CN108832663A - 微电网光伏发电系统的发电功率的预测方法及设备 - Google Patents
微电网光伏发电系统的发电功率的预测方法及设备 Download PDFInfo
- Publication number
- CN108832663A CN108832663A CN201810791548.0A CN201810791548A CN108832663A CN 108832663 A CN108832663 A CN 108832663A CN 201810791548 A CN201810791548 A CN 201810791548A CN 108832663 A CN108832663 A CN 108832663A
- Authority
- CN
- China
- Prior art keywords
- data
- history
- weather prognosis
- generated
- forecasting model
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000004393 prognosis Methods 0.000 claims abstract description 131
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 100
- 239000002245 particle Substances 0.000 claims abstract description 81
- 230000002068 genetic effect Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 84
- 230000008569 process Effects 0.000 claims description 51
- 238000005457 optimization Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 17
- 238000010248 power generation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005855 radiation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 210000000349 chromosome Anatomy 0.000 description 37
- 238000004043 dyeing Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 108090000623 proteins and genes Proteins 0.000 description 10
- 230000035772 mutation Effects 0.000 description 9
- 241001269238 Data Species 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000004083 survival effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- FGXWKSZFVQUSTL-UHFFFAOYSA-N domperidone Chemical compound C12=CC=CC=C2NC(=O)N1CCCN(CC1)CCC1N1C2=CC=C(Cl)C=C2NC1=O FGXWKSZFVQUSTL-UHFFFAOYSA-N 0.000 description 2
- 230000008303 genetic mechanism Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种微电网光伏发电系统的发电功率的预测方法和设备,所述预测方法包括:根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从所述多个类型中确定发电功率预测模型的输入类型;根据所述历史发电功率数据以及输入类型的历史气象预测数据,基于遗传‑粒子群混合算法,训练所述发电功率预测模型,其中,所述发电功率预测模型是自适应神经模糊推理模型;获取预测时段的所述输入类型的气象预测数据;将获取的气象预测数据输入到所述训练的发电功率预测模型,以确定预测时段的发电功率。本发明可准确地对光伏发电系统的发电功率进行预测。
Description
技术领域
本发明总体说来涉及微电网技术领域,更具体地讲,涉及一种微电网光伏发电系统的发电功率的预测方法及设备。
背景技术
太阳能是最有发展前景的能源之一。由于太阳能具有干净、丰富等特点,并且随着化石燃料能源的存储量越来越少及其带来的环境问题越来越严重,光伏发电在电力市场所占的份额越来越高。目前光伏发电较多地应用在微电网中,但由于光伏发电系统的发电功率具有间歇性和不确定性的特点,而供需平衡是微电网稳定运行的一个关键条件,因此,对光伏发电功率的预测就显得尤为重要。
在现有技术中,存在多种预测光伏发电功率的方法,但现有的预测方法不能准确地预测微电网中光伏发电系统的发电功率。
发明内容
本发明的示例性实施例在于提供一种微电网光伏发电系统的发电功率的预测方法及设备,其能够更准确地预测微电网光伏发电系统的发电功率。
本发明的一方面提供一种微电网光伏发电系统的发电功率的预测方法,所述预测方法包括:根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从所述多个类型中确定发电功率预测模型的输入类型,其中,所述输入类型指示作为发电功率预测模型的输入的气象预测数据的类型;根据所述历史发电功率数据以及所述输入类型的历史气象预测数据,基于遗传-粒子群混合算法,训练所述发电功率预测模型,其中,所述发电功率预测模型是自适应神经模糊推理模型;获取预测时段的所述输入类型的气象预测数据;将获取的气象预测数据输入到所述训练的发电功率预测模型,以确定预测时段的发电功率。
可选地,根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从所述多个类型中确定发电功率预测模型的输入类型的步骤包括:将作为发电功率预测模型的输入的历史气象预测数据的类型作为种群的个体,生成初始种群;根据所述历史发电功率数据以及多个类型的历史气象预测数据,确定初始种群中的各个个体所对应的适应度函数的值,其中,所述适应度函数是基于高斯过程回归的适应度函数;根据所述适应度函数的值,对初始种群的各个个体进行优化得到下一代种群,直到满足退出迭代条件,得到发电功率预测模型的输入类型。
可选地,所述根据所述历史发电功率数据以及输入类型的历史气象预测数据,基于遗传-粒子群混合算法,训练所述发电功率预测模型的步骤包括:通过将获得的历史气象预测数据作为所述发电功率预测模型的输入,将所述历史发电功率数据作为所述发电功率预测模型的输出,来建立初始的发电功率预测模型;采用遗传-粒子群混合算法,迭代优化所述发电功率预测模型的隶属函数,以得到优化的发电功率预测模型。
可选地,所述多个类型的历史气象预测数据包括以下至少两种历史气象预测数据:空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。
可选地,历史气象预测数据是通过气象预报模型预测的历史气象数据。
可选地,还包括:在从所述多个类型中确定发电功率预测模型的输入类型之前,对所述历史功率数据以及所述历史气象预测数据进行预处理,其中,对所述历史功率数据以及所述历史气象预测数据进行预处理的步骤包括:将所述历史功率数据以及所述历史气象预测数据中的错误的数据进行删除。
可选地,进行预处理的步骤还包括:将删除后剩余的历史功率数据以及历史气象预测数据分别转换为每个周期的平均数据,所述周期为1个小时。
可选地,所述预测时段为未来一天,确定的预测时段的发电功率为未来一天内每个小时的平均发电功率。
本发明的另一方面提供一种微电网光伏发电系统的发电功率的预测设备,所述预测设备包括:确定单元,根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从所述多个类型中确定发电功率预测模型的输入类型,其中,所述输入类型指示作为发电功率预测模型的输入的气象预测数据的类型;训练单元,根据所述历史发电功率数据以及所述输入类型的历史气象预测数据,基于遗传-粒子群混合算法,训练所述发电功率预测模型,其中,所述发电功率预测模型是自适应神经模糊推理模型;获取单元,获取预测时段的所述输入类型的气象预测数据;预测单元,将获取的气象预测数据输入到所述训练的发电功率预测模型,以确定预测时段的发电功率。
可选地,所述确定单元将作为发电功率预测模型的输入的历史气象预测数据的类型作为种群的个体,生成初始种群;根据所述历史发电功率数据以及多个类型的历史气象预测数据,确定初始种群中的各个个体所对应的适应度函数的值,其中,所述适应度函数是基于高斯过程回归的适应度函数;根据所述适应度函数的值,对初始种群的各个个体进行优化得到下一代种群,直到满足退出迭代条件,得到发电功率预测模型的输入类型。
可选地,所述训练单元通过将获得的历史气象预测数据作为所述发电功率预测模型的输入,将所述历史发电功率数据作为所述发电功率预测模型的输出,来建立初始的发电功率预测模型;采用遗传-粒子群混合算法,迭代优化所述发电功率预测模型的隶属函数,以得到优化的发电功率预测模型。
可选地,所述多个类型的历史气象预测数据包括以下至少两种历史气象预测数据:空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。
可选地,历史气象预测数据是通过气象预报模型预测的历史气象数据。
可选地,还包括:预处理单元,在所述确定单元从所述多个类型中确定发电功率预测模型的输入类型之前,对所述历史功率数据以及所述历史气象预测数据进行预处理,其中,对所述历史功率数据以及所述历史气象预测数据进行的预处理包括:将所述历史功率数据以及所述历史气象预测数据中的错误的数据进行删除。
可选地,进行的预处理还包括:将删除后剩余的历史功率数据以及历史气象预测数据分别转换为每个周期的平均数据,所述周期为1个小时。
可选地,所述预测时段为未来一天,确定的预测时段的发电功率为未来一天内每个小时的平均发电功率。
本发明的另一方面提供一种光伏发电系统的发电功率的预测系统,所述预测系统包括:处理器;存储器,存储有计算机程序,当所述计算机程序被处理器执行时,执行如上所述的预测方法。
本发明的另一方面提供一种其中存储有计算机程序的计算机可读存储介质,当所述计算机程序被执行时实现如上所述的预测方法。
在根据本发明示例性实施例的微电网光伏发电系统的发电功率的预测方法和设备中,利用遗传算法在多个类型的气象预测数据中确定对发电功率的预测影响显著的气象预测数据的类型,此外,还基于遗传-粒子群的混合算法对预测发电功率的自适应神经模糊推理模型进行优化,可准确地对微电网中的光伏发电系统的发电功率进行预测。
此外,根据本发明示例性实施例的微电网光伏发电系统的发电功率的预测方法和设备,在输入的气象预测数据的是未来24小时内且平均数据的周期为1个小时的情况下,可对微电网中的光伏发电系统在未来一天中的每个小时的平均发电功率进行准确地预测。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述,本发明示例性实施例的上述和其他目的和特点将会变得更加清楚,其中:
图1示出根据本发明示例性实施例的微电网光伏发电系统的发电功率的预测方法的流程图;
图2示出根据本发明示例性实施例的确定发电功率预测模型的输入类型的方法的流程图;
图3示出根据本发明示例性实施例的训练发电功率预测模型的方法的流程图;
图4示出根据微电网光伏发电系统的发电功率的预测设备的框图。
具体实施方式
现将详细参照本发明的实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本发明。
图1示出根据本发明示例性实施例的微电网光伏发电系统的发电功率的预测方法的流程图。
参照图1,在步骤S10,根据光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从多个类型中确定发电功率预测模型的输入类型。该输入类型是指作为发电功率预测模型的输入的气象预测数据的类型。
这里,光伏发电系统的历史发电功率数据是指在过去一段时间内光伏发电系统的发电功率,可以从光伏发电系统的线监测控制与数据采集系统获取。
多个类型的历史气象预测数据是过去一段时间内在光伏发电系统附近的气象预测数据,其不是实际测量的历史气象数据,这样可以保证训练发电功率预测模型的数据和用于预测发电功率的输入数据的来源相似,从而进一步提高预测的准确度。
作为示例,多个类型的历史气象预测数据包括以下至少两种历史气象预测数据:空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。需要说明的是,以上九种历史气象预测数据时间间隔为15分钟、覆盖半径为1公里。该覆盖范围与微电网的覆盖范围基本一致。例如,该微电网可包括风力发电机、光伏发电系统、油机或者储能单元。
作为示例,历史气象预测数据是通过气象预报模型(Weather Research andForecasting Model)预测的历史气象数据。
这里,历史发电功率数据在时间上与历史气象预测数据对应,即历史发电功率数据所在的时间段与历史气象预测数据所在的时间段相同。
在一个优选的实施例中,由于获取的历史气象预测数据和历史发电功率数据中可能存在一些不适用于训练发电功率预测模型的数据,因此,可在从多个类型中确定发电功率预测模型的输入类型之前,对获取的历史气象预测数据和历史发电功率数据进行预处理以删除上述不适用于训练预测模型的数据。例如,将历史功率数据以及历史气象预测数据中的错误的数据进行删除。
此外,为了能训练出可预测未来预定周期内的发电功率的发电功率预测模型,可之前将删除后剩余的历史气象预测数据和历史发电功率数据转换为每个预定周期的平均数据,例如,平均发电功率、平均空气湿度、平均气压等。
所述预定周期的长度可根据实际需要进行设定。所述预定周期的优选为后续期望的发电功率预测周期。例如,如果后续期望的发电功率预测周期为1个小时长度,则可将该预定周期设置为1个小时。
从多个类型中确定的发电功率预测模型的输入类型,是指对发电功率的预测影响显著的历史气象预测数据的类型。对发电功率的预测影响显著的历史气象预测数据的类型可以是一个或多个,也就是说,在步骤S10,从多个类型中确定作为发电功率预测模型的输入的历史气象预测数据的类型的组合。
这里,通过遗传算法来确定对发电功率的预测影响显著的历史气象预测数据的类型的组合。
遗传算法是一种基于自然选择和遗传学机理的优化方法,其通过模拟自然进化过程搜索最优解。遗传算法的初始种群为代表问题可能潜在的解集。种群中的每个个体是带有特征的染色体。由于仿照基因编码的过程很复杂,因此可以进行简化,如简化为二进制编码。初始种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解,在每一代,根据个体的适应度大小选择优秀的个体,并借助于自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的下一代种群,直到满足退出迭代条件,将具有最大适应度的个体作为最优解进行输出。退出迭代条件一般可包括以下至少一项:当最优个体的适应度达到给定的阈值、最优个体的适应度和群体适应度不再上升、迭代次数达到预设的代数。
作为示例,本发明中用于确定适应度的适应度函数是基于高斯过程回归的适应度函数。高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法,适于处理高维数、小样本和非线性等复杂的回归问题。
作为示例,基于高斯过程回归的适应度函数是指高斯过程回归中的均方误差函数,其用于评估各个不同的类型的组合(即遗传算法中的各个个体)对发电功率的预测能力。
作为示例,采用基于高斯过程回归的适应度函数的遗传算法确定对发电功率的预测影响显著的历史气象预测数据的类型的组合的过程包括:将作为发电功率预测模型的输入的历史气象预测数据的类型(即不同类型的组合)作为种群的个体,生成初始种群;根据所述历史发电功率数据以及多个类型的历史气象预测数据,确定初始种群中的各个个体所对应的基于高斯过程回归的适应度函数的值;根据所述适应度函数的值,对初始种群的各个个体进行优化得到下一代种群,直到满足退出迭代条件,输出最终确定的发电功率预测模型的输入的历史气象预测数据的类型。
作为示例,确定各个个体所对应的基于高斯过程回归的适应度函数的值的过程包括:根据各个个体所对应的历史气象预测数据的类型的组合,建立高斯回归过程模型,再根据历史发电功率数据以及各个个体对应的历史气象预测数据以及各个建立的高斯回归过程模型确定各个均方误差函数的值(即各个个体所对应的基于高斯过程回归的适应度函数的值)。
以下将参照图2来描述基于遗传算法确定发电功率预测模型的输入类型的方法的示例。
图2示出根据本发明示例性实施例的确定发电功率预测模型的输入方法的流程图。可以理解,本发明中确定该类型的过程不限于图2所示的方法中的具体步骤,其他可实现基于遗传算法从多个类型中确定发电功率预测模型的输入类型的方法均可用于确定该类型。
参照图2,在步骤S101,进行数据集准备和规范化。
步骤S101包括将所有变量特征转换为每小时的平均数据;以及规范化数据集,在-1和1数值范围内以列的方式表示数据集。
在步骤S102,进行初始化。
步骤S102包括随机生成包括N个长度为L的染色体的初始种群,其中,N为种群规模,L为特征数量;以及将染色体转换为二进制比特字符串。
在一个示例中,N=20,L=9。
遗传算法的问题结构是,将二进制比特字符串输入到适应度函数中,该二进制比特字符串作为解的编码参数。
每个候选解(即染色体)的长度等于输入特征集中变量特征的数量,因此在本例中为9种,即空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。因此,染色体中的“1”表示选择了相应的输入变量,而染色体中的“0”表示没有选择相应的变量。
在步骤S103,建立特征子集的GPR(Gaussian process regression,高斯回归过程)模型。
步骤S103包括使用二进制染色体创建特征子集,以及建立新数据集的GPR模型。其中,特征子集可以是由二进制染色体表示的不同输入类型的组合。
本示例中定义了基于高斯过程回归的适应度函数来评价原始特征集的不同子集的预测能力。GPR模型允许先验概率分布直接定义在潜在函数之上。
在步骤S104,进行适应度评价。
步骤S104包括针对每个特征子集对GPR模型进行评估,计算每个染色体的均方误差函数的值(即适应度函数的值)。
根据GPR模型f(x)为每个特征子集引入的预测残差的MSE(mean squared error,均方误差),评估不同特征子集(以染色体形式呈现在遗传算法中)的适应度。
遗传算法的目标是通过在连续迭代中选择最适合的输入类型的变量组合来使得适应度函数(MSE)的数值最小化。
在本示例中,高斯过程f(x)描述为均值函数m(x)和协方差函数k(xx’)。具体而言,高斯过程f(x)可表示为:
f(x1)~GP[m(x1),k(x1,x2)]
均值函数表示为:
m(x)=E(f(x))
协方差函数k(xx’)采用平方指数协方差函数,表示为:
其中,为与整体函数方差相关的噪声信号方差;l为长度参数;d为输入维度;为超级参数向量;
本示例中定义的适应度函数,也就是均方误差,表示为:
其中,t表示训练的目标向量,n表示训练数据中的实例数量,f表示输入类型的变量组合。
在步骤S105,产生新的种群。
步骤S105包括:基于染色体的适应度函数得值来对染色体进行排序,选择前两个最佳染色体作为精英种子,进行交叉和变异处理得到下一代新的种群。
本算法选择当前世代中最优秀的10%(2个染色体),并将其传递给下一代。通过交叉处理选择的父母个体的特征并结合,创建新的个体;通过突变处理对单个父母的基因进行随机的改变。
其中,交叉处理的过程具体为,利用散射交叉函数创建一个与染色体长度相同的随机二进制向量,并从第一个亲本中选择基因(其中向量为1),从第二个亲本中选择基因(其中向量为0)。
采用竞赛选择法对杂交处理的亲本染色体进行选择。
从种群中随机选择四种候选染色体,适应度函数数值最高的被选择为亲本。重复这个过程,获得用于交叉处理的第二个亲本。
交叉分数设置为0.8。交叉分数指定下一代除精英种子之外,将由交叉操作产生的部分。统一突变处理用于产生下一代染色体的剩余部分。
在统一突变处理过程中,从均匀分布中形成随机数向量。然后将每个数字的值与突变概率进行比较。如果突变概率的值较大,则染色体中相应的基因翻转(0到1,或者,1到0),否则保持不变。
在一个示例中,产生14个交叉种子和4个变异种子。
步骤S106,检查是否满足终止条件。
终止条件包括进化代数是否达到MaxGen(最大进化代数),或者,停滞代数是否达到MaxStallGen(最大停滞代数)。
在一个示例中,MaxGen=100,MaxStallGen=50。
当满足终止条件时,执行步骤S107,终止算法并输出结果,得到最优的两个精英种子;当不满足终止条件时,返回到步骤S103,更新GPR模型。
其中,最优的两个精英种子表示从9种历史天气数据类型中(即空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量)选择两种作为输入数据类型。
下文再次回到图1,说明光伏发电系统的发电功率预测模型的获取过程。
如图1所示,在步骤S20,根据历史发电功率数据以及输入类型的历史气象预测数据,基于遗传-粒子群混合算法,训练所述发电功率预测模型。发电功率预测模型是自适应神经模糊推理模型。
自适应神经模糊推理模型是一种模糊推理系统,通过离线训练和在线学习算法进行模糊推理控制规则的自调整,使其系统本身朝着自适应、自组织、自学习的方向发展。自适应神经模糊推理模型具有5层前馈网络。第一层用于根据隶属函数计算模糊集的隶属度,第二层用于计算每条规则的激励强度,第三层用于将每条规则的激励强度归一化,第四层用于根据结论参数计算每条规则的输出,第五层用于计算总输出。
遗传-粒子群混合算法是遗传算法和粒子群算法的混合算法。遗传算法在上文中已有介绍,在此不再赘述。粒子群算法是一种基于群智能的演化计算技术,其与遗传算法类似,也是一种基于群体的优化工具,具有收敛速度快,容易实现,而且又具有深刻智能背景的优点。
作为示例,基于遗传-粒子群混合算法(GA-PSO)对自适应神经模糊推理模型进行训练的处理可包括初始化处理和优化处理。
初始化处理包括:通过将输入类型的历史气象预测数据作为所述发电功率预测模型的输入,将历史发电功率数据作为所述发电功率预测模型的输出,来建立初始的发电功率预测模型。
优化处理包括:设置遗传-粒子群混合算法中的遗传算法和粒子群算法的各个参数,采用设置后的遗传-粒子群混合算法,根据历史发电功率数据以及输入类型的历史气象预测数据,迭代优化所述发电功率预测模型的隶属函数的各个参数,以得到优化的发电功率预测模型。
具体说来,在优化处理过程中,将隶属函数(包括输入隶属函数和输出隶属函数)的各个参数作为遗传-粒子群混合算法中的需要优化的变量,通过确定每个染色体或粒子的强度来评估每个候选解对应的发电功率预测模型的预测能力,将均方根误差函数(rootmean square error,RMSE)作为遗传-粒子群混合算法中的目标函数。
在优化处理过程中,粒子群算法根据预定的更新规则更新粒子群中的粒子的速度和位置,遗传算法进行精英选择、交叉和变异操作,直到满足迭代结束条件(例如达到最大迭代次数)。在每一次迭代中,确定所有染色体和粒子的适应度,通过比较最佳染色体和最佳粒子的适应度,选择更好的全局最优解。具体说来,如果粒子群中的最佳粒子比染色体群中的最佳染色体获得更好的适应度,则最佳染色体的参数更新为最佳粒子的变量;如最佳染色体比最佳粒子获得更好的适应度,则最佳粒子的变量被替换为最佳染色体的基因。
优选地,建模数据集使用模糊聚类(fuzzy c-means,FCM)方法生成初始的ANFIS结构,所有参数都是随机初始化的。通过迭代获得生成的ANFIS模型的输入和输出隶属参数,确定每个染色体/粒子的大小,以建立优化问题。这些参数构成了遗传-粒子群混合算法要调整的变量集。
在所有候选解上评估ANFIS模型,以确定每个染色体/粒子的强度。用ANFIS模型生成的残差RMSE作为目标函数的定义标准。
粒子群算法中,粒子的速度和位置根据更新规则进行更新,而遗传算法在连续的世代中进行精英选择、交叉和突变操作,直到达到最大的世代数。混合训练算法考虑了每次迭代中染色体/粒子的所有变量。对同代的所有染色体和粒子进行评估,并根据它们的适应度函数对它们进行排序。
该算法通过比较GA和PSO在每次迭代中所获得的最优解的适应度,并选择最优解作为全局最优解。如果PSO的最佳粒子比GA种群中的最佳染色体具有更好的适应度,则更新最佳染色体的参数,以假设最佳粒子的变量。
另一方面,如果遗传算法获得了更好的解,那么最佳粒子的变量就会被最佳染色体的基因所取代。
这样,产生了最优解的算法就得到了全局最优解。这个过程重复进行,直到满足终止标准。最后将混合算法优化的变量复制到ANFIS结构的输入输出隶属函数中,形成最终的ANFIS模型,并对训练过程进行总结。
以下将参照图3来描述基于遗传-粒子群混合算法训练发电功率预测模型的方法的示例。
图3示出根据本发明示例性实施例的训练发电功率预测模型的方法的流程图。可以理解,本发明中训练发电功率预测模型的过程不限于图3所示的方法中的具体步骤,其他可实现基于遗传-粒子群混合算法训练发电功率预测模型的方法均可用于训练发电功率预测模型。
参照图3,在步骤S201,进行自适应神经模糊推理系统(ANFIS)初始化。
步骤S201包括将预测变量和目标变量按列宽度进行排列,以及从建模数据生成自适应神经模糊推理系统(ANFIS)的结构。
在步骤S202,形成初始的解。
步骤S202包括以下六个子步骤。
在子步骤一,获得初始的ANFIS结构的参数并确定变量的数量(VarSize)。
在子步骤二,随机生成预定数量的长度为VarSize的粒子,初始化粒子的位置。
在子步骤三,随机生成预定数量的带有初始化位置的染色体。
在子步骤四,初始化粒子的速度。
在子步骤五,将粒子群算法(PSO)的最优成本初始化为无穷大。
在子步骤六,将全局的最优成本初始化为无穷大。
在步骤S203,创建下一代的解。
步骤S203包括更新粒子的速度、位置和惯性权重,以及进行精英选择、交叉和变异。
在步骤S204,将解的参数分配给ANFIS的结构。
步骤S204包括得到每个粒子/染色体变量的向量(sol),对于每个预测变量的每个隶属函数(MF),将sol的相应值分配给输入MF的参数,对于每个目标变量的每个隶属函数,将sol的相应值分配给输出MF的参数。
在步骤S205,评估候选解的成本。
步骤S205包括评估每个粒子pi的成本并更新PSO算法的个体最优粒子(PPbest)和全局最优粒子(PGbest)。
如果Costi<Cbesti,则,PPbest←pi,Cbesti←Costi。
如果Cbesti<CbestG,则,CbestG←Cbesti,PGbest←PPbest。
其中,Costi表示粒子pi的成本;Cbesti表示粒子最优成本;CbestG表示全局最优成本。
步骤S205还包括评估每个染色体ci的适应度并找到遗传算法(GA)的最优解GAbest及其适应度函数fbesti。
步骤S205还包括应用全局解更新规则。
在步骤S206,检查是否满足终止条件。
终止条件包括迭代次数是否达到MaxIt(最大迭代次数),其中MaxIt=1000。
当满足终止条件时,执行步骤S207,终止算法并输出优化的模型;当不满足终止条件时,返回到步骤S203,更新下一代的解。
在步骤S30,获取预测时段的输入类型的气象预测数据。
所述预测时段的时间长度可根据需要来设定。例如,该时间长度可设定为24小时。
这里,预测时段的输入类型的气象预测数据可从气象预报模型中获取,也可采用其他方式来获取。
这里,获取预测时段的输入类型的气象预测数据的数据形式可与用来训练发电功率预测模型的气象预测数据的数据形式相同。例如,预测时段的输入类型的气象预测数据可表示为每个周期的平均数据,该周期可与历史气象数据的周期相同,例如可以为1个小时。
在步骤S40,将获取的气象预测数据输入到训练的发电功率预测模型,以确定预测时段的发电功率。
这里,将获取的气象预测数据输入到训练的发电功率预测模型后,将输出预测时段的发电功率。输出的发电功率可由在每个周期内的平均发电功率来表示,该周期与输入的气象预测数据的平均数据的周期的相同。在输入的气象预测数据的是未来24小时内且平均数据的周期为1个小时的情况下,在步骤S40中输出光伏发电系统在未来一天中的每个小时的平均发电功率,也就是说,可提前一天逐时地对光伏发电系统的发电功率进行预测。
微电网通常包括分布式发电系统和储能单元,并具有局部可控负载。微电网的提前一天的光伏发电功率预测对于保证系统稳定、规划最优机组投入、经济发电调度、储能调度和减负荷至关重要。
为了验证根据本发明的示例性实施例的微电网光伏发电系统的发电功率的预测方法的预测性能,本发明采用了三个光伏发电系统的历史预测数据以及历史发电功率,来测试本发明的示例性实施例的短期风电功率的预测方法与其他现有的预测方法的准确性。其他现有的预测方法包括基于持久性模型的预测方法、基于人工神经网络预测方法和基于线性回归的预测方法。在测试中,采用均方根误差以及归一化平均绝对误差来评估各种预测方法的准确性。
测试结果表明根据本发明的示例性实施例的微电网光伏发电系统的发电功率的预测方法的均方根误差以及归一化平均绝对误差均比其他三种现有的预测方法的低,也就是说,根据本发明的示例性实施例的微电网光伏发电系统的发电功率的预测方法的准确性比其他三种现有的预测方法的准确性高。
图4示出根据本发明示例性实施例的微电网光伏发电系统的发电功率的预测设备的框图。
参照图4,根据本发明示例性实施例的微电网光伏发电系统的发电功率的预测设备包括确定单元10、训练单元20、获取单元30和预测单元40。
确定单元10根据光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从多个类型中确定发电功率预测模型的输入类型。该输入类型是指作为发电功率预测模型的输入的气象预测数据的类型。
这里,光伏发电系统的历史发电功率数据是指在过去一段时间内光伏发电系统的发电功率,可以从光伏发电系统的线监测控制与数据采集系统获取。
多个类型的历史气象预测数据是过去一段时间内在光伏发电系统附近的气象预测数据,其不是实际测量的历史气象数据,这样可以保证训练发电功率预测模型的数据和用于预测发电功率的输入数据的来源相似,从而进一步提高预测的准确度。
作为示例,多个类型的历史气象预测数据包括以下至少两种历史气象预测数据:空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。
作为示例,历史气象预测数据是通过气象预报模型预测的历史气象数据。
这里,历史发电功率数据在时间上与历史气象预测数据对应,即历史发电功率数据所在的时间段与历史气象预测数据所在的时间段相同。
在一个优选的实施例中,由于获取的历史气象预测数据和历史发电功率数据中可能存在一些不适用于训练发电功率预测模型的数据,因此,根据本发明示例性实施例的光伏发电系统的发电功率的预测设备还可包括预处理单元(图中未示出)。
预处理单元可在确定单元10从所述多个类型中确定发电功率预测模型的输入类型之前,对获取的历史气象预测数据和历史发电功率数据进行预处理以删除上述不适用于训练预测模型的数据。例如,将历史功率数据以及历史气象预测数据中的错误的数据进行删除。
此外,为了能训练出可预测未来预定周期内的发电功率的发电功率预测模型,可之前将删除后剩余的历史气象预测数据和历史发电功率数据转换为每个预定周期的平均数据,例如,平均发电功率、平均空气湿度、平均气压等。
所述预定周期的长度可根据实际需要进行设定。所述预定周期的优选为后续期望的发电功率预测周期。例如,如果后续期望的发电功率预测周期为1个小时长度,则可将该预定周期设置为1个小时。
从多个类型中确定的发电功率预测模型的输入类型,是指对发电功率的预测影响显著的历史气象预测数据的类型。对发电功率的预测影响显著的历史气象预测数据的类型可以是一个或多个,也就是说,确定单元10从多个类型中确定作为发电功率预测模型的输入的历史气象预测数据的类型的组合。
这里,通过遗传算法来确定对发电功率的预测影响显著的历史气象预测数据的类型的组合。
遗传算法是一种基于自然选择和遗传学机理的优化方法,其通过模拟自然进化过程搜索最优解。遗传算法的初始种群为代表问题可能潜在的解集。种群中的每个个体是带有特征的染色体。由于仿照基因编码的过程很复杂,因此可以进行简化,如简化为二进制编码。初始种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解,在每一代,根据个体的适应度大小选择优秀的个体,并借助于自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的下一代种群,直到满足退出迭代条件,将具有最大适应度的个体作为最优解进行输出。退出迭代条件一般可包括以下至少一项:当最优个体的适应度达到给定的阈值、最优个体的适应度和群体适应度不再上升、迭代次数达到预设的代数。
作为示例,本发明中用于确定适应度的适应度函数是基于高斯过程回归的适应度函数。高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法,适于处理高维数、小样本和非线性等复杂的回归问题。
作为示例,基于高斯过程回归的适应度函数是指高斯过程回归中的均方误差函数,其用于评估各个不同的类型的组合(即遗传算法中的各个个体)对发电功率的预测能力。
作为示例,确定单元10采用基于高斯过程回归的适应度函数的遗传算法确定对发电功率的预测影响显著的历史气象预测数据的类型的组合的过程包括:将作为发电功率预测模型的输入的历史气象预测数据的类型(即不同类型的组合)作为种群的个体,生成初始种群;根据所述历史发电功率数据以及多个类型的历史气象预测数据,确定初始种群中的各个个体所对应的基于高斯过程回归的适应度函数的值;根据所述适应度函数的值,对初始种群的各个个体进行优化得到下一代种群,直到满足退出迭代条件,输出最终确定的发电功率预测模型的输入的历史气象预测数据的类型。
作为示例,确定各个个体所对应的基于高斯过程回归的适应度函数的值的过程包括:根据各个个体所对应的历史气象预测数据的类型的组合,建立高斯回归过程模型,再根据历史发电功率数据以及各个个体对应的历史气象预测数据以及各个建立的高斯回归过程模型确定各个均方误差函数的值(即各个个体所对应的基于高斯过程回归的适应度函数的值)。
确定单元10可参照图2描述的基于遗传算法确定发电功率预测模型的输入类型的方法的示例来确定发电功率预测模型的输入类型。
训练单元20根据历史发电功率数据以及输入类型的历史气象预测数据,基于遗传-粒子群混合算法,训练所述发电功率预测模型。发电功率预测模型是自适应神经模糊推理模型。
自适应神经模糊推理模型是一种模糊推理系统,通过离线训练和在线学习算法进行模糊推理控制规则的自调整,使其系统本身朝着自适应、自组织、自学习的方向发展。自适应神经模糊推理模型具有5层前馈网络。第一层用于根据隶属函数计算模糊集的隶属度,第二层用于计算每条规则的激励强度,第三层用于将每条规则的激励强度归一化,第四层用于根据结论参数计算每条规则的输出,第五层用于计算总输出。
遗传-粒子群混合算法是遗传算法和粒子群算法的混合算法。遗传算法在上文中已有介绍,在此不再赘述。粒子群算法是一种基于群智能的演化计算技术,其与遗传算法类似,也是一种基于群体的优化工具,具有收敛速度快,容易实现,而且又具有深刻智能背景的优点。
作为示例,基于遗传-粒子群混合算法对自适应神经模糊推理模型进行训练的处理可包括初始化处理和优化处理。
初始化处理包括:通过将输入类型的历史气象预测数据作为所述发电功率预测模型的输入,将历史发电功率数据作为所述发电功率预测模型的输出,来建立初始的发电功率预测模型。
优化处理包括;设置遗传-粒子群混合算法中的遗传算法和粒子群算法的各个参数,采用设置后的遗传-粒子群混合算法,根据历史发电功率数据以及输入类型的历史气象预测数据,迭代优化所述发电功率预测模型的隶属函数的各个参数,以得到优化的发电功率预测模型。
具体说来,在优化处理过程中,将隶属函数(包括输入隶属函数和输出隶属函数)的各个参数作为遗传-粒子群混合算法中的需要优化的变量,通过确定每个染色体或粒子的强度来评估每个候选解对应的发电功率预测模型的预测能力,将均方根误差函数作为遗传-粒子群混合算法中的目标函数。
在优化处理过程中,粒子群算法根据预定的更新规则更新粒子群中的粒子的速度和位置,遗传算法进行精英选择、交叉和变异操作,直到满足迭代结束条件(例如达到最大迭代次数)。在每一次迭代中,确定所有染色体和粒子的适应度,通过比较最佳染色体和最佳粒子的适应度,选择更好的全局最优解。具体说来,如果粒子群中的最佳粒子比染色体群中的最佳染色体获得更好的适应度,则最佳染色体的参数更新为最佳粒子的变量;如最佳染色体比最佳粒子获得更好的适应度,则最佳粒子的变量被替换为最佳染色体的基因。
优选地,建模数据集使用模糊聚类(fuzzy c-means,FCM)方法生成初始的ANFIS结构,所有参数都是随机初始化的。通过迭代获得生成的ANFIS模型的输入和输出隶属参数,确定每个染色体/粒子的大小,以建立优化问题。这些参数构成了遗传-粒子群混合算法要调整的变量集。
在所有候选解上评估ANFIS模型,以确定每个染色体/粒子的强度。用ANFIS模型生成的残差RMSE作为目标函数的定义标准。
粒子群算法中,粒子的速度和位置根据更新规则进行更新,而遗传算法在连续的世代中进行精英选择、交叉和突变操作,直到达到最大的世代数。混合训练算法考虑了每次迭代中染色体/粒子的所有变量。对同代的所有染色体和粒子进行评估,并根据它们的适应度函数对它们进行排序。
该算法通过比较GA和PSO在每次迭代中所获得的最优解的适应度,并选择最优解作为全局最优解。如果PSO的最佳粒子比GA种群中的最佳染色体具有更好的适应度,则更新最佳染色体的参数,以假设最佳粒子的变量。
另一方面,如果遗传算法获得了更好的解,那么最佳粒子的变量就会被最佳染色体的基因所取代。
这样,产生了最优解的算法就得到了全局最优解。这个过程重复进行,直到满足终止标准。最后将混合算法优化的变量复制到ANFIS结构的输入输出隶属函数中,形成最终的ANFIS模型,并对训练过程进行总结。
训练单元20可参照图3所示的训练发电功率预测模型的方法来训练发电功率预测模型。
获取单元30获取预测时段的输入类型的气象预测数据。
所述预测时段的时间长度可根据需要来设定。例如,该时间长度可设定为24小时。
这里,预测时段的输入类型的气象预测数据可从气象预报模型中获取,也可采用其他方式来获取。
这里,获取预测时段的输入类型的气象预测数据的数据形式可与用来训练发电功率预测模型的气象预测数据的数据形式相同。例如,预测时段的输入类型的气象预测数据可表示为每个周期的平均数据,该周期可与历史气象数据的周期相同,例如可以为1个小时。
预测单元40将获取的气象预测数据输入到训练的发电功率预测模型,以确定预测时段的发电功率。
这里,将获取的气象预测数据输入到训练的发电功率预测模型后,将输出预测时段的发电功率。输出的发电功率可由在每个周期内的平均发电功率来表示,该周期与输入的气象预测数据的平均数据的周期的相同。在输入的气象预测数据的是未来24小时内且平均数据的周期为1个小时的情况下,预测单元40输出光伏发电系统在未来一天中的每个小时的平均发电功率,也就是说,可提前一天逐时地对微电网中的光伏发电系统的发电功率进行预测。
在根据本发明示例性实施例的微电网光伏发电系统的发电功率的预测方法和设备中,利用遗传算法在多个类型的气象预测数据中确定对发电功率的预测影响显著的气象预测数据的类型,此外,还基于遗传-粒子群的混合算法对预测发电功率的自适应神经模糊推理模型进行优化,可准确地对微电网中的光伏发电系统的发电功率进行预测。
此外,根据本发明示例性实施例的微电网光伏发电系统的发电功率的预测方法和设备可适用于对各种微电网中的光伏发电系统的发电功率进行预测,在输入的气象预测数据的是未来24小时内且平均数据的周期为1个小时的情况下,可提前一天对光伏发电系统每个小时的平均发电功率进行准确地预测。
根据本发明的一个实施例,本发明还提供一种微电网光伏发电系统的发电功率的预测系统。所述预测系统包括:处理器和存储器。存储器存储有计算机程序,当所述计算机程序被处理器执行时,执行如上所述的预测方法。
此外,应该理解,根据本发明示例性实施例的预测设备中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理,可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
此外,根据本发明示例性实施例的方法可以被实现为计算机可读记录介质中的计算机程序。本领域技术人员可以根据对上述方法的描述来实现所述计算机程序。当所述计算机程序在计算机中被执行时实现本发明的上述方法。
尽管已经参照其示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (18)
1.一种微电网光伏发电系统的发电功率的预测方法,其特征在于,所述预测方法包括:
根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从所述多个类型中确定发电功率预测模型的输入类型,其中,所述输入类型指示作为发电功率预测模型的输入的气象预测数据的类型;
根据所述历史发电功率数据以及所述输入类型的历史气象预测数据,基于遗传-粒子群混合算法,训练所述发电功率预测模型,其中,所述发电功率预测模型是自适应神经模糊推理模型;
获取预测时段的所述输入类型的气象预测数据;
将获取的气象预测数据输入到所述训练的发电功率预测模型,以确定预测时段的发电功率。
2.根据权利要求1所述的预测方法,其特征在于,根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从所述多个类型中确定发电功率预测模型的输入类型的步骤包括:
将作为发电功率预测模型的输入的历史气象预测数据的类型作为种群的个体,生成初始种群;
根据所述历史发电功率数据以及多个类型的历史气象预测数据,确定初始种群中的各个个体所对应的适应度函数的值,其中,所述适应度函数是基于高斯过程回归的适应度函数;
根据所述适应度函数的值,对初始种群的各个个体进行优化得到下一代种群,直到满足退出迭代条件,得到发电功率预测模型的输入类型。
3.根据权利要求1所述的预测方法,其特征在于,所述根据所述历史发电功率数据以及输入类型的历史气象预测数据,基于遗传-粒子群混合算法,训练所述发电功率预测模型的步骤包括:
通过将获得的历史气象预测数据作为所述发电功率预测模型的输入,将所述历史发电功率数据作为所述发电功率预测模型的输出,来建立初始的发电功率预测模型;
采用遗传-粒子群混合算法,迭代优化所述发电功率预测模型的隶属函数,以得到优化的发电功率预测模型。
4.根据权利要求1所述的预测方法,其特征在于,所述多个类型的历史气象预测数据包括以下至少两种历史气象预测数据:空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。
5.根据权利要求2所述的预测方法,其特征在于,历史气象预测数据是通过气象预报模型预测的历史气象数据。
6.根据权利要求1所述的预测方法,其特征在于,还包括:
在从所述多个类型中确定发电功率预测模型的输入类型之前,对所述历史功率数据以及所述历史气象预测数据进行预处理,
其中,对所述历史功率数据以及所述历史气象预测数据进行预处理的步骤包括:
将所述历史功率数据以及所述历史气象预测数据中的错误的数据进行删除。
7.根据权利要求6所述的预测方法,其特征在于,进行预处理的步骤还包括:
将删除后剩余的历史功率数据以及历史气象预测数据分别转换为每个周期的平均数据,所述周期为1个小时。
8.根据权利要求1所述的预测方法,其特征在于,所述预测时段为未来一天,确定的预测时段的发电功率为未来一天内每个小时的平均发电功率。
9.一种微电网光伏发电系统的发电功率的预测设备,其特征在于,所述预测设备包括:
确定单元,根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据,基于遗传算法,从所述多个类型中确定发电功率预测模型的输入类型,其中,所述输入类型指示作为发电功率预测模型的输入的气象预测数据的类型;
训练单元,根据所述历史发电功率数据以及所述输入类型的历史气象预测数据,基于遗传-粒子群混合算法,训练所述发电功率预测模型,其中,所述发电功率预测模型是自适应神经模糊推理模型;
获取单元,获取预测时段的所述输入类型的气象预测数据;
预测单元,将获取的气象预测数据输入到所述训练的发电功率预测模型,以确定预测时段的发电功率。
10.根据权利要求9所述的预测设备,其特征在于,所述确定单元将作为发电功率预测模型的输入的历史气象预测数据的类型作为种群的个体,生成初始种群;根据所述历史发电功率数据以及多个类型的历史气象预测数据,确定初始种群中的各个个体所对应的适应度函数的值,其中,所述适应度函数是基于高斯过程回归的适应度函数;根据所述适应度函数的值,对初始种群的各个个体进行优化得到下一代种群,直到满足退出迭代条件,得到发电功率预测模型的输入类型。
11.根据权利要求9所述的预测设备,其特征在于,所述训练单元通过将获得的历史气象预测数据作为所述发电功率预测模型的输入,将所述历史发电功率数据作为所述发电功率预测模型的输出,来建立初始的发电功率预测模型;采用遗传-粒子群混合算法,迭代优化所述发电功率预测模型的隶属函数,以得到优化的发电功率预测模型。
12.根据权利要求9所述的预测设备,其特征在于,所述多个类型的历史气象预测数据包括以下至少两种历史气象预测数据:空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。
13.根据权利要求10所述的预测设备,其特征在于,历史气象预测数据是通过气象预报模型预测的历史气象数据。
14.根据权利要求9所述的预测设备,其特征在于,还包括:
预处理单元,在所述确定单元从所述多个类型中确定发电功率预测模型的输入类型之前,对所述历史功率数据以及所述历史气象预测数据进行预处理,
其中,对所述历史功率数据以及所述历史气象预测数据进行的预处理包括:
将所述历史功率数据以及所述历史气象预测数据中的错误的数据进行删除。
15.根据权利要求14所述的预测设备,其特征在于,进行的预处理还包括:
将删除后剩余的历史功率数据以及历史气象预测数据分别转换为每个周期的平均数据,所述周期为1个小时。
16.根据权利要求9所述的预测设备,其特征在于,所述预测时段为未来一天,确定的预测时段的发电功率为未来一天内每个小时的平均发电功率。
17.一种光伏发电系统的发电功率的预测系统,其特征在于,所述预测系统包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,执行权利要求1至8中的任一项所述的预测方法。
18.一种其中存储有计算机程序的计算机可读存储介质,当所述计算机程序被执行时实现权利要求1至8中的任一项所述的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810791548.0A CN108832663A (zh) | 2018-07-18 | 2018-07-18 | 微电网光伏发电系统的发电功率的预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810791548.0A CN108832663A (zh) | 2018-07-18 | 2018-07-18 | 微电网光伏发电系统的发电功率的预测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108832663A true CN108832663A (zh) | 2018-11-16 |
Family
ID=64140725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810791548.0A Withdrawn CN108832663A (zh) | 2018-07-18 | 2018-07-18 | 微电网光伏发电系统的发电功率的预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108832663A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858665A (zh) * | 2018-12-06 | 2019-06-07 | 国网河北省电力有限公司 | 基于特征筛选与anfis-pso的光伏短期功率预测方法 |
CN110674965A (zh) * | 2019-05-15 | 2020-01-10 | 中国电建集团华东勘测设计研究院有限公司 | 基于动态特征选取的多时间步长风功率预测方法 |
CN111262243A (zh) * | 2020-03-04 | 2020-06-09 | 国网浙江省电力有限公司 | 一种园区配电系统运行方式智能辨识以及优化方法 |
CN111461444A (zh) * | 2020-04-07 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
CN113726462A (zh) * | 2021-07-30 | 2021-11-30 | 浪潮电子信息产业股份有限公司 | 一种PCIe虚拟信道选择方法、装置、系统及介质 |
CN115425680A (zh) * | 2022-08-31 | 2022-12-02 | 中国长江三峡集团有限公司 | 一种多能源联合发电系统的功率预测模型构建及预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045659A (zh) * | 2017-05-03 | 2017-08-15 | 北京天诚同创电气有限公司 | 预测光伏发电功率的方法及装置 |
CN107092989A (zh) * | 2017-04-28 | 2017-08-25 | 北京天诚同创电气有限公司 | 短期风电功率的预测方法和设备 |
-
2018
- 2018-07-18 CN CN201810791548.0A patent/CN108832663A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092989A (zh) * | 2017-04-28 | 2017-08-25 | 北京天诚同创电气有限公司 | 短期风电功率的预测方法和设备 |
CN107045659A (zh) * | 2017-05-03 | 2017-08-15 | 北京天诚同创电气有限公司 | 预测光伏发电功率的方法及装置 |
Non-Patent Citations (1)
Title |
---|
YORDANOS KASSA SEMERO, ET AL.: ""PV Power Forecasting Using an Integrated GA-PSO-ANFIS Approach and Gaussian Process Regression Based Feature Selection Strategy"", 《CSEE JOURNAL OF POWER AND ENERGY SYSTEMS》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858665A (zh) * | 2018-12-06 | 2019-06-07 | 国网河北省电力有限公司 | 基于特征筛选与anfis-pso的光伏短期功率预测方法 |
CN110674965A (zh) * | 2019-05-15 | 2020-01-10 | 中国电建集团华东勘测设计研究院有限公司 | 基于动态特征选取的多时间步长风功率预测方法 |
CN111262243A (zh) * | 2020-03-04 | 2020-06-09 | 国网浙江省电力有限公司 | 一种园区配电系统运行方式智能辨识以及优化方法 |
CN111262243B (zh) * | 2020-03-04 | 2023-05-12 | 国网浙江省电力有限公司 | 一种园区配电系统运行方式智能辨识以及优化方法 |
CN111461444A (zh) * | 2020-04-07 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
CN111461444B (zh) * | 2020-04-07 | 2023-07-18 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
CN113726462A (zh) * | 2021-07-30 | 2021-11-30 | 浪潮电子信息产业股份有限公司 | 一种PCIe虚拟信道选择方法、装置、系统及介质 |
CN115425680A (zh) * | 2022-08-31 | 2022-12-02 | 中国长江三峡集团有限公司 | 一种多能源联合发电系统的功率预测模型构建及预测方法 |
CN115425680B (zh) * | 2022-08-31 | 2023-07-18 | 中国长江三峡集团有限公司 | 一种多能源联合发电系统的功率预测模型构建及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108832663A (zh) | 微电网光伏发电系统的发电功率的预测方法及设备 | |
Mahmoud et al. | An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine | |
Kashyap et al. | Towards precision agriculture: IoT-enabled intelligent irrigation systems using deep learning neural network | |
Fazelpour et al. | Short-term wind speed forecasting using artificial neural networks for Tehran, Iran | |
Kaloop et al. | Novel application of adaptive swarm intelligence techniques coupled with adaptive network-based fuzzy inference system in predicting photovoltaic power | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
Liao | Hybrid improved differential evolution and wavelet neural network with load forecasting problem of air conditioning | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
He et al. | Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting | |
Marzouq et al. | Short term solar irradiance forecasting via a novel evolutionary multi-model framework and performance assessment for sites with no solar irradiance data | |
Bozorg-Haddad et al. | A self-tuning ANN model for simulation and forecasting of surface flows | |
CN106600041A (zh) | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 | |
CN110232461A (zh) | 基于量子遗传算法优化的多关联向量机水质预测方法 | |
Chitsazan et al. | Wind speed forecasting using an echo state network with nonlinear output functions | |
Rizwan et al. | Artificial intelligence based approach for short term load forecasting for selected feeders at madina saudi arabia | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Zhao et al. | Short-term wind electric power forecasting using a novel multi-stage intelligent algorithm | |
Li et al. | A method of rainfall runoff forecasting based on deep convolution neural networks | |
CN116014724A (zh) | 一种有源配电网网格化负荷预测方法 | |
Pandu et al. | Artificial Intelligence Based Solar Radiation Predictive Model Using Weather Forecasts. | |
Tajjour et al. | Short-term solar irradiance forecasting using deep learning techniques: a comprehensive case study | |
Easley et al. | Deep neural networks for short-term load forecasting in ERCOT system | |
CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
Boubaker et al. | Prediction of Daily Global Solar Radiation using Resilient-propagation Artificial Neural Network and Historical Data: A Case Study of Hail, Saudi Arabia. | |
Zheng et al. | An effective genetic algorithm to VDA with discontinuous “on-off” switches |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181116 |