CN106529095A - 一种基于Matlab的光伏发电预测研究系统 - Google Patents
一种基于Matlab的光伏发电预测研究系统 Download PDFInfo
- Publication number
- CN106529095A CN106529095A CN201611174192.3A CN201611174192A CN106529095A CN 106529095 A CN106529095 A CN 106529095A CN 201611174192 A CN201611174192 A CN 201611174192A CN 106529095 A CN106529095 A CN 106529095A
- Authority
- CN
- China
- Prior art keywords
- training
- prediction
- neural network
- matlab
- power generation
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 32
- 238000011160 research Methods 0.000 title abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims abstract description 50
- 230000000694 effects Effects 0.000 claims abstract description 27
- 230000008676 import Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 abstract 1
- 230000001360 synchronised effect Effects 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 8
- 230000005611 electricity Effects 0.000 description 5
- 230000007935 neutral effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于Matlab的光伏发电预测研究系统,属于光伏发电预测领域,包括数据导入和导出单元、BP神经网络训练和预测单元、训练效果综合评估单元。数据导入和导出单元,可以导入气象环境数据和同期相应的光伏发电功率数据,导出光伏发电功率预测值;BP神经网络训练和预测单元,具有灵活的设置BP神经网络参数、训练和预测功能;训练效果综合评估单元,能够实时全面的反映BP神经网络的训练效果,为预测模型的确定提供参考。本发明是一套完整的预测研究系统,在Matlab的GUI环境中开发实现,有别于Matlab自带工具箱nntool。该研究系统使得BP神经网络预测模型的建立、预测和与Windows系统的交互更加高效和便捷,为光伏发电预测的研究和应用提供了实际参考价值。
Description
技术领域
本发明属于光伏发电预测技术领域,具体涉及一种基于Matlab和Matlab GUI平台,采用BP神经网络的光伏电站发电功率预测研究系统。
背景技术
目前,随着传统化石能源的不断耗竭以及人类生存环境的恶化,可持续、清洁能源的开发和利用受到人类越来越多的重视,其中太阳能光伏发电已作为我国和其它许多国家重点研究和建设的新型能源发电方式。
国家发展改革委和国家能源局印发的《关于有序放开发用电计划的实施意见》提出“建立优先发电制度。优先安排风能、太阳能、生物质能等可再生能源保障性发电,优先发电容量通过充分安排发电量计划并严格执行予以保障”。这说明国家正在逐步放开常规火电等传统化石能源的发电计划,在发电计划和调度中将优先安排可再生能源发电,并将加强可再生能源电力外送消纳,提高跨省跨区送受电中可再生能源电量比例。发电计划和调度的安排,就将用到光伏发电预测技术。然而,光伏发电受太阳辐射、温度等各种环境因素的影响,输出功率具有较大的随机性和波动性,预测难度较大。
目前,人工智能神经网络以其良好的适用性和较高的准确度被越来越广泛地应用在光伏发电预测领域。这种研究多依靠具有强大数据处理和科学计算能力的Matlab软件,但仍大多停留在研究层面。在研究层面上,科研人员需要面对繁琐的代码修改、反复的数据导入导出、不断的与Windows系统交互以及较难的商业应用推广等问题。
Matlab软件自带人工智能神经网络工具箱nntool,该工具箱结合Matlab编程可以实现神经网络预测模型的建立、训练和预测,但该工具箱存在以下问题:使用语言为英语、数据的导入和导出处理需要代码编程、训练评估指标太少且多不实用等。
发明内容
本发明的目的在于,针对上述存在的问题且有别于Matlab软件自带人工智能神经网络工具箱nntool,提供一种利用Matlab软件及其图形用户界面(Graphical UserInterface,GUI),灵活组合BP神经网络内部算法和结构,以及高效便捷地交互Windows系统,从而实现光伏电站发电功率预测的研究系统。
为实现上述目的,本发明采用的技术方案是:
一种基于Matlab的光伏发电预测研究系统,包括数据导入和导出单元、BP神经网络训练和预测单元、训练效果综合评估单元,其中:
数据导入和导出单元,用于导入气象环境数据和同期相应的光伏发电功率数据,导出光伏发电功率预测值;使用Matlab函数uigetfile()来获取需要导入的和需要导出的目标Excel表格的文件路径和文件名,然后分别使用函数xlsread()和函数xlswrite()来分别读取目标表格内的数据和写入数据到目标表格;在BP神经网络训练期间,导入气象环境数据来作为BP神经网络训练的输入向量,导入同期相应的光伏发电功率数据来作为BP神经网络训练的输出向量;在经BP神经网络多次训练和参考训练效果综合评估,确定理想的BP神经网络预测模型后,导入未来时刻的气象环境数据到BP神经网络预测模型,则可预测输出光伏发电功率预测值,之后导出光伏发电功率预测值到目标表格。
BP神经网络训练和预测单元,用于进行BP神经网络光伏发电功率预测模型的建立、训练和预测;训练和预测前,使用函数newff()建立BP神经网络光伏发电功率预测模型,需要设置输入-隐含层函数、隐含-输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数;在Matlab环境中,输入-隐含层函数和隐含-输出层函数均可选tansig、logsig和purelin,均使用Matlab GUI中的listbox实现;训练算法可选LM反向传播算法trainlm、拟牛顿反向传播算法trainbfg、弹性反向传播算法trainrp和梯度下降反向传播算法traingd,使用Matlab GUI中的listbox实现;归一化区间可选[-1,1]和[0,1],使用Matlab GUI中的radiobutton实现;隐含层个数为大于0的整数,使用MatlabGUI中的edit实现;学习速率为0到1之间的小数,使用Matlab GUI中的edit实现;最小目标误差为接近于0但大于0的小数,使用Matlab GUI中的edit实现;最大训练次数为大于0的整数,使用Matlab GUI中的edit实现;建立BP神经网络光伏发电功率预测模型后,使用函数train()进行模型的训练,在训练过程中可以调节影响训练效果的输入-隐含层函数、隐含-输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数,在训练达到预期目标后,训练结束,且作为最终预测模型使用函数sim()来预测未来光伏发电功率。
训练效果综合评估单元,用来实时反映BP神经网络的综合训练效果,为预测模型的确定提供参考;综合评估的参数有:最大百分误差、最小百分误差、平均百分误差和耗时,使用Matlab GUI中的edit显示;综合评估的图示有:训练拟合图、样本误差图和样本百分误差图,使用Matlab GUI中的axes显示;百分误差具体采用下式(1):
ei=|Xfi-Xri|/Xri·100% (1)
其中,i表示第i个样本,Xfi为第i个样本对应的预测值,Xri为第i个样本对应的实际值;最大百分误差、最小百分误差和平均百分误差分别是所有样本所对应的百分误差中的最大值、最小值和平均值;耗时是指从BP神经网络光伏发电功率预测模型建立之后一次训练开始到本次训练结束所用的时间;训练拟合图显示训练期间样本预测值拟合曲线和所对应的实际值拟合曲线之间的对比;样本误差图显示训练期间样本预测值和所对应的实际值之间的差值,具体为预测值减去实际值;样本百分误差图显示训练期间样本预测值和所对应的实际值之间的百分误差。
本发明采用的以上技术方案与现有技术相比,可达到以下技术效果:
(1)基于Matlab GUI开发,中文语言环境,可以方便直接的调用Matlab软件自身函数、灵活的设计用户操作界面和实现快捷地交互Windows系统;
(2)深入到BP神经网络的内部,灵活的设置输入-隐含层函数、隐含-输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数,使得预测模型实现预测功能的主要参数和影响预测模型预测效果的主要因素清晰明朗;
(3)实现了集训练数据导入、模型训练、性能评估、模型预测以及预测结果导出等功能于一体,既能满足科学研究的需要,也具有商业应用的价值。
附图说明
图1是本发明的一种基于Matlab的光伏发电预测研究系统总体框架示意图;
图2是本发明的一种基于Matlab的光伏发电预测研究系统功能结构图;
图3是本发明的一种基于Matlab的光伏发电预测研究系统流程图;
图4是本发明中的预测模型所使用的训练数据输入曲线图;
图5是本发明中的预测模型所使用的训练数据输出曲线图;
图6是本发明中的预测模型训练拟合图;
图7是本发明中的预测模型样本误差图;
图8是本发明中的预测模型样本百分误差图;
图9是本发明中的预测模型所使用的预测数据输入曲线图;
图10是本发明中的预测模型预测拟合图;
图11是本发明中的预测模型预测样本误差图;
图12是本发明中的预测模型预测样本百分误差图。
具体实施方式
下面结合附图和实施例对本发明作详细说明,需要说明的是,该具体实施例只用来解释本发明,而非对本发明范围的限定。
图1是本发明的一种基于Matlab的光伏发电预测研究系统总体框架示意图,如图1所示,一种基于Matlab的光伏发电预测研究系统具体包含:数据导入和导出单元、BP神经网络训练和预测单元、训练效果综合评估单元。
其中,数据导入和导出单元,用于导入气象环境数据和同期相应的光伏发电功率数据,导出光伏发电功率预测值;使用Matlab函数uigetfile()来获取需要导入的和需要导出的目标Excel表格的文件路径和文件名,然后分别使用函数xlsread()和函数xlswrite()来分别读取目标表格内的数据和写入数据到目标表格;在BP神经网络训练期间,导入气象环境数据来作为BP神经网络训练的输入向量,导入同期相应的光伏发电功率数据来作为BP神经网络训练的输出向量;在经BP神经网络多次训练和参考训练效果综合评估,确定理想的BP神经网络预测模型后,导入未来时刻的气象环境数据到BP神经网络预测模型,则可预测输出光伏发电功率预测值,之后导出光伏发电功率预测值到目标表格。
BP神经网络训练和预测单元,用于进行BP神经网络光伏发电功率预测模型的建立、训练和预测;训练和预测前,使用函数newff()建立BP神经网络光伏发电功率预测模型,需要设置输入-隐含层函数、隐含-输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数;在Matlab环境中,输入-隐含层函数和隐含-输出层函数均可选tansig、logsig和purelin,均使用Matlab GUI中的listbox实现;训练算法可选LM反向传播算法trainlm、拟牛顿反向传播算法trainbfg、弹性反向传播算法trainrp和梯度下降反向传播算法traingd,使用Matlab GUI中的listbox实现;归一化区间可选[-1,1]和[0,1],使用Matlab GUI中的radiobutton实现;隐含层个数为大于0的整数,使用MatlabGUI中的edit实现;学习速率为0到1之间的小数,使用Matlab GUI中的edit实现;最小目标误差为接近于0但大于0的小数,使用Matlab GUI中的edit实现;最大训练次数为大于0的整数,使用Matlab GUI中的edit实现;建立BP神经网络光伏发电功率预测模型后,使用函数train()进行模型的训练,在训练过程中可以调节影响训练效果的输入-隐含层函数、隐含-输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数,在训练达到预期目标后,训练结束,且作为最终预测模型使用函数sim()来预测未来光伏发电功率。
训练效果综合评估单元,用来实时反映BP神经网络的综合训练效果,为预测模型的确定提供参考;综合评估的参数有:最大百分误差、最小百分误差、平均百分误差和耗时,使用Matlab GUI中的edit显示;综合评估的图示有:训练拟合图、样本误差图和样本百分误差图,使用Matlab GUI中的axes显示;百分误差具体采用下式(1):
ei=|Xfi-Xri|/Xri·100% (1)
其中,i表示第i个样本,Xfi为第i个样本对应的预测值,Xri为第i个样本对应的实际值;最大百分误差、最小百分误差和平均百分误差分别是所有样本所对应的百分误差中的最大值、最小值和平均值;耗时是指从BP神经网络光伏发电功率预测模型建立之后一次训练开始到本次训练结束所用的时间;训练拟合图显示训练期间样本预测值拟合曲线和所对应的实际值拟合曲线之间的对比;样本误差图显示训练期间样本预测值和所对应的实际值之间的差值,具体为预测值减去实际值;样本百分误差图显示训练期间样本预测值和所对应的实际值之间的百分误差。
图2是本发明的一种基于Matlab的光伏发电预测研究系统功能结构图,数据导入和导出单元,包含图2中“导入训练数据”、“导入预测数据”和“导出预测结果”;BP神经网络训练和预测单元,包含图2中的“BP神经网络参数设置”、“模型训练”和“模型预测”;训练效果综合评估单元,包含图2中的“训练效果综合评估”及其“评估参数”和“评估图示”。
图3是本发明的一种基于Matlab的光伏发电预测研究系统流程图,一次完整的光伏发电预测研究过程包含以下步骤:1)Matab GUI环境中打开光伏发电预测研究系统;2)使用数据导入和导出单元导入训练数据;3)使用BP神经网络训练和预测单元进行BP神经网络参数设置,从而建立预测模型;4)使用BP神经网络训练和预测单元进行模型训练;5)结合训练效果综合评估单元,分析训练效果;6)从中选择出训练效果满意的预测模型;7)使用数据导入和导出单元导入预测数据;8)使用BP神经网络训练和预测单元进行模型预测;9)使用数据导入和导出单元导出预测结果;10)光伏发电预测研究系统运行结束。
下面以一次具体的预测研究过程来作为实施例,对本发明的一种基于Matlab的光伏发电预测研究系统的主要实施过程做进一步的说明:
本实施例中,训练数据来自光伏电站小型气象采集系统和光伏电站监控系统,两系统每间隔1分钟采集一次太阳辐射量(W/m2)、温度(℃)和相应的光伏发电功率(kW)。BP神经网络光伏发电功率预测模型建立太阳辐射量、温度和相应的光伏发电功率之间的关系,即太阳辐射量和温度作为预测模型的输入,相应的光伏发电功率作为预测模型的输出。具体选择某一天当天11:01到当天15:30共270组数据作为训练样本,预测模型所使用的训练数据输入和输出曲线图分别如图4和图5所示。预测模型将对预测时期为当天15:31到当天15:40内的每1分钟的光伏发电功率进行预测。
使用数据导入和导出单元将太阳辐射量、温度和相应的光伏发电功率导入到光伏发电预测研究系统中。接下来,使用BP神经网络训练和预测单元,进行BP神经网络光伏发电功率预测模型的建立,需要设置输入-隐含层函数、隐含-输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数。
在Matlab环境中,输入-隐含层函数可选tansig、logsig和purelin,隐含-输出层函数也可选tansig、logsig和purelin,训练算法可选LM反向传播算法trainlm、拟牛顿反向传播算法trainbfg、弹性反向传播算法trainrp和梯度下降反向传播算法traingd,归一化区间可选[-1,1]和[0,1],隐含层个数为大于0的整数,学习速率为0到1之间的小数,最小目标误差为接近于0但大于0的小数,最大训练次数为大于0的整数。
tansig、logsig和purelin函数公式分别如下式(2)-(4)所示:
purelin(x)=f(x)=x (4)
LM反向传播算法trainlm指Matlab Levenberg-Marquardt backpropagation神经网络训练算法,其根据Levenberg-Marquardt optimization来更新神经网络的权值和偏置。拟牛顿反向传播算法trainbfg指Matlab BFGS quasi-Newton backpropagation神经网络训练算法,其根据BFGS quasi-Newton method来更新神经网络的权值和偏置。弹性反向传播算法trainrp指Matlab Resilient backpropagation神经网络训练算法,其根据resilient backpropagation algorithm来更新神经网络的权值和偏置。梯度下降反向传播算法traingd指Matlab Gradient descent backpropagation神经网络训练算法,其根据gradient descent method来更新神经网络的权值和偏置。
归一化区间[-1,1]和[0,1]使用的公式分别如下式(5)(6)所示:
式(5)(6)中,xi表示第i个样本值,xmax和xmin分别表示所有xi中的最大值和最小值,yi表示归一化后的xi。
隐含层个数指隐含层节点个数,节点个数需要根据神经网络的设置情况和输入输出单元数来确定,目前还没有确定的解析式直接算出隐含层节点个数,因而需要根据经验和反复试验来确定。
本实施例中,预测研究系统在Matlab GUI环境中开发实现,输入-隐含层函数和隐含-输出层函数均使用listbox实现,训练算法使用listbox实现,归一化区间使用radiobutton实现,隐含层个数使用edit实现,学习速率使用edit实现,最小目标误差使用edit实现,最大训练次数使用edit实现。预测研究系统运行时,BP神经网络训练和预测单元的建立以及训练过程中的参数调整都可以高效便捷地在研究系统内进行操作,具体为:listbox和radiobutton使用鼠标单击选取,edit使用键盘键入数值。BP神经网络训练和预测单元最终的参数设置如表1所示。
表1
表1所示只是本实施例用来说明本发明的预测研究系统训练和预测的多种参数设置组合情况中的一种,而非对参数设置的限定。输入-隐含层函数除logsig之外也可选tansig或purelin,隐含-输出层函数除purelin之外也可选tansig或logsig,训练算法除trainlm之外也可选trainbfg、trainrp或traingd,归一化区间除[0,1]之外也可选[-1,1]。参数设置的最终确定与研究对象有关,训练和预测效果的好坏决定了参数设置情况,相同研究对象下取效果最好的参数设置组合。
本实施例中,预测模型建立和训练后,训练效果综合评估单元显示的训练效果如表2和图6-8所示。表2中数字保留4位有效数字。
表2
分析表2和图6-8可知,预测模型训练结果曲线和实际曲线具有很高的似合度,训练能够紧跟实际发电功率曲线的变化趋势,样本最小百分误差值接近于0,最大百分误差为个位数,平均百分误差不大于1%,耗时在数秒之内。此次具有该训练效果的模型可以作为最终的预测模型来对预测时期的光伏发电功率进行预测。
接下来使用数据导入和导出单元将预测时期内的太阳辐射量和温度导入到光伏发电预测研究系统中。预测时期内的太阳辐射量和温度,即预测模型所使用的预测数据输入曲线图如图9所示。
将预测时期内的太阳辐射量和温度作为输入向量,输入到最终的预测模型中进行预测,预测结果如表3所示,表3中数字保留4位有效数字。平均百分误差为4.672%。
表3
图10是本发明中的预测模型预测拟合图,显示预测时期内预测值曲线和实际值曲线拟合情况;图11是本发明中的预测模型预测样本误差图,显示预测时期内预测值和实际值之间的差值,具体为预测值减去实际值;图12是本发明中的预测模型预测样本百分误差图,显示预测时期内预测值和实际值之间的百分误差。
分析表3、图10-图12可知,随着时间推移样本预测误差逐渐增大,但预测百分误差仍在工程要求的精度内(一般为15%)。
还要说明的是,凡在本发明的思想和原理内做的任何轻易想到的修改、改进或替换等,均应包含在本发明的保护范围内。
Claims (1)
1.一种基于Matlab的光伏发电预测研究系统,其特征在于包括:数据导入和导出单元、BP神经网络训练和预测单元、训练效果综合评估单元,其中:
所述数据导入和导出单元,用于导入气象环境数据和同期相应的光伏发电功率数据,导出光伏发电功率预测值;使用Matlab函数uigetfile()来获取需要导入的和需要导出的目标Excel表格的文件路径和文件名,然后分别使用函数xlsread()和函数xlswrite()来分别读取目标表格内的数据和写入数据到目标表格;在BP神经网络训练期间,导入气象环境数据来作为BP神经网络训练的输入向量,导入同期相应的光伏发电功率数据来作为BP神经网络训练的输出向量;在经BP神经网络多次训练和参考训练效果综合评估,确定理想的BP神经网络预测模型后,导入未来时刻的气象环境数据到BP神经网络预测模型,则可预测输出光伏发电功率预测值,之后导出光伏发电功率预测值到目标表格;
所述BP神经网络训练和预测单元,用于进行BP神经网络光伏发电功率预测模型的建立、训练和预测;训练和预测前,使用函数newff()建立BP神经网络光伏发电功率预测模型,需要设置输入-隐含层函数、隐含-输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数;在Matlab环境中,输入-隐含层函数和隐含-输出层函数均可选tansig、logsig和purelin,均使用Matlab GUI中的listbox实现;训练算法可选LM反向传播算法trainlm、拟牛顿反向传播算法trainbfg、弹性反向传播算法trainrp和梯度下降反向传播算法traingd,使用Matlab GUI中的listbox实现;归一化区间可选[-1,1]和[0,1],使用Matlab GUI中的radiobutton实现;隐含层个数为大于0的整数,使用MatlabGUI中的edit实现;学习速率为0到1之间的小数,使用Matlab GUI中的edit实现;最小目标误差为接近于0但大于0的小数,使用Matlab GUI中的edit实现;最大训练次数为大于0的整数,使用Matlab GUI中的edit实现;建立BP神经网络光伏发电功率预测模型后,使用函数train()进行模型的训练,在训练过程中可以调节影响训练效果的输入-隐含层函数、隐含-输出层函数、训练算法、归一化区间、隐含层个数、学习速率、最小目标误差和最大训练次数,在训练达到预期目标后,训练结束,且作为最终预测模型使用函数sim()来预测未来光伏发电功率;
所述训练效果综合评估单元,用来实时反映BP神经网络的综合训练效果,为预测模型的确定提供参考;综合评估的参数有:最大百分误差、最小百分误差、平均百分误差和耗时,使用Matlab GUI中的edit显示;综合评估的图示有:训练拟合图、样本误差图和样本百分误差图,使用Matlab GUI中的axes显示;百分误差具体采用下式(1):
ei=|Xfi-Xri|/Xri·100% (1)
其中,i表示第i个样本,Xfi为第i个样本对应的预测值,Xri为第i个样本对应的实际值;最大百分误差、最小百分误差和平均百分误差分别是所有样本所对应的百分误差中的最大值、最小值和平均值;耗时是指从BP神经网络光伏发电功率预测模型建立之后一次训练开始到本次训练结束所用的时间;训练拟合图显示训练期间样本预测值拟合曲线和所对应的实际值拟合曲线之间的对比;样本误差图显示训练期间样本预测值和所对应的实际值之间的差值,具体为预测值减去实际值;样本百分误差图显示训练期间样本预测值和所对应的实际值之间的百分误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611174192.3A CN106529095A (zh) | 2016-12-12 | 2016-12-12 | 一种基于Matlab的光伏发电预测研究系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611174192.3A CN106529095A (zh) | 2016-12-12 | 2016-12-12 | 一种基于Matlab的光伏发电预测研究系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106529095A true CN106529095A (zh) | 2017-03-22 |
Family
ID=58340297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611174192.3A Pending CN106529095A (zh) | 2016-12-12 | 2016-12-12 | 一种基于Matlab的光伏发电预测研究系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529095A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133692A (zh) * | 2017-04-16 | 2017-09-05 | 信阳师范学院 | 基于加号模型的光伏发电功率预测方法 |
CN108694484A (zh) * | 2018-08-30 | 2018-10-23 | 广东工业大学 | 一种光伏发电功率预测方法 |
CN109145430A (zh) * | 2018-08-15 | 2019-01-04 | 河海大学常州校区 | 基于神经网络评估双面双玻光伏组件输出功率的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070265841A1 (en) * | 2006-05-15 | 2007-11-15 | Jun Tani | Information processing apparatus, information processing method, and program |
CN103020728A (zh) * | 2012-11-05 | 2013-04-03 | 青海电力科学试验研究院 | 一种电力系统中变电站短期电能质量预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
-
2016
- 2016-12-12 CN CN201611174192.3A patent/CN106529095A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070265841A1 (en) * | 2006-05-15 | 2007-11-15 | Jun Tani | Information processing apparatus, information processing method, and program |
CN103020728A (zh) * | 2012-11-05 | 2013-04-03 | 青海电力科学试验研究院 | 一种电力系统中变电站短期电能质量预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
Non-Patent Citations (1)
Title |
---|
王玉林 等: "《新型界面开发工具:MATLAB/GUI》", 《工程实践及应用技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133692A (zh) * | 2017-04-16 | 2017-09-05 | 信阳师范学院 | 基于加号模型的光伏发电功率预测方法 |
CN109145430A (zh) * | 2018-08-15 | 2019-01-04 | 河海大学常州校区 | 基于神经网络评估双面双玻光伏组件输出功率的方法 |
CN109145430B (zh) * | 2018-08-15 | 2022-07-22 | 河海大学常州校区 | 基于神经网络评估双面双玻光伏组件输出功率的方法 |
CN108694484A (zh) * | 2018-08-30 | 2018-10-23 | 广东工业大学 | 一种光伏发电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
Zamora-Martinez et al. | On-line learning of indoor temperature forecasting models towards energy efficiency | |
Mandal et al. | Differential evolution technique-based short-term economic generation scheduling of hydrothermal systems | |
CN109886492A (zh) | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN111722540A (zh) | 一种能源互联网数字孪生仿真系统及方法 | |
Qu et al. | Short-term forecasting for multiple wind farms based on transformer model | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN110148068A (zh) | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 | |
CN106529095A (zh) | 一种基于Matlab的光伏发电预测研究系统 | |
CN112288595A (zh) | 一种电网负荷预测的方法、相关装置、设备及存储介质 | |
Kaur et al. | Smart grid energy management using rnn-lstm: A deep learning-based approach | |
Li et al. | A hybrid deep interval prediction model for wind speed forecasting | |
CN113496098A (zh) | 面向碳减排的用能管控方法、计算设备及介质 | |
Chen et al. | Optimal control strategy for solid oxide fuel cell‐based hybrid energy system using deep reinforcement learning | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
Salman et al. | Hybrid deep learning models for time series forecasting of solar power | |
Sen | Time series prediction based on improved deep learning | |
Niu et al. | De-Trend First, Attend Next: A Mid-Term PV forecasting system with attention mechanism and encoder–decoder structure | |
Lu et al. | An adaptive neural architecture search design for collaborative edge-cloud computing | |
Fang et al. | The influence of optimization algorithm on the signal prediction accuracy of VMD-LSTM for the pumped storage hydropower unit | |
Khan et al. | Deep dive into hybrid networks: A comparative study and novel architecture for efficient power prediction | |
CN109711612A (zh) | 一种优化回声状态网络的风力发电功率预测方法及装置 | |
CN115713159A (zh) | 一种基于ai的风电功率的预测方法及预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
DD01 | Delivery of document by public notice |
Addressee: GUANGZHOU YANGXIN TECHNOLOGY RESEARCH Co.,Ltd. Person in charge of patents Document name: Notice of First Examination Opinion |
|
DD01 | Delivery of document by public notice | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170322 |
|
WD01 | Invention patent application deemed withdrawn after publication |