CN108537359A - 基于小波分析和bp神经网络的光伏发电功率预测 - Google Patents
基于小波分析和bp神经网络的光伏发电功率预测 Download PDFInfo
- Publication number
- CN108537359A CN108537359A CN201810164283.1A CN201810164283A CN108537359A CN 108537359 A CN108537359 A CN 108537359A CN 201810164283 A CN201810164283 A CN 201810164283A CN 108537359 A CN108537359 A CN 108537359A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- day
- neural network
- generation power
- wavelet coefficient
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 92
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 238000010248 power generation Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000002592 echocardiography Methods 0.000 claims description 60
- 230000002354 daily effect Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 16
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000013144 data compression Methods 0.000 abstract 1
- 238000013507 mapping Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 241000510442 Ratibida peduncularis Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000000007 visual effect Effects 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)
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于小波分析和BP神经网络的光伏发电功率预测的方法。本方法对光伏发电功率数据进行相似日分类，通过对相似日光伏发功率进行小波分解及阈值处理，得到稀疏化后的相似日的光伏发电功率小波系数；以相似日的光伏发电功率小波系数和气象数据作为BP神经网络的输入，BP神经网络的输出为待预测日的光伏发电功率小波系数，对神经网络进行训练，用于发电功率小波系数的预测。将小波系数重构后得到待预测日的光伏发电功率。其中，小波变换可以实现数据压缩和降噪，BP神经网络有很强的自主学习能力、泛化能力和非线性映射能力，将二者结合可以利用其优点提高预测精度和改善神经网络的收敛速度，降低了神经网络的时间复杂度。
Description
技术领域
本发明涉及基于小波分析和BP神经网络的光伏发电功率预测，可用于运用小波分析理论和神经网络理论对光伏发电功率进行预测。
背景技术
太阳能发电是一种高效的太阳能利用模式，光伏发电的能量来源于太阳的光照，由于光伏发电量受光照强度、环境温度、空气质量等环境因素的影响而具有不稳定性。同时，光伏组件将太阳能转换为电能然后输出的这个过程会受电力设备和人为因素的影响，导致光伏出力具有波动性和间歇性，这种随机性和不连续性降低了光伏发电并网系统的稳定性，而且，光伏发电系统的出力随着自然规律的变化具有非常强的周期性，当光伏发电系统接入电网时，会周期性地对电网产生冲击，这将威胁电网的安全和稳定。因此，对光伏发电系统输出功率进行预测有以下意义：
(1)有助于电力系统运行人员制定经济合理的供电计划和维持电网供需平衡，同时，可减轻光伏发电系统并网后对电网造成的不利影响，减少电力系统的不稳定性，提高电力系统的安全性。
(2)电网调度配合光伏发电功率预测，可优化电网的运行，提高新能源消纳程度，减少设备出现故障或检修时，为维持电力市场平稳而增设的旋转备用容量，降低对化石燃料的燃烧成本，有利于协调和控制电网中的其它能源发电出力。
(3)光伏发电功率预测对光伏发电运营商来说，可以充分利用光伏发电站的发电容量来提高经济利益和增大投资回报率，同时，设备检修人员可以根据预测结果制定出合理的发电设备维护和检修计划，使电站更有效益的运行，减少了不必要的经济损失和惩罚，而且为电力市场中的间歇性电源的投入创造了很好的条件，提高了光伏产业的市场竞争力。
目前，光伏发电功率预测常用的预测方法可分为两大类：(1)直接预测法又称为统计法，是对光伏发电系统的输出功率进行直接预测的方法；(2)间接预测法又称为物理法，根据光电转换效率计算公式，首先预测太阳辐射，然后计算得出光伏发电输出功率。
直接预测法相比间接预测法的优点是不需要发电站详细地理坐标、功率曲线和任何与光电转换参数相关联的数据，只需要历史运行数据，直接预测法以这些优势，广泛地应用于光伏发电系统输出功率的预测中，常见的智能预测方法有：神经网络预测法、小波神经网络预测法等。
其中，神经网络预测法是利用气象数据和相似日的光伏发电功率作为BP神经网络的输入，BP神经网络的输出为待预测日的光伏发电功率。但是，BP神经网络有以下两个缺点：
(1)BP算法的原理是最速下降法，同时BP算法为局部搜索的优化方法，当所处理的问题非常复杂时，BP神经网络效率低下，容易陷入局部极值，导致训练失败。
(2)BP神经网络的结构难以确定，尤其是对隐含层的选择，包括对隐含层的层数选择和神经元个数的选择，没有权威的理论指导，只能依靠经验知识和试凑法确定，难以实例化一个最优的BP神经网络。
所以神经网络预测法预测精度低，神经网络收敛速度慢。为了解决这一问题，引入了小波分析的多分辨率分析技术，将小波分析的多分辨率分析以及BP神经网络相结合的预测方法称之为基于小波分析和BP神经网络的光伏发电功率预测。小波分析在信号的时域和频域上都可以表现出局部化特征，相比于傅里叶分析和短时傅里叶分析，小波分析对非平稳信号的处理能呈现最佳的分析结果。多分辨分析的核心内容是小波分解和重构，对信号进行多分辨分析时：小波分解过程是将信号分解为低频信号和高频信号，然后再将低频信号进一步分解为低频信号和高频信号，重复此过程得到任意尺度上的低频信号和高频信号；小波重构过程是小波分解过程的逆过程，是将分解得到的任意尺度上的低频信号和高频信号进行递归重构恢复原信号。小波的多分辨分析理论为实现信号的压缩提供了可能，以正交小波序列为基函数对信号函数进行离散小波变换时，可以实现信号的多分辨分解，得到低频系数和高频系数，低频系数表示信号的大体轮廓，同时，信号的主要能量集中在低频部分，高频系数表示信号的细节。
所以，基于小波分析和BP神经网络的光伏发电功率预测的方法节省了训练时间，提高了收敛速度，降低了神经网络的时间复杂度，同时提高了预测精度。
发明内容
本发明解决的技术问题是：采用BP神经网络和小波分析中多分辨率分析技术，对相似日的气象数据和相似日光伏发电功率小波系数进行学习，从而得到待预测日的日光伏发电功率系数，利用小波重构技术得到待预测日的日光伏发电功率。此方法可以在提高神经网络收敛速度和预测精度的同时，降低了时间复杂度。
本发明技术解决方案的特点在于包括下列步骤：
步骤一：利用灰色关联分析法对光伏发电功率数据进行相似日的聚类选取出相似日；
步骤二：对步骤一所得相似日的光伏发电功率进行采样，根据小波是否具有正交性、双正交性以及能否进行离散小波变换，从任意类型的小波中选取合适的n种小波函数及其阈值，对采样数据利用n种小波进行小波分解和阈值处理，最后对稀疏化后的小波系数进行实验仿真，对所得结果理论分析，得到最优小波函数和阈值；
步骤三：利用步骤二的最优小波函数和阈值，对相似日光伏发电功率数据进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后利用最优阈值进行阈值处理，得到稀疏化后的小波系数；
步骤四：输入步骤三所得稀疏化后的相似日光伏发电功率小波系数、相似日日最高气温、相似日日最低气温、待预测日日最高气温、待预测日日最低气温，BP神经网络进行训练，得到网络结构；
步骤五：利用步骤四得到的网络结构，输入相似日的日最高气温、相似日的日最低气温、待测日的日最高气温、待测日的日最低气温和相似日的光伏发电功率小波系数，得到待预测日的光伏发电小波系数；
步骤六：将步骤五得到的光伏发电功率小波系数重构得到待测日的光伏发电功率。
本发明的原理是：利用灰色关联分析法对光伏发电功率数据进行相似日的聚类选取出相似日之后，对这些相似日的光伏发电功率值进行采样。再根据需求选取合适的小波函数及阈值，通过仿真选取出最优小波函数和阈值。以相似日的气象数据为基础，将相似日光伏发电功率数据进行小波分解，经过归一化处理和阈值处理得到稀疏化后的小波系数。接着输入相似日光伏发电功率小波系数和气象数据，BP网络进行训练。再以相似日的光伏发电功率小波系数，以及相似日的日最高气温、日最低气温和待预测日的日最高气温、日最低气温作为输入得到待预测日光伏发电功率系数，通过小波重构原理得到待预测日光伏发电功率。
本发明与现有技术相比的优点在于：传统的预测方法是利用气象数据和相似日的光伏发电功率作为BP神经网络的输入，BP神经网络的输出为待预测日的光伏发电功率，该方法预测精度低，神经网络收敛速度慢。而引入了小波分析后，则将相似日的光伏发电功率小波系数和气象数据作为BP神经网络的输入，BP神经网络的输出为待预测日的光伏发电功率小波系数，将小波系数重构后得到待预测日的光伏发电功率。该方法节省了训练时间，提高了收敛速度，降低了神经网络的时间复杂度，同时提高了预测精度。
附图说明
图1为本发明算法的解算流程图。
图2为BP神经网络结构。
图3为8月1日重构信号与原信号图。
图4为8月4日重构信号与原信号图。
图5为8月5日重构信号与原信号图。
图6为8月7日重构信号与原信号图。
图7为基于小波分析和BP神经网络的预测模型。
图8为基于小波分析和BP神经网络的预测的误差曲线。
图9为基于小波分析和BP神经网络的光伏发电功率预测仿真图。
具体实施方式
步骤一：利用灰色关联分析法对光伏发电功率数据进行相似日的聚类选取出相似日；
步骤二：对步骤一所得相似日的光伏发电功率进行采样，根据小波是否具有正交性、双正交性以及能否进行离散小波变换，从任意类型的小波中选取合适的n种小波函数及其阈值，对采样数据利用n种小波进行小波分解和阈值处理，最后对稀疏化后的小波系数进行实验仿真，对所得结果理论分析，得到最优小波函数和阈值；
不同的小波，对同一信号进行小波变换时，得到的小波变换结果会有差异，所以，选择合适的小波对信号进行小波分析很有必要。
选取一种小波，以天为单位，将M个相似日进行从1、2、3...进行编号，对M个相似日的从时刻A到时刻B每隔t分钟的光伏发电功率共C个数据进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后通过阈值处理，将小于阈值的小波系数置为零，得到稀疏度为K的小波系数，然后对稀疏度为K的小波系数进行重构，恢复原信号，得到其稀疏度K和重构后原始信号与重构信号的相对误差，相对误差计算公式为：相对误差＝|×1-×2|/|×1|(×1为原始信号，×2为重构信号)。
对不同类型的N种小波分别使用上述分解方法和重构方法，得到不同的稀疏度K值和不同的相对误差值。通过比较不同稀疏度和相对误差可知：在相同小波的条件下，随着阈值的增大，小波系数越稀疏，压缩率越大，重构信号和原信号的相对误差越大，而且考虑在增大压缩率的同时，需保证在利用少量的小波系数做预测时其预测精度。
步骤三：利用步骤二的最优小波函数和阈值，对相似日光伏发电功率数据进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后利用最优阈值进行阈值处理，得到稀疏化后的小波系数；
稀疏化的方法类似于步骤二。
步骤四：输入步骤三所得稀疏化后的相似日光伏发电功率小波系数和气象数据，BP神经网络进行训练，得到网络结构；
BP神经网络是基于反向传播(Back-Propagation，BP)学习算法的前馈神经网络，其结构图1所示。它为一个具有一个隐含层、一个输入层和一个输出层的多层感知器的结构。图中X为M维输入节点向量，Z为H维隐含层节点向量，Y为N维输出节点向量，Wij为输入层第i个神经元与隐含层第j个神经元的连接权值，Wjk为隐含层第j个神经元与输出层第k个神经元的连接权值，设W1和W2分别为输入层到隐含层和隐含层到输出层的连接权值，b1和b2分别表示隐含层和输出层的阈值。
在网络学习训练过程中，BP算法的主要思想是工作信号是从输入层到输出层正向传播，误差信号是从输出层到输入层反向传播，调节修正网络的权值和阈值，减小网络实际输出与期望输出之间的误差，其中，权值调整量ΔW＝η·δ·v(η为学习率，δ为局部梯度，v为上一层输出信号)。
对BP神经网络进行训练之前，首先利用选取的最优小波函数和阈值，以天为单位，将M个相似日进行从1、2、3...进行编号，对M个相似日的从时刻A到时刻B每隔t分钟的光伏发电功率共C个数据进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后通过阈值处理，将小于阈值的小波系数置为零，得到稀疏度为K的小波系数，选取他们小波系数相同位置上不为零的小波系数共D个作为训练样本进行训练学习。
将M个相似日进行从1、2、3...进行编号后，以第m(m＜M)天的日最高气温、日最低气温和第m+1天的日最高气温、日最低气温共4个数据作为气象数据输入，同时输入层还包括第m天的D个光伏发电功率小波系数，故输入层总个数为E＝D+4；采用BP神经网络，输出层神经元个数为F＝D，神经网络的隐含层节点数由(a是[0，10]之间的常数)和试凑法得到；以第m+1天的真实光伏发电功率小波系数作为参照，对比BP神经网络预测得到的第m+1天的光伏发电功率小波系数，将得到的误差作为反馈，再进行下一次网络训练。
步骤五：利用步骤四得到的网络结构，输入相似日的日最高气温、相似日的日最低气温、待测日的日最高气温、待测日的日最低气温和相似日的光伏发电功率小波系数，得到待预测日的光伏发电小波系数；
选取编号为M的相似日的光伏发电功率小波系数、日最高气温、日最低气温、待预测日的日最高气温和日最低气温作为神经网络的输入，预测待预测日的光伏发电功率小波系数，将预测得到的光伏发电功率小波系数进行小波重构可得到待预测日的光伏发电功率值。
步骤六：将步骤五得到的光伏发电功率小波系数重构得到待测日的光伏发电功率。
预测时的时间复杂度为小波变换的时间复杂度与神经网络时间复杂度之和。已知神经网络的输入节点数为E，隐含层节点数为F，输出节点数为函数为log-sigmoid函数，神经网络的时间复杂度计算如下：
a.输入层到隐含层：执行乘法次数为(E+1)H，执行加法次数为EH
b.隐含层：执行log-sigmoid函数次数为H
c.隐含层到输出层：执行乘法次数为(H+1)F，执行加法次数为FH
d.输出层：执行log-sigmoid函数次数为F
执行总时间为：
T＝[(E+1)H+(H+1)F]t1+(EH+FH)t2+(H+F)t3＝(EH+FH)(t1+t2)+(F+H)(t1+t3)，计算机上执行一次加减法所需时间t1，计算一次乘除法所需时间t2，执行一次log-sigmoid函数所需时间t3，都可以看作常数，故该神经网络的时间复杂度为O(EH+FH+F+H)。
已知，光伏发电功率数据为L×1维，则其小波变换的时间复杂度为0(L)。该预测模型的总时间复杂度为：(EH+FH+F+H)+O(L)。
实例分析
本发明采用的是solar Radiation Monitoring Laboratory，University ofOregon[Online]网站数据进行仿真。选取的是Portl and地区的2015年8月份太阳能光伏发电数据。数据中包括太阳辐射强度、环境温度、平均风速、风向、光伏发电功率等。太阳能板倾斜角度为30度，方向朝南，光伏发电功率值和气象数据分别选取每天从6：00到19：00每间隔5分钟的157个数据。以8月1日～8月10日的太阳能光伏发电数据为例，对光伏发电功率进行预测。
(一)选取最优小波
常见的小波函数有haar小波、dbN小波、symN小波、coifN小波、biorNr.Nd小波、Morlet小波、Me×icanhat小波等。haar小波、dbN小波、symN小波、coifN小波都有正交性和双正交性，biorNr.Nd小波无正交性但具有双正交性，都可以进行离散小波变换，Morlet小波和Mexicanhat小波无正交性和双正交性，且不能进行离散小波变换，所以将从haar小波、dbN小波、symN小波、coifN小波、biorNr.Nd小波中选取合适的小波函数。
利用各种小波(haar小波、dbN小波、symN小波、coifN小波、biorNr.Nd小波)分别对历史日中的8月1日、8月4日、8月5日、8月7日从6：00到19：00每间隔5分钟的光伏发电功率共157个数据进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后通过阈值处理，将小于阈值的小波系数置为零，得到稀疏度为K的小波系数，然后对稀疏度为K的小波系数进行重构，恢复原信号。
haar小波、dbN小波、symN小波、coifN小波、biorNr.Nd小波对8月1日的光伏发电功率数据处理得到的稀疏度和重构误差结果如表1～表8所示。
表1 haar小波和dbN小波分解8月1日数据的稀疏度
表2 haar小波和dbN小波分解8月1日数据的重构误差
表3 symN小波分解8月1日数据的稀疏度
表4 symN小波分解8月1日数据的重构误差
表5 coifN小波分解8月1日数据的稀疏度
表6 coifN小波分解8月1日数据的重构误差
表7 biorNr.Nd小波分解8月1日数据的稀疏度
表8 biorNr.Nd小波分解8月1日数据的重构误差
haar小波、dbN小波、symN小波、coifN小波、biorNr.Nd小波对8月4日的光伏发电功率数据处理得到的稀疏度和重构误差结果如表9～表16所示。
表9 haar小波和dbN小波分解8月4日数据的稀疏度
表10 haar小波和dbN小波分解8月4日数据的重构误差
表11 symN小波分解8月4日数据的稀疏度
表12 symN小波分解8月4日数据的重构误差
表13 coifN小波分解8月4日数据的稀疏度
表14 coifN小波分解8月4日数据的重构误差
表15 biorNr.Nd小波分解8月4日数据的稀疏度
表16 biorNr.Nd小波重构8月4日数据的重构误差
haar小波、dbN小波、symN小波、coifN小波、biorNr.Nd小波对8月5日的光伏发电功率数据处理得到的稀疏度和重构误差结果如表17～表24所示。
表17 haar小波和dbN小波分解8月5日数据的稀疏度
表18 haar小波和dbN小波分解8月5日数据的重构误差
表19 symN小波分解8月5日数据的稀疏度
表20 symN小波分解8月5日数据的重构误差
表21 coifN小波分解8月5日数据的稀疏度
表22 coifN小波分解8月5日数据的重构误差
表23 biorNr.Nd小波分解8月5日数据的稀疏度
表24 biorNr.Nd小波分解8月5日数据的重构误差
haar小波、dbN小波、symN小波、coifN小波、biorNr.Nd小波对8月7日的光伏发电功率数据处理得到的稀疏度和重构误差结果如表25～表32所示。
表25 haar小波和dbN小波分解8月7日数据的稀疏度
表26 haar小波和dbN小波分解8月7日数据的重构误差
表27 symN小波分解8月7日数据的稀疏度
表28 symN小波分解8月7日数据的重构误差
表29 coifN小波分解8月7日数据的稀疏度
表30 coifN小波分解8月7日数据的重构误差
表31 biorNr.Nd小波分解8月7日数据的稀疏度
表32 biorNr.Nd小波分解8月7日数据的重构误差
分析总结：
1)在相同小波的条件下，随着阈值的增大，小波系数越稀疏，压缩率越大，重构信号和原信号的相对误差越大。
2)在不同小波的条件下，当阈值为0.1时，小波系数稀疏度K的范围为64～164，重构信号与原信号的相对误差范围为0.0242～0.1328，；当阈值为0.3时，小波系数稀疏度K的范围在54～59，重构误差与原信号的相对误差范围在0.0838～0.2746；当阈值为0.5时，小波系数稀疏度K的范围为50～51，重构信号与原信号的相对误差范围在0.2008～0.3246。
3)考虑在增大压缩率的同时，需保证在利用少量的小波系数做预测时其预测精度，将阈值设为0.1较合理，当阈值为0.1时，8月1日的小波系数稀疏度最小为67；其可实现的小波有sym4、coif1、coif2、coif3、bior2.2、bior2.4；8月4日的小波系数稀疏度最小为65，可实现的小波有coif1、coif2、coif3、coif4、bior2.2、bior2.4；8月5日的小波系数稀疏度最小为76，可实现的小波为bior2.2；8月7日的小波系数稀疏度最小为64，可实现的小波为db3、db4、sym3，而小波为bior2.2时，8月7日的小波系数稀疏度为65。因此，选取bior2.2为最优小波函数。
4)当阈值为0.1，小波函数为bior2.2时，8月1日小波系数不为零的位置为10～76，8月4日小波系数不为零的位置为10～74，8月5日小波系数不为零的位置为4～74、92、100、109、139、141，8月7日小波系数不为零的位置为10～74，则其不为零的相同位置为10～74，现利用位置10～74的小波系数(系数个数为65个)分别对8月1日、8月4日、8月5日、8月7日的光伏发电功率进行重构，重构信号与原信号的对比图如图2、3、4、5所示，重构信号与原信号的相对误差如表33所示。
表33 重构信号与原信号的相对误差
| 日期 | 8月1日 | 8月4日 | 8月5日 | 8月7日 |
| 相对误差 | 0.0425 | 0.0325 | 0.1621 | 0.0245 |
由图2、3、4、5和表33可知，8月1日、8月4日和8月7日重构信号能呈现原信号的变化趋势，并能很好地与原信号吻合，重构信号与原始信号的相对误差较小，分别为0.0425，0.0325，0.0245，而8月5日重构信号可呈现原信号的变化趋势，但波动性较大，不能与原信号完全吻合，其重构误差较大为0.1621，在可接受范围内。从8月5日原始信号曲线来看，当天的光伏发电输出功率受干扰因素的影响波动性大，导致8月5日小波系数不为零的位置为4～74、92、100、109、139、141，位置分散不集中，而8月1日小波系数不为零的位置为10～76，8月4日小波系数不为零的位置为10～74，8月7日小波系数不为零的位置为10～74，相对集中，取8月1日、8月4日、8月5日和8月7日相同位置10～74上的小波系数进行小波重构时，8月5日重构信号势必不会与原信号完全吻合，相对误差大，而8月1日、8月4日和8月7日不受影响，重构信号与原信号能很好吻合，相对误差小。
压缩率计算结果为1-65/157≈0.5860，说明当阈值为0.1，小波函数为bior2.2时，信号经小波分解和阈值处理后，数据量下降了58.60％，取得了很好的压缩结果。综上所述，在增大压缩率的同时，需保证在利用少量的小波系数做预测时其预测精度，将阈值设为0.1较合理，理论上，影响信号压缩和重构的两个关键因素是小波的消失矩和正则性，消失矩使尽量多的小波系数为零，提取少量的小波系数，增大压缩率，正则性对小波重构和信号的恢复有很大影响，正则性越好，舍入误差越小，对视觉效果造成的影响越小，但是，这二者都会影响小波的支撑长度，支撑长度又会影响计算复杂度，普遍情况下，正则性好，消失矩大，支撑长度就越长，计算复杂度越高，所以在这三者之间要折中处理，bior2.2小波是双正交紧支撑小波，具有正则性，其消失矩阶数为1，所以，从理论角度，光伏发电功率数据用bior2.2小波进行分解和重构是可行的，实验仿真结果也得到了证明。最终，最优阈值选为0.1，最优小波函数选为bior2.2。
(二)BP神经网络学习
仿真结果分析，最优小波函数为bior2.2小波，最优阈值为0.1。对BP神经网络进行训练之前，首先对8月1日、8月4日、8月5日、8月7日从6：00到19：00每间隔5分钟的157个光伏发电功率数据用bior2.2小波进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后通过阈值处理，将小于阈值的小波系数置为零，得到稀疏度为K的小波系数，选取他们小波系数相同位置上不为零的小波系数作为训练样本，分析总结得出相同位置上不为零的小波系数有65个。
(三)预测待预测日的光伏发电功率值
训练完成后，用8月7日的光伏发电功率小波系数、8月7日的日最高气温、8月7日的日最低气温、8月10日的日最高气温和8月10日的日最低气温作为神经网络的输入，预测8月10日的光伏发电功率小波系数，将预测得到的光伏发电功率小波系数进行小波重构可得到待预测日的光伏发电功率值。
神经网络的输入层神经元个数为65+4＝69，即E＝69，神经网络的输出层神经元个数为65，即F＝65，神经网络的隐含层节点数由(a是[0，10]之间的常数)和试凑法得H＝12。
利用MATLAB R2012b平台，对上述模型进行仿真，其结果如下：
(1)BP神经网络训练过程中，BP神经网络的最大迭代次数设置为5000次，误差(期望输出和实际输出之间的误差)容限为0.01，其误差曲线如图5所示，训练过程停止迭代时所需的迭代次数和停止迭代时的期望输出和实际输出的误差如表2所示，训练过程中停止迭代时，迭代次数为2136次，少于预设的最大迭代次数，期望输出与实际输出误差为0.009998，小于误差容限。
表1 迭代次数与误差
| 迭代次数 | 误差 |
| 2136 | 0.009998 |
(2)预测时，8月10日的实际光伏发电功率值与预测光伏发电功率值对比如图8所示。
(四)预测时的时间复杂度
预测时的时间复杂度为小波变换的时间复杂度与神经网络时间复杂度之和。已知神经网络的输入节点数为E＝69，隐含层节点数为F＝65，输出节点数为函数为log-sigmoid函数，神经网络的时间复杂度计算如下：
a.输入层到隐含层：执行乘法次数为(E+1)H，执行加法次数为EH
b.隐含层：执行log-sigmoid函数次数为H
c.隐含层到输出层：执行乘法次数为(H+1)F，执行加法次数为FH
d.输出层：执行log-sigmoid函数次数为F
执行总时间为：
T＝[(E+1)H+(H+1)F]t1+(EH+FH)t2+(H+F)t3＝(EH+FH)(t1+t2)+(F+H)(t1+t3)计算机上执行一次加减法所需时间t1，计算一次乘除法所需时间t2，执行一次log-sigmoid函数所需时间t3，都可以看作常数，故该神经网络的时间复杂度为O(EH+FH+F+H)。
已知，光伏发电功率数据为L×1维，则其小波变换的时间复杂度为0(L)。该预测模型的总时间复杂度为：O(EH+FH+F+H)+O(L)。
综上所述，基于小波分析和BP神经网络为预测模型时，神经网络在训练过程中达到迭代次数2136时停止训练，此时的期望输出与实际输出的误差为0.009998，神经网络预测时预测误差为0.2434。
由基于BP神经网络的光伏发电功率预测仿真结果与基于小波分析和BP神经网络的光伏发电功率预测仿真结果可知：
(1)以BP神经网络为预测模型时，神经网络在学习训练过程中的迭代次数达到预设的最大次数5000次才停止，等于预设的迭代次数，此时的期望输出与实际输出的误差为0.013252，大于预设的误差容限，神经网络预测时，预测误差为0.2872，时间复杂度为O(EH+FH+F+H)。
(2)当结合小波分析和BP神经网络为预测模型时，神经网络在学习训练过程中达到迭代次数为2136次停止迭代，少于预设的迭代次数，此时的期望输出与实际输出的误差为0.009998，小于预设的误差容限，神经网络预测时，预测误差为0.2434，时间复杂度为O(EH+FH+F+H)＝O(1685)。
当结合小波分析和BP神经网络为预测模型时可以改善神经网络的收敛速度，提高预测精度，这与小波变换可实现压缩和降噪有关。由于引入小波分析和没引入小波分析的预测模型相比，维数大大降低，所以时间复杂度会减少。虽然时间复杂度的表达式都为O(EH+FH+F+H)，但是，由于引入了小波变换和阈值处理后的小波系数将大大减小没有引入小波分析的神经网络的输入节点数为E＝161，隐含层节点数为F＝157，神经网络的隐含层节点数H＝18；引入小波分析的神经网络的输入节点数为E＝69，隐含层节点数为F＝69，神经网络的隐含层节点数H＝12；没有引入小波分析的时间复杂度为O(5899)；引入小波分析后的时间复杂度为O(1685)。所以，将少量的小波系数作为神经网络的输入，实现了对神经网络的结构进行降维，即输入层的神经元个数、隐含层的神经元个数和输出层的神经元个数都会减少，降低了时间复杂度。
Claims (5)
1.基于小波分析和BP神经网络的光伏发电功率预测，其特征在于包括下列步骤：
步骤一：对光伏发电功率数据进行相似日的分类选取出相似日；
步骤二：对步骤一所得相似日的光伏发电功率进行采样，根据小波是否具有正交性、双正交性以及能否进行离散小波变换，从任意类型的小波中选取合适的n种小波函数及其阈值，对采样数据利用n种小波进行小波分解和阈值处理，最后对稀疏化后的小波系数进行实验仿真，对所得结果理论分析，得到最优小波函数和阈值；
步骤三：利用步骤二的最优小波函数和阈值，对相似日光伏发电功率数据进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后利用最优阈值进行阈值处理，得到稀疏化后的小波系数；
步骤四：输入步骤三所得稀疏化后的相似日光伏发电功率小波系数、相似日日最高气温、相似日日最低气温、待预测日日最高气温、待预测日日最低气温，BP神经网络进行训练，得到网络结构；
步骤五：利用步骤四得到的网络结构，输入相似日的日最高气温、相似日的日最低气温、待测日的日最高气温、待测日的日最低气温和相似日的光伏发电功率小波系数，得到待预测日的光伏发电小波系数；
步骤六：将步骤五得到的光伏发电功率小波系数重构得到待测日的光伏发电功率。
2.根据权利要求1所述的基于小波分析和BP神经网络的光伏发电功率预测，其特征在于：所述步骤二中对相似日光伏发电功率进行小波分解和阈值处理，方法是：选取一种小波，对步骤一所得的相似日以天为单位，将M个相似日进行从1、2、3…进行编号，对M个相似日的从时刻A到时刻B每隔t分钟的光伏发电功率共C个数据进行1层小波分解，将小波分解得到的小波系数先进行归一化处理，然后通过阈值处理，将小于阈值的小波系数置为零，得到稀疏度为K的小波系数。
3.根据权利要求1所述的基于小波分析和BP神经网络的光伏发电功率预测，其特征在于：所述步骤二中对稀疏化后的小波系数进行实验仿真并对所得结果理论分析，得到最优小波函数和阈值，方法是：对稀疏度为K的小波系数进行重构，恢复原信号，得到其稀疏度K和重构后原始信号与重构信号的相对误差，相对误差计算公式为：相对误差＝|x1-x2|/|x1|(x1为原始信号，x2为重构信号)。通过比较不同稀疏度和相对误差可知：在相同小波的条件下，随着阈值的增大，小波系数越稀疏，压缩率越大，重构信号和原信号的相对误差越大，而且考虑在增大压缩率的同时，需保证在利用少量的小波系数做预测时其预测精度。
4.根据权利要求1所述的基于小波分析和BP神经网络的光伏发电功率预测，其特征在于：所述步骤四中BP神经网络进行训练，得到网络结构，方法是：将M个相似日进行从1、2、3…进行编号后，以第m(m＜M)天的日最高气温、日最低气温和第m+1天的日最高气温、日最低气温共4个数据作为气象数据输入，同时输入层还包括第m天的D个光伏发电功率小波系数，故输入层总个数为E＝D+4；采用BP神经网络，输出层神经元个数为F＝D，神经网络的隐含层节点数由(a是[0，10]之间的常数)和试凑法得到；以第m+1天的真实光伏发电功率小波系数作为参照，对比BP神经网络预测得到的第m+1天的光伏发电功率小波系数，将得到的误差作为反馈，再进行下一次网络训练。
5.根据权利要求1所述的基于小波分析和BP神经网络的光伏发电功率预测，其特征在于：所述步骤五中利用步骤四得到的网络结构，预测待预测日的光伏发电小波系数，方法是：输入相似日(第M天)的日最高气温、相似日(第M天)的日最低气温、待测日的日最高气温、待测日的日最低气温和相似日的D个光伏发电功率小波系数，神经网络的输入层神经元个数为E＝D+4，神经网络的输出层神经元个数为F＝D，神经网络的隐含层节点数由经验公式(a是[0，10]之间的常数)和试凑法得H的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810164283.1A CN108537359B (zh) | 2018-02-28 | 2018-02-28 | 基于小波分析和bp神经网络的光伏发电功率预测 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810164283.1A CN108537359B (zh) | 2018-02-28 | 2018-02-28 | 基于小波分析和bp神经网络的光伏发电功率预测 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537359A true CN108537359A (zh) | 2018-09-14 |
| CN108537359B CN108537359B (zh) | 2023-04-07 |
Family
ID=63485695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810164283.1A Active CN108537359B (zh) | 2018-02-28 | 2018-02-28 | 基于小波分析和bp神经网络的光伏发电功率预测 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537359B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840629A (zh) * | 2019-01-21 | 2019-06-04 | 南京邮电大学 | 基于小波变换-树突状神经元模型的光伏功率预测方法 |
| CN110826803A (zh) * | 2019-11-06 | 2020-02-21 | 广东电力交易中心有限责任公司 | 一种电力现货市场的电价预测方法及装置 |
| CN111539378A (zh) * | 2020-05-12 | 2020-08-14 | 重庆大学 | 基于变分模态分解和灰色关联分析的机械振动信号特征提取方法 |
| CN111915084A (zh) * | 2020-08-03 | 2020-11-10 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络的混合型光伏发电功率预测方法及系统 |
| CN114219195A (zh) * | 2021-09-22 | 2022-03-22 | 上海电机学院 | 一种区域综合能源容量优化控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN105117975A (zh) * | 2015-08-06 | 2015-12-02 | 国家电网公司 | 一种光伏输出功率值的分频预测方法 |
-
2018
- 2018-02-28 CN CN201810164283.1A patent/CN108537359B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN105117975A (zh) * | 2015-08-06 | 2015-12-02 | 国家电网公司 | 一种光伏输出功率值的分频预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 丁坤等: ""基于提升小波-BP神经网络的光伏阵列短期功率预测"", 《可再生能源》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840629A (zh) * | 2019-01-21 | 2019-06-04 | 南京邮电大学 | 基于小波变换-树突状神经元模型的光伏功率预测方法 |
| CN109840629B (zh) * | 2019-01-21 | 2022-07-15 | 南京邮电大学 | 基于小波变换-树突状神经元模型的光伏功率预测方法 |
| CN110826803A (zh) * | 2019-11-06 | 2020-02-21 | 广东电力交易中心有限责任公司 | 一种电力现货市场的电价预测方法及装置 |
| CN111539378A (zh) * | 2020-05-12 | 2020-08-14 | 重庆大学 | 基于变分模态分解和灰色关联分析的机械振动信号特征提取方法 |
| CN111915084A (zh) * | 2020-08-03 | 2020-11-10 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络的混合型光伏发电功率预测方法及系统 |
| CN114219195A (zh) * | 2021-09-22 | 2022-03-22 | 上海电机学院 | 一种区域综合能源容量优化控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537359B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537359A (zh) | 基于小波分析和bp神经网络的光伏发电功率预测 | |
| Zhou et al. | Multi-energy net load forecasting for integrated local energy systems with heterogeneous prosumers | |
| Niu et al. | Short-term multi-energy load forecasting for integrated energy systems based on CNN-BiGRU optimized by attention mechanism | |
| CN104992248A (zh) | 一种微电网光伏电站发电量组合预测方法 | |
| Mandal et al. | Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques | |
| CN103136598B (zh) | 基于小波分析的月度电力负荷计算机预测方法 | |
| De Giorgi et al. | Error analysis of hybrid photovoltaic power forecasting models: A case study of mediterranean climate | |
| CN107563565B (zh) | 一种考虑气象因素变化的短期光伏分解预测方法 | |
| CN111178616B (zh) | 基于负相关学习和正则化极限学习机集成的风速预测方法 | |
| CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
| Pachauri et al. | Shade dispersion methodologies for performance improvement of classical total cross‐tied photovoltaic array configuration under partial shading conditions | |
| CN105760961A (zh) | 光伏输出功率预测方法和系统 | |
| Wu et al. | An ensemble neural network based on variational mode decomposition and an improved sparrow search algorithm for wind and solar power forecasting | |
| CN111798037B (zh) | 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法 | |
| Zhang et al. | Short-term PV output power forecasting based on CEEMDAN-AE-GRU | |
| CN115828755A (zh) | 微网群参与电网服务的评估方法、装置及可读存储介质 | |
| Noamane et al. | Comparison of the efficiency of ann training algorithms for tracking the maximum power point of photovoltaic field | |
| Zhang et al. | 3-D seismic data recovery via neural network-based matrix completion | |
| Santarisi et al. | Prediction of combined cycle power plant electrical output power using machine learning regression algorithms | |
| Ilyas et al. | (DA-DOPF): A day-ahead dynamic optimal power flow with renewable energy integration in smart grids | |
| Yalcinoz et al. | Constrained economic dispatch with prohibited operating zones: a Hopfield neural network approach | |
| CN106815659A (zh) | 一种基于混合模型的超短期太阳辐射预测方法及其装置 | |
| Li et al. | Extended Kalman filter training of neural networks on a SIMD parallel machine | |
| Galphade | Electrical characterization of a photovoltaic module through artificial neural network: a review | |
| Zhang et al. | A Convolutional Neural Network for Regional Photovoltaic Generation Point Forecast |
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 |