本发明涉及光伏功率预测，具体涉及一种基于相似日的gra-bi-lstm光伏功率预测方法及模型。
背景技术：
1、光伏发电系统输出功率预测分为为物理方法和人工智能算法。
2、物理方法主要是将数值天气预报(numerical weather prediction，nwp)的结果作为输入，结合电站的地理信息进行物理建模，完成出力预测。但是，物理预测方法的数据需求有限，由于天气和环境等因素的不确定性，建立的物理模型往往难以完全准确地反映实际情况，导致预测误差较大，预测精度严重受制于nwp模型，在工程领域的应用较少。
3、人工智能算法如svr(support vector regression)、bp(back propagation)、lstm(long short-term memory)等，由于历史数据中存在大量的冗余信息，且一般利用单一天气类型的气象数据构建模型并进行预测，导致预测结果与实际情况偏差较大，因此光伏出力预测模型的可靠性和稳定性需进一步提高。
4、基于此，本发明设计了一种基于相似日的gra-bi-lstm光伏功率预测方法及模型以解决上述问题。
技术实现思路
1、针对现有技术所存在的上述缺点，本发明提供了一种基于相似日的gra-bi-lstm光伏功率预测方法及模型。
2、为实现以上目的，本发明通过以下技术方案予以实现：
3、一种基于相似日的gra-bi-lstm光伏功率预测的方法，包括以下步骤：
4、步骤一：获取气象的历史数据和光伏历史实测功率，历史数据包括多种气象因素，光伏历史实测功率与各气象因素用于计算皮尔逊相关系数；
5、步骤二：通过光伏历史实测功率与各气象因素计算皮尔逊相关系数，降序排序，确定影响光伏发电的前q个气象特征数据，并将这些气象因素的数据作为气象特征数据；
6、步骤三：对上述得到的气象特征数据进行归一化处理；
7、步骤四：根据归一化处理后的气象特征数据构造预测日与历史日的特征向量矩阵；
8、步骤五：采用灰色关联度分析法计算待预测日与每一个历史日的每一个特征的灰色关联系数ζik；
9、步骤六：根据上述求出的灰色关联系数计算每个待预测日x0与每个历史日xi的总关联度γi；
10、步骤七：按总关联度从大到小排序，选择前a个与待预测日关联度最高的历史日作为相似日的数据样本集；
11、步骤八：根据a个相似日的数据样本集构建基于双向长短期记忆网络的光伏出力预测模型，将气象特征数据和实际发电量作为光伏出力预测模型的输入和输出变量，并利用气象因素和实际发电量对光伏出力预测模型进行预测训练；
12、步骤九：利用训练好的光伏出力预测模型进行预测，最终得到光伏功率预测结果。
13、更进一步的，气象因素包括历史温度、辐照度、湿度和云量。
14、更进一步的，步骤二中：
15、皮尔逊相关系数的计算公式为：
16、
17、其中，变量s为气象因素，变量y为光伏历史实测功率，si和yi是变量s和变量y的样本数据点，和是变量s和变量y的样本均值。
18、更进一步的，步骤三中：
19、归一化公式如下：
20、
21、其中，x′是原始值，x′max是气象特征数据的最大值，x′mmin是气象特征数据的最小值，x为筛选后的气象特征数据。
22、更进一步的，q取值为3，3个气象特征数据为辐照度、温度和湿度。
23、更进一步的，步骤四中：
24、构造预测日与历史日的特征向量矩阵的具体方式为：
25、假设第i个历史时期的气象特征向量为xi＝[xi1，xi2，xi3]；则对应n个时间点的第一个特征向量为xi1＝[xi1(1)，xi1(2)，xi1(3)]，所述xi1，xi2，xi3为在历史时期时不同时间点的辐照度、温度和湿度；
26、第二个特征向量为xi2＝[xi2(1)，xi2(2)，xi2(3)]；
27、第三个特征向量为xi3＝[xi3(1)，xi3(2)，xi3(3)]；
28、则待预测日的气象特征向量为x0＝[x01，x02，x03]，x01，x02，x03为预测日的辐照度、温度和湿度。
29、更进一步的，步骤五中：
30、灰色关联系数ζik的计算方法为：
31、
32、其中：x0(k)、xi(k)为待预测日与第i个历史日的第k个特征；ρ为分辨系数。
33、更进一步的，ρ取值为0.5。
34、更进一步的，步骤六中：
35、总关联度γi的计算公式：
36、
37、为了更好地实现本发明的目的，本发明还提供了一种采用上述方法构建得到的gra-bi-lstm模型。
38、本发明相较于现有技术，其有益效果为：
39、(1)本发明采用具有记忆单元的双向长短期记忆网络(bi-lstm)作为短期光伏功率预测的基本模型，它能够弥补传统人工神经网络挖掘时间序列特征的局限性，并且能够捕捉更多的上下文信息，提高模型的准确性。
40、(2)本发明利用皮尔逊相关系数法(pccs)确定影响光伏发电的主要气象因素，优化输入参数。
41、(3)本发明采用灰色关联分析法(gra)的相似日方法可以适应不同气象条件，并且可去除历史数据中的大量冗余信息，进而充分发挥智能预测算法可有效挖掘数据间隐含的依赖关系的优势，显著提高光伏出力预测模型的可靠性和稳定性。
1.一种基于相似日的gra-bi-lstm光伏功率预测的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于相似日的gra-bi-lstm光伏功率预测方法，其特征在于，气象因素包括历史温度、辐照度、湿度和云量。
3.根据权利要求2所述的基于相似日的gra-bi-lstm光伏功率预测方法，其特征在于，步骤二中：
4.根据权利要求3所述的基于相似日的gra-bi-lstm光伏功率预测方法，其特征在于，步骤三中：
5.根据权利要求4所述的基于相似日的gra-bi-lstm光伏功率预测方法，其特征在于，q取值为3，3个气象特征数据分别为辐照度、温度和湿度。
6.根据权利要求5所述的基于相似日的gra-bi-lstm光伏功率预测方法，其特征在于，步骤四中：
7.根据权利要求6所述的基于相似日的gra-bi-lstm光伏功率预测方法，其特征在于，步骤五中：
8.根据权利要求7所述的基于相似日的gra-bi-lstm光伏功率预测方法，其特征在于，ρ取值为0.5。
9.根据权利要求8所述的基于相似日的gra-bi-lstm光伏功率预测方法，其特征在于，步骤六中：
10.一种采用权利要求9所述的基于相似日的gra-bi-lstm光伏功率预测的方法构建得到的gra-bi-lstm模型。
