CN108549929B - 一种基于深层卷积神经网络的光伏功率预测方法 - Google Patents
一种基于深层卷积神经网络的光伏功率预测方法 Download PDFInfo
- Publication number
- CN108549929B CN108549929B CN201810269300.8A CN201810269300A CN108549929B CN 108549929 B CN108549929 B CN 108549929B CN 201810269300 A CN201810269300 A CN 201810269300A CN 108549929 B CN108549929 B CN 108549929B
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- deep layer
- photovoltaic power
- layer convolutional
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深层卷积神经网络的光伏功率预测方法，包括：利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为若干个频率分量和一个余项分量；分别排列成二维格式数据；将二维格式的频率分量作为多通道深层卷积神经网络模型的输入并进行预测，及输出一个频率分量预测值总和；将二维格式的余项分量利用单通道深层卷积神经网络模型提取高阶特征，将所提取的高阶特征和气象数据作为支持向量机模型输入并进行预测，及输出一个余项分量的预测值；将频率分量预测值总和与余项分量的预测值相加，得到待预测时刻的光伏功率预测结果。本发明使光伏功率的预测精度明显提升，有效地指导电网调度，保证电力系统安全稳定运行。
Description
技术领域
本发明涉及一种基于深层卷积神经网络的光伏功率预测方法，属于光伏系统的技术领域。
背景技术
随着中国的大力发展，能源消耗和环境污染问题日趋严重，综合经济发展和环境治理、实现可持续发展，成为了国家的一项重要政策。而太阳能作为一种无污染、可再生的清洁能源，使得光伏发电技术得到了广泛的推广和应用。然而太阳能资源极易受天气因素影响，导致光伏发电的输出功率波动较大，导致光伏并网电力系统的运行和调度具有很大的随机性和不确定性。因此，光伏功率预测技术的发展就显得至关重要，精准的预测结果才能够保证电力系统的稳定运行。
光伏功率预测通常使用人工智能算法，包括神经网络，支持向量机等；这些模型通过学习历史功率数据的特征和波动规律，并结合当前的光伏功率和气象数据等，自动预测未来的功率变化趋势。这些人工智能方法设计简单，适用范围广，因而得到了大量推广应用；然而这些方法也存在弊端，诸如模型训练使用的历史数据较少，不能够全面反映数据的特征，容易发生过拟合问题，导致预测精度可靠性降低。
近年来，随着深度学习技术的快速发展，深层神经网络能够更准确、更全面地学习到海量历史数据中的规律，因而在许多应用领域取得了优异成果。在此背景下，使用一种深层的卷积神经网络，以学习光伏功率历史数据的特征，可更准确地预测光伏功率，为电力系统运营调度起到更可靠的指导作用。
发明内容
本发明针对传统光伏预测方法的不足，包括预测精度低、可以训练的样本数量有限等问题，提供一种基于深层卷积神经网络的光伏功率预测方法，基于深度学习技术，该方法结合了深层卷积神经网络模型，能够直接学习大量的历史数据样本信息，使得预测精度进一步提升。
本发明具体采用以下技术方案解决上述技术问题：
一种基于深层卷积神经网络的光伏功率预测方法，包括以下步骤：
利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为具有频率规律的若干个频率分量和一个余项分量；
将所分解得到的每个频率分量和余项分量分别排列成二维格式数据；
将所述二维格式的频率分量输入到多通道深层卷积神经网络模型，进行预测及输出一个频率分量预测值总和；
将所述二维格式的余项分量输入到另一个单通道深层卷积神经网络模型，提取并输出其高阶特征；将高阶特征和气象数据输入到支持向量机模型，进行预测及输出一个余项分量预测值；
将输出的频率分量预测值总和与余项分量预测值相加，得到待预测时刻的光伏功率预测结果。
进一步地，作为本发明的一种优选技术方案，所述方法中利用变分模态分解算法进行模态分解，包括利用交替乘子法求解最小带宽目标函数，其表达为：
其中，ωk为模态的中心频率；uk为模态的包络曲线；t为时间步长；δ(t)为模态的实部；f(t)为待分解的原始信号；为偏微分运算符号；j为虚部符号，k为模态的个数。
进一步地，作为本发明的一种优选技术方案，所述方法中包括对多通道深层卷积神经网络模型构建，具体为：
初始化多通道深层卷积神经网络模型的权值和偏置，通过多通道深层卷积神经网络模型将输入进行逐层计算；
利用基于误差梯度的反向传播算法调整模型中每层网络的权值和偏置，以构建得到多通道深层卷积神经网络模型。
进一步地，作为本发明的一种优选技术方案，，所述方法中通过多通道深层卷积神经网络模型将输入进行逐层计算，包括：
对卷积层进行计算，采用公式：
m＝1,2,…,Co
其中，ym对应第m个卷积层的输出；a为卷积层的激活函数，xi为第i个通道输入，wm为第m个卷积核，bm为偏置值，卷积核的总个数为Co个；
以及，对下采样层进行计算，采用公式：
其中，np是第p个通道的节点个数；xi和分别为第i个和第np个输入；ym是求出的最大值，对应第m个下采样层的输出；Ci是所有输出通道的个数。
进一步地，作为本发明的一种优选技术方案，所述方法中还包括对输出的余项分量预测值与直接预测结果进行比较，计算均方根误差RMSE、绝对百分误差MAPE与反相关系数KR。
本发明采用上述技术方案，能产生如下技术效果：
本发明提供的基于深层卷积神经网络的光伏功率预测方法，具有以下特点：
1)与现有技术相比，能够学习海量光伏功率历史数据的特性，学习结果的适应范围更广，泛化能力更强；
2)将深层卷积神经网络模型引入光伏功率预测领域，充分发挥其多元回归能力和特征提取能力，以降低模型的优化难度；
3)相比于传统的统计预测方法，本发明的方法预测误差指标更小、精度更高，可以推广到多种时间尺度的光伏功率预测中；
4)由于预测精度的提高，预测结果可以为电力系统的运营和调度起到更可靠的指导作用。
因此，本发明的预测方法，其可以应用于光伏发电站规划及可再生能源开发等相关研究，并能够对光伏并网电力系统的调度起到重要的指导作用。本发明的方法相比于传统的多元回归预测方法和深度神经网络预测方法，其光伏功率的预测精度明显提升，能够有效地指导电网调度，进而保证电力系统安全稳定运行。
附图说明
图1为本发明基于深层卷积神经网络的光伏功率预测方法的流程示意图。
图2为本发明分解序列二维重构过程的数据结构示意图。
图3为本发明频率分量预测过程使用的多通道深层卷积神经网络流程图。
图4为本发明余项分量预测过程的卷积特征提取及支持向量机预测流程图。
图5为本发明方法得到的最终预测结果展示图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示，本发明设计了一种基于深层卷积神经网络的光伏功率预测方法，该方法具体包括以下步骤：
利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为具有频率规律的若干个频率分量和一个余项分量；
将所分解得到的每个频率分量和余项分量分别排列成二维格式数据；
将所述二维格式的频率分量输入到多通道深层卷积神经网络模型，进行预测及输出一个频率分量预测值总和；
将所述二维格式的余项分量输入到另一个单通道深层卷积神经网络模型，提取并输出其高阶特征；将高阶特征和气象数据输入到支持向量机模型，进行预测及输出一个余项分量预测值；
将输出的频率分量预测值总和与余项分量预测值相加，得到待预测时刻的光伏功率预测结果。
下面结合具体实施例，详细说明使用本发明中的方法进行光伏功率预测的具体实施过程。以一个100kW容量的光伏阵列为例，按1小时的采样频率获取其从2010年7月至2015年5月、早上6点(6a.m.)到下午7点(7p.m.)的光伏输出功率。将全部这些样本按照时间顺序循环滚动排列成用于卷积神经网络的序列样本数据；由于一个通道的二维输入数据为10×24，因此滚动样本的特征个数为240个，对应一个预测点的样本标签。样本确定后，对其进行划分，其中70％的样本用于模型训练；而剩余30％用于测试模型的预测精度，并计算预测误差指标。而70％的训练样本中，选取20％的样本对不同设定参数的神经网络进行测试，以此确定模型的参数，即深层卷积网络层数为6层、训练样本批数512个、迭代次数500次；其中，神经网络层数为6层，其中3层为卷积层，1层为下采样层，2层为全连接层，卷积层的激活函数为正切函数(tanh)，全连接层的激活函数为高斯函数(sigmoid)。在此基础上，剩余80％的训练样本将得到最终的预测模型。具体实施步骤如下：
1)对训练的样本的光伏功率序列进行分解。使用变分模态分解算法，设置分解模态个数为10，令各个模态的初始频率为0，将序列分解。分解计算过程中需要求解最小带宽目标函数，其公式为：
其中，ωk为模态的中心频率；uk为模态的包络曲线；t为时间步长；δ(t)为模态的实部；f(t)为待分解的原始信号，为偏微分运算符号；j为虚部符号，k为模态的个数。
为了求解该目标函数，使用交替迭代方法计算每个模态的包络曲线u和中心频率f，计算公式为：
其中，u为模态的包络曲线幅值，ω为中心频率，t为时间步长，λ为拉格朗日乘子，α为比例系数。
该公式计算得到第n+1次迭代的包络线u。其中λ为拉格朗日乘子，其意义在于将约束条件纳入目标函数中，以简化公式。同理，第k次迭代计算的中心频率为：
其中，ωk为模态的中心频率，为迭代后的曲线幅值。
经过若干此迭代收敛后，即可得到uk，即待求的调频-调幅(FM-AM)曲线。
特别地，本方法中设置分解模态的个数为10个，其中包括9个频率分量以及1个余项分量，即：
其中，IMF为固有模态频率分量IMF，r为余项分量。
通过所述计算结束后可以得到光伏功率序列的分解结果，包括余项分量r和频率分量IMF1～9。
2)对分解的序列进行二维重构过程，即将所分解得到的每个频率分量和余项分量分别排列成二维格式数据。由于原始的光伏功率序列是按照每小时采样获得的一维序列，在二维重构过程中每个样本选取历史前10天的光伏功率数据，每天包括6a.m.至7p.m.共14个数据点，按照日期和小时对应排列成10×24个点滚动生成二维样本，如图2所示，若要预测当天上午6点的光伏功率，选取前10天上午6点至下午点的光伏功率；若要预测当天上午7点，则向后滚动1小时，以此类推。
3)分别预测频率分量和余项分量两部分，具体的步骤流程图分别图3和图4所示。其中，如图3所示，所述频率分量排列成的二维数据直接使用多通道的深层卷积神经网络模型进行智能预测，并直接输出由9个频率分量预测值组成的一个总和。其中，本方法使用9通道输入的二维深层卷积神经网络模型，每个通道输入10×14的二维数据，输出节点个数为1，代表频率分量总和的预测值。
本发明的多通道深层卷积神经网络模型训练预测过程具体包括：
首先，初始化多通道深层卷积神经网络模型的权值和偏置等可训练参数，本算例中使用了Glorot提出的初始化方法，该方法将权值进行随机初始化，使权值w服从如下公式的均匀分布：
其中，U(·)代表均匀分布函数，nl和nl+1为所权值连接的第l层和第l+1层的节点个数。E(·)为均值，Var(·)为方差。
其次，多通道卷积神经网络模型将输入进行逐层计算，直到最终的输出结果。这种网络模型相比于普通神经网络，使用到了可以在通道间共享的卷积层和下采样层，即包括卷积层的计算和下采样的计算。卷积层计算公式为：
m＝1,2,…,Co
其中，ym对应第m个卷积层的输出；a为卷积层的激活函数，xi为第i个通道输入，wm为第m个卷积核，bm为偏置值，卷积核的总个数为Co个。
以及，下采样层计算公式为：
其中，xi为第i个输入。np是第p个通道的节点个数；xi和分别为第i个和第np个输入；ym是求出的最大值，对应第m个下采样层的输出；Ci是所有输出通道的个数。
然后，使用基于误差梯度的反向传播BP算法调整每层网络的权值和偏置。其中输出层的误差和实际值的误差计算公式为：
其中hi和yi分别代表模型输出的第i个预测值和光伏功率第i个实际值，nbatch为训练批次个数。根据该误差公式可以进行反向传播计算，训练和调整网络的权值和偏置。以权值W为例，其修正公式为：
其中，St(g2)为梯度平方的累计值，使用一个衰减系数ρ进行累加计算，ε为一个小系数，防止分母为零。
特别地，对于卷积层和下采样层，其误差信号反向传递的方式有所不同，以卷积层为例，其误差通过逆卷积的方式传递至上一层，公式为：
m＝1,2,…,Ci
其中，δ是误差信号，逆卷积把误差信号与转置后的卷积核进行叠加，将误差信息向上一层传递。而下采样层则需要通过克罗内克积(Kroneckerproduct)，将误差信号放大到上一层网络的分辨率，以进行权值修正：
其中，Km×n为乘子，代表这种乘积操作，其可以将一个i×j的矩阵放大到im×jn维度，进而匹配上一层的数据尺度。
最终，当达到500次迭代后停止训练，可以将模型用于预测测试集样本数据，得到一个频率分量总和的预测结果，并检验模型的预测精度。
4)预测余项分量。如图4所示，先使用单通道卷积神经网络模型提取余项分量的高阶特征，以减少该分量的数据维度，进而可以加入更多的气象数据；与直接预测频率分量总和的卷积神经网络相比，特征提取神经网络的特点在于输出节点个数不为1，而是等于所需要的高阶特征个数，本算例中，设定输出高阶特征的个数为8。卷积网络提取后，将这8个高阶特征将和气象数据一起作为输入数据，即与温度、风速和日辐射量的滑动平均值进行组合，作为支持向量机模型的输入数据，以此放入支持向量机模型中进行训练，输出为1个预测未来时刻的余项分量预测值。
本发明中，支持向量机的原理在于，通过求解如下的最小间隔目标函数，训练支持向量机模型；所述的支持向量机模型，设置的参数有：核函数为径向基函数(RBF)，超参数优化算法为随机网格搜索法，搜索的参数包括核函数指数g和目标函数惩罚因子C，搜索下限为10-3，上限为103，搜索过程进行5折交叉验证、迭代次数150次。
其通过计算寻找输入数据到输出值之间最小间隔，该最小间隔可以用公式表示为：
其中，w为所有输入数据到输出值的最远距离，C为防止过拟合的惩罚参数，ξi和ξi *为防止过拟合的松弛因子，yi为输出值，(wTxi+b)为输入数据的空间表示；ε是大于零的常数，以防止不等式右侧为零或负值。支持向量机模型训练结束后，可以计算得到一个余项分量的预测值结果。
5)将预测得到的含气象数据的余项分量预测值结果与直接预测结果进行比较，计算均方根误差RMSE、绝对百分误差MAPE与反相关系数KR，公式如下：
其中H代表预测值，Y代表实际值，Cov(·)为协方差函数，Var(·)为方差函数。两种方法进行提前1小时预测的误差比较结果如表1所示；可以看出，含卷积特征与气象参数的多因素支持向量机模型MF-SVM比直接使用卷积神经网络CNN预测，其误差大幅减少。
表1余项分量预测的误差比较(提前1小时预测)
6)最后，将输出的一个频率分量预测值总和与余项分量的预测值相加，得到未来待预测时刻的光伏阵列输出功率，其最终结果如图5所示，其中实线为光伏功率的预测值，虚线为光伏功率的真实值，可以看出预测结果与真实值比较接近。此外，本发明种提出的混合模型VMD-CNN还与浅层神经网络ANN、支持向量机SVM、高斯过程回归GPR、变分模态分解支持向量机VMD-SVM和变分模态分解高斯回归VMD-GPR模型进行比较，以验证本发明预测方法的精度性能，不同模型进行提前1小时预测的误差比较如表2所示。该结果表明，本发明提出的方法能够进一步提升光伏功率预测的精度，具有一定的可行性和实用性。
表2不同模型的光伏功率预测误差比较(提前1小时预测)
此外，基于迁移学习技术的发展，本发明中使用的深层卷积神经网络可以迁移到预测其他新的光伏阵列输出功率中。通过把训练好的卷积神经网络参数复制到新的卷积神经网络中，并使用少量新的光伏阵列数据对模型的参数进行微调训练，即可以将这个新的卷积神经网络模型运用到预测另外的一个光伏阵列中。本算例中另外选取一个新的光伏阵列进行迁移学习，其额定容量为200kW。对该光伏阵列进行不同时间尺度的预测，包括提取1小时、6小时和提取1天，其预测误差指标如表3所示。
表3迁移学习200kW光伏阵列功率的预测误差
综上，本发明的预测方法，其可以应用于光伏发电站规划及可再生能源开发等相关研究，并能够对光伏并网电力系统的调度起到重要的指导作用。本发明的方法相比于传统的多元回归预测方法和深度神经网络预测方法，其光伏功率的预测精度明显提升，能够有效地指导电网调度，进而保证电力系统安全稳定运行。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种基于深层卷积神经网络的光伏功率预测方法，其特征在于，包括以下步骤：
利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为具有频率规律的若干个频率分量和一个余项分量；
将所分解得到的每个频率分量和余项分量分别排列成二维格式数据；
将二维格式的频率分量输入到多通道深层卷积神经网络模型，进行预测及输出一个频率分量预测值总和；
将二维格式的余项分量输入到另一个单通道深层卷积神经网络模型，提取并输出其高阶特征；将高阶特征和气象数据输入到支持向量机模型，进行预测及输出一个余项分量预测值；
将输出的频率分量预测值总和与余项分量预测值相加，得到待预测时刻的光伏功率预测结果。
2.根据权利要求1所述基于深层卷积神经网络的光伏功率预测方法，其特征在于，所述方法中利用变分模态分解算法进行模态分解，包括利用交替乘子法求解最小带宽目标函数，其表达为：
其中，ωk为模态的中心频率；uk为模态的包络曲线；t为时间步长；δ(t)为模态的实部；f(t)为待分解的原始信号；为偏微分运算符号；j为虚部符号，k为模态的个数。
3.根据权利要求1所述基于深层卷积神经网络的光伏功率预测方法，其特征在于，所述方法中包括对多通道深层卷积神经网络模型构建，具体为：
初始化多通道深层卷积神经网络模型的权值和偏置，通过多通道深层卷积神经网络模型对输入进行逐层计算；
利用基于误差梯度的反向传播算法调整模型中每层网络的权值和偏置，以构建得到多通道深层卷积神经网络模型。
4.根据权利要求3所述基于深层卷积神经网络的光伏功率预测方法，其特征在于，所述方法中通过多通道深层卷积神经网络模型将输入进行逐层计算，包括：
对卷积层进行计算，采用公式：
其中，ym对应第m个卷积层的输出；a为卷积层的激活函数，xi为第i个通道输入，wm为第m个卷积核，bm为偏置值，卷积核的总个数为Co个；
以及，对下采样层进行计算，采用公式：
其中，np是第p个通道的节点个数；xi和分别为第i个和第np个输入；ym是求出的最大值，对应第m个下采样层的输出；Ci是所有输出通道的个数。
5.根据权利要求1所述基于深层卷积神经网络的光伏功率预测方法，其特征在于，所述方法中对支持向量机模型的构建包括求解下述最小间隔目标函数，以训练支持向量机模型：
其中，w为所有输入数据到输出值的最远距离，C为防止过拟合的惩罚参数，ξi和ξi *为防止过拟合的松弛因子，yi为输出值，(wTxi+b)为输入数据的空间表示；ε是大于零的常数。
6.根据权利要求1所述基于深层卷积神经网络的光伏功率预测方法，其特征在于，所述方法中还包括对输出的余项分量预测值与直接预测结果进行比较，计算均方根误差RMSE、绝对百分误差MAPE与反相关系数KR。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810269300.8A CN108549929B (zh) | 2018-03-29 | 2018-03-29 | 一种基于深层卷积神经网络的光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810269300.8A CN108549929B (zh) | 2018-03-29 | 2018-03-29 | 一种基于深层卷积神经网络的光伏功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108549929A CN108549929A (zh) | 2018-09-18 |
| CN108549929B true CN108549929B (zh) | 2019-06-07 |
Family
ID=63517214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810269300.8A Active CN108549929B (zh) | 2018-03-29 | 2018-03-29 | 一种基于深层卷积神经网络的光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108549929B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508830B (zh) * | 2018-11-15 | 2022-09-02 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
| CN109492709B (zh) * | 2018-12-06 | 2020-11-06 | 新奥数能科技有限公司 | 基于混合模型的数据预测方法及装置 |
| CN109711620B (zh) * | 2018-12-26 | 2021-07-06 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
| CN109657881A (zh) * | 2019-01-14 | 2019-04-19 | 南京国电南自电网自动化有限公司 | 一种适用于小样本的神经网络光伏发电预测方法及系统 |
| CN109861220B (zh) * | 2019-03-22 | 2022-07-01 | 西南交通大学 | 电力系统分析用深度卷积神经网络张量输入构建方法 |
| CN110363360A (zh) * | 2019-07-24 | 2019-10-22 | 广东工业大学 | 一种短期风电功率预测方法、装置及设备 |
| CN110689183B (zh) * | 2019-09-20 | 2022-03-11 | 山东大学 | 一种集群光伏功率概率预测方法、系统、介质及电子设备 |
| CN110689071B (zh) * | 2019-09-25 | 2023-03-24 | 哈尔滨工业大学 | 一种基于结构化高阶特征的目标检测系统及方法 |
| CN110956312B (zh) * | 2019-11-15 | 2022-11-15 | 国网浙江省电力有限公司电力科学研究院 | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 |
| CN111177970B (zh) * | 2019-12-10 | 2021-11-19 | 浙江大学 | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 |
| CN111275571B (zh) * | 2020-01-14 | 2020-12-11 | 河海大学 | 考虑微气象与用户模式的居民负荷概率预测深度学习方法 |
| CN111340151B (zh) * | 2020-05-25 | 2020-08-25 | 南京信息工程大学 | 一种用于辅助车辆自动驾驶的天气现象识别系统和方法 |
| CN112018755A (zh) * | 2020-07-03 | 2020-12-01 | 国网浙江省电力有限公司电力科学研究院 | 基于循环神经网络的光伏配电网无功电压预测方法及系统 |
| CN112052996B (zh) * | 2020-09-03 | 2022-02-25 | 哈尔滨工业大学 | 基于卷积神经网络技术的小水电集群功率预测方法 |
| CN112784331B (zh) * | 2020-09-25 | 2022-09-13 | 汕头大学 | 基于改进lstm深度学习方法的土体应力应变关系确定方法 |
| CN112906987B (zh) * | 2021-03-29 | 2023-02-21 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
| CN113452037B (zh) * | 2021-06-23 | 2023-08-18 | 云南电网有限责任公司电力科学研究院 | 一种兼顾调频的光伏阵列重构优化方法 |
| CN113988394A (zh) * | 2021-10-21 | 2022-01-28 | 中国电建集团华东勘测设计研究院有限公司 | 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法 |
| CN117748500B (zh) * | 2024-02-19 | 2024-04-30 | 北京智芯微电子科技有限公司 | 光伏功率预测方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016100956A (ja) * | 2014-11-20 | 2016-05-30 | 株式会社Ｎｔｔドコモ | 直流電源の制御装置、直流電源システム、および直流電源の制御装置の制御方法 |
| KR20170056837A (ko) * | 2015-11-16 | 2017-05-24 | 피앤씨주식회사 | 일사량 예측을 통한 태양광 발전량 예측 장치 |
| CN206460509U (zh) * | 2016-12-23 | 2017-09-01 | 贵州电网有限责任公司电力调度控制中心 | 光伏发电功率预测系统 |
| CN107491833A (zh) * | 2017-07-21 | 2017-12-19 | 清华大学 | 一种光伏发电功率预测的方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201503667A (zh) * | 2013-03-06 | 2015-01-16 | Interdigital Patent Holdings | 視訊串流功率知覺適應 |
| EP3273387B1 (en) * | 2016-07-19 | 2024-05-15 | Siemens Healthineers AG | Medical image segmentation with a multi-task neural network system |
-
2018
- 2018-03-29 CN CN201810269300.8A patent/CN108549929B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016100956A (ja) * | 2014-11-20 | 2016-05-30 | 株式会社Ｎｔｔドコモ | 直流電源の制御装置、直流電源システム、および直流電源の制御装置の制御方法 |
| KR20170056837A (ko) * | 2015-11-16 | 2017-05-24 | 피앤씨주식회사 | 일사량 예측을 통한 태양광 발전량 예측 장치 |
| CN206460509U (zh) * | 2016-12-23 | 2017-09-01 | 贵州电网有限责任公司电力调度控制中心 | 光伏发电功率预测系统 |
| CN107491833A (zh) * | 2017-07-21 | 2017-12-19 | 清华大学 | 一种光伏发电功率预测的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于VMD与PSO优化深度信念网络的短期负荷预测;梁智等;《电网技术》;20180228;第42卷(第2期);第599-606页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108549929A (zh) | 2018-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549929B (zh) | 一种基于深层卷积神经网络的光伏功率预测方法 | |
| CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
| CN108053061B (zh) | 一种基于改进卷积神经网络的太阳能辐照度预测方法 | |
| Mellit et al. | Application of neural networks and genetic algorithms for sizing of photovoltaic systems | |
| Kavousi-Fard | Modeling uncertainty in tidal current forecast using prediction interval-based SVR | |
| CN106971240A (zh) | 一种变量选择与高斯过程回归的短期负荷预测方法 | |
| CN111667098B (zh) | 一种基于多模型组合优化的风力电站输出功率预测方法 | |
| Zhou et al. | Transfer learning for photovoltaic power forecasting with long short-term memory neural network | |
| Başaran et al. | Systematic literature review of photovoltaic output power forecasting | |
| CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
| CN104978613A (zh) | 一种考虑组件温度的光伏出力短期预测方法 | |
| Bendali et al. | Deep learning using genetic algorithm optimization for short term solar irradiance forecasting | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| Grimaccia et al. | Neuro-fuzzy predictive model for PV energy production based on weather forecast | |
| Liao | Genetic k-means algorithm based RBF network for photovoltaic MPP prediction | |
| CN109242180A (zh) | 中长期电力负荷预测方法和系统 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
| Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| Yu et al. | Prediction of solar irradiance one hour ahead based on quantum long short-term memory network | |
| Çevik et al. | Day ahead wind power forecasting using complex valued neural network | |
| Zhang et al. | All‐factor short‐term photovoltaic output power forecast | |
| CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
| Fuselero et al. | Daily Solar Radiation Forecasting based on a Hybrid NARXGRU Network in Dumaguete, Philippines. |
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 |