CN110070227A - 一种适于并网光伏发电的迁移神经网络功率预测方法 - Google Patents
一种适于并网光伏发电的迁移神经网络功率预测方法 Download PDFInfo
- Publication number
- CN110070227A CN110070227A CN201910336961.2A CN201910336961A CN110070227A CN 110070227 A CN110070227 A CN 110070227A CN 201910336961 A CN201910336961 A CN 201910336961A CN 110070227 A CN110070227 A CN 110070227A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic array
- photovoltaic
- model
- power
- class
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000013508 migration Methods 0.000 title claims abstract description 7
- 230000005012 migration Effects 0.000 title claims abstract description 7
- 238000003491 array Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000013526 transfer learning Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 16
- 238000013277 forecasting method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000008929 regeneration Effects 0.000 claims description 6
- 238000011069 regeneration method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001617 migratory effect Effects 0.000 abstract 1
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 229910021417 amorphous silicon Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种适于并网光伏发电的迁移神经网络功率预测方法,包括获取多个光伏方阵的相关数据;建立聚类模型,将多个光伏方阵进行聚类;对每组类光伏方阵分别建立BP神经网络模型;将对应的神经网络模型进行二分,;符合自主训练的模型利用自身的训练集进行参数训练,不符合自主训练的模型通过参数迁移并进行增量学习;获得每个光伏方阵的发电预测功率;综合每个光伏方阵的发电预测功率,获得整个并网光伏发电的预测功率。本发明提出的预测方法,从光伏方阵聚类、训练参数迁移学习、增量学习和新增光伏方阵分类四个方面进行优化和改进,使得本方法更加适合于并网光伏发电功率的预测,预测准确度更高,效果更好。
Description
技术领域
本发明属于光伏发电站的发电功率预测方法,具体涉及一种适于并网光伏发电的迁移神经网络功率预测方法。
背景技术
光伏发电系统按规模大小主要分为独立光伏发电和并网光伏发电,利用以光能生成电势能效应原理制成的光伏电池可以将太阳辐照能转换成电能的发电系统。完整的光伏发电系统由光伏电池组、控制器、蓄电池、直流/交流转换器等部分组成。光伏电站一般由1个或多个基本光伏方阵组成,大规模的光伏方阵发电后后经汇流箱汇流后将直流电输送给逆变器,再由逆变器及其滤波装置转换为质量合格的交流电,经变压器升压后并网。光伏发电大规模间歇性分布式接入电网后,整个电网原来相对稳定的潮流模型不确定性增大,同时光伏方阵中各模块由于型号、厂家、批号等不同,所以其整个电网的功率并非单个方阵与数目相乘的结果。与水利、火力电源相比太阳能发电系统有其自身的特殊要求,比如并网采用的是电力电子器件、没有同期装置、没有相位差、需要进行无功补偿等等,这也极易造成高次谐波、电流、电压的三相不平衡等特性,同时输出功率的不稳定很容易造成电网电压震荡、闪变。而且并网中会不断的有光伏发电组的加入或者退出,需要一种动态的预测机制,同时对于新加入的广发发电组,由于少有历史训练数据,所以对其进行准确的预测也具有一定的难度。
发明内容
本发明的目的在于提供一种预测结果准确的适于并网光伏发电的迁移神经网络功率预测方法,主要解决并网光伏电场中多种不同光伏方阵发电功率的综合预测,并且适用于并网中不断有光伏方阵停止工作或新增方阵的情况,为实现上述目的,本发明提供如下技术方案,包括以下步骤:
步骤1,获取并网光伏发电的多个光伏方阵所处的地理数据、设备数据、历史气象数据和发电功率数据;
步骤2,建立聚类模型,将多个光伏方阵进行聚类,获得多组类光伏方阵;
步骤3,对每组类光伏方阵分别建立BP神经网络模型,确定输入层、隐含层和输出层数量;
步骤4,根据每组类光伏方阵对应的模型训练数据多少,将对应的神经网络模型进行二分,符合自主训练的模型和不符合自主训练的模型;
步骤5,符合自主训练的模型利用自身的训练集进行参数训练,不符合自主训练的模型通过参数迁移并进行增量学习;
步骤6,获得每个光伏方阵的现实气象数据,将其分类输入至对应的预测模型中,获得每个光伏方阵的发电预测功率;
步骤7,综合每个光伏方阵的发电预测功率,获得整个并网光伏发电的预测功率。
步骤5中所述的参数训练是利用遗传算法和粒子群算法的混合算法,对BP神经网络模型中的参数进行训练包括,
步骤501,随机生成N组随机值作为初始化种群,代表神经网络的参数,
步骤502,用粒子群算法更新种群,
步骤503,计算出粒子适应度,进行排序,
步骤504,找出全局最优粒子的位置和速度以及粒子自身最优的位置和速度,
步骤505,对种群进行遗传算子操作,包括选择、交叉和变异,更新种群信息。
步骤506,看是否满足停止条件,即达到预设的最大迭代次数或达到指定精度,如不能则转到步骤504,否则进行下一步;
步骤507,停止训练。最优个体的值即作为神经网络权值和阈值的参数。
进一步的,还包括在步骤6和步骤7中,实时检测并网中的所有光伏方阵的工作状态,若某光伏方阵发生故障进入停止使用状态,则在步骤7中综合每个光伏方阵的发电预测功率时,认为该停止使用状态的光伏方阵的发电功率为零;若并网中新增光伏方阵,则对所述的新增光伏方阵进行分类,采用该组类光伏方阵的神经网络模型对新增光伏方阵的发电功率进行预测。
步骤2中所述的将多个光伏方阵进行聚类是综合考量光伏方阵样本之间的距离值和夹角值而确定的聚类方法,样本之间的相似度表示为:
其中,Max(d(X,Y))表示样本集中两个样本之间的最大曼哈顿距离,α为预设的可调参数,用于调整距离度量和夹角度量之间的权重值,所述的曼哈顿距离表示为d(x,y)=|x1-y1|+|x2-y2|+…+|xp-yp|,x和y为两个样本,x1,x2,…xp为样本x中的各个属性值,y1,y2,…,yp为样本y中的各个属性值,每个样本中有p个属性,其中,||x||是样本向量x=(x1,x2,…xp)的欧几里得范数,||y||是样本向量y=(y1,y2,…yp)的欧几里得范数。
步骤2中所述的建立聚类模型,将多个光伏方阵进行聚类的过程,包括以下步骤:
步骤201:在所有光伏方阵中,随机挑选k个光伏方阵作为聚类中心,C={c1,c2,…ck};
步骤202:遍历光伏方阵集中的样本,如果光伏方阵x与聚类光伏方阵中心ci的相似度大于它到聚类中心cj的相似度,那么就把x划分到ci类中;
步骤203:获得每个类别中,两两光伏方阵的相似值矩阵simi(x,y);
步骤204:计算每个类别中每一个光伏方阵与该类别中其他光伏方阵的相似值之和,获取最大的相似值和,将类别中最大的相似和值的光伏方阵重新确定为类别中心;
重复步骤202、203和204,直到聚类中心不发生变化,或者达到最大迭代次数为止。
在步骤4中设置模型训练数据阈值,某组类光伏方阵对应的模型训练数据大于或等于所述的阈值,该模型训练属于符合自主训练的模型,否则,该模型训练属于不符合自主训练的模型;在步骤5中,对于不符合自主训练的模型,在符合自主训练的模型集中,获取与所述的不符合自主训练的模型最相似的符合自主训练的模型,将所述的符合自主训练的模型进行迁移学习,将其迁移至不符合自主训练的模型中,然后在随后的预测中进行训练集的增量学习。
所述的获取最相似的符合自主训练的模型包括以下步骤:获取不符合自主训练的模型对应的不符合自主训练的光伏方阵类组,获取符合自主训练的模型对应的符合自主训练的光伏方阵类组,将所述的不符合自主训练的光伏方阵类组的属性值分别与符合自主训练的光伏方阵类组属性值进行比较,获得最相似的符合自主训练的光伏方阵,该最相似的符合自主训练的光伏方阵对应的模型就是最相似的符合自主训练的模型。
所述的对所述的新增光伏方阵进行分类的过程包括以下步骤:
步骤701,标准化所有光伏方阵的属性:
F'ij=(Fij-min(F*j)/(max(F*j)-min(F*j))
其中,Fij为第i个光伏方阵的第j个属性值,F'ij为标准化之后的属性值,F*j为所有光伏方阵的第j个属性值;
步骤702,计算每个光伏方阵的样本对类组的聚合度
其中,wl和wil分别表示类组ct中质心Qt和光伏方阵xi的第l个属性项的权重值,n为属性数量;
步骤703,计算每一个光伏方阵xi与xj的相似度:
其中,wit和wjt分别表示光伏方阵xi和xj中第t个属性项的权重;
步骤704,计算k个近邻所述类组的权重W(xj,ct),并将xj划给所述类组权重最大的类组,其中,kxj是指xj的k个近邻,v(xi,xj)为权重函数,取1或sim(xi,xj),φ函数为
将xj归为W最大的类别;
步骤705,重复上述步骤,直到所有新增的光伏方阵都被分类。
本发明提出的预测方法,从四个方面进行优化和改进,第一,对并网中的多个光伏方阵进行聚类,按照类别分类建立预测模型,使得模型预测的结果准确度更好,第二,对于不符合自主训练的模型,通过从符合自主训练的模型进行参数迁移学习,使得不能进行发电功率预测的光伏方阵也初步具备预测的能力,第三,对于迁移学习后的模型,再进行增量学习,使得迁移学习的模型其预测将会越来越准确,第四,对新增光伏方阵进行分类改进,避免类组之间不平衡数据对分类准确度的影响,提高光伏方阵的分类算法性能,使得分类对应的神经网络模型对新增光伏方阵的预测准确性更高。
附图说明
图1为本发明的整体流程示意图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
影响并网光伏发电系统功率输出受众多因素的影响,包括并网中各光伏方阵的地理条件、气象条件和设备性能,其中地理条件就包括海拔,经纬度等,气象条件主要包括太阳辐射强度、温度、气压等,设备性能包括太阳能电池板类型以及配线方案等。其中太阳辐射强度,即在单位时间内垂直投射到单位面积上的太阳辐射能量,太阳辐射是光伏效应的直接原因,因此太阳辐射强度的大小与光伏发电系统发电功率大小有着密切的关系。在太阳辐射强度一定的情况下,面板温度升高,虽然电流上升,但是电压会下降,且电压下降幅度大于电流下降幅度,因此光伏发电系统输出功率下降。不同类型的太阳能电池组件表面的反射率、分光感度特性、转换效率不同,因此他们的发电量也各不相同,其各项条件与指标如表1所示。在外部条件相同的情况下,对于两块面积相同的太阳能电池组件,即便是大小和形状相同,采用的内部配线方案不同,他们的发电量也会有所不同。
表1不同类型的太阳能电池组件的各项条件与指标
类别 | 单晶硅 | 多晶硅 | 非晶硅 |
转换效率 | 17%—14% | 15%—13% | 10%—5% |
衰减率 | 一般 | 一般 | 一般 |
光照敏感度 | 较差 | 较差 | 最好 |
环境温度影响效率 | 明显下降 | 明显下降 | 最好 |
系统容量与电压承受范围 | 一般 | 一般 | 最差 |
制造价格与成本 | 一般 | 一般 | 便宜 |
成熟程度 | 较成熟 | 最成熟 | 发展初期 |
发展前景 | 一般 | 一般 | 最好 |
制造工艺 | 硅棒 | 硅锭 | 多种化学元素 |
应用范围 | 广泛 | 广泛 | 广泛 |
由此,若需要对并网光伏发电功率进行准确预测,就必须充分考虑到可能影响到并网中多个光伏方阵的因素,
如图1所示,本发明实施例一种适于并网光伏发电的迁移神经网络功率预测方法,包括以下步骤:
步骤1,获取并网光伏发电的多个光伏方阵所处的地理数据、设备数据、历史气象数据和发电功率数据;
步骤2,建立聚类模型,将多个光伏方阵进行聚类,获得多组类光伏方阵;
步骤3,对每组类光伏方阵分别建立BP神经网络模型,确定输入层、隐含层和输出层数量;
步骤4,根据每组类光伏方阵对应的模型训练数据多少,将对应的神经网络模型进行二分,符合自主训练的模型和不符合自主训练的模型;
步骤5,符合自主训练的模型利用自身的训练集进行参数训练,不符合自主训练的模型通过参数迁移并进行增量学习;
步骤6,获得每个光伏方阵的现实气象数据,将其分类输入至对应的预测模型中,获得每个光伏方阵的发电预测功率;
步骤7,综合每个光伏方阵的发电预测功率,获得整个并网光伏发电的预测功率。
考虑到并网中会不断新增光伏方阵,或者有故障停止使用的光伏方阵,只有对新增或停止的光伏方阵及时反应,这样本发明方法对整个并网的发电功率的预测能力才能较为精确。由此,优选地,在步骤6和步骤7中,实时检测并网中的所有光伏方阵的工作状态,若某光伏方阵发生故障进入停止使用状态,则在步骤7中综合每个光伏方阵的发电预测功率时,认为该停止使用状态的光伏方阵的发电功率为零;若并网中新增光伏方阵,则对所述的新增光伏进行分类,采用该组类光伏方阵的神经网络模型对新增光伏方阵的发电功率进行预测。
步骤2中需要建立聚类模型,常见的聚类方式有层次聚类方法、划分聚类方法、网格聚类方法、模型聚类方法和密度聚类方法。在聚类的过程中,对相似性的度量是核心,常用的相似性度量方法包括距离度量、相关系数度量和余弦相似性等。本发明采用综合聚类的思想进行分组,利用曼哈顿距离和余弦相似性共同作为聚类指标。综合聚类的思想是综合考量距离值和夹角值而确定的聚类方法。其相似度表示为:
其中,x和y表示两个光伏方阵,d(x,y)为x和y两个光伏方阵属性的曼哈顿距离,d(x,y)=|x1-y1|+|x2-y2|+…+|xp-yp|,x1,x2,…xp为光伏方阵样本x中的各个属性值,y1,y2,…,yp为光伏方阵样本y中的各个属性值,每个光伏方阵样本中有p个属性,s(x,y)为x和y两个光伏方阵属性的余弦相似性,||x||是光伏方阵属性向量x=(x1,x2,…xp)的欧几里得范数,||y||是光伏方阵属性向量y=(y1,y2,…yp)的欧几里得范数,Max(d(X,Y))表示样本集中两个光伏方阵属性样本之间的最大曼哈顿距离,α为预设的可调参数,用于调整距离度量和夹角度量之间的权重值。
所述的步骤2中建立聚类模型对多个光伏方阵进行聚类的过程,包括以下步骤:
步骤201:在所有光伏方阵中,随机挑选k个光伏方阵作为聚类中心,C={c1,c2,…ck};
步骤202:遍历光伏方阵集中的样本,如果光伏方阵x与聚类光伏方阵中心ci的相似度大于它到聚类中心cj的相似度,那么就把x划分到ci类中;
步骤203:获得每个类别中,两两光伏方阵的相似值矩阵simi(x,y);
步骤204:计算每个类别中每一个光伏方阵与类别中其他光伏方阵的相似值之和,获取最大的相似值和,将类别中最大的相似和值的光伏方阵重新确定为类别中心;
重复步骤202、203和204,直到聚类中心不发生变化,或者达到最大迭代次数为止。
所述的对所述的新增光伏进行分类,是本发明需要解决的一个重要问题,一般来说,分类算法是一种有监督的数据挖掘方法,其种类很多,包括:线性判别法、距离判别法、贝叶斯分类器等传统方法,决策树、神经网络、支持向量机等现代方法。
针对本发明的应用场景,提出了一种改进的分类算法用于解决光伏方阵分类问题,具体流程如下:
步骤701,标准化所有光伏方阵的属性:
F'ij=(Fij-min(F*j)/(max(F*j)-min(F*j))
其中,Fij为第i个光伏方阵的第j个属性值,F'ij为标准化之后的属性值,F*j为所有光伏方阵的第j个属性值;
步骤702,计算每个光伏方阵的样本对类组的聚合度
其中,wl和wil分别表示类组ct中质心Qt和光伏方阵xi的第l个属性项的权重值,n为属性数量;
步骤703,计算每一个光伏方阵xi与xj的相似度:
其中,wit和wjt分别表示光伏方阵xi和xj中第t个属性项的权重;
步骤704,计算h个近邻所述类组的权重W(xj,ct),并将xj划给所述类组权重最大的类组,其中,hxj是指xj的h个近邻,v(xi,xj)为权重函数,取1或sim(xi,xj),φ函数为
将xj归为W最大的类别;
步骤705,重复上述步骤,直到所有新增的光伏方阵都被分类。
这种分类方法综合考虑了类组间光伏方阵集不平衡和同一类组光伏方阵不平衡,避免类组之间不平衡数据对分类准确度的影响,提高光伏方阵的分类算法性能,使得分类对应的神经网络模型更加适合于新增的光伏方阵。
在步骤4中设置模型训练数据阈值,某组类光伏方阵对应的模型训练数据大于或等于所述的阈值,该模型训练属于符合自主训练的模型,否则,该模型训练属于不符合自主训练的模型;
在步骤5中,对于不符合自主训练的模型,在符合自主训练的模型集中,获取与所述的不符合自主训练的模型最相似的符合自主训练的模型,将所述的符合自主训练的模型进行迁移学习,将其迁移至不符合自主训练的模型中,然后在随后的预测中进行训练集的增量学习。
所述的获取最相似的符合自主训练的模型包括,获取不符合自主训练的模型对应的不符合自主训练的光伏方阵类组,获取符合自主训练的模型对应的符合自主训练的光伏方阵类组,将所述的不符合自主训练的光伏方阵类组的属性值分别与符合自主训练的光伏方阵类组属性值进行比较,获得最相似的符合自主训练的光伏方阵,该最相似的符合自主训练的光伏方阵对应的模型就是最相似的符合自主训练的模型。
步骤5所述的参数训练是利用遗传算法和粒子群算法的混合算法,对BP神经网络模型中的参数进行训练包括,
步骤501,随机生成N组随机值作为初始化种群,代表神经网络的参数,
步骤502,用粒子群算法更新种群,
步骤503,计算出粒子适应度,进行排序,
步骤504,找出全局最优粒子的位置和速度以及粒子自身最优的位置和速度,
步骤505,对种群进行遗传算子操作,包括选择、交叉和变异,更新种群信息。
步骤506,看是否满足停止条件,即达到预设的最大迭代次数或达到指定精度,如不能则转到步骤504,否则进行下一步;
步骤507,停止训练。最优个体的值即作为神经网络权值和阈值的参数。
利用遗传算法以及粒子群算法的混合算法对神经网络的参数进行优化,使得模型更具有鲁棒性,更容易获得全局最优值。
对于实施例中提出来的方法,本发明进行了实验验证,所采用的数据是来自于新疆某并网光伏发电场的实测数据。本实验获取了10个光伏方阵的数据,采集的地理条件包括经度、维度和高程,气象条件包括辐照强度、温度、湿度和气压,设备性能包括转换效率、衰减率和光照敏感度,由于地理条件数据和设备性能数据相对固定,本实验数据包括310组气象实测数据和光伏发电功率数据,取300天的数据作为训练数据,10天的数据作为测试数据,所有的神经网络输入层数量为4,输出层数量为1,为了求得最好的隐含层神经元数目,当隐含层的神经元数目为8时,该类神经网络在解决本实验问题具有最好的性能,该类神经网络的待优化参数总数目为49,将聚类中的k设置为4。通过实验结果可知,在对光伏方阵进行聚类之后分别进行模型训练,训练出来的模型对每一类的预测效果明显优于未进行聚类的预测效果,而且对于没有合适训练数据的模型,采取迁移学习的方法,能够获得较好的预测效果,否则无法获得预测结果。因此可以,针对未聚类或者未迁移的方法,本发明具有更高的预测精确度,且更适合于并网中的光伏方阵有增有减的场景。
由上述实验可知,本发明提出的预测方法,从四个方面进行优化和改进,第一,对并网中的多个光伏方阵进行聚类,按照类别分类建立预测模型,使得模型预测的结果准确度更好,第二,对于不符合自主训练的模型,通过从符合自主训练的模型进行参数迁移学习,使得不能进行发电功率预测的光伏方阵也初步具备预测的能力,第三,对于迁移学习后的模型,再进行增量学习,使得迁移学习的模型其预测将会越来越准确,第四,对新增光伏方阵进行分类改进,避免类组之间不平衡数据对分类准确度的影响,提高光伏方阵的分类算法性能,使得分类对应的神经网络模型对新增光伏方阵的预测准确性更高。由此,故本发明较传统方法而言,更加适合于对并网光伏发电功率的预测,且预测准确度更高。
Claims (9)
1.一种适于并网光伏发电的迁移神经网络功率预测方法,其特征在于,包括以下步骤:
步骤1,获取并网光伏发电的多个光伏方阵所处的地理数据、设备数据、历史气象数据和发电功率数据;
步骤2,建立聚类模型,将多个光伏方阵进行聚类,获得多组类光伏方阵;
步骤3,对每组类光伏方阵分别建立BP神经网络模型,确定输入层、隐含层和输出层数量;
步骤4,根据每组类光伏方阵对应的模型训练数据多少,将对应的神经网络模型进行二分,符合自主训练的模型和不符合自主训练的模型;
步骤5,符合自主训练的模型利用自身的训练集进行参数训练,不符合自主训练的模型通过参数迁移并进行增量学习;
步骤6,获得每个光伏方阵的现实气象数据,将其分类输入至对应的预测模型中,获得每个光伏方阵的发电预测功率;
步骤7,综合每个光伏方阵的发电预测功率,获得整个并网光伏发电的预测功率。
2.根据权利要求1所述的光伏发电功率分时预测方法,其特征在于,步骤5中所述的参数训练是利用遗传算法和粒子群算法的混合算法,对BP神经网络模型中的参数进行训练包括:
步骤501,随机生成N组随机值作为初始化种群,代表神经网络的参数,
步骤502,用粒子群算法更新种群,
步骤503,计算出粒子适应度,进行排序,
步骤504,找出全局最优粒子的位置和速度以及粒子自身最优的位置和速度,
步骤505,对种群进行遗传算子操作,包括选择、交叉和变异,更新种群信息。
步骤506,看是否满足停止条件,即达到预设的最大迭代次数或达到指定精度,如不能则转到步骤504,否则进行下一步;
步骤507,停止训练,最优个体的值即作为神经网络权值和阈值的参数。
3.根据权利要求2所述的功率预测方法,其特征在于,还包括在步骤6和步骤7中,实时检测并网中的所有光伏方阵的工作状态,若某光伏方阵发生故障进入停止使用状态,则在步骤7中综合每个光伏方阵的发电预测功率时,认为该停止使用状态的光伏方阵的发电功率为零;若并网中新增光伏方阵,则对所述的新增光伏方阵进行分类,采用该组类光伏方阵的神经网络模型对新增光伏方阵的发电功率进行预测。
4.根据权利要求3所述的功率预测方法,其特征在于,步骤2中所述的将多个光伏方阵进行聚类是综合考量光伏方阵样本之间的距离值和夹角值而确定的聚类方法,样本之间的相似度表示为:
其中,Max(d(X,Y))表示样本集中两个样本之间的最大曼哈顿距离,α为预设的可调参数,用于调整距离度量和夹角度量之间的权重值,所述的曼哈顿距离表示为d(x,y)=|x1-y1|+|x2-y2|+…+|xp-yp|,x和y为两个样本,x1,x2,…xp为样本x中的各个属性值,y1,y2,…,yp为样本y中的各个属性值,每个样本中有p个属性,其中,||x||是样本向量x=(x1,x2,…xp)的欧几里得范数,||y||是样本向量y=(y1,y2,…yp)的欧几里得范数。
5.根据权利要求4所述的功率预测方法,其特征在于,步骤2中所述的建立聚类模型,将多个光伏方阵进行聚类的过程,包括以下步骤:
步骤201:在所有光伏方阵中,随机挑选k个光伏方阵作为聚类中心,C={c1,c2,…ck};
步骤202:遍历光伏方阵集中的样本,如果光伏方阵x与聚类光伏方阵中心ci的相似度大于它到聚类中心cj的相似度,那么就把x划分到ci类中;
步骤203:获得每个类别中,两两光伏方阵的相似值矩阵simi(x,y);
步骤204:计算每个类别中每一个光伏方阵与该类别中其他光伏方阵的相似值之和,获取最大的相似值和,将类别中最大的相似和值的光伏方阵重新确定为类别中心;
重复步骤202、203和204,直到聚类中心不发生变化,或者达到最大迭代次数为止。
6.根据权利要求2或5所述的功率预测方法,其特征在于,在步骤4中设置模型训练数据阈值,某组类光伏方阵对应的模型训练数据大于或等于所述的阈值,该模型训练属于符合自主训练的模型,否则,该模型训练属于不符合自主训练的模型;在步骤5中,对于不符合自主训练的模型,在符合自主训练的模型集中,获取与所述的不符合自主训练的模型最相似的符合自主训练的模型,将所述的符合自主训练的模型进行迁移学习,将其迁移至不符合自主训练的模型中,然后在随后的预测中进行训练集的增量学习。
7.根据权利要求6所述的功率预测方法,其特征在于,所述的获取最相似的符合自主训练的模型包括以下步骤:获取不符合自主训练的模型对应的不符合自主训练的光伏方阵类组,获取符合自主训练的模型对应的符合自主训练的光伏方阵类组,将所述的不符合自主训练的光伏方阵类组的属性值分别与符合自主训练的光伏方阵类组属性值进行比较,获得最相似的符合自主训练的光伏方阵,该最相似的符合自主训练的光伏方阵对应的模型就是最相似的符合自主训练的模型。
8.根据权利要求2或7所述的功率预测方法,其特征在于,所述的对所述的新增光伏方阵进行分类的过程包括以下步骤:
步骤701,标准化所有光伏方阵的属性:
F'ij=(Fij-min(F*j)/(max(F*j)-min(F*j))
其中,Fij为第i个光伏方阵的第j个属性值,F'ij为标准化之后的属性值,F*j为所有光伏方阵的第j个属性值;
步骤702,计算每个光伏方阵的样本对类组的聚合度
其中,wl和wil分别表示类组ct中质心Qt和光伏方阵xi的第l个属性项的权重值,n为属性数量;
步骤703,计算每一个光伏方阵xi与xj的相似度:
其中,wit和wjt分别表示光伏方阵xi和xj中第t个属性项的权重;
步骤704,计算k个近邻所述类组的权重W(xj,ct),并将xj划给所述类组权重最大的类组,其中,kxj是指xj的k个近邻,v(xi,xj)为权重函数,取1或sim(xi,xj),φ函数为
将xj归为W最大的类别;
步骤705,重复上述步骤,直到所有新增的光伏方阵都被分类。
9.根据权利要求2、5或7中任一所述的功率预测方法,其特征在于,所有的神经网络输入层数量为4,输入变量为辐照强度、温度、湿度和气压,输出层数量为1,输出为预测发电功率,隐含层的神经元数目为8,聚类过程中的k为4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336961.2A CN110070227B (zh) | 2019-04-25 | 2019-04-25 | 一种适于并网光伏发电的迁移神经网络功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336961.2A CN110070227B (zh) | 2019-04-25 | 2019-04-25 | 一种适于并网光伏发电的迁移神经网络功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070227A true CN110070227A (zh) | 2019-07-30 |
CN110070227B CN110070227B (zh) | 2021-05-04 |
Family
ID=67368798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910336961.2A Active CN110070227B (zh) | 2019-04-25 | 2019-04-25 | 一种适于并网光伏发电的迁移神经网络功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070227B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764154A (zh) * | 2019-11-08 | 2020-02-07 | 吉林大学 | 基于改进粒子群算法的时间域航空电磁一维反演方法 |
CN110766212A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 用于历史数据缺失电场的超短期光伏功率预测方法 |
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 |
CN114358068A (zh) * | 2021-12-24 | 2022-04-15 | 厦门大学 | 一种用于神经网络小样本学习的空间电势度量方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
CN109062811A (zh) * | 2018-09-27 | 2018-12-21 | 华东师范大学 | 一种基于神经风格迁移的测试用例生成方法 |
-
2019
- 2019-04-25 CN CN201910336961.2A patent/CN110070227B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
CN109062811A (zh) * | 2018-09-27 | 2018-12-21 | 华东师范大学 | 一种基于神经风格迁移的测试用例生成方法 |
Non-Patent Citations (3)
Title |
---|
AQSA SAEED QURESHI等: "Wind power prediction using deep neural network based meta regression and transfer learning", 《APPLIED SOFT COMPUTING》 * |
张岚 等: "基于神经网络的光伏系统发电功率预测", 《中国电力》 * |
白俊良 等: "改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用", 《电力系统保护与控制》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766212A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 用于历史数据缺失电场的超短期光伏功率预测方法 |
CN110764154A (zh) * | 2019-11-08 | 2020-02-07 | 吉林大学 | 基于改进粒子群算法的时间域航空电磁一维反演方法 |
CN110764154B (zh) * | 2019-11-08 | 2020-10-02 | 吉林大学 | 基于改进粒子群算法的时间域航空电磁一维反演方法 |
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 |
CN114358068A (zh) * | 2021-12-24 | 2022-04-15 | 厦门大学 | 一种用于神经网络小样本学习的空间电势度量方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110070227B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070227A (zh) | 一种适于并网光伏发电的迁移神经网络功率预测方法 | |
CN108306303B (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN103400009B (zh) | 基于分裂层次半监督谱聚类算法的风电场动态等值方法 | |
CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
CN109165774A (zh) | 一种短期光伏功率预测方法 | |
CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN109002915A (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN110111003A (zh) | 一种基于改进fcm聚类算法的新能源典型场景构建方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN108280545A (zh) | 一种基于k均值聚类神经网络的光伏功率预测方法 | |
CN109711609A (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN112785027B (zh) | 风光储联合发电系统置信容量评估方法及系统 | |
CN108199404A (zh) | 高渗透率分布式能源系统的谱聚类集群划分方法 | |
CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN109978284A (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN105337574B (zh) | 基于稳健回归的分布式光伏发电窃电识别方法 | |
CN114725982B (zh) | 一种分布式光伏集群精细化划分及建模方法 | |
CN110738253A (zh) | 一种基于FCM和AFSA-Elman的短期风电功率预测方法 | |
CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 |
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 |