CN108280551B - 一种利用长短期记忆网络的光伏发电功率预测方法 - Google Patents
一种利用长短期记忆网络的光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN108280551B CN108280551B CN201810106023.9A CN201810106023A CN108280551B CN 108280551 B CN108280551 B CN 108280551B CN 201810106023 A CN201810106023 A CN 201810106023A CN 108280551 B CN108280551 B CN 108280551B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- day
- prediction
- irradiance
- long
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010248 power generation Methods 0.000 title claims abstract description 22
- 230000007787 long-term memory Effects 0.000 title claims abstract description 18
- 230000006403 short-term memory Effects 0.000 title claims abstract description 17
- 230000015654 memory Effects 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 53
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000003203 everyday effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 description 21
- 210000004027 cell Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
本发明公开了属于光伏发电功率预测技术领域的一种利用长短期记忆网络的光伏发电功率预测方法。利用长短期记忆网络的光伏发电功率参数构建长短期记忆网络预测模型：搭建具有包含若干个神经元的隐藏层的长短期记忆网络，利用相关的五维特征向量：积日、环境温度、环境湿度、风速和太阳辐照度和以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据，将这五维向量组成输入矩阵，输入到长短期记忆网络，进行预测点的功率预测；相对于所有的预测方法，本发明将当前时刻的光伏功率变化和以前光伏功率的变化之间建立了联系，实现了时间序列数据的动态建模，能更加充分的反映光伏功率的变化规律，实现更为精确的光伏功率预测。
Description
技术领域
本发明属于光伏发电功率预测技术领域，特别涉及一种利用长短期记忆网络 的光伏发电功率预测方法。
背景技术
光伏系统发电由于受天气情况、昼夜交替和季节变化等外界环境因素的影响 而具有波动性和周期性，光伏发电系统大规模接入电网，会对电力系统的安全、 稳定运行带来较大的、周期性的冲击。精确的光伏功率预测是保证光伏并网发电 安全稳定运行的前提，同时也是对光伏系统发电进行合理分配和调度的重要依 据。
根据预测时间分类，光伏功率预测可分为短期光伏功率预测和中长期光伏功 率预测。对于短期光伏功率预测，目前，主要的研究方法可以概括为以下2类： 一类是以时间序列法为代表的传统方法如自回归移动平均模型(Autoregressive Intergrated MovingModel，ARIMA)；另一类是以人工神经网络法为代表的新型 人工智能方法如人工神经网络(Artificial Neural Network，ANN)、极限学习 机(limit learning machine，ELM)等；机器学习方法主要有支持向量机(Support Vector Machine，SVM)、随机森林(RandomForest，RF)等。
参考(1)申请号：201510750464.9，名称为一种超短期光伏预测方法；(2) 申请号：201610069803.1，名称为一种光伏发电系统的功率预测方法；(3)申请 号：201410163590.X，名称为基于复合数据源自回归模型光伏发电功率超短期预 测方法。目前的这些预测方法都存在着一些不足，对于时间序列法来说，该方法 虽然能在一定程度上反映出光伏功率随时间变化的规律，但是无法利用到影响光 伏功率变化的外界因素，当外界环境因素变化较大时，预测会存在较大的误差； 对于传统的神经网络方法来说，模型的参数过多，模型训练困难；对于机器学习 方法来说，该方法通过大量历史数据建立输入变量与输出变量之间的非线性关 系，将动态时间建模问题变为静态空间建模问题。但是实际上，作为典型的时间 序列，光伏功率不但具有非线性，而且具有动态特性即每一时刻的光伏功率的变 化不仅依赖于当前时刻的模型输入，而且与模型过去的输入也有关。
发明内容
本发明的目的是提出一种利用长短期记忆网络的光伏发电功率预测方法，其 特征在于，利用长短期记忆网络的光伏发电功率参数构建长短期记忆网络预测模 型：搭建具有包含若干个神经元的隐藏层的长短期记忆网络，利用相关的五维特 征向量：积日、环境温度、环境湿度、风速和太阳辐照度和以次日预测点前30 天每天24个整点时刻的光伏功率值和天气数据作为原始数据，将这五维向量组 成输入矩阵，输入到长短期记忆网络，进行预测点的功率预测；具体步骤：
步骤1：输入数据选取：首先选取预测日之前30天每天24个整点时刻的积日、 环境温度、环境湿度、风速、太阳辐照度的数据作为光伏功率预测的原始数 据；其中积日是从1月1号开始记为1，以此类推12月31日记为365；数据 的时间分辨率为一小时；
步骤2：基于辐照度指数进行天气类型聚类：鉴于不同天气类型下，理论辐 照度和实测辐照度的日曲线与坐标轴所围成的面积之间存在明显的规律；
步骤3：数据归一化：当使用多变量时间序列进行光伏功率预测时，不同变量 之间量纲不同，数值差别也较大；考虑到模型中非线性激活函数的输入输出 范围，为避免神经元饱和，同时也充分的考虑到每一种变量对光伏功率的作 用，需要对输入变量和光伏功率时间序列进行归一化处理；实验中对输入变 量和光伏功率数据各自进行最大最小值归一化，经过预测模型得到光伏功率 预测数据后，再进行反归一化处理；
步骤4：建立长短期记忆网络预测模型：长短期记忆网络(Long-Short TermMemory，LSTM)是对传统循环神经网络的改进，为了解决传统循环神经网络存在 的因序列过长而无法优化的问题，LSTM在保持传统循环神经网络结构的同时中加 入了记忆单元；每个LSTM单元中存在一个细胞(cell)，被视为是LSTM的记忆 单元，用于描述LSTM单元的当前状态；LSTM单元的当前状态由3个控制门控制， 3个控制门分别是输入门，输出门和遗忘门，三个门分别控制网络的输入、输出 以及细胞单元的状态；具体是每个时刻，LSTM单元接收到输入信息后，每个门将 对不同来源的输入进行运算，决定输入信息是否通过；输入门的输入经过非线性 函数的变换后，与遗忘门处理的记忆单元状态进行叠加，形成新的记忆单元状态； 最终，记忆单元状态通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出；其中门单元是就是一个使用神经网络和一个按位做乘法的操作，这两个 操作合在一起就是一个门单元，门单元中神经网络的权重通过训练过程学习， LSTM依靠门单元让信息有选择性地影响循环神经网络中每个时刻的状态。
步骤5：滚动预测：重复前面四个步骤，以次日预测点前30天每天24个整 点时刻的光伏功率值和天气数据作为原始数据，进行该预测点的功率预测。
所述步骤2的天气类型聚类指标，将其记为辐照度指数K，辐照度指数等于 实测辐照度和理论辐照度日曲线与坐标轴之间围成的面积比值，S理论辐照度记为理论 辐照度日曲线与坐标轴所围成的面积，S实测辐照度记为实测辐照度日曲线与坐标轴所 围成的面积。辐照度指数的计算公式如下：
由辐照度指数的计算公式计算出每天的辐照度指数，基于辐照度指数对预测 日之前30天的数据进行聚类，使用K-means聚类算法进行聚类，将预测日前30 天的数据进一步聚类为三种天气类型；由于不同天气类型下的辐照度曲线具有明 显不同的特征，根据聚类后每个聚类类别的辐照度曲线，进一步确定该聚类类别 所属的天气类型；根据辐照度曲线的变化规律，将聚类类别归属为晴天、雨天或 者多云天气。
所述循环神经网络包括输入层、隐藏层、输出层，在隐藏层中有输入到下 一时间隐藏层的连接；按时间展开后，可以发现当前时刻隐藏层的输入包括当前 时刻的输入层输入和上一时刻的隐藏层输入两部分，其中，W1，W2，W3分别为输 入到隐藏层、隐藏层到隐藏层、隐藏层到输出的权重；在传统神经网络中，每一 个网络层的参数是不共享的，而在循环神经网络中，每一时间步，每一层都各自 共享参数W1，W2，W3；这反映出循环神经网络中的每一步都在做相同的事情，只 是输入不同，这样的训练方式大大降低了网络中需要学习的参数，在保证精度的 前提下极大地缩短了训练时间，但是循环神经网络存在这样一个问题：对于标准 的循环神经网络架构来说，在实践中可联系的“上下文”十分有限，即循环神经 网络的记忆能力有限，无法捕捉到较长时间之前的输入和本时刻输入之间的依赖 关系；但是鉴于循环神经网络存在的记忆能力有限，而采用长短期记忆网络作为 预测模型，在保持循环神经网络结构的基础上重新设计了计算单元。
所述重新设计的计算单元的各变量之间的计算公式如下：
it＝σ(Wxixt+Whiht-1+WciCt-1+bi) (2)
ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf) (3)
Ct＝ftCt-1+ittanh(Wxcxt+Whcht-1+bc) (5)
ot＝σ(Wxoxt+Whoht-1+WcoCt+bo) (6)
ht＝ottanh(Ct) (7)
各式中：Wxc、Wxi、Wxf、Wxo为连接输入信号xt的权重矩阵；Whc、Whi、Whf、Who为连接隐含层输出信号ht的权重矩阵；Wci、Wcf、Wco为连接细胞状态Wt和门函数 的权矩阵；bi、bc、bf、bo为偏置向量；Ct为t时刻的细胞状态，ht为t时刻的隐 层状态；ft、it、ot分别为遗忘门、输入门和输出门；σ为激活函数。
所述长短期记忆网络预测模型是设置提前一天的长短期记忆网络的时间步 长为24，采用单层的长短期记忆网络结构，最后将每个时间步上隐层的输出连接 一个全连接神经网络，这样通过全连接神经网络输出一天24个整点时刻对应的 光伏功率预测值；模型训练过程中采用均方误差(Mean Squared Error，MSE) 作为损失函数，将预测得到的光伏功率结果与真实功率值进行对比，计算损失， 并使用自适应动量估计(Adaptive MomentEstimation，Adam)优化器与沿时间 轴的反向传播算法BPTT(BackPropagation throngTime)相结合对参数进行更 新；其中损失函数均方误差的计算公式如下：
式中Pfi为光伏功率的预测值，Pi为光伏功率的实测值，N为样本数目；
为了避免神经网络出现过拟合，在训练模型中加入Dropout(停用)层，这样在 训练时，会使神经元以光伏功率p的概率被激活，将光伏功率p的概率设置为0.7， 最后通过交叉验证对模型的预测结果进行评估。
本发明的有益效果是本发明的长短期记忆网络每一个单元的参数是共享 的；相比传统的神经网络，这种参数共享的方式大大降低了网络中需要学习的参 数，在保证精度的前提下极大地缩短了训练时间。其次，该方法相对传统的时间 序列方法，在捕捉光伏功率数据序列特征的同时还可以利用到影响光伏功率变化 的外界因素。相对于所有的预测方法，本发明将当前时刻的光伏功率变化和以前 光伏功率的变化之间建立了联系，实现了时间序列数据的动态建模，能更加充分 的反映光伏功率的变化规律，实现更为精确的光伏功率预测。
附图说明
图1为光伏功率预测模型框架示意图。
图2为循环神经网络结构示意图。
图3为LSTM单元的内部结构示意图。
图4为长短期记忆网络预测模型框架示意图。
具体实施方式
本发明提出一种利用长短期记忆网络的光伏发电功率预测方法，下面结合附 图予以说明。
如图1所示为光伏功率预测模型框架示意图。在预测时利用长短期记忆网络的 光伏发电功率参数构建长短期记忆网络预测模型，首先选取预测日之前30天每 天24个整点时刻的积日、环境温度、环境湿度、风速、太阳辐照度数据作为光 伏功率预测的原始数据。然后计算出待预测日的辐照度指数，将计算出的辐照度 指数和聚类后的各聚类类别的聚类中心比较，选择距离最近的聚类中心所属类别 作为该样本的天气类别。确定待预测日的天气类别之后，选择对应的天气类别模 型，进行预测，最后将得到的预测结果和实际功率值进行比较，计算出各种评价 指标。构建长短期记忆网络预测模型的具体步骤：
步骤1：输入数据选取：首先选取预测日之前30天每天24个整点时刻的积日、 环境温度、环境湿度、风速、太阳辐照度的数据作为光伏功率预测的原始数 据；其中积日是从1月1号开始记为1，以此类推12月31日记为365；数据 的时间分辨率为一小时；
步骤2：基于辐照度指数进行天气类型聚类：鉴于不同天气类型下，理论辐 照度和实测辐照度的日曲线与坐标轴所围成的面积之间存在明显的规律；所述天 气类型聚类指标，将其记为辐照度指数K，辐照度指数等于实测辐照度和理论辐 照度日曲线与坐标轴之间围成的面积比值，S理论辐照度记为理论辐照度日曲线与坐标 轴所围成的面积，S实测辐照度记为实测辐照度日曲线与坐标轴所围成的面积。辐照度 指数的计算公式如下：
由辐照度指数的计算公式计算出每天的辐照度指数，基于辐照度指数对预测 日之前30天的数据进行聚类，使用K-means聚类算法进行聚类。将预测日前30 天的数据进一步聚类为三种天气类型。由于不同天气类型下的辐照度曲线具有明 显不同的特征，根据聚类后每个聚类类别的辐照度曲线，进一步确定该聚类类别 所属的天气类型。根据辐照度曲线的变化规律，将聚类类别归属为晴天、雨天或 者多云天气。
步骤3：数据归一化：当使用多变量时间序列进行光伏功率预测时，不同变量 之间量纲不同，数值差别也较大；考虑到模型中非线性激活函数的输入输出 范围，为避免神经元饱和，同时也充分的考虑到每一种变量对光伏功率的作 用，需要对输入变量和光伏功率时间序列进行归一化处理；实验中对输入变 量和光伏功率数据各自进行最大最小值归一化，经过预测模型得到光伏功率 预测数据后，再进行反归一化处理；
步骤4：建立长短期记忆网络预测模型：长短期记忆网络(Long-Short TermMemory，LSTM)是一种改进的循环神经网络结构(如图2所示)；每个LSTM单元 中存在一个细胞(cell)，被视为是LSTM的记忆单元，用于描述LSTM单元的当 前状态；图3所示的LSTM单元的当前状态由3个控制门控制，3个控制门分别是 输入门，输出门和遗忘门，三个门分别控制网络的输入、输出以及细胞单元的状 态；具体是每个时刻，LSTM单元接收到输入信息后，每个门将对不同来源的输入 进行运算，决定输入信息是否通过；输入门的输入经过非线性函数的变换后，与 遗忘门处理的记忆单元状态进行叠加，形成新的记忆单元状态；最终，记忆单元 状态通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出；其中门 单元是就是一个使用神经网络和一个按位做乘法的操作，这两个操作合在一起就 是一个门单元，门单元中神经网络的权重通过训练过程学习，LSTM依靠门单元让 信息有选择性地影响循环神经网络中每个时刻的状态。
所述循环神经网络包括输入层、隐藏层、输出层，在隐藏层中有输入到下 一时间隐藏层的连接；按时间展开后，可以发现当前时刻隐藏层的输入包括当前 时刻的输入层输入和上一时刻的隐藏层输入两部分，其中，W1，W2，W3分别为输 入到隐藏层、隐藏层到隐藏层、隐藏层到输出的权重；在传统神经网络中，每一 个网络层的参数是不共享的，而在循环神经网络中，每一时间步，每一层都各自 共享参数W1，W2，W3；这反映出循环神经网络中的每一步都在做相同的事情，只 是输入不同，这样的训练方式大大降低了网络中需要学习的参数，在保证精度的 前提下极大地缩短了训练时间，但是循环神经网络存在这样一个问题：对于标准 的循环神经网络架构来说，在实践中可联系的“上下文”十分有限，即循环神经 网络的记忆能力有限，无法捕捉到较长时间之前的输入和本时刻输入之间的依赖 关系；但是鉴于循环神经网络存在的记忆能力有限，而采用长短期记忆网络作为 预测模型，在保持循环神经网络结构的基础上重新设计了计算单元(其单元结构 如图3所示)。
所述重新设计的计算单元的各变量之间的计算公式如下：
it＝σ(Wxixt+Whiht-1+WciCt-1+bi) (2)
ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf) (3)
Ct＝ftCt-1+ittanh(Wxcxt+Whcht-1+bc) (5)
ot＝σ(Wxoxt+Whoht-1+WcoCt+bo) (6)
ht＝ottanh(Ct) (7)
各式中：Wxc、Wxi、Wxf、Wxo为连接输入信号xt的权重矩阵；Whc、Whi、Whf、Who为连接隐含层输出信号ht的权重矩阵；Wci、Wcf、Wco为连接细胞状态Wt和门函数 的权矩阵；bi、bc、bf、bo为偏置向量；Ct为t时刻的细胞状态，ht为t时刻的隐 层状态；ft、it、ot分别为遗忘门、输入门和输出门；σ为激活函数，通常为tanh (双曲正切函数)或sigmoid(S型生长曲线)函数。
步骤5：滚动预测：重复前面四个步骤，以次日预测点前30天每天24个整 点时刻的光伏功率值和天气数据作为原始数据，进行该预测点的功率预测。
如图4所示所述长短期记忆网络预测模型是设置提前一天的长短期记忆网 络的时间步长为24，采用单层的长短期记忆网络结构，最后将每个时间步上隐层 的输出连接一个全连接神经网络，这样通过全连接神经网络输出一天24个整点 时刻对应的光伏功率预测值；模型训练过程中采用均方误差(Mean Squared Error，MSE)作为损失函数，将预测得到的光伏功率结果与真实功率值进行对 比，计算损失，并使用自适应动量估计(AdaptiveMoment Estimation，Adam) 优化器与沿时间轴的反向传播算法BPTT(BackPropagationthrong Time)方法 相结合对参数进行更新。其中损失函数均方误差的计算公式如下：
式中Pfi为光伏功率的预测值，Pi为光伏功率的实测值，N为样本数目；
为了避免神经网络出现过拟合，在训练模型中加入Dropout层(停用层)，这 样在训练时，会使神经元以光伏功率p的概率被激活，将光伏功率p的概率设置 为0.7，最后通过交叉验证对模型的预测结果进行评估。
Claims (3)
1.一种利用长短期记忆网络的光伏发电功率预测方法，其特征在于，利用长短期记忆网络的光伏发电功率参数构建长短期记忆网络预测模型：搭建具有包含若干个神经元的隐藏层的长短期记忆网络，利用相关的五维特征向量：积日、环境温度、环境湿度、风速和太阳辐照度和以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据，将这五维向量组成输入矩阵，输入到长短期记忆网络，进行预测点的功率预测；具体步骤：
步骤1：输入数据选取：首先选取预测日之前30天每天24个整点时刻的积日、环境温度、环境湿度、风速、太阳辐照度的数据作为光伏功率预测的原始数据；其中积日是从1月1号开始记为1，以此类推12月31日记为365；数据的时间分辨率为一小时；
步骤2：基于辐照度指数进行天气类型聚类；
步骤3：数据归一化：实验中对输入变量和光伏功率数据各自进行最大最小值归一化，经过预测模型得到光伏功率预测数据后，再进行反归一化处理；
步骤4：建立长短期记忆网络预测模型；
所述长短期记忆网络预测模型是设置提前一天的长短期记忆网络的时间步长为24，采用单层的长短期记忆网络结构，最后将每个时间步长上隐层的输出连接一个全连接神经网络，通过全连接神经网络输出一天24个整点时刻对应的光伏功率预测值；模型训练过程中采用均方误差MSE作为损失函数，将预测得到的光伏功率结果与真实功率值进行对比，计算损失，并使用自适应动量估计Adam优化器与沿时间轴的反向传播算法BPTT相结合对参数进行更新；其中损失函数均方误差MSE的计算公式如下：
式中Pfi为光伏功率的预测值，Pi为光伏功率的实测值，N为样本数目；
为了避免神经网络出现过拟合，在训练模型中加入停用层，这样在训练时，会使神经元以光伏功率p的概率被激活，将光伏功率p的概率设置为0.7，最后通过交叉验证对模型的预测结果进行评估；
步骤5：滚动预测：重复前面四个步骤，以次日预测点前30天每天24个整点时刻的光伏功率值和天气数据作为原始数据，进行该预测点的功率预测。
2.根据权利要求1所述利用长短期记忆网络的光伏发电功率预测方法，其特征在于，所述步骤2的天气类型聚类指标，将其记为辐照度指数K，辐照度指数等于实测辐照度和理论辐照度日曲线与坐标轴之间围成的面积比值，S理论辐照度记为理论辐照度日曲线与坐标轴所围成的面积，S实测辐照度记为实测辐照度日曲线与坐标轴所围成的面积；辐照度指数的计算公式如下：
由辐照度指数的计算公式计算出每天的辐照度指数，基于辐照度指数对预测日之前30天的数据进行聚类，使用K-means聚类算法进行聚类；将预测日前30天的数据进一步聚类为三种天气类型；由于不同天气类型下的辐照度曲线具有明显不同的特征，根据聚类后每个聚类类别的辐照度曲线，进一步确定该聚类类别所属的天气类型，根据辐照度曲线的变化规律，将聚类类别归属为晴天、雨天或者多云天气。
3.根据权利要求1所述利用长短期记忆网络的光伏发电功率预测方法，其特征在于，所述长短期记忆网络包括输入层、隐藏层、输出层，在隐藏层中有输入到下一时间隐藏层的连接；按时间展开后，发现当前时刻隐藏层的输入包括当前时刻的输入层输入和上一时刻的隐藏层输入两部分，其中，W1，W2，W3分别为输入到隐藏层、隐藏层到隐藏层、隐藏层到输出的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810106023.9A CN108280551B (zh) | 2018-02-02 | 2018-02-02 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810106023.9A CN108280551B (zh) | 2018-02-02 | 2018-02-02 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108280551A CN108280551A (zh) | 2018-07-13 |
| CN108280551B true CN108280551B (zh) | 2022-07-26 |
Family
ID=62807410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810106023.9A Expired - Fee Related CN108280551B (zh) | 2018-02-02 | 2018-02-02 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108280551B (zh) |
Families Citing this family (61)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983788B (zh) * | 2018-08-15 | 2021-03-26 | 上海海事大学 | 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法 |
| CN109214566B (zh) * | 2018-08-30 | 2021-02-26 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
| 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 |
| CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
| 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 |
| CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
| CN109063939B (zh) * | 2018-11-01 | 2020-08-18 | 华中科技大学 | 一种基于邻域门长短期记忆网络的风速预测方法及系统 |
| CN109583565B (zh) * | 2018-11-07 | 2022-08-26 | 河海大学 | 基于注意力模型长短时记忆网络的洪水预测方法 |
| CN109711609B (zh) * | 2018-12-15 | 2022-08-12 | 福州大学 | 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 |
| CN109711714B (zh) * | 2018-12-24 | 2023-01-10 | 浙江大学 | 基于并联长短期记忆网络的制造装配产品质量预测方法 |
| CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
| CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
| 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 |
| CN109948845A (zh) * | 2019-03-15 | 2019-06-28 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网负荷长短期记忆神经网络预测方法 |
| CN109993368A (zh) * | 2019-04-08 | 2019-07-09 | 福州大学 | 基于奇异谱分解和长短期记忆网络的功率预测方法 |
| CN110070229A (zh) * | 2019-04-26 | 2019-07-30 | 中国计量大学 | 家庭电力负荷的短期预测方法 |
| CN110148935B (zh) * | 2019-05-10 | 2021-12-28 | 东北电力大学 | 基于长短期记忆神经网络的电网静态安全裕度评估方法 |
| CN110135645B (zh) * | 2019-05-16 | 2022-06-28 | 电子科技大学 | 架空输电线路全光纤动静态监测和趋势预测系统及方法 |
| CN110276472A (zh) * | 2019-05-21 | 2019-09-24 | 南方电网调峰调频发电有限公司 | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
| CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
| CN110285403B (zh) * | 2019-06-10 | 2020-06-09 | 华北电力大学 | 基于被控参数预估的主蒸汽温度控制方法 |
| CN110414788B (zh) * | 2019-06-25 | 2023-12-08 | 国网上海市电力公司 | 一种基于相似日和改进lstm的电能质量预测方法 |
| CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
| CN110635474B (zh) * | 2019-09-16 | 2022-01-28 | 东北电力大学 | 一种基于长短期记忆网络的电网动态轨迹趋势预测方法 |
| CN110619479B (zh) * | 2019-09-23 | 2022-05-24 | 阳光电源股份有限公司 | 光伏组件的故障判别模型建模方法及故障判别方法 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
| CN110991689B (zh) * | 2019-10-17 | 2022-10-04 | 国网河南省电力公司鹤壁供电公司 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
| 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 |
| CN110909994A (zh) * | 2019-11-13 | 2020-03-24 | 广西电网有限责任公司 | 基于大数据驱动的小水电群发电量预测方法 |
| CN110929924A (zh) * | 2019-11-13 | 2020-03-27 | 广西电网有限责任公司 | 基于云边融合架构的小水电发电量预测系统及其实现方法 |
| CN111062511B (zh) * | 2019-11-14 | 2023-04-25 | 佛山科学技术学院 | 基于决策树与神经网络的水产养殖病害预测方法及系统 |
| CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
| CN110880053A (zh) * | 2019-11-22 | 2020-03-13 | 国网湖南省电力有限公司 | 光伏发电功率的预测方法 |
| CN110889494A (zh) * | 2019-11-29 | 2020-03-17 | 北京龙田华远科技有限公司 | 一种采煤机定位方法及装置 |
| CN111339665A (zh) * | 2020-02-27 | 2020-06-26 | 中国科学院空天信息创新研究院 | 一种对流层臭氧廓线计算方法 |
| CN111556107A (zh) * | 2020-04-16 | 2020-08-18 | 福州和达电子科技有限公司 | 一种基于“应激-反射”模型的智能物联网应用方法 |
| CN111460738B (zh) * | 2020-04-16 | 2023-06-16 | 中南大学 | 磁悬浮系统的rnn-arx建模方法、rnn-arx模型 |
| CN111539573B (zh) * | 2020-04-27 | 2022-09-30 | 广州市香港科大霍英东研究院 | 一种风光互补离网系统的功率预测方法及系统 |
| CN111416573A (zh) * | 2020-05-06 | 2020-07-14 | 河海大学常州校区 | 一种光伏组件及其温度监测方法、系统 |
| CN111798089B (zh) * | 2020-05-25 | 2023-10-27 | 成都华润燃气设计有限公司 | 一种城市天然气高压管网运行状态风险评价方法 |
| CN111626506B (zh) * | 2020-05-27 | 2022-08-26 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
| CN111797981A (zh) * | 2020-07-24 | 2020-10-20 | 山东电力交易中心有限公司 | 一种基于双向长短期记忆神经网络的单日光伏发电量预测方法 |
| CN112098873B (zh) * | 2020-08-17 | 2021-06-01 | 四川大学 | 基于充电电压曲线几何特征的锂电池健康状态估计方法 |
| CN112100911B (zh) * | 2020-09-08 | 2023-06-30 | 淮阴工学院 | 一种基于深度bilstm的太阳辐射预测方法 |
| CN112288129A (zh) * | 2020-09-18 | 2021-01-29 | 浙江大学 | 一种基于迁移学习和地基云图的超短期光伏功率预测模型 |
| CN112308306A (zh) * | 2020-10-27 | 2021-02-02 | 贵州工程应用技术学院 | 一种多模态输入的煤与瓦斯突出危险预测方法 |
| CN112257938B (zh) * | 2020-10-28 | 2022-07-08 | 广州发展新能源股份有限公司 | 一种光伏发电功率预测方法及装置 |
| CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
| CN112766568B (zh) * | 2021-01-18 | 2022-03-15 | 中国科学院计算机网络信息中心 | 一种基于卫星云图的超短期分布式光伏功率预测方法 |
| CN112793797A (zh) * | 2021-02-03 | 2021-05-14 | 东航技术应用研发中心有限公司 | 一种飞机着陆弹跳预警方法和系统 |
| CN112949918A (zh) * | 2021-02-25 | 2021-06-11 | 山东大学 | 基于dgm-rnn的日前光伏功率预测方法及系统 |
| CN112926653B (zh) * | 2021-02-25 | 2022-08-26 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
| CN113240072A (zh) * | 2021-04-14 | 2021-08-10 | 安徽工业大学 | 一种用于直流微电网集群的基于深度学习的预测方法 |
| CN113128762B (zh) * | 2021-04-19 | 2022-05-10 | 中国科学院计算机网络信息中心 | 一种多源异构数据的短期光伏发电功率预测方法及系统 |
| CN112906995A (zh) * | 2021-04-23 | 2021-06-04 | 河北工业大学 | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 |
| CN113627070A (zh) * | 2021-05-24 | 2021-11-09 | 国网新疆电力有限公司经济技术研究院 | 一种短期光伏功率预测方法 |
| CN113344260B (zh) * | 2021-05-27 | 2022-09-06 | 国网福建省电力有限公司信息通信分公司 | 一种基于数据融合的太阳能光伏功率的预测方法 |
| CN113239630B (zh) * | 2021-06-03 | 2022-07-15 | 上海交通大学 | 风资源影响的移动能源网络发电与航程优化方法和系统 |
| CN113537582B (zh) * | 2021-07-02 | 2022-05-24 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
| CN115392387B (zh) * | 2022-09-01 | 2023-08-08 | 国网江苏省电力有限公司镇江供电分公司 | 一种低压分布式光伏发电出力预测方法 |
| CN116404647B (zh) * | 2023-06-09 | 2023-08-29 | 山东大学 | 计及动态汇聚特性的分布式光伏短期功率预测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719101A (zh) * | 2016-02-29 | 2016-06-29 | 胡国旺 | 光伏系统发电功率预测方法 |
-
2018
- 2018-02-02 CN CN201810106023.9A patent/CN108280551B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719101A (zh) * | 2016-02-29 | 2016-06-29 | 胡国旺 | 光伏系统发电功率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Accurate photovoltaic power forecasting models using deep LSTM-RNN;Mohamed Abdel-Nasser，Karar Mahmoud;《Neural Comput & Applic》;20171014;全文 * |
| Short-term Memory Solar Energy Forecasting at University of Illinois;Adele Kuzmiakova et al.;《cs299.Stanford.edu》;20171231;第1-3页 * |
| 基于反馈型神经网络的光伏系统发电功率预测;张艳霞，赵杰;《电力系统保护与控制》;20110801;第39卷(第15期);第96-99页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108280551A (zh) | 2018-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN106448151B (zh) | 一种短时交通流预测方法 | |
| CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
| CN112488415A (zh) | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 | |
| CN108764539B (zh) | 一种梯级电站的上下游水位预测方法 | |
| CN109359786A (zh) | 一种电力台区短期负荷预测方法 | |
| CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| CN112561058A (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
| CN111861013A (zh) | 一种电力负荷预测方法及装置 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN114492922A (zh) | 一种中长期发电量预测方法 | |
| CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
| CN110738363B (zh) | 一种光伏发电功率预测方法 | |
| Sen | Time Series Prediction based on Improved Deep Learning | |
| Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
| CN111178612A (zh) | 一种网格用户基于大数据odps引擎的lstm负荷预测方法 | |
| Zhichao et al. | Short-term load forecasting of multi-layer LSTM neural network considering temperature fuzzification | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
| CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 | |
| CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 | |
| CN110543942A (zh) | 一种多时空长短记忆深度网络精准预测方法 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| Srivastava et al. | Weather Prediction Using LSTM Neural Networks |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220726 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |