CN108364084A - 一种基于信息融合理论的bp神经网络光伏功率预测方法 - Google Patents
一种基于信息融合理论的bp神经网络光伏功率预测方法 Download PDFInfo
- Publication number
- CN108364084A CN108364084A CN201711094391.8A CN201711094391A CN108364084A CN 108364084 A CN108364084 A CN 108364084A CN 201711094391 A CN201711094391 A CN 201711094391A CN 108364084 A CN108364084 A CN 108364084A
- Authority
- CN
- China
- Prior art keywords
- neural network
- photovoltaic power
- power
- photovoltaic
- prediction
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 title claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 2
- 238000004146 energy storage Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000005367 kimax Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于信息融合理论的BP神经网络光伏功率预测方法。光伏发电作为一种环保、可持续、建设周期短的新能源备受关注，已成为发电的一大主力。但是由于光伏发电具有间歇性、随机性和波动性，很难保证高比率的有效接入，对电网的安全运行和调度造成了一定影响。精准的光伏功率预测可以有效解决这一问题，加速光伏发电的发展。本发明充分考虑光伏发电的影响因子并将其融合成一个影响因子λ，利用BP神经网络结构可调的优点对一些波动较大的时刻精准预测，可以实现光伏功率的高效精准预测，通过与其他能源或储能系统配合使用等，达到消峰填谷，平滑功率输出的目的，提高光伏发电系统并网运行的优越性，同时给电网的调度等提供参考依据。
Description
技术领域
本发明涉及光伏功率预测，提出一种能对光伏功率进行短时预测的方法，属于新能源功率预测领域。
背景技术
人类对能源安全的担忧和环境恶化的焦虑，使得充分利用可再生能源已经成为全球共识。光伏发电作为一种环保、可持续、建设周期短的新能源，得到了大力发展，在电网电源结构中的比重逐渐增加，已成为发电的一大主力。但由于其必须依靠阳光，导致其发电量具有随机性、波动性、间歇性等特点，大量接入电网后会对电力系统的稳定运行造成一定的影响。比如大量电力电子器件的应用使电网谐波含量增加、输出功率波动较大、电压不稳等，对这些问题，电网调度部门传统的做法只能采取拉闸限电，无法保证清洁能源的高效利用，这也导致了目前国内许多光伏电站出现长期停运的现在，造成了大量经济损失，因此光伏功率预测系统变得尤为重要，光伏功率预测越准，光伏并网给电网的安全运行带来的影响就越小，就能够有效的帮助电网调度部门做好各类电源的调度计划。
光伏功率的预测方法主要可分为两类：间接法和直接法。间接预测法是利用光伏电站的历史气象观测数据预测电站的输出功率；而直接法是利用光伏电站发电量的历史数据进行功率预测，本文将两者结合，利用历史气象观测数据和光伏电站发电量的历史数据一起进行光伏功率预测。
发明内容：
本发明的目的是提供一种能够精准预测光伏功率的方法，包括充分考虑光伏发电的影响因子并将融合成一个影响因子λ；利用BP神经网络结构可调的优点对一些波动较大的时刻精准预测；引用改进的离子群算法对参数进行优化等。
在实施过程中信息融合部分具体包括：充分考虑各种影响因子，包括人为干扰因素对影响因子的作用、通过Person相似度距离分析法得出其相关性等。
BP神经网络光伏功率部分具体包括：对输入变量进行信息筛选，利用有效数据进行训练，避免训练陷入局部极小；采用改进的粒子群算法对网络参数进行优化等。
附图说明
图1为预测模型示意图；
图2为仿真实验示意图；
具体实施方式
下面结合附图和具体实施过程对本发明作进一步描述。
首先，对影响光伏发电量G的影响因子温度Ta，气压pa，湿度H，风速ωs和表征天气类型的云量Ct，低云量C1，光照强度Ir等用Person相似度距离分析法进行相关性分析。计算公式如下：
以低云量参考倍率为-1，各变量之间比例关系可转换为2.58：-1.83:-2.73:1.52:-1.55:-1:4.56进行信息融合得到综合影响因子λt，其公式如下：
λt＝2.58k1t-1.83k2t-2.73k3t+1.52k4t-1.55k5t-k6t+4.56k7t
其中k1t，k2t，…k7t分别表示预测时段的温度、气压、湿度、风速、云量、低云量和光照强度系数，通过计算我们可以得到任意时段的综合影响因子或者某一天的影响因子。大多数神经网络的应用中使用的非线性激活函数为S函数，其输出被限定在(0,1)或(-1,1)之间，
原始数据尤其是期望输出值通常在此区间之外，直接以原始数据对网络进行训练会引起神经元饱和，因此在对这些系数进行归一化处理：
其中ki为输入系数，kimax和kimin为输入系数的最大最小值，为实际输入，即为k1t，k2t，…k7t。
设计BP神经网络光伏功率预测模型，用改进的离子群算法对对输入层和隐含层的权值以及隐含层和输出层之间的权值进行参数优化，优化方法以隐含层数为1举例：
wk＝wsin(vkθ) (3)
yout＝G(t+τ)＝f(wij,wjk)xinput (4)
式1式2为标准的粒子群算法公式，v表示飞行速度，x为位置信息，即为神经网络的权值，找到x的最优位置即为神经网络权值的最优参数。rand是(0,1)之间的随机数，c1、c2为学习因子，w表示惯性因子。本发明采用时变非线性的三角控制，改进的惯性因子选取如式3所示。式4表示模型的输出与输入的函数关系，τ为预测时间间隔，通过优化权值输入层和隐含层的权值wij和隐含层和输出层之间的权值wjk可以提高预测输出功率的准确性。式5所示为粒子群算法的目标函数，目的是使预测功率与理想输出功率的误差最小。
确定预测时间间隔，对预测日前一天的对应时刻进行信息采集处理(对应时刻极小时间段内选取有效且有代表性的数据)，算出预测日前一天和当天的综合影响因子，将它们作为输入对网络进行训练直到均方根误差(RMES)和相关系数(R2)满足要求。
进行光伏功率预测，找出功率波动较大的时间段。缩短预测时间间隔，增加网络隐含层层数，并以该时段前一天和当日的综合影响因子为输入进行预测。
将预测曲线告知电网调度部门，让其及时知晓光伏发电的波动情况，通过与其他能源进行互补，或者与储能系统配合使用等，达到消峰填谷，平滑功率输出的目的，提高光伏发电系统并网运行的优越性。
Claims (3)
1.本发明公开了一种基于信息融合理论的BP神经网络光伏功率预测方法，其特征包括信息融合和BP神经网络预测。其中：
所述信息融合，用以将各种影响光伏发电的因子都考虑进来。
所述BP神经网络预测，利用BP网络的优势进行光伏功率预测。
2.根据权利要求1所述的一种基于信息融合理论的BP神经网络光伏功率预测方法，所述信息融合特征具体包括：
充分考虑各种影响因子，包括人为干扰因素等对影响因子的作用；
通过Person相似度距离分析法得出其相关性；
信息融合成一个影响因子，以减少BP网络的输入变量，在降低模型的复杂度的同时充分考虑了各个影响因子对光伏功率的关联。
3.根据权利要求1所述的一种基于信息融合理论的BP神经网络光伏功率预测方法，所述BP神经网络光伏功率预测特征具体包括：
对输入变量进行信息筛选，利用有效数据进行训练，避免训练陷入局部极小；
利用BP神经网络参数可调的特性，对一些波动较大的时段，缩短预测间隔，增加隐含层层数，牺牲部分时间来换取预测的精准；
采用改进的粒子群算法对网络参数进行优化，加强训练的质量和速度，控制部分采用时变非线性的三角控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711094391.8A CN108364084A (zh) | 2017-11-08 | 2017-11-08 | 一种基于信息融合理论的bp神经网络光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711094391.8A CN108364084A (zh) | 2017-11-08 | 2017-11-08 | 一种基于信息融合理论的bp神经网络光伏功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108364084A true CN108364084A (zh) | 2018-08-03 |
Family
ID=63010144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711094391.8A Pending CN108364084A (zh) | 2017-11-08 | 2017-11-08 | 一种基于信息融合理论的bp神经网络光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108364084A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376863A (zh) * | 2018-11-02 | 2019-02-22 | 国网浙江省电力有限公司宁波供电公司 | 基于miv-bp神经网络的光伏功率短期分类预测方法 |
| CN111339157A (zh) * | 2020-02-20 | 2020-06-26 | 南方电网科学研究院有限责任公司 | 一种配电网日运行效率计算及预测方法、系统及设备 |
| CN112686472A (zh) * | 2021-01-22 | 2021-04-20 | 国网河南省电力公司许昌供电公司 | 一种分布式光伏等效电站的功率预测方法 |
| CN114825418A (zh) * | 2022-06-07 | 2022-07-29 | 北京信云筑科技有限责任公司 | 一种多能柔性互补数字化供电管理方法 |
| CN116544983A (zh) * | 2023-07-06 | 2023-08-04 | 广州市虎头电池集团股份有限公司 | 风光发电储能系统及其优化配置方法 |
| CN116542882A (zh) * | 2023-07-06 | 2023-08-04 | 浙江大学 | 光伏发电平滑方法、系统和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
| CN105719101A (zh) * | 2016-02-29 | 2016-06-29 | 胡国旺 | 光伏系统发电功率预测方法 |
| CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
| CN106251001A (zh) * | 2016-07-18 | 2016-12-21 | 南京工程学院 | 一种基于改进模糊聚类算法的光伏功率预测方法 |
-
2017
- 2017-11-08 CN CN201711094391.8A patent/CN108364084A/zh active Pending
Patent Citations (4)
| 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 |
| CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
| CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
| CN106251001A (zh) * | 2016-07-18 | 2016-12-21 | 南京工程学院 | 一种基于改进模糊聚类算法的光伏功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 代倩等: "基于气象因子的神经网络模型在光伏发电预测中的应用研究", 《中国气象学会.第27届中国气象学会年会气候资源应用研究分会场论文集》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376863A (zh) * | 2018-11-02 | 2019-02-22 | 国网浙江省电力有限公司宁波供电公司 | 基于miv-bp神经网络的光伏功率短期分类预测方法 |
| CN111339157A (zh) * | 2020-02-20 | 2020-06-26 | 南方电网科学研究院有限责任公司 | 一种配电网日运行效率计算及预测方法、系统及设备 |
| CN111339157B (zh) * | 2020-02-20 | 2023-05-16 | 南方电网科学研究院有限责任公司 | 一种配电网日运行效率计算及预测方法、系统及设备 |
| CN112686472A (zh) * | 2021-01-22 | 2021-04-20 | 国网河南省电力公司许昌供电公司 | 一种分布式光伏等效电站的功率预测方法 |
| CN112686472B (zh) * | 2021-01-22 | 2022-09-20 | 国网河南省电力公司许昌供电公司 | 一种分布式光伏等效电站的功率预测方法 |
| CN114825418A (zh) * | 2022-06-07 | 2022-07-29 | 北京信云筑科技有限责任公司 | 一种多能柔性互补数字化供电管理方法 |
| CN116544983A (zh) * | 2023-07-06 | 2023-08-04 | 广州市虎头电池集团股份有限公司 | 风光发电储能系统及其优化配置方法 |
| CN116542882A (zh) * | 2023-07-06 | 2023-08-04 | 浙江大学 | 光伏发电平滑方法、系统和存储介质 |
| CN116542882B (zh) * | 2023-07-06 | 2023-09-19 | 浙江大学 | 光伏发电平滑方法、系统和存储介质 |
| CN116544983B (zh) * | 2023-07-06 | 2024-02-27 | 广州市虎头电池集团股份有限公司 | 风光发电储能系统及其优化配置方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108364084A (zh) | 一种基于信息融合理论的bp神经网络光伏功率预测方法 | |
| CN106410861B (zh) | 一种基于可调度能力的微电网优化运行实时控制方法 | |
| CN106451550B (zh) | 一种基于改进次梯度粒子群的微电网并网优化调度方法 | |
| CN107910863B (zh) | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 | |
| GB2596240A (en) | Coordinated control of renewable electric generation resource and charge storage device | |
| CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
| CN103218673A (zh) | 基于bp神经网络的光伏发电短期出力预测方法 | |
| CN107947165A (zh) | 一种面向调节需求的配电网灵活性评价方法 | |
| CN103631234B (zh) | 一种梯级水电集控站自动化系统的智能优化调度方法 | |
| CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
| CN111340299B (zh) | 一种微电网多目标优化调度方法 | |
| CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
| CN103390200A (zh) | 基于相似日的光伏电站发电输出功率预测方法 | |
| CN108695857B (zh) | 风电场自动电压控制方法、装置及系统 | |
| CN106532751B (zh) | 一种分布式电源能效优化方法及系统 | |
| CN113708365B (zh) | 一种基于端边云架构的虚拟电厂能源管控优化方法及系统 | |
| CN105356492A (zh) | 一种适用于微电网的能量管理仿真系统及方法 | |
| CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
| CN103295077B (zh) | 一种考虑预测误差分布特性的风电场集群调度方法 | |
| CN118214006A (zh) | 一种考虑需求响应和合作博弈的交直流微网优化运行方法 | |
| CN115733191A (zh) | 一种源网荷储系统互动协调优化方法、系统及存储介质 | |
| CN107734020B (zh) | 一种多个光伏发电站数据传输拥堵的协调运行方法 | |
| CN109978277A (zh) | 光伏发电中区域上网负荷预测方法及装置 | |
| CN108846529A (zh) | 一种发电量预测系统 | |
| CN117728414A (zh) | 适配于功率溢出型电源的配电网优化和评估方法和系统 |
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 |
Application publication date: 20180803 |
|
| WD01 | Invention patent application deemed withdrawn after publication |