CN108734331A - 基于lstm的短期光伏发电功率预测方法及系统 - Google Patents
基于lstm的短期光伏发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN108734331A CN108734331A CN201810245971.0A CN201810245971A CN108734331A CN 108734331 A CN108734331 A CN 108734331A CN 201810245971 A CN201810245971 A CN 201810245971A CN 108734331 A CN108734331 A CN 108734331A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- prediction
- output
- history
- 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
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—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (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)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于LSTM的短期光伏发电功率预测方法,包括以下步骤:S1、采集光伏电厂的历史发电数据以及所处地区的历史气象数据,并对其进行预处理;S2、选择一年的历史数据作为训练集,输入为输出点前96个时间点的发电功率与气象数据,将其表示为的形式,其中m1为样本的数目,m2为输入层时间步数,m3为输入层维数,时间步数选择为96,输入层维数为8;S3、建立基于LSTM的预测模型,将训练集输入LSTM进行训练,其训练方式采用反向传播BPTT算法;S4、采用迭代的方式进行逐点预测,实现以单输出的形式预测未来一天的输出功率。
Description
技术领域
本发明涉及机器学习、新能源领域,特别涉及一种基于长短时间记忆网络光伏功率预测方法及系统。
背景技术
与发达国家相比,我国在光伏发电产业起步较晚。但从2009年大力推广光伏发电以来,发展势头十分迅猛。2009-2013年,装机容量年增长率都不低于100%,从2009年的0.3万千瓦增长至2017年的12579万千瓦,位列世界第一。近年来,光伏新增装机分布转移明显,开始向中东部地区发展。2017年1-11月,西北地区光伏新增装机占比同比下降17个百分点,而中东部成为我国光伏发电热点地区,其中华东地区和华中地区新增装机分别为1325万千瓦和993万千瓦,同比分别增加9和6个百分点。
然而,与传统的火力发电方式相比,光伏发电是一种影响因素众多的系统。受到以光伏电池的转换效率为代表的内在因素,以及以太阳辐射、温度、湿度、风速为代表的外部因素影响,光伏系统发电功率具有波动性与间歇性的特点,使大规模并网光伏发电系统在安全性、稳定性与经济性上带来巨大的挑战。因此,如何在维持电网安全与经济运行的前提下,最大限度的利用间歇性的光伏发电成为了目前新能源领域的研究热点。
对光伏发电功率进行研究能够为建设安全稳定的光伏电站提供参考,同时对光伏功率进行精确的预测,能够为电网的调度提供良好的数据支持,并且,当光伏电站装机容量快速增长时,精确的预测能够配合调度部门协调控制和优化发电区域内风、光、水、火等多种形式的电源,从而减少旋转备用容量、降低系统成本。因此,对光伏发电功率特性进行有效分析并建立一个准确的预测模型,具有深远的理论意义与重要的实用价值。
目前,短期光伏发电功率预测主要采用BPNN和SVM算法,然而,这些算法在天气变化较大的情况下,其预测准确性还不够,而准确率高的基于云层的预测方法,其计算方式太过复杂。
发明内容
本发明的目的是针对现有技术的不足,提出一种基于长短时间记忆网络光伏功率预测方法,解决了在天气波动较大的情况下,预测结果准确率不高的问题,能够有效地对光伏发电功率进行有效的超短期预测;同时,其考虑因素较少,运算复杂度低,预测效率高。
为实现上述目的,本发明所设计的基于长短时间记忆网络的光伏发电功率超短期预测方法,所述方法包括如下步骤:
S1、采集光伏电厂的历史发电数据以及所处地区的历史气象数据,并对其进行预处理;
S2、选择一年的历史数据作为训练集,输入为输出点前96个时间点的发电功率与气象数据,将其表示为的形式,其中m1为样本的数目,m2为输入层时间步数,m3为输入层维数,时间步数选择为96,输入层维数为8;
S3、建立基于LSTM的预测模型,将训练集输入LSTM进行训练,其训练方式采用反向传播BPTT算法;
S4、采用迭代的方式进行逐点预测,实现以单输出的形式预测未来一天的输出功率;
其中,步骤S4具体包括以下步骤:
S41、采集数据为预测日前一天的历史发电功率和历史气象数据以及预测日的天气预报数据;
S42、将前一天的历史发电功率和历史气象数据组成的矩阵表示为矩阵其中I1为输入层时间步数,I2为输入层维数;
S43、将该矩阵转换为三阶形式输入到预测模型中,其中m1为预测样本的数目,此处为1,m2为输入层时间步数,m3为输入层维数,预测未来一个时间点的输出功率,将该点预测功率和该点的天气预报数据作为新的一行加入矩阵,删除原矩阵第一行的数据,将新的矩阵作为输入预测下一个点;
S44、重复上述步骤,直到预测完96个点结束。
接上述技术方案,历史发电数据为光伏电厂提供的历史发电功率数据,而气象数据由气象中心提供,气象数据包括温度、湿度、风速、风向、降雨量与辐照强度。
接上述技术方案,预处理包括:对收集到的数据进行抽样与填充缺失数据,使其为间隔为15min的连续数据,缺失数据的填充选择K近邻算法;根据历史数据,结合Pearson相关系数计算分析影响光伏发电功率的重要因素。
接上述技术方案,所述预测模型包括输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层。
接上述技术方案,其中,所述预测模型具有以下特点:
(1)LSTM单元有三个门结构,即输入门、遗忘门和输出门,用于控制cell单元的状态;每一个时刻,LSTM单元通过3个门接受当前状态和上一时刻的隐藏状态,同时接收上一时刻cell单元的状态,通过计算得到新的cell单元的状态,最后通过激活函数和输出门输出;
(2)各变量的计算如下:
输入门输出值it:it=σ(Wxixt+Whiht-1+Wcict-1+bi)
遗忘门输出值ft:ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)
当前时刻的cell单元状态ct:ct=ftct-1+l1tanh(Wxcxt+Whcht-1+bc)
输出门输出值ot:ot=σ(Wxoxt+Whoht-1+Wcoct+bo)
输出信息ht:ht=ottanh(ct)
其中,Wxc、Wxi、Wxf、Wxo为输入信号xt的权重矩阵;Whc、Wih、Whf、Who为隐藏层输入信号ht的权重矩阵;Wci、Wcf、Wco为连接神经元激活函数输出矢量ct和门函数的对角矩阵;bi、bc、bf、bo为偏置向量;σ为激活函数。
本发明还提供了一种基于LSTM的短期光伏发电功率预测系统,包括:
数据采集及预处理模块,用于采集光伏电厂的历史发电数据以及所处地区的历史气象数据,并对其进行预处理;
训练集模块,用于选择一年的历史数据作为训练集,输入为输出点前96个时间点的发电功率与气象数据,将其表示为的形式,其中m1为样本的数目,m2为输入层时间步数,m3为输入层维数,时间步数选择为96,输入层维数为8;
模型建立模块,用于建立基于LSTM的预测模型,将训练集输入LSTM进行训练,其训练方式采用反向传播BPTT算法;
功率输出模块,用于采用迭代的方式进行逐点预测,实现以单输出的形式预测未来一天的输出功率;
其中,所述功率输出模块具体用于:
采集数据为预测日前一天的历史发电功率和历史气象数据以及预测日的天气预报数据;
将前一天的历史发电功率和历史气象数据组成的矩阵表示为矩阵其中I1为输入层时间步数,I2为输入层维数;
将该矩阵转换为三阶形式输入到预测模型中,其中m1为预测样本的数目,此处为1,m2为输入层时间步数,m3为输入层维数,预测未来一个时间点的输出功率,将该点预测功率和该点的天气预报数据作为新的一行加入矩阵,删除原矩阵第一行的数据,将新的矩阵作为输入预测下一个点;
重复上述步骤,直到预测完96个点结束。
接上述技术方案,历史发电数据为光伏电厂提供的历史发电功率数据,而气象数据由气象中心提供,气象数据包括温度、湿度、风速、风向、降雨量与辐照强度。
接上述技术方案,预处理包括:对收集到的数据进行抽样与填充缺失数据,使其为间隔为15min的连续数据,缺失数据的填充选择K近邻算法;根据历史数据,结合Pearson相关系数计算分析影响光伏发电功率的重要因素。
接上述技术方案,所述预测模型包括输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层。
本发明还提供了一种计算机可读存储介质,包括用于短期光伏发电功率预测的计算机程序,所述计算机程序可被处理器执行如权利要求1所述的基于LSTM的短期光伏发电功率预测方法。
本发明产生的有益效果是:本发明基于LSTM的预测模型无论在稳定天气还是在突变天气,其预测效果精度都高于现有的预测模型,并且表现更加稳定。
进一步,通过Pearson相关系数研究,选择输入变量,能够降低计算复杂度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例基于LSTM的短期光伏发电功率预测方法的流程图一;
图2是图1中步骤S4的具体步骤;
图3是本发明实施例的基于LSTM的短期光伏发电功率预测方法的流程图二。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明基于LSTM的短期光伏发电功率预测方法,如图1、3所示,包括以下步骤:
S1、采集光伏电厂的历史发电数据以及所处地区的历史气象数据,并对其进行预处理;可选取每15min一个数据点,根据K近邻算法对缺失数据进行填充,对数据进行归一化处理。
S2、选择一年的历史数据作为训练集,输入为输出点前96个时间点的发电功率与气象数据,将其表示为的形式,其中m1为样本的数目,m2为输入层时间步数,m3为输入层维数,时间步数选择为96,输入层维数为8;可根据Pearson相关系数分析气象因素与发电功率的相关性,从中选取与发电功率相关性高的变量(包括风速、风向、相对湿度、温度、全辐照强度、散射辐照强度、降雨量等),此方法可以减少数据量,降低运算复杂度,将所选气象因素的历史数据和电厂的历史发电数据作为训练集。
S3、建立基于LSTM的预测模型,将训练集输入LSTM进行训练,其训练方式采用反向传播BPTT算法;具体可利用LSTM网络对多变量时间序列进行动态时间建模。本发明的实施例中预测模型包括输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu为激活函数的全连接层。LSTM单元有三个门(gate)结构,即输入门、遗忘门和输出门,用于控制cell的状态。每一个时刻,LSTM单元通过3个们接受当前状态和上一时刻的隐藏状态,同时接收上一时刻cell状态,通过计算得到新的cell状态,最后通过激活函数和输出门输出。
S4、采用迭代的方式进行逐点预测,实现以单输出的形式预测未来一天的输出功率;
其中,如图2所示,步骤S4中预测未来一天的光伏发电功率具体包括以下步骤:
S41、采集数据为预测日前一天的历史发电功率和历史气象数据以及预测日的天气预报数据;
S42、将前一天的历史发电功率和历史气象数据组成的矩阵表示为矩阵其中I1为输入层时间步数,I2为输入层维数;
S43、将该矩阵转换为三阶形式输入到预测模型中,其中m1为预测样本的数目,此处为1,m2为输入层时间步数,m3为输入层维数,预测未来一个时间点的输出功率,将该点预测功率和该点的天气预报数据作为新的一行加入矩阵,删除原矩阵第一行的数据,将新的矩阵作为输入预测下一个点;
S44、重复上述步骤,直到预测完96个点结束。
本发明实施例中,LSTM预测模型具有5个重要参数:输入层时间步数、输入层维数、隐藏层数目、每个隐藏层维数以及输出变量维数。本发明的预测模型输入层为预测点前一天的数据,选取的数据间隔为15min,所以输入层时间步数为96个点;输入层维数根据所选取的气象变量数目确定,若选取的气象因素数目为n,那么输入层维数为n+1;本模型隐藏层数目为2,一个LSTM层,一个全连接层,其中,全连接层的激活函数选择为relu;隐藏层的维数根据实验研究,LSTM设为150,全连接层设为100能到较好的效果;输出变量的维数为1。
数据采集:一般由光伏电厂提供历史功率数据,而气象数据由气象中心提供,气象数据一般包括温度、湿度、风速、风向、降雨量与辐照强度等。
数据预处理:对收集到的数据进行抽样与填充缺失数据,使其为间隔为15min的连续数据,缺失数据的填充选择K近邻算法。根据历史数据,结合Pearson相关系数计算分析影响光伏发电功率的重要因素,选择最为核心的7个因素。若选择过多的影响因素会增加数据计算的复杂度,影响模型的整体效率。
各变量的计算如下:
it=σ(Wxixt+Whiht-1+Wcict-1+bi)
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct=ftct-1+l1tanh(Wxcxt+Whcht-1+bc)
ot=σ(Wxoxt+Whoht-1+Wcoct+bo)
ht=ottanh(ct)
其中,Wxc、Wxi、Wxf、Wxo为输入信号xt的权重矩阵;Whc、Wih、Whf、Who为隐藏层输入信号ht的权重矩阵;Wci、Wcf、Wco为连接神经元激活函数输出矢量ct和门函数的对角矩阵;bi、bc、bf、bo为偏置向量;σ为激活函数。
本发明还提供了基于LSTM的短期光伏发电功率预测系统,用于实现上述实施例的预测方法,该系统具体包括:
数据采集及预处理模块,用于采集光伏电厂的历史发电数据以及所处地区的历史气象数据,并对其进行预处理;
训练集模块,用于选择一年的历史数据作为训练集,输入为输出点前96个时间点的发电功率与气象数据,将其表示为的形式,其中m1为样本的数目,m2为输入层时间步数,m3为输入层维数,时间步数选择为96,输入层维数为8;
模型建立模块,用于建立基于LSTM的预测模型,将训练集输入LSTM进行训练,其训练方式采用反向传播BPTT算法;
功率输出模块,用于采用迭代的方式进行逐点预测,实现以单输出的形式预测未来一天的输出功率;
其中,所述功率输出模块具体用于:
采集数据为预测日前一天的历史发电功率和历史气象数据以及预测日的天气预报数据;
将前一天的历史发电功率和历史气象数据组成的矩阵表示为矩阵其中I1为输入层时间步数,I2为输入层维数;
将该矩阵转换为三阶形式输入到预测模型中,其中m1为预测样本的数目,此处为1,m2为输入层时间步数,m3为输入层维数,预测未来一个时间点的输出功率,将该点预测功率和该点的天气预报数据作为新的一行加入矩阵,删除原矩阵第一行的数据,将新的矩阵作为输入预测下一个点;
重复上述步骤,直到预测完96个点结束。
历史发电数据为光伏电厂提供的历史发电功率数据,而气象数据由气象中心提供,气象数据包括温度、湿度、风速、风向、降雨量与辐照强度。
预处理包括:对收集到的数据进行抽样与填充缺失数据,使其为间隔为15min的连续数据,缺失数据的填充选择K近邻算法;根据历史数据,结合Pearson相关系数计算分析影响光伏发电功率的重要因素。
所述预测模型包括输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层。
本发明还提供了一种计算机可读存储介质,包括用于短期光伏发电功率预测的计算机程序,所述计算机程序可被处理器执行如上述实施例所述的基于LSTM的短期光伏发电功率预测方法。
为了进一步说明本发明的优越性,选用Desert Knowledge Australia SolarCentre(DKASC)的实测数据对本发明进行验证。选择2016年8-10月的三个月实测数据,根据式
计算光伏发电功率与各因素之间的相关性系数,从中选择相关性最大的七个因素,分别为全辐照强度、散射辐照强度、温度、湿度、风速、风向和降水量,这些变量在下面将作为模型的输入。
将7个影响因素的数据与光伏发电功率的数据组成数据集,从数据集中选择2016年7月到2017年6月的数据作为训练集,2017年7月到9月作为训练集,将输入数据集表示为三阶形式输出为二维矩阵。
建立一个基于LSTM的预测模型,输入层为预测点前一天的数据,选取的数据间隔为15min,输入层时间步数为96个点;输入层维数根据所选取的气象变量数目确定,此处输入层维数为8;本模型隐藏层数目为2,一个LSTM层,一个全连接层,其中,全连接层的激活函数选择为relu;隐藏层的维数根据实验研究,LSTM设为150,全连接层设为100能到到较好的效果;输出变量的维数为1。
将数据集输入到模型进行训练,得到预测模型,预测模型为预测点前96个时间点的影响变量和发电功率预测未来一个点。采用迭代的方式对测试数据集进行测试,将测试日前一天的历史发电功率和历史气象数据组成的矩阵表示为矩阵其中I1为输入层时间步数,I2为输入层维数;将该矩阵转换为三阶形式输入到模型中,其中m1为预测样本的数目,此处为1,m2为输入层时间步数,m3为输入层维数,预测未来一个时间点的输出功率,将该点预测功率和该点的天气预报数据作为新的一行加入矩阵,删除原矩阵第一行的数据,将新的矩阵作为输入预测下一个点;重复上述步骤,预测完96个点结束,此处选择了三个月的数据进行测试。
将预测结果与目前使用最为广泛的BPNN和SVR的预测模型进行对比,分别从MAE、MARE、RMSE、SSE四个指标进行对比,结果如下:
通过该表可以看出,在整个测试集上LSTM的性能优于BPNN和SVR。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于LSTM的短期光伏发电功率预测方法,其特征在于,包括以下步骤:
S1、采集光伏电厂的历史发电数据以及所处地区的历史气象数据,并对其进行预处理;
S2、选择一年的历史数据作为训练集,输入为输出点前96个时间点的发电功率与气象数据,将其表示为的形式,其中m1为样本的数目,m2为输入层时间步数,m3为输入层维数,时间步数选择为96,输入层维数为8;
S3、建立基于LSTM的预测模型,将训练集输入LSTM进行训练,其训练方式采用反向传播BPTT算法;
S4、采用迭代的方式进行逐点预测,实现以单输出的形式预测未来一天的输出功率;
其中,步骤S4具体包括以下步骤:
S41、采集数据为预测日前一天的历史发电功率和历史气象数据以及预测日的天气预报数据;
S42、将前一天的历史发电功率和历史气象数据组成的矩阵表示为矩阵其中I1为输入层时间步数,I2为输入层维数;
S43、将该矩阵转换为三阶形式输入到预测模型中,其中m1为预测样本的数目,此处为1,m2为输入层时间步数,m3为输入层维数,预测未来一个时间点的输出功率,将该点预测功率和该点的天气预报数据作为新的一行加入矩阵,删除原矩阵第一行的数据,将新的矩阵作为输入预测下一个点;
S44、重复上述步骤,直到预测完96个点结束。
2.根据权利要求1所述的基于LSTM的短期光伏发电功率预测方法,其特征在于,历史发电数据为光伏电厂提供的历史发电功率数据,而气象数据由气象中心提供,气象数据包括温度、湿度、风速、风向、降雨量与辐照强度。
3.根据权利要求1所述的基于LSTM的短期光伏发电功率预测方法,其特征在于,预处理包括:对收集到的数据进行抽样与填充缺失数据,使其为间隔为15min的连续数据,缺失数据的填充选择K近邻算法;根据历史数据,结合Pearson相关系数计算分析影响光伏发电功率的重要因素。
4.根据权利要求1所述的基于LSTM的短期光伏发电功率预测方法,其特征在于,所述预测模型包括输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层。
5.根据权利要求4述的基于LSTM的短期光伏发电功率预测方法,其特征在于,其中,所述预测模型具有以下特点:
(1)LSTM单元有三个门结构,即输入门、遗忘门和输出门,用于控制cell单元的状态;每一个时刻,LSTM单元通过3个门接受当前状态和上一时刻的隐藏状态,同时接收上一时刻cell单元的状态,通过计算得到新的cell单元的状态,最后通过激活函数和输出门输出;
(2)各变量的计算如下:
输入门输出值it:it=σ(Wxixt+Whiht-1+Wcict-1+bi)
遗忘门输出值ft:ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)
当前时刻的cell单元状态ct:ct=ftct-1+l1tanh(Wxcxt+Whcht-1+bc)
输出门输出值ot:ot=σ(Wxoxt+Whoht-1+Wcoct+bo)
输出信息ht:ht=ottanh(ct)
其中,Wxc、Wxi、Wxf、Wxo为输入信号xt的权重矩阵;Whc、Wih、Whf、Who为隐藏层输入信号ht的权重矩阵;Wci、Wcf、Wco为连接神经元激活函数输出矢量ct和门函数的对角矩阵;bi、bc、bf、bo为偏置向量;σ为激活函数。
6.一种基于LSTM的短期光伏发电功率预测系统,其特征在于,包括:
数据采集及预处理模块,用于采集光伏电厂的历史发电数据以及所处地区的历史气象数据,并对其进行预处理;
训练集模块,用于选择一年的历史数据作为训练集,输入为输出点前96个时间点的发电功率与气象数据,将其表示为的形式,其中m1为样本的数目,m2为输入层时间步数,m3为输入层维数,时间步数选择为96,输入层维数为8;
模型建立模块,用于建立基于LSTM的预测模型,将训练集输入LSTM进行训练,其训练方式采用反向传播BPTT算法;
功率输出模块,用于采用迭代的方式进行逐点预测,实现以单输出的形式预测未来一天的输出功率;
其中,所述功率输出模块具体用于:
采集数据为预测日前一天的历史发电功率和历史气象数据以及预测日的天气预报数据;
将前一天的历史发电功率和历史气象数据组成的矩阵表示为矩阵其中I1为输入层时间步数,I2为输入层维数;
将该矩阵转换为三阶形式输入到预测模型中,其中m1为预测样本的数目,此处为1,m2为输入层时间步数,m3为输入层维数,预测未来一个时间点的输出功率,将该点预测功率和该点的天气预报数据作为新的一行加入矩阵,删除原矩阵第一行的数据,将新的矩阵作为输入预测下一个点;
重复上述步骤,直到预测完96个点结束。
7.根据权利要求6所述的基于LSTM的短期光伏发电功率预测系统,其特征在于,历史发电数据为光伏电厂提供的历史发电功率数据,而气象数据由气象中心提供,气象数据包括温度、湿度、风速、风向、降雨量与辐照强度。
8.根据权利要求6所述的基于LSTM的短期光伏发电功率预测系统,其特征在于,预处理包括:对收集到的数据进行抽样与填充缺失数据,使其为间隔为15min的连续数据,缺失数据的填充选择K近邻算法;根据历史数据,结合Pearson相关系数计算分析影响光伏发电功率的重要因素。
9.根据权利要求6所述的基于LSTM的短期光伏发电功率预测姿态,其特征在于,所述预测模型包括输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层。
10.一种计算机可读存储介质,其特征在于,包括用于短期光伏发电功率预测的计算机程序,所述计算机程序可被处理器执行如权利要求1所述的基于LSTM的短期光伏发电功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810245971.0A CN108734331B (zh) | 2018-03-23 | 2018-03-23 | 基于lstm的短期光伏发电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810245971.0A CN108734331B (zh) | 2018-03-23 | 2018-03-23 | 基于lstm的短期光伏发电功率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734331A true CN108734331A (zh) | 2018-11-02 |
CN108734331B CN108734331B (zh) | 2022-06-03 |
Family
ID=63940564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810245971.0A Active CN108734331B (zh) | 2018-03-23 | 2018-03-23 | 基于lstm的短期光伏发电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734331B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886183A (zh) * | 2019-02-19 | 2019-06-14 | 清华大学 | 基于桥式神经网络的人脸年龄估计方法及装置 |
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 |
CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
CN110107998A (zh) * | 2019-05-28 | 2019-08-09 | 珠海格力电器股份有限公司 | 多联式冷热水机组的节能控制方法、设备及介质 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
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 |
CN110322364A (zh) * | 2019-06-19 | 2019-10-11 | 山东大学 | 一种短期光伏发电预测方法及系统 |
CN111310963A (zh) * | 2018-12-12 | 2020-06-19 | 汉能移动能源控股集团有限公司 | 电站的发电数据预测方法、装置、计算机设备和存储介质 |
CN111598289A (zh) * | 2020-03-30 | 2020-08-28 | 国网河北省电力有限公司 | 计及lstm光伏出力预测的综合能源系统分散式优化方法 |
CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 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 |
CN111680826A (zh) * | 2020-05-14 | 2020-09-18 | 沂南力诺太阳能电力工程有限公司 | 一种光伏发电量预测分析方法 |
CN111950794A (zh) * | 2020-08-18 | 2020-11-17 | 上海仪电(集团)有限公司中央研究院 | 园区能耗预测方法,系统、设备和存储介质 |
CN112036658A (zh) * | 2020-09-09 | 2020-12-04 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112580862A (zh) * | 2020-12-08 | 2021-03-30 | 国家电网有限公司 | 一种分布式光伏系统短期实时发电功率的预测方法及装置 |
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 |
CN112766568A (zh) * | 2021-01-18 | 2021-05-07 | 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 |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
CN113761813A (zh) * | 2021-09-09 | 2021-12-07 | 重庆大学 | 基于流体力学与气象数据的输电线路动态容量预测方法 |
CN113836819A (zh) * | 2021-10-14 | 2021-12-24 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN113919232A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 一种基于循环神经网络的光伏电站功率预测方法及系统 |
CN115105821A (zh) * | 2022-07-04 | 2022-09-27 | 合肥工业大学 | 一种基于OpenPose的体操训练辅助系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
US20150075628A1 (en) * | 2013-09-18 | 2015-03-19 | Skavis Corporation | Steam generation apparatus and associated control system and methods for providing a desired injection pressure |
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 |
CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
-
2018
- 2018-03-23 CN CN201810245971.0A patent/CN108734331B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
US20150075628A1 (en) * | 2013-09-18 | 2015-03-19 | Skavis Corporation | Steam generation apparatus and associated control system and methods for providing a desired injection pressure |
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 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
崔洋等: "短期太阳能光伏发电预测方法研究进展", 《资源科学》 * |
张娜: "光伏发电系统出力预测的研究", 《宁德师范学院学报(自然科学版)》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310963A (zh) * | 2018-12-12 | 2020-06-19 | 汉能移动能源控股集团有限公司 | 电站的发电数据预测方法、装置、计算机设备和存储介质 |
CN109886183B (zh) * | 2019-02-19 | 2021-01-12 | 清华大学 | 基于桥式神经网络的人脸年龄估计方法及装置 |
CN109886183A (zh) * | 2019-02-19 | 2019-06-14 | 清华大学 | 基于桥式神经网络的人脸年龄估计方法及装置 |
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 |
CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
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 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
CN110107998A (zh) * | 2019-05-28 | 2019-08-09 | 珠海格力电器股份有限公司 | 多联式冷热水机组的节能控制方法、设备及介质 |
CN110322364A (zh) * | 2019-06-19 | 2019-10-11 | 山东大学 | 一种短期光伏发电预测方法及系统 |
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 |
CN111598289A (zh) * | 2020-03-30 | 2020-08-28 | 国网河北省电力有限公司 | 计及lstm光伏出力预测的综合能源系统分散式优化方法 |
CN111680826A (zh) * | 2020-05-14 | 2020-09-18 | 沂南力诺太阳能电力工程有限公司 | 一种光伏发电量预测分析方法 |
CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 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 |
CN111950794A (zh) * | 2020-08-18 | 2020-11-17 | 上海仪电(集团)有限公司中央研究院 | 园区能耗预测方法,系统、设备和存储介质 |
CN112036658A (zh) * | 2020-09-09 | 2020-12-04 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
CN112036658B (zh) * | 2020-09-09 | 2022-06-14 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN112580862A (zh) * | 2020-12-08 | 2021-03-30 | 国家电网有限公司 | 一种分布式光伏系统短期实时发电功率的预测方法及装置 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112561058B (zh) * | 2020-12-15 | 2023-06-06 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112766568A (zh) * | 2021-01-18 | 2021-05-07 | 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 |
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 |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
CN113761813A (zh) * | 2021-09-09 | 2021-12-07 | 重庆大学 | 基于流体力学与气象数据的输电线路动态容量预测方法 |
CN113761813B (zh) * | 2021-09-09 | 2022-05-10 | 重庆大学 | 基于流体力学与气象数据的输电线路动态容量预测方法 |
CN113836819A (zh) * | 2021-10-14 | 2021-12-24 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN113836819B (zh) * | 2021-10-14 | 2024-04-09 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN113919232A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 一种基于循环神经网络的光伏电站功率预测方法及系统 |
CN115105821A (zh) * | 2022-07-04 | 2022-09-27 | 合肥工业大学 | 一种基于OpenPose的体操训练辅助系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108734331B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
Wang et al. | Parallel LSTM-based regional integrated energy system multienergy source-load information interactive energy prediction | |
Wang et al. | Dynamic spatio-temporal correlation and hierarchical directed graph structure based ultra-short-term wind farm cluster power forecasting method | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
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 | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
Weng et al. | An evolutionary Nelder–Mead slime mould algorithm with random learning for efficient design of photovoltaic models | |
Huang et al. | Spatio-temporal wind speed prediction based on Clayton Copula function with deep learning fusion | |
Zhang et al. | Short-term forecasting of wind power generation based on the similar day and Elman neural network | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Guo et al. | A short-term load forecasting model of LSTM neural network considering demand response | |
Li et al. | Prediction of short-term photovoltaic power via self-attention-based deep learning approach | |
Xin | Forecast of photovoltaic generated power based on WOA-LSTM | |
Ajagunsegun et al. | Machine Learning-Based System for Managing Energy Efficiency of Public Buildings: An Approach towards Smart Cities | |
Chen et al. | Probabilistic Prediction of Photovoltaic Power Using Bayesian Neural Network-LSTM Model | |
Liu et al. | Social implications of cyber-physical systems in electrical load forecasting | |
CN115456235A (zh) | 一种基于多模态融合的光伏功率预测系统 | |
Ahmed et al. | Comparison of Memory-less and Memory-based Models for Short-Term Solar Irradiance Forecasting | |
Yang et al. | A hybrid vmd-based ARIMA-LSTM model for day-ahead pv prediction and uncertainty analysis | |
Tian et al. | Photovoltaic power prediction based on dilated causal convolutional network and stacked LSTM | |
Li et al. | Deep interval prediction model with gradient descend optimization method for short-term wind power prediction |
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 |