CN106570594A - 一种基于tmbp的相似日光伏发电短期预测方法 - Google Patents
一种基于tmbp的相似日光伏发电短期预测方法 Download PDFInfo
- Publication number
- CN106570594A CN106570594A CN201610994068.5A CN201610994068A CN106570594A CN 106570594 A CN106570594 A CN 106570594A CN 201610994068 A CN201610994068 A CN 201610994068A CN 106570594 A CN106570594 A CN 106570594A
- Authority
- CN
- China
- Prior art keywords
- day
- similar
- temperature
- tmbp
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 101001059734 Thermococcus litoralis (strain ATCC 51850 / DSM 5473 / JCM 8560 / NS-C) Trehalose/maltose-binding protein MalE Proteins 0.000 title claims abstract description 18
- 238000010248 power generation Methods 0.000 title abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于TMBP的相似日光伏发电短期预测方法,包括以下步骤:(1)收集整理包括气象、发电量的历史数据;(2)运用相似日选择算法提取出季节类型、天气类型和气温相似的样本;(3)选择相似日6:00~19:00每小时的输入功率序列,相似日最高气温,最低气温,预测日最高气温,最低气温作为输入量;并对输入量进行归一化;(4)建立TMBP模型;(5)将输入数据导入导入,得到输出,并将输出数据反归一化。本发明解决了光伏预测在非晴天条件下预测精度低,常规的BP神经网络法训练时间长,收敛速度慢等缺点。本发明较之传统方法提高了在非晴天条件下的预测精度,而且缩短了训练时间,加快了收敛速度。
Description
技术领域
本发明涉及一种基于TMBP的相似日光伏发电短期预测方法,属光伏发电技术领域。
背景技术
随着大量光伏发电设备的并网电网,光伏发电量预测无论对系统稳定运行还是电能优化调度都有着非常重要的作用。而提取对季节类型、天气类型和气温相似的样本,分别建立光伏预测模型,可以大大提高预测精度。
目前光伏发电预测的方法主要有神经网络法、灰色预测法、多元线性回归法、ARIMA预测法、马尔科夫链、支持向量机法,而这些方法都对气象资料的准确性要求高或者对晴天预测的精度较高,训练时间长等缺点。由于光伏预测与气象因素、地理因素密切相关,因此如何综合考虑多方面的影响以缩短预测时间和提高预测精度将成为今后研究的重点和难点。
发明内容
本发明的目的是,为了解决光伏预测在非晴天条件下预测精度低,常规的BP神经网络法训练时间长,收敛速度慢等缺点,提出一种基于TMBP的相似日光伏发电短期预测方法。
本发明是通过以下技术方案实现的。
一种基于TMBP的相似日光伏发电短期预测方法,包括如下步骤:
(1)收集整理包括气象、发电量的历史数据;
(2)运用相似日选择算法提取出季节类型、天气类型和气温相似的样本;
(3)选择相似日6:00~19:00每小时的输入功率序列,相似日最高气温,最低气温,预测日最高气温,最低气温作为输入量;并对输入量进行归一化;
(4)建立TMBP模型;
(5)将输入数据导入导入,得到输出,并将输出数据反归一化。
所述步骤(2)的子步骤为:
(2-1)选择出和预测日天气类型、季节类型一致的n条历史记录,形成样本集D。
(2-2)计算预测日和样本集D中历史记录的气温欧氏距离di计,di计算公式如式所示:
式中:Y1、Y2分别为预测日的最高气温、最低气温;Xi1、Xi2分别为样本集D中第i条记录的最高气温、最低气温。
(2-3)将气温欧氏距离集{d1,d2,d3,...,dn}按照值的大小升序排序,最小值所对应的日期即为预测日所对应的相似日。
所述TMBP模型建立步骤为:
(4-1)将所有输入提交网络,记网络输入为a0=p。
其中,a表示输入网络的初始数据;p表示输入变量的列向量。
(4-2)计算各层网络输出
am+1=fm+1(wm+1am+bm+1),
其中,w表示第m层的权值矩阵;b表示第m层的偏置列向量。
(4-3)计算相应的网络输出误差
其中,tq表示第q对样本的目标输出;aq表示第q对样本对应第m层节点输出。
(4-4)利用式
其中,ej,q表示第q对Sj个输入变量的网络输出误差;vi表示网络误差向量;M表示神经网络层数;;Sm(m=0,1,2...M)表示网络中第m层节点数;Q表示训练集样本总数;
计算所有输入的平方误差和F(x),计算雅可比矩阵J;
(4-5)解式
△xk=xk+1-xk=-[JT(xk)J(xk)+μI]-1JT(xk)v(xk)
其中,xk表示权值参数向量;J表示雅可比矩阵;μI表示LM算法里的参数,用于控制LM算法的迭代;v(xk)表示迭代k次后的误差。
求△xk,用xk+△xk重复计算平方误差和。
本发明的有益效果是,本发明解决了光伏预测在非晴天条件下预测精度低,常规的BP神经网络法训练时间长,收敛速度慢等缺点。本发明较之传统方法提高了在非晴天条件下的预测精度,而且缩短了训练时间,加快了收敛速度。
附图说明
图1为光伏发电预测系统流程图;
图2为2011年5月17日实际值与预测值曲线;
图3为2011年5月25日实际值与预测值曲线;
图4为模型一和模型二在6个预测日所有时间点的RE曲线。
具体实施方式
下面结合附图好人工作原理对本发明的具体实施方试进行详细说明。
如图1所示,为本实施例基于TMBP的相似日光伏发电短期预测流程。通过对收集到的历史气象,光伏发电量,组件状态等不完备和异构数据进行预处理,得到能够利用的数据,然后根据季节,天气,温度进行相似日选择得到训练样本,再选择合适量作为模型输入量导入已经搭建好的TMBP模型,通过训练和预测得到相似日预测发电量。
本实施例包括以下步骤:
(1)对历史数据的收集。本实施例以2011年江西省南昌市南昌大学前湖校区(东经115.94°,北纬28.68°)一台10kW的逆变器为研究对象,采集其2012-2015的历史发电数据和气象数据。首先对30多种天气类型进行分类,如将晴作为一类;多云转晴,晴转多云分为一类;将小雨等下雨天气分为一类,阴天分为一类,共七类天气。对每一种天气进行编码。对光伏发电历史数据进行筛选,计算每天6:00-19:00的每小时发电量,将不连续,不完整数据去除。
(2)运用相似日选择算法,即筛选出季节类型,天气类型,与预测日温度的欧氏距离最小的数据作为训练样本。本实施例预测日为2011-05-17,2011-05-25,2011-07-02,2011-08-08,2011-09-14,2011-10-11。
(3)选择相似日6:00-19:00的每小时发电量,预测日的最高温度和最低温度,相似日的最高最低温度作为输入量,对这些输入量作归一化处理,归一化公式为
(4)建立TMBP模型,包括如下步骤:
第一步:将所有输入提交网络,记网络输入为a0=p;
第二步:计算各层网络输出
am+1=fm+1(wm+1am+bm+1) (2)
第三步:计算相应的网络输出误差
第四步:利用式
计算所有输入的平方误差和F(x),计算雅可比矩阵J;
第五步:解式
△xk=xk+1-xk=-[JT(xk)J(xk)+μI]-1JT(xk)v(xk) (5)
求△xk,用xk+△xk重复计算平方误差和。
如果新的平方误差和小于第四步中计算的和,则用μ除以θ,并设xk+1=xk+△xk,转第一步;如果平方误差和没有减少,则用μ以θ,转第五步。当平方误差和减小到某个目标误差时,算法被认为收敛。
(5)将输入数据导入导入,得到输出,将输出数据反归一化,反归一化公式为:
xi=Xi(xmax-xmin)+xmin (6)
图2将为2011年5月17日作为预测日,得到的光伏发电量实际值与预测值曲线。并比较传统BP神经网络和改进的TLMBP神经网络的预测精度。
图3为2011年5月25日作为预测日,得到的光伏发电量实际值与预测值曲线。并比较传统BP神经网络和改进的TMBP神经网络的预测精度。
图4为模型一和模型二在6个预测日所有时间点的RE曲线。
Claims (3)
1.一种基于TMBP的相似日光伏发电短期预测方法,包括收集整理气象、发电量的历史数据,其特征是,所述方法包括:
运用相似日选择算法提取出季节类型、天气类型和气温相似的样本;
选择相似日6:00~19:00每小时的输入功率序列,相似日最高气温,最低气温,预测日最高气温,最低气温作为输入量;并对输入量进行归一化;
建立TMBP模型;
将输入数据导入导入,得到输出,并将输出数据反归一化。
2.根据权利要求1所述的一种基于TMBP的相似日光伏发电短期预测方法,其特征在于,所述运用相似日选择算法提取出季节类型、天气类型和气温相似的样本的步骤为:
(1)选择出和预测日天气类型、季节类型一致的n条历史记录,形成样本集D;。
(2)计算预测日和样本集D中历史记录的气温欧氏距离di计,di算公式如式所示:
式中:Y1、Y2分别为预测日的最高气温、最低气温;Xi1、Xi2分别为样本集D中第i条记录的最高气温、最低气温;
(3)将气温欧氏距离集{d1,d2,d3,…,dn}按照值的大小升序排序,最小值所对应的日期即为预测日所对应的相似日。
3.根据权利要求1所述的一种基于TMBP的相似日光伏发电短期预测方法,其特征在于,所述TMBP模型建立的步骤为:
(1)将所有输入提交网络,记网络输入为a0=p;
其中,a表示输入网络的初始数据;p表示输入变量的列向量;
(2)计算各层网络输出
am+1=fm+1(wm+1am+bm+1),
其中,w表示第m层的权值矩阵;b表示第m层的偏置列向量;
(3)计算相应的网络输出误差
其中,tq表示第q对样本的目标输出;aq表示第q对样本对应第m层节点输出;
(4)利用式
其中,ej,q表示第q对Sj个输入变量的网络输出误差;vi表示网络误差向量;M表示神经网络层数;Sm(m=0,1,2...M)表示网络中第m层节点数;Q表示训练集样本总数;
计算所有输入的平方误差和F(x),计算雅可比矩阵J;
(5)解式
△xk=xk+1-xk=-[JT(xk)J(xk)+μI]-1JT(xk)v(xk)
其中,xk表示权值参数向量;J表示雅可比矩阵;μI表示表示LM算法里的参数,用于控制LM算法的迭代;v(xk)表示迭代k次后的误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610994068.5A CN106570594A (zh) | 2016-11-11 | 2016-11-11 | 一种基于tmbp的相似日光伏发电短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610994068.5A CN106570594A (zh) | 2016-11-11 | 2016-11-11 | 一种基于tmbp的相似日光伏发电短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106570594A true CN106570594A (zh) | 2017-04-19 |
Family
ID=58541709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610994068.5A Pending CN106570594A (zh) | 2016-11-11 | 2016-11-11 | 一种基于tmbp的相似日光伏发电短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570594A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN109388863A (zh) * | 2018-09-21 | 2019-02-26 | 国网天津市电力公司 | 一种基于arima模型的分布式光伏出力功率预测方法 |
CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
CN110956304A (zh) * | 2019-10-17 | 2020-04-03 | 国网河南省电力公司鹤壁供电公司 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
CN112734073A (zh) * | 2019-10-28 | 2021-04-30 | 国网河北省电力有限公司 | 一种基于长短期记忆网络的光伏发电功率短期预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390200A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 基于相似日的光伏电站发电输出功率预测方法 |
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 |
-
2016
- 2016-11-11 CN CN201610994068.5A patent/CN106570594A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390200A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 基于相似日的光伏电站发电输出功率预测方法 |
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 |
Non-Patent Citations (4)
Title |
---|
丁 明等: "基于改进BP 神经网络的光伏发电系统输出功率短期预测模型", 《电力系统保护与控制》 * |
史步海等: "LMBP 神经网络改进算法的研究", 《控制工程》 * |
曾凡祥等: "基于遗传优化LMBP 算法的变形分析与预报", 《中国水能及电气化》 * |
高淑芝等: "LMBP 神经网络算法的改进", 《沈阳化工大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN109388863A (zh) * | 2018-09-21 | 2019-02-26 | 国网天津市电力公司 | 一种基于arima模型的分布式光伏出力功率预测方法 |
CN109388863B (zh) * | 2018-09-21 | 2023-05-26 | 国网天津市电力公司 | 一种基于arima模型的分布式光伏出力功率预测方法 |
CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
CN110956304A (zh) * | 2019-10-17 | 2020-04-03 | 国网河南省电力公司鹤壁供电公司 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
CN112734073A (zh) * | 2019-10-28 | 2021-04-30 | 国网河北省电力有限公司 | 一种基于长短期记忆网络的光伏发电功率短期预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
CN108711847B (zh) | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 | |
CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
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 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN103823504B (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
CN107992961A (zh) | 一种自适应的流域中长期径流预报模型架构方法 | |
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
Li et al. | Identifying explicit formulation of operating rules for multi-reservoir systems using genetic programming | |
CN106251008A (zh) | 一种基于组合权重相似日选取的光伏功率预测方法 | |
CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN106651023A (zh) | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN103400204A (zh) | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170419 |