3.1：根据步骤2构建的聚类变量的统计特征，计算各天聚类变量的3个统计特征的数值；

步骤3.2：确定数据聚类类别个数c，初始化聚类中心矩阵V，给定模糊加权指数m，初始化隶属度矩阵U，给定算法的迭代停止标准ε，ε为正无穷小；

步骤3.3：根据式(5)计算第t次迭代的所有聚类中心，得到聚类中心矩阵：

式中：u_ij为第i个样本属于第j类的隶属度；x_i为样本点；m是模糊加权指数；t是迭代次数；c表示聚类类别个数；

步骤3.4：更新隶属度矩阵，计算方法如式(6)所示：

式中：u_ij为第i个样本属于第j类的隶属度；x_i为样本点；m是模糊加权指数；t是迭代次数；c表示聚类类别个数；d_ij是第i个样本到第j类中心的距离；

步骤3.5：计算|U^(t)-U^(t-1)|，并验证是否满足迭代停止条件|U^(t)-U^(t-1)|<ε，若满足，则停止迭代；若未满足，则重复步骤3.3和步骤3.4直到达到迭代停止条件为止，最终得到Type1、Type2、Type3和Type4相似日数据集。

5.根据权利要求1所属的基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，其特征在于，所述步骤6中，具体为：

步骤6.1：将归一化后的Type1相似日数据集通过单步滚动的输入方式输入到LSTM神经网络中，来提取光伏功率动态变化的特征向量；

步骤6.2：将输出的特征向量重新输入LSTM神经网络中，以此来实现单步滚动预测；

例如：将t-1时刻的气象变量和光伏功率以及t时刻的气象变量作为输入，得到t时刻的光伏功率预测值。将t时刻的气象变量和光伏功率预测值以及t+1时刻的气象变量作为输入，得到t+1时刻的光伏功率预测值，直到预测结束；

步骤6.3：将步骤6.2的预测结果与实际光伏功率进行线性拟合，得到最终预测结果；

Y_LSTM＝β₁h_t+β₀

式中：h_t为LSTM神经网络输出结果，β₀和β₁为线性拟合系数，Y_LSTM为最终的光伏功率超短期预测值；

步骤6.4：模型的参数设置与模型训练；

SLSTM模型网络结构由三层LSTM、一层全连接层和校正模型构成；

设置LSTM网络层数为3，第一层神经元个数、第二层神经元个数、第三层神经元个数、学习率和批处理参数均由贝叶斯优化器优化，在模型运行中自动寻优，最大迭代次数为100，所有层均使用Relu激活函数，优化器为Adam；

将Type1相似日数据集的训练集输入构建的SLSTM中进行模型训练。

6.根据权利要求1所属的基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法，其特征在于，所述步骤7中，具体为：

步骤7.1：将归一化后的Type2、Type3和Type4相似日数据集按照与预测日的时间间隔分为长期历史数据和短期历史数据；

步骤7.2：将长期历史数据和短期历史数据输入到TCANN神经网络中，利用其因果卷积层、膨胀卷积层和稀疏注意力机制层来提取光伏功率的时间特征向量；

步骤7.3：将步骤7.2的TCANN神经网络的输出分别送入到LSTM神经网络模型、LSTM-Skip神经网络模型和MTNet模型中，利用LSTM神经网络模型和LSTM-Skip神经网络模型中LSTM层提取光伏功率动态变化的特征向量，利用MTNet模型提高对数据的长短记忆提取能力；

步骤7.4：将步骤7.3的LSTM神经网络、LSTM-Skip神经网络和MTNet的预测结果相加，得到最终预测结果；

Y_MLSTNet＝Y_LSTM+Y_LSTM-Skip+Y_MTNet

式中：Y_LSTM为LSTM神经网络输出结果，Y_LSTM-Skip为LSTM-Skip神经网络输出结果，Y_MTNet为MTNet神经网络输出结果，Y_MLSTNet为最终的光伏功率超短期预测值；

步骤7.5：模型的参数设置与模型训练；

MLSTNet模型网络结构由TCANN神经网络、LSTM神经网络、LSTM-Skip神经网络和MTNet神经网络构成；

MLSTNet模型参数均由贝叶斯优化器优化，在模型运行中自动寻优，最大迭代次数为100，所有层均使用Relu激活函数，优化器为Adam；

将Type2、Type3和Type4相似日数据集的训练集输入构建的MLSTNet中进行模型训练。

Images