CN105005825B - 一种基于动态神经网络预测光伏功率的方法及系统 - Google Patents
一种基于动态神经网络预测光伏功率的方法及系统 Download PDFInfo
- Publication number
- CN105005825B CN105005825B CN201510391859.4A CN201510391859A CN105005825B CN 105005825 B CN105005825 B CN 105005825B CN 201510391859 A CN201510391859 A CN 201510391859A CN 105005825 B CN105005825 B CN 105005825B
- Authority
- CN
- China
- Prior art keywords
- day
- value
- sample set
- prediction
- weather
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于动态神经网络预测光伏功率的方法,包括获取预测日各天气特征参数分别对应所设时间段内各时段上的值;划分天气类型,并基于上述预测日得到的值,通过加权欧氏距离计算识别出预测日的天气类型,且根据识别的天气类型在气象历史数据中构建预测日的相似日样本集;统计相似日样本集总天数并对每一天求解出其与预测日的切比雪夫距离值,并构建满足预定条件的样本子集;将样本子集归一化处理并在一动态神经网络预测模型中训练;训练完成后,导入上述预测日得到的值并反归一化处理,得到预测日在所设时间段内各时段分别对应的光伏功率预测值。实施本发明实施例,能够同时提高预测准确度及预测速度。
Description
技术领域
本发明涉及电力系统光伏发电技术领域,尤其涉及一种基于动态神经网络预测光伏功率的方法及系统。
背景技术
随着全球经济快速发展,化石能源消耗日益加剧以及二氧化碳排放量不断的增加,环境保护的不利影响也愈发严重,因此能源与环境问题引起世界各国的高度重视与积极应对。
在减少化石能源消耗及节能减排的强烈需求下,光伏发电作为清洁、可再生能源,其应用前景非常广阔。由于光伏发电具有间歇性、随机性等特点,其接入电网运行将对系统安全运行与调度管理带来一定的挑战,因此光伏功率预测技术应运而生。
现有技术中,根据所采用的数学物理理论及其预测输出量种类的不同,预测光伏功率的方法可分为基于数学分析的统计法和智能预测算法,但二者都存在不足之处:统计法虽然预测速度快,但无法准确考虑环境因素对光伏输出功率的影响;智能预测算法虽然学习能力强、适合复杂天气,预测准确度比较高,但预测模型算法复杂、运算量大。因此传统的预测光伏功率的方法均存在一定的局限性,有待完善与提高。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于动态神经网络预测光伏功率的方法及系统,能够同时提高预测准确度及预测速度。
为了解决上述技术问题,本发明实施例提供了一种基于动态神经网络预测光伏功率的方法,所述方法包括:
S1、设置多个天气特征参数,并构建取值为整的时间段[n,m],获取预测日各天气特征参数分别对应于所述时间段内各时段的值;其中,1≤n,n<m≤24,且均为整数;
S2、根据气象历史数据划分出多个天气类型,并根据所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值及所述气象历史数据,通过预设的第一公式进行加权欧氏距离计算,得到欧氏距离值为最小对应的天气类型,且以所述得到的天气类型作为所述预测日对应的天气类型,从所述气象历史数据中筛选出所述预测日对应的相似日样本集;
S3、确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值,并在所述得到的多个切比雪夫距离值中确定满足预定条件的相似日,进一步从相似日样本集中筛选出所述已确定相似日对应的样本形成样本子集;
S4、将所述形成的样本子集作为训练样本,并根据预设的第三公式对所述样本子集进行归一化处理,并将所述处理后的样本子集基于一动态神经网络预测模型进行训练;
S5、待所述动态神经网络预测模型训练完成后,导入所述预测日获取到的分别对应于所述时间段内各时段的值,并进行反归一化处理,得到所述预测日在所述时间段内各时段分别对应的光伏功率预测值。
其中,所述步骤S2的具体步骤包括:
根据所述气象历史数据,以春、夏、秋、冬四季中晴天、阴天、雨天作为天气类型进行划分;
在所述气象历史数据中,分别统计出同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及相应的平均标准差;
将所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值与所述分别统计出的同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及相应的平均标准差,导入至所述预设的第一公式中进行加权欧氏距离计算,得到各天气类型分别对应的欧氏距离值;
确定出所述得到的各天气类型分别对应的欧氏距离值中的最小值,并进一步得到所述最小值对应的天气类型;
将所述确定的最小值对应的天气类型作为所述预测日对应的天气类型,并从所述气象历史数据中筛选出所述预测日对应的相似日样本集。
其中,所述步骤S3的具体步骤包括:
确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值;
确定所述得到的多个切比雪夫距离值中的最小值及最大值,且根据所述多个切比雪夫距离值中确定的最小值及最大值,设定阈值,并从相似日样本集中筛选出相似日与预测日切比雪夫距离小于或等于所述阈值的样本,形成样本子集。
其中,所述天气特征参数包括太阳辐射强度和温度。
本发明实施例还提供了一种基于动态神经网络预测光伏功率的系统,所述系统包括:
预测日数据获取单元,用于设置多个天气特征参数,并构建取值为整的时间段[n,m],获取预测日各天气特征参数分别对应于所述时间段内各时段的值;其中,1≤n,n<m≤24,且均为整数;
相似日样本集获取单元,用于根据气象历史数据划分出多个天气类型,并根据所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值及所述气象历史数据,通过预设的第一公式进行加权欧氏距离计算,得到欧氏距离值为最小对应的天气类型,且以所述得到的天气类型作为所述预测日对应的天气类型,从所述气象历史数据中筛选出所述预测日对应的相似日样本集;
样本子集获取单元,用于确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值,并在所述得到的多个切比雪夫距离值中确定满足预定条件的相似日,进一步从相似日样本集中筛选出所述已确定相似日对应的样本形成样本子集;
预测模型训练单元,用于将所述形成的样本子集作为训练样本,并根据预设的第三公式对所述样本子集进行归一化处理,并将所述处理后的样本子集基于一动态神经网络预测模型进行训练;
预测光伏功率值单元,用于待所述动态神经网络预测模型训练完成后,导入所述预测日获取到的分别对应于所述时间段内各时段的值,并进行反归一化处理,得到所述预测日在所述时间段内各时段分别对应的光伏功率预测值。。
其中,所述相似日样本集获取单元包括:
天气类型划分模块,用于根据所述气象历史数据,以春、夏、秋、冬四季中晴天、阴天、雨天作为天气类型进行划分;
统计均值模块,用于在所述气象历史数据中,分别统计出同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及平均标准差;
欧氏距离值计算模块,用于将所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值与所述分别统计出的同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及平均标准差,导入至所述预设的第一公式中进行加权欧氏距离计算,得到各天气类型分别对应的欧氏距离值;
天气类型确定模块,用于确定出所述得到的各天气类型分别对应的欧氏距离值中的最小值,并进一步得到所述最小值对应的天气类型;
相似日样本集获取模块,用于将所述确定的最小值对应的天气类型作为所述预测日对应的天气类型,并从所述气象历史数据中筛选出所述预测日对应的相似日样本集。
其中,所述样本子集获取单元包括:
切比雪夫距离值计算模块,用于确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值;
样本子集获取模块,用于确定所述得到的多个切比雪夫距离值中的最小值及最大值,且根据所述多个切比雪夫距离值中确定的最小值及最大值,设定阈值,并从从相似日样本集中筛选出相似日与预测日切比雪夫距离小于或等于所述阈值的样本,形成样本子集。
其中,所述天气特征参数包括太阳辐射强度和温度。
实施本发明实施例,具有如下有益效果:
1、在本发明实施例中,由于可根据天气特征参数的相关性细分天气类型,并通过确定预测日对应的天气类型来筛选气象历史数据中同一天气类型的数据,形成相似日样本集,因此更具有准确性,提高了预测准确度;
2、在本发明实施例中,由于光伏预测中动态神经网络预测模型的训练样本子集采用具有条件性的筛选有效数据的输入,从而加快了动态神经网络预测模型计算速度,提高了预测速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于动态神经网络预测光伏功率的方法的流程图;
图2为本发明实施例提供的基于动态神经网络预测光伏功率的方法中BP神经网络预测模型的结构示意图;
图3为本发明实施例提供的基于动态神经网络预测光伏功率的系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例提供的一种基于动态神经网络预测光伏功率的方法,所述方法包括:
步骤S1、设置多个天气特征参数,并构建取值为整的时间段[n,m],获取预测日各天气特征参数分别对应于所述时间段内各时段的值;其中,1≤n,n<m≤24,且均为整数;
具体过程为,设置天气特征参数:太阳辐射强度G(t)与温度T(t);其中,t为全天小时时段编号;为了便于分析,选取一取值为整的时间段[n,m],即n≤t≤m,且t为正整数,通过气象数值预报数据获取预测日当天太阳辐射强度G(t)与温度T(t)分别在该时间段[n,m]中各时段对应的值;其中,1≤n,n<m≤24,且均为整数;。
作为一个例子,设置时间段[8,17],即上午8点至下午5点,取预测日在时间段[8,17]内整点时段的太阳辐射强度及温度进行分析,如太阳辐射强度G(8)、G(9)、…G(17)对应的值,以及温度T(8)、T(9)、…T(17)对应的值。
步骤S2、根据气象历史数据划分出多个天气类型,并根据所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值及所述气象历史数据,通过预设的第一公式进行加权欧氏距离计算,得到欧氏距离值为最小对应的天气类型,且以所述得到的天气类型作为所述预测日对应的天气类型,从所述气象历史数据中筛选出所述预测日对应的相似日样本集;
具体过程为,步骤S21、根据气象历史数据,以春、夏、秋、冬四季中晴天、阴天、雨天作为天气类型进行划分;
步骤S22、在气象历史数据中,分别统计出同一天气类型下同一天气特征参数在时间段内同一时段的平均值及相应的平均标准差;如不同天气类型在气象历史数据中对应时间段[n,m]内各时段的平均太阳辐射强度Gave,i(t)与平均温度Tave,1(t),以及对应的平均太阳辐射强度标准差SGave,i与平均温度标准差STave,i,其中,i表示不同的天气类型;
作为一个例子,统计晴天在气象历史数据中对应时间段[8,17]内,8点的太阳辐射强度Gave,1(8)与平均温度Tave,1(8);9点的太阳辐射强度Gave,1(9)与平均温度Tave,1(9);等等,以此类推分别得到其它时间的平均太阳辐射强度Gave,i(t)与平均温度Tave,1(t),从而计算出晴天下的平均太阳辐射强度标准差SGave,1与平均温度标准差STave,1;同理,得到阴天、雨天在在气象历史数据中对应时间段[8,17]内各时段的平均太阳辐射强度Gave,2(t)、Gave,3(t)与平均温度Tave,2(t)、Tave,3(t),以及对应的平均太阳辐射强度标准差SGave,2、SGave,3与平均温度标准差STave,2、STave,3。
步骤S23、将预测日获取到的各天气特征参数分别对应于时间段内各时段的值与分别统计出的同一天气类型下同一天气特征参数在时间段内同一时段的平均值及相应的平均标准差,导入至预设的第一公式中进行加权欧氏距离计算,得到各天气类型分别对应的欧氏距离值;
具体为,将预测日的太阳辐射强度G(t)、温度T(t)与气象历史数据中的平均太阳辐射强度Gave,i(t)、平均温度Tave,i(t),以及相应的平均太阳辐射强度标准差SGave,i、平均温度标准差STave,i导入预设的式(1)中进行加权欧氏距离计算,得到各天气类型i分别对应的欧氏距离值:
式(1)中,
λG,i为G(t)序列与Gave,i(t)序列数值的Pearson相关系数,λT,i为T(t)序列与Tave,i(t)序列数值的Pearson相关系数,为G(t)序列数值的期望值,为Gave,i(t)序列数值的期望值,为T(t)序列数值的期望值,为Tave,i(t)序列数值的期望值;
步骤S24、确定出得到的各天气类型分别对应的欧氏距离值中的最小值,并进一步得到最小值对应的天气类型;
具体为,待所有天气类型i对应的加权欧氏距离值计算完成后,进一步寻找经过式(1)计算得到的即找到加权欧氏距离值中最小值对应的天气类型i。
步骤S25、将确定的最小值对应的天气类型作为预测日对应的天气类型,并从气象历史数据中筛选出预测日对应的相似日样本集;
具体为,确定预测日所具备的天气特征归为加权欧氏距离值中最小值对应的天气类型i,并将气象历史数据中所有符合该细分天气类型的数据进行筛选,形成相似日样本集合A。
步骤S3、确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值,并在所述得到的多个切比雪夫距离值中确定满足预定条件的相似日,进一步从相似日样本集中筛选出所述已确定相似日对应的样本形成样本子集;
具体过程为,步骤S31、确定筛选出的相似日样本集A的总天数,且根据预设的第二公式,计算相似日样本集A中每一天分别与预测日的切比雪夫距离,得到多个切比雪夫距离值;
在本发明实施例中,对于相似日样本集A,预测日与其第j天切比雪夫距离采用式(2)进行计算:
式(2)中,
Gj(t)表示第j天的太阳辐射强度序列,Tj(t)表示第j天的温度序列,ρG,j为G(t)序列与Gj(t)序列数值的相关系数,ρT,j为T(t)序列与Tj(t)序列数值的相关系数,E(G(t))为G(t)序列数值的期望,E(Gj(t))为Gj(t)序列数值的期望,E(T(t))为T(t)序列数值的期望,E(Tj(t))为Tj(t)序列数值的期望,D(G(t))为G(t)序列数值的方差,D(Gj(t))为Gj(t)序列数值的方差,D(T(t))为T(t)序列数值的方差,D(Tj(t))为Tj(t)序列数值的方差;
因此,对相似日集合A中所有天求解其与预测日的切比雪夫距离值,可得多个切比雪夫距离值M={q1、q2、...qj、...qh};其中,h为相似日样本集A的总天数。
步骤S32、确定得到的多个切比雪夫距离值中的最小值及最大值,且根据多个切比雪夫距离值中确定的最小值及最大值,设定阈值,并从相似日样本集中筛选出相似日与预测日切比雪夫距离小于或等于阈值的样本,形成样本子集。
具体为,从多个切比雪夫距离值M={q1、q2、...qj、...qh}中,确定最小切比雪夫距离值及最大切比雪夫距离值并设定阈值将从相似日集合A中筛选出与预测日切比雪夫距离小于或等于阈值的相似日对应的样本,形成样本子集B。
作为一个例子,多个切比雪夫距离值M={1、1.5、.2、0.8、3、0.6},最小值为0.6,最大值为3,则阈值L=0.6*(1+0.6/3)=0.72,因此将多个切比雪夫距离值M≤0.72中对应的相似日0.6确定出来,再根据所确定的相似日0.6从相似日集合A中筛选出对应的样本得到样本子集B。
步骤S4、将所述形成的样本子集作为训练样本,并根据预设的第三公式对所述样本子集进行归一化处理,并将所述处理后的样本子集基于一动态神经网络预测模型进行训练;
具体过程为,将样本子集B作为训练样本,对样本中的输入变量根据式(3)进行归一化处理:
其中,xn为数据原值,xmin为数据原值中的最小值,xmax数据原值中的最大值,Xn为归一化处理后的数据;
如图2所示,选择BP神经网络预测模型,该模型包含输入层、隐含层和输出层;其输入变量X={X1,X2,...,Xk}包含相似日各时段的太阳辐射强度与温度;输出变量Y={Y1,Y2,...,Ym}为相似日各时段的光伏发电功率值;其中,Ym的输入采用式(4)计算:
式(4)中,yl为隐含层第l个节点的输出,wlm为隐含层第l个节点与输出层第m个节点之间的连接权值,N为隐含层节点数;
此时,将样本子集B所有天各时段的太阳辐射强度、温度以及光伏发电功率值进行归一化处理后的数据,作为BP神经网络训练的输入样本向量。传统方法中,依据天气类型寻找相似日进而生成训练样本,气象历史数据库中相同的天气类型下其对应的训练样本数量往往相同,而本发明实施例在依据预测日天气类型寻找相似日的基础上进一步判断预测日与各相似日的切比雪夫距离,从而进一步筛选出更加符合预测日天气特性的训练样本,动态调整BP神经网络的输入样本,加快其预测速度。
步骤S5、待所述动态神经网络预测模型训练完成后,导入所述预测日获取到的分别对应于所述时间段内各时段的值,并进行反归一化处理,得到所述预测日在所述时间段内各时段分别对应的光伏功率预测值。
具体过程为,待上述BP神经网络预测模型训练完毕后,导入预测日获取到的分别对应于时间段[n,m]内各时段的值,并进行反归一化处理,得到预测日在时间段[n,m]内各时段分别对应的光伏功率预测值。
如图3所示,为本发明实施例提供的一种基于动态神经网络预测光伏功率的系统,所述系统包括:
预测日数据获取单元310,用于设置多个天气特征参数,并构建取值为整的时间段[n,m],获取预测日各天气特征参数分别对应于所述时间段内各时段的值;其中,1≤n,n<m≤24,且均为整数;
相似日样本集获取单元320,用于根据气象历史数据划分出多个天气类型,并根据所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值及所述气象历史数据,通过预设的第一公式进行加权欧氏距离计算,得到欧氏距离值为最小对应的天气类型,且以所述得到的天气类型作为所述预测日对应的天气类型,从所述气象历史数据中筛选出所述预测日对应的相似日样本集;
样本子集获取单元330,用于确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值,并在所述得到的多个切比雪夫距离值中确定满足预定条件的相似日,进一步从相似日样本集中筛选出所述已确定相似日对应的样本形成样本子集;
预测模型训练单元340,用于将所述形成的样本子集作为训练样本,并根据预设的第三公式对所述样本子集进行归一化处理,并将所述处理后的样本子集基于一动态神经网络预测模型进行训练;
预测光伏功率值单元350,用于待所述动态神经网络预测模型训练完成后,导入所述预测日获取到的分别对应于所述时间段内各时段的值,并进行反归一化处理,得到所述预测日在所述时间段内各时段分别对应的光伏功率预测值。。
其中,相似日样本集获取单元320包括:
天气类型划分模块3201,用于根据所述气象历史数据,以春、夏、秋、冬四季中晴天、阴天、雨天作为天气类型进行划分;
统计均值模块3202,用于在所述气象历史数据中,分别统计出同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及平均标准差;
欧氏距离值计算模块3203,用于将所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值与所述分别统计出的同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及平均标准差,导入至所述预设的第一公式中进行加权欧氏距离计算,得到各天气类型分别对应的欧氏距离值;
天气类型确定模块3204,用于确定出所述得到的各天气类型分别对应的欧氏距离值中的最小值,并进一步得到所述最小值对应的天气类型;
相似日样本集获取模块3205,用于将所述确定的最小值对应的天气类型作为所述预测日对应的天气类型,并从所述气象历史数据中筛选出所述预测日对应的相似日样本集。
其中,样本子集获取单元330包括:
切比雪夫距离值计算模块3301,用于确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值;
样本子集获取模块3302,用于确定所述得到的多个切比雪夫距离值中的最小值及最大值,且根据所述多个切比雪夫距离值中确定的最小值及最大值,设定阈值,并从从相似日样本集中筛选出相似日与预测日切比雪夫距离小于或等于所述阈值的样本,形成样本子集。
其中,天气特征参数包括太阳辐射强度和温度。
实施本发明实施例,具有如下有益效果:
1、在本发明实施例中,由于可根据天气特征参数的相关性细分天气类型,并通过确定预测日对应的天气类型来筛选气象历史数据中同一天气类型的数据,形成相似日样本集,因此更具有准确性,提高了预测准确度;
2、在本发明实施例中,由于光伏预测中动态神经网络预测模型的训练样本子集采用具有条件性的筛选有效数据的输入,从而加快了动态神经网络预测模型计算速度,提高了预测速度。
值得注意的是,上述系统实施例中,所包括的各个系统单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于动态神经网络预测光伏功率的方法,其特征在于,所述方法包括:
S1、设置多个天气特征参数,并构建取值为整的时间段[n,m],获取预测日各天气特征参数分别对应于所述时间段内各时段的值;其中,1≤n,n<m≤24,且均为整数;
S2、根据气象历史数据划分出多个天气类型,并根据所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值及所述气象历史数据,通过预设的第一公式进行加权欧氏距离计算,得到欧氏距离值为最小对应的天气类型,且以所述得到的天气类型作为所述预测日对应的天气类型,从所述气象历史数据中筛选出所述预测日对应的相似日样本集;
S3、确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值,并在所述得到的多个切比雪夫距离值中确定满足预定条件的相似日,进一步从相似日样本集中筛选出所述已确定相似日对应的样本形成样本子集;
S4、将所述形成的样本子集作为训练样本,并根据预设的第三公式对所述样本子集进行归一化处理,并将所述处理后的样本子集基于一动态神经网络预测模型进行训练;
S5、待所述动态神经网络预测模型训练完成后,导入所述预测日获取到的分别对应于所述时间段内各时段的值,并进行反归一化处理,得到所述预测日在所述时间段内各时段分别对应的光伏功率预测值;
其中,所述步骤S3的具体步骤包括:
确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值;
确定所述得到的多个切比雪夫距离值中的最小值及最大值,且根据所述多个切比雪夫距离值中确定的最小值及最大值,设定阈值,并从相似日样本集中筛选出相似日与预测日切比雪夫距离小于或等于所述阈值的样本,形成样本子集。
2.如权利要求1所述的方法,其特征在于,所述步骤S2的具体步骤包括:
根据所述气象历史数据,以春、夏、秋、冬四季中晴天、阴天、雨天作为天气类型进行划分;
在所述气象历史数据中,分别统计出同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及相应的平均标准差;
将所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值与所述分别统计出的同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及相应的平均标准差,导入至所述预设的第一公式中进行加权欧氏距离计算,得到各天气类型分别对应的欧氏距离值;
确定出所述得到的各天气类型分别对应的欧氏距离值中的最小值,并进一步得到所述最小值对应的天气类型;
将所述确定的最小值对应的天气类型作为所述预测日对应的天气类型,并从所述气象历史数据中筛选出所述预测日对应的相似日样本集。
3.如权利要求1或2所述的方法,其特征在于,所述天气特征参数包括太阳辐射强度和温度。
4.一种基于动态神经网络预测光伏功率的系统,其特征在于,所述系统包括:
预测日数据获取单元,用于设置多个天气特征参数,并构建取值为整的时间段[n,m],获取预测日各天气特征参数分别对应于所述时间段内各时段的值;其中,1≤n,n<m≤24,且均为整数;
相似日样本集获取单元,用于根据气象历史数据划分出多个天气类型,并根据所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值及所述气象历史数据,通过预设的第一公式进行加权欧氏距离计算,得到欧氏距离值为最小对应的天气类型,且以所述得到的天气类型作为所述预测日对应的天气类型,从所述气象历史数据中筛选出所述预测日对应的相似日样本集;
样本子集获取单元,用于确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值,并在所述得到的多个切比雪夫距离值中确定满足预定条件的相似日,进一步从相似日样本集中筛选出所述已确定相似日对应的样本形成样本子集;
预测模型训练单元,用于将所述形成的样本子集作为训练样本,并根据预设的第三公式对所述样本子集进行归一化处理,并将所述处理后的样本子集基于一动态神经网络预测模型进行训练;
预测光伏功率值单元,用于待所述动态神经网络预测模型训练完成后,导入所述预测日获取到的分别对应于所述时间段内各时段的值,并进行反归一化处理,得到所述预测日在所述时间段内各时段分别对应的光伏功率预测值;
其中,所述样本子集获取单元包括:
切比雪夫距离值计算模块,用于确定所述筛选出的相似日样本集的总天数,且根据预设的第二公式,计算所述相似日样本集中每一天分别与所述预测日的切比雪夫距离,得到多个切比雪夫距离值;
样本子集获取模块,用于确定所述得到的多个切比雪夫距离值中的最小值及最大值,且根据所述多个切比雪夫距离值中确定的最小值及最大值,设定阈值,并从相似日样本集中筛选出相似日与预测日切比雪夫距离小于或等于所述阈值的样本,形成样本子集。
5.如权利要求4所述的系统,其特征在于,所述相似日样本集获取单元包括:
天气类型划分模块,用于根据所述气象历史数据,以春、夏、秋、冬四季中晴天、阴天、雨天作为天气类型进行划分;
统计均值模块,用于在所述气象历史数据中,分别统计出同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及平均标准差;
欧氏距离值计算模块,用于将所述预测日获取到的各天气特征参数分别对应于所述时间段内各时段的值与所述分别统计出的同一天气类型下同一天气特征参数在所述时间段内同一时段的平均值及平均标准差,导入至所述预设的第一公式中进行加权欧氏距离计算,得到各天气类型分别对应的欧氏距离值;
天气类型确定模块,用于确定出所述得到的各天气类型分别对应的欧氏距离值中的最小值,并进一步得到所述最小值对应的天气类型;
相似日样本集获取模块,用于将所述确定的最小值对应的天气类型作为所述预测日对应的天气类型,并从所述气象历史数据中筛选出所述预测日对应的相似日样本集。
6.如权利要求4或5所述的系统,其特征在于,所述天气特征参数包括太阳辐射强度和温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510391859.4A CN105005825B (zh) | 2015-07-03 | 2015-07-03 | 一种基于动态神经网络预测光伏功率的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510391859.4A CN105005825B (zh) | 2015-07-03 | 2015-07-03 | 一种基于动态神经网络预测光伏功率的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105005825A CN105005825A (zh) | 2015-10-28 |
CN105005825B true CN105005825B (zh) | 2018-12-07 |
Family
ID=54378488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510391859.4A Active CN105005825B (zh) | 2015-07-03 | 2015-07-03 | 一种基于动态神经网络预测光伏功率的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005825B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709587B (zh) * | 2015-11-13 | 2021-03-02 | 中国电力科学研究院 | 一种基于常规天气预报的直接辐射预测方法 |
CN106022538B (zh) * | 2016-05-31 | 2020-04-07 | 中国矿业大学 | 基于k均值聚类改进广义天气的光伏发电预测方法 |
CN109390976B (zh) * | 2018-09-21 | 2021-10-22 | 武汉大学 | 一种低压台区分布式光伏发电功率辨识方法 |
CN109948824B (zh) * | 2018-11-09 | 2021-09-07 | 北京华源热力管网有限公司 | 一种利用模式识别技术对热力站热负荷进行预测的方法 |
CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
CN110070226B (zh) * | 2019-04-24 | 2020-06-16 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN113988391B (zh) * | 2021-10-19 | 2024-05-28 | 华北电力大学(保定) | 一种基于相似日理论和神经网络的光伏发电功率预测方法 |
CN117117819A (zh) * | 2022-05-13 | 2023-11-24 | 中国电力科学研究院有限公司 | 一种光伏发电短期功率预测方法、系统、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500365A (zh) * | 2013-09-18 | 2014-01-08 | 广州供电局有限公司 | 光伏发电功率预测方法和系统 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053439B2 (en) * | 2012-09-28 | 2015-06-09 | Hewlett-Packard Development Company, L.P. | Predicting near-future photovoltaic generation |
US20140278165A1 (en) * | 2013-03-14 | 2014-09-18 | Johnson Controls Technology Company | Systems and methods for analyzing energy consumption model data |
-
2015
- 2015-07-03 CN CN201510391859.4A patent/CN105005825B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500365A (zh) * | 2013-09-18 | 2014-01-08 | 广州供电局有限公司 | 光伏发电功率预测方法和系统 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105005825A (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005825B (zh) | 一种基于动态神经网络预测光伏功率的方法及系统 | |
Liu et al. | Random forest solar power forecast based on classification optimization | |
Shao et al. | Traffic flow prediction with long short-term memory networks (LSTMs) | |
Huang et al. | Forecasting hourly solar irradiance using hybrid wavelet transformation and Elman model in smart grid | |
CN108491970A (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN111967512B (zh) | 一种异常用电检测方法、系统和存储介质 | |
CN102930155B (zh) | 获取电力需求的预警参数的方法及装置 | |
CN109711609A (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN104657791B (zh) | 一种基于相关性分析的风电场群风速分布预测方法 | |
CN104463349A (zh) | 一种基于多时段综合相似日的光伏发电功率预测方法 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN106803135A (zh) | 一种光伏发电系统输出功率的预测方法及装置 | |
CN110110912A (zh) | 一种光伏功率多模型区间预测方法 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN110321934A (zh) | 一种检测用户用电异常数据的方法及系统 | |
CN104881735A (zh) | 用于支撑智慧城市运行管理的智能电网大数据挖掘系统及方法 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN109816177A (zh) | 一种负荷聚合商短期负荷预测方法、装置及设备 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN106980874B (zh) | 一种面向配网大数据的多时态维度数据融合方法 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN107609707A (zh) | 一种洪水预报、防灾决策方法及系统 | |
Wang et al. | Short-term load forecasting of power system based on time convolutional network | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |