CN106203698A - 一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法 - Google Patents
一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法 Download PDFInfo
- Publication number
- CN106203698A CN106203698A CN201610540928.8A CN201610540928A CN106203698A CN 106203698 A CN106203698 A CN 106203698A CN 201610540928 A CN201610540928 A CN 201610540928A CN 106203698 A CN106203698 A CN 106203698A
- Authority
- CN
- China
- Prior art keywords
- overbar
- state
- neutral net
- updates
- omega
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法,包括:以光照和温度为输入信号u(k),以有功功率和无功功率为输出yk;步骤2:构建BP神经网络,以神经网络的权重系数和阈值作为状态变量xk;步骤3:状态变量初始化;步骤4:计算Sigma点;步骤5:改进卡尔曼滤波中时间更新的状态更新和误差方差更新;步骤6:计算状态变量与测量变量的协方差;步骤7:卡尔曼滤波中测量更新的状态更新和误差协方差更新;步骤8:判断更新后的状态方差矩阵是否收敛;本发明具有运算速度快,预测精度高,能够自适应不同天气条件下的动态变化,该方法下构建的预测模型对于天气条件具有更广泛的适应性。
Description
技术领域
本发明涉及到光伏发电技术领域,具体涉及到一种光伏发电模型的预测方法与技术。
背景技术
近年来,光伏发电作为一种清洁的可再生能源,得到大规模的应用于发展。大规模光伏发电并网系统设计、并网影响分析成为近年研究的热点。光伏电站接入电网时对系统电网有一定影响,主要表现在太阳能光伏电站的实际输出功率随光照强度的变化而变化:白天光照强度最强时,发电装置输出功率最大,夜晚几乎无光照以后,输出功率基本为零。因此输出功率随日照、天气、季节、温度等自然因素而变化,输出功率不稳定。
人工神经网络具有较强的学习能力,在一定条件下对任意非线性函数的精确近似,使之成为非线性动态系统预测、建模与控制的有效工具。采用改进的小波神经网络对光伏发电系统进行非线性模型辨识,取得了较好的结果,但天气波动的剧烈程度对辨识结果有一定的影响。
发明内容
鉴于此,本发明的目的是提供一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法。
本发明的目的是通过以下技术方案实现的,一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法,该预测方法根据神经元激励函数的非线性特点,利用改进卡尔曼滤波器实现神经网络权值系数的自适应调整,从而自适应模拟复杂的非线性系统,并对其状态进行实时更新。
进一步,包括以下步骤:步骤1:以光照和温度为输入信号u(k),以有功功率和无功功率为输出yk;步骤2:构建BP神经网络,以神经网络的权重系数和阈值作为状态变量xk;步骤3:状态变量初始化;步骤4:计算Sigma点;步骤5:改进卡尔曼滤波中时间更新的状态更新和误差方差更新;步骤6:计算状态变量与测量变量的协方差;步骤7:卡尔曼滤波中测量更新的状态更新和误差协方差更新;步骤8:判断更新后的状态方差矩阵是否收敛,如果不收敛返回到步骤4,如果收敛,输出状态变量估计值,并计算系统输出。
进一步,在步骤3中状态变量初始化按公式(1)进行
x0是状态量初始值,是x0的期望值,P0是状态量的协方差,E(.)表示期望运算,(.)T是转置运算。
进一步,一个n维随机状态变量xk的均值和方差矩阵分别为和Pk,利用其一二阶矩根据公式(2)构造2n+1个Sigma点χk-1:
公式(2)中λ是常数,是矩阵(n+λ)Pk-1的方根矩阵的第i行;
Sigma点χk-1的均值和方差按式(3)计算
式(3)中是均值权值,是方差权值,α、β用于调节Sigma点和均值的距离,κ包含了Sigma点分布信息的加权系数,
改进卡尔曼滤波器的时间更新按公式(4)计算:
式(4)中f(.)是一次线性函数,h(.)是改进的神经网络函数,χk-1是k-1时刻的Sigma点,是k时刻Sigma点预测,是先验状态预测,是第i个k时刻Sigma点的预测,Pk|k-1是先验协方差预测,是先验观测变量预测,χk|k-1是计算状态变量的中间量,γk|k-1是计算观测变量的中间量,γi,k|k-1是第i个γk|k-1变量。
进一步,当获得新的输出yk后,对状态变量均值和测量变量协方差按公式(5)进行更新
式(5)中和分别是一阶矩,是状态变量与测量变量的协方差,Kk是UKF的增益矩阵,是更新状态估计值,Pk是更新状态方差矩阵,是的逆阵,是Kk的转置矩阵。
由于采用了上述技术方案,本发明具有如下的优点:
本发明提出的一种基于无迹卡尔曼滤波神经网络的光伏发电预测方法,具有运算速度快,具有较高的预测精度,能够自适应不同天气条件下的动态变化,该方法下构建的预测模型对于天气条件具有更广泛的适应性。
附图说明
为了使本发明的目的、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的详细描述,其中:
图1为本发明基于无迹卡尔曼滤波神经网络算法的流程图;
图2为本发明在不同天气条件下模型与实测功率输出曲线;a表示晴天不同模型与实测输出有功功率;b表示晴天不同模型与实测输出有功功率无功功率;c表示多云不同模型与实测输出有功功率;d表示多云不同模型与实测输出有功功率无功功率;e表示雨天不同模型与实测输出有功功率;f表示雨天不同模型与实测输出有功功率无功功率。
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
光伏发电系统是一个非线性系统,根据神经元激励函数的非线性特点,利用无迹卡尔曼滤波实现神经网络权值系数和阈值的自适应调整,从而自适应模拟复杂的非线性系统。
所述神经网络采用一种多层前馈神经网络BP神经网路:
对于N层BP网络,每层神经元个数为Hk(k=1,2,…,N)输入,第k层神经元的连接权值为了将的计算转化为改进卡尔曼滤波的形式,将网络中的权值和阈值写成增广状态向量,如(1)式所示。
对神经网络进行训练,就是对网络的连接权值和阈值w进行最优估计。因此,可将网络连接权值作为网络的状态变量,将输出作为网络的测量变量。则神经网络状态空间模型可以表示为:
式(2)中Wk是权值向量,Xk是网络输入向量,yk是网络的期望输出,FN是神经网络第N层激励函数,取Sigmoid函数,vk是观测噪声,在改进卡尔曼滤波神经网络中取为0。
所述无迹卡尔曼滤波是一种递归贝叶斯估计方法,分为预测(时间更新)和更新(测量更新)两个步骤。无迹卡尔曼滤波采用无迹变换实现均值和协方差的非线性传递,其更新过程采用卡尔曼滤波的测量过程。
定义非线性系统:
式(3)中,xk是n维状态变量,uk是r维已知输入变量,yk是k时刻的输出变量,wk是过程噪声向量,vk是测量噪声,本发明wk和vk均采用高斯白噪声。f(·)是一次线性函数,h(·)是改进的神经网络函数。
无迹变化算法首先根据先验分布特性确定一组Sigma采样点,再将每个Sigma点带入非线性变换,得到一组变换点,通过非线性系统函数计算得到接近真实均值和方差值的后验均值和方差。
一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法具体实现如下:
(1)初始化
x0是状态量初始值,E(.)表示期望运算,(.)T是转置运算。是状态均值,P0是状态方差。
(2)时间更新
一个n维随机变量xk的均值和方差矩阵分别为和Pk,其一二阶矩可以通过构造2n+1个Sigma点χk-1获得,如公式(5)所示。
公式(5)中λ是常数,是矩阵(n+λ)Pk-1的方根矩阵的第i行。
Sigma点的均值和方差按式(6)计算
式(6)中是均值权值,是方差权值,α、β用于调节Sigma点和均值的距离,取0<α<1,κ包含了Sigma点分布信息的加权系数,光伏功率预测模型中,α=0.08,κ=0,β=2.73。
改进卡尔曼滤波算法时间更新如(7)式所示:
(3)测量更新
当获得新的测量值yk后,可以对状态变量均值和观测变量方差进行更新,如(8)式所示:
公式(8)中测量变量的方差,是状态变量与测量变量的协方差,Kk是UKF的增益矩阵,是更新状态估计值,χi,k|k-1是第i个Sigma点,是的逆阵,是Kk的转置矩阵,Pk是更新状态方差矩阵。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法,其特征在于:该预测方法根据神经元激励函数的非线性特点,利用改进卡尔曼滤波器实现神经网络权值系数的自适应调整,从而自适应模拟复杂的非线性系统,并对其状态进行实时更新。
2.根据权利要求1所述的基于无迹卡尔曼滤波和神经网络的光伏发电预测方法,其特征在于:包括以下步骤:
步骤1:以光照和温度为输入信号u(k),以有功功率和无功功率为输出yk;
步骤2:构建BP神经网络,以神经网络的权重系数和阈值作为状态变量xk;
步骤3:状态变量初始化;
步骤4:计算Sigma点;
步骤5:改进卡尔曼滤波中时间更新的状态更新和误差方差更新;
步骤6:计算状态变量与测量变量的协方差;
步骤7:卡尔曼滤波中测量更新的状态更新和误差协方差更新;
步骤8:判断更新后的状态方差矩阵是否收敛,如果不收敛返回到步骤4,如果收敛,输出状态变量估计值,并计算系统输出。
3.根据权利要求2所述的基于无迹卡尔曼滤波和神经网络的光伏发电预测方法,其特征在于:在步骤3中状态变量初始化按公式(1)进行
x0是状态量初始值,是x0的期望值,P0是状态量的协方差,E(.)表示期望运算,(.)T是转置运算。
4.根据权利要求3所述的基于无迹卡尔曼滤波和神经网络的光伏发电预测方法,其特征在于:一个n维随机变量xk的均值和方差矩阵分别为和Pk,利用其一二阶矩,并根据公式(2)构造2n+1个Sigma点χk-1:
公式(2)中λ是常数,是矩阵(n+λ)Pk-1的方根矩阵的第i行;
Sigma点χk-1的均值和方差按式(3)计算
公式(3)中是均值权值,是方差权值,α、β用于调节Sigma点和均值的距离,κ包含了Sigma点分布信息的加权系数。
改进卡尔曼滤波器的时间更新按公式(4)计算:
式(4)中f(.)是一次线性函数,h(.)是改进的神经网络函数,χk-1是k-1时刻的Sigma点,是k时刻Sigma点预测,是先验状态预测,是第i维k时刻Sigma点的预测,Pk|k-1是先验协方差预测,是先验观测变量预测,χk|k-1是计算状态变量的中间量,γk|k-1是计算观测变量的中间量,γi,k|k-1是第i个γk|k-1变量。
5.根据权利要求4所述的基于无迹卡尔曼滤波和神经网络的光伏发电预测方法,其特征在于:当获得新的输出yk后,对状态变量均值和测量变量协方差按公式(5)进行更新
公式(5)中测量变量的方差,是状态变量与测量变量的协方差,Kk是UKF的增益矩阵,是更新状态估计值,χi,k|k-1是第i个Sigma点,是的逆阵,是Kk的转置矩阵,Pk是更新状态方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610540928.8A CN106203698A (zh) | 2016-07-11 | 2016-07-11 | 一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610540928.8A CN106203698A (zh) | 2016-07-11 | 2016-07-11 | 一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203698A true CN106203698A (zh) | 2016-12-07 |
Family
ID=57474143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610540928.8A Pending CN106203698A (zh) | 2016-07-11 | 2016-07-11 | 一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203698A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106931902A (zh) * | 2017-01-19 | 2017-07-07 | 浙江工业大学 | 用于数字图像相关测试的环境光强自适应调节方法 |
CN108490472A (zh) * | 2018-01-29 | 2018-09-04 | 哈尔滨工程大学 | 一种基于模糊自适应滤波的无人艇组合导航方法 |
CN108804721A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN109298351A (zh) * | 2018-09-30 | 2019-02-01 | 清华大学深圳研究生院 | 一种基于模型学习的新能源车载电池剩余寿命估计方法 |
CN109458205A (zh) * | 2018-11-05 | 2019-03-12 | 郑州煤机液压电控有限公司 | 液压支架精确推溜的控制方法 |
CN114442557A (zh) * | 2022-01-25 | 2022-05-06 | 西南交通大学 | 一种机床温度场快速辨识方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656441A (zh) * | 2014-12-29 | 2015-05-27 | 重庆科技学院 | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 |
CN105045941A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于无迹卡尔曼滤波的抽油机参数优化方法 |
-
2016
- 2016-07-11 CN CN201610540928.8A patent/CN106203698A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104656441A (zh) * | 2014-12-29 | 2015-05-27 | 重庆科技学院 | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 |
CN105045941A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于无迹卡尔曼滤波的抽油机参数优化方法 |
Non-Patent Citations (1)
Title |
---|
刘济等: "基于UKF和神经网络的一类非线性系统状态估计", 《控制与决策》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106931902A (zh) * | 2017-01-19 | 2017-07-07 | 浙江工业大学 | 用于数字图像相关测试的环境光强自适应调节方法 |
CN108804721A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN108804721B (zh) * | 2017-04-26 | 2021-09-14 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN108490472A (zh) * | 2018-01-29 | 2018-09-04 | 哈尔滨工程大学 | 一种基于模糊自适应滤波的无人艇组合导航方法 |
CN109298351A (zh) * | 2018-09-30 | 2019-02-01 | 清华大学深圳研究生院 | 一种基于模型学习的新能源车载电池剩余寿命估计方法 |
CN109458205A (zh) * | 2018-11-05 | 2019-03-12 | 郑州煤机液压电控有限公司 | 液压支架精确推溜的控制方法 |
CN109458205B (zh) * | 2018-11-05 | 2020-05-12 | 郑州煤机液压电控有限公司 | 液压支架精确推溜的控制方法 |
CN114442557A (zh) * | 2022-01-25 | 2022-05-06 | 西南交通大学 | 一种机床温度场快速辨识方法及系统 |
CN114442557B (zh) * | 2022-01-25 | 2023-05-12 | 西南交通大学 | 一种机床温度场快速辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203698A (zh) | 一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法 | |
Wang et al. | Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting | |
CN111310889B (zh) | 一种基于深度神经网络的蒸发波导剖面估计方法 | |
Ibrahim et al. | A novel hybrid model for hourly global solar radiation prediction using random forests technique and firefly algorithm | |
Barbounis et al. | Locally recurrent neural networks for wind speed prediction using spatial correlation | |
Dong et al. | A novel hybrid approach based on self-organizing maps, support vector regression and particle swarm optimization to forecast solar irradiance | |
Qin et al. | Estimation of monthly-mean daily global solar radiation based on MODIS and TRMM products | |
Rehman et al. | Artificial neural network estimation of global solar radiation using air temperature and relative humidity | |
Aggarwal et al. | Solar energy prediction using linear and non-linear regularization models: A study on AMS (American Meteorological Society) 2013–14 Solar Energy Prediction Contest | |
Wei et al. | Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks | |
Mohandes | Modeling global solar radiation using Particle Swarm Optimization (PSO) | |
Ghayekhloo et al. | A novel clustering approach for short-term solar radiation forecasting | |
CN106446494A (zh) | 基于小波包‑神经网络的风光功率预测方法 | |
CN105976051A (zh) | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 | |
Zhao et al. | Wind speed prediction using support vector regression | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
Mohanty | ANFIS based prediction of monthly average global solar radiation over Bhubaneswar (State of Odisha) | |
Mohandes et al. | Short term wind speed estimation in Saudi Arabia | |
CN103425867A (zh) | 一种短期风电功率组合预测方法 | |
Wang et al. | OMuLeT: Online multi-lead time location prediction for hurricane trajectory forecasting | |
Tajjour et al. | Power generation forecasting of a solar photovoltaic power plant by a novel transfer learning technique with small solar radiation and power generation training data sets | |
Kajornrit et al. | Estimation of missing precipitation records using modular artificial neural networks | |
CN107301478A (zh) | 一种电缆线路短时负荷预测方法 | |
CN116526478B (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |