CN110148068A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110148068A CN110148068A CN201910436300.7A CN201910436300A CN110148068A CN 110148068 A CN110148068 A CN 110148068A CN 201910436300 A CN201910436300 A CN 201910436300A CN 110148068 A CN110148068 A CN 110148068A
- Authority
- CN
- China
- Prior art keywords
- meteorological data
- data
- period
- time
- value
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 230000001537 neural effect Effects 0.000 title claims abstract description 12
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 abstract 1
- 238000000034 method Methods 0.000 description 18
- 238000010248 power generation Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及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,选取预测时间段所在日前一个月每日的同一时间段的发电功率及对应气象数据,对各气象数据与功率输出进行Pearson关联度分析,取关联度最高的气象数据并取该数据在该时间段的初始值、平均值及末尾值组成三维坐标点,而后利用Euclidean metric对预测时刻前单位时间的气象数据及选取时间段的相应气象数据集进行相似度分析,获得Euclidean值小于指定数值的相似时间段的气象数据及功率数据,最终采用训练好的LSTM模型对发电功率进行预测。本发明能够快速准确地对超短期光伏电站的发电功率进行预测。
Description
技术领域
本发明涉及光伏电站超短期功率预测领域,特别是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。
背景技术
可再生能源因其稳定持续及环境友好的特点,成为未来取代各类传统能源的最可靠能源获取途径,在当今世界能源格局错综复杂的局势下,可再生能源的发展对于我国对外增加能源供给议价筹码,对内解决化石能源枯竭和环境污染等问题有着重要的战略意义,近几年来我国对发展新能源的决心在飞速发展的各类新能源发电领域得到了体现,在众多可再生能源领域之中,太阳能因其清洁,能源丰富和易架设等优势成为发展新能源的首选之一。光伏发电是目前利用太阳能的主要方式,但与此同时,光伏发电与其他可变能源一样,其电源本质上是易失性的,其发电情况很大程度上取决于天气情况,特别是云层分布,这一情况在中国东南地区体现的尤为突出。因此,光伏发电功率预测的重要性就愈发地被凸显而出,而在这之中超短期的光伏发电预测的研究又是发电预测中的一块短板,超短期的光伏功率预测研究有利于发电厂实现最佳的调度,同时有利于预测紧急响应,提高光伏发电超短期功率预测准确率可降低电力系统的不确定性、且科学合理的电力调度有利于维持发电系统的健康状况,可进一步延长光伏发电站的生命周期。这背后所蕴含的经济价值对于舒缓当下光伏行业发展所遭遇的困境有着重要意义。
国内外学者们已经先后提出了一系列的太阳能功率预测方法,实现对不同时间周期的光伏发电情况进行预测。典型的光伏发电功率预测方法主要可分为两类:物理建模方法和数据驱动方法,物理建模方法侧重于研究光伏电池的等效电路,以根据预测的天气输入参数预测功率输出,建立这些模型需要许多电路参数,如串联电阻、分流电阻、二极管反向饱和电流等数据,获取这些数据需要复杂的计算、同时物理建模应用于现实的变化环境下,其鲁棒性难以得到保证。对于数据驱动方法,随着人工智能的快速发展,学者们提出了运用支持向量机,神经网络,决策树等基于机器学习算法对光伏发电功率进行预测,因其预测效果优于物理建模方法被得到了广泛的运用。数据驱动的预测方法也可细分为三种:时间序列、数值天气预报(NWP)和天空成像。时间序列预测模型仅仅基于历史PV生成数据,不需要依赖其他数据,如AR线性模型及其扩展版本,但减少依赖数据的同时其预测精度交NWP预测模型稍逊一筹;NWP预测模型需要相当大规模的天气数据,且其预测精度很大程度上依赖于精准的天气预报;而天空成像模型预测需要卫星图像货全天空成像设备,购置这些设备将大大提高功率预测的成本,且在一些天气情况的表现也不甚乐观。目前应用最为广泛的是NWP结合人工智能的预测模型,该方法具有较强的自学习能力、鲁棒性强及准确率,同时成本在可控范围内,已成为了研究的热点。但大多数需要大量的训练历史数据和较长的历史时间,同时提高实时性也受到了很大的限制。
发明内容
有鉴于此,本发明的目的是提出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,能够快速准确地对超短期光伏电站的发电功率进行预测。
本发明采用以下方案实现: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,具体包括以下步骤:
步骤S1:由历史发电功率及气象数据获得指定预测时间段所在日前30日每日同一时间段的包括功率输出(光伏电站的发电功率)、温度、湿度、辐照度在内的参数样本组合;
步骤S2:去除异常数据,对各气象数据与功率输出进行Pearson关联度分析,取关联度最高的气象数据在这一时间段的初始、平均及末尾值组成三维坐标点;
步骤S3:利用Euclidean metric对预测时刻前单位时间内的气象数据及选取时间段相应的气象数据进行相似度分析,获得Euclidean值小于制定数值的相似时间段所对应的功率及气象数据;
步骤S4:根据指定时间段内时刻数对LSTM神经网络的包括单位细胞数在内的相应参数进行设置,创建LSTM神经网络;
步骤S5:利用根据与预测时刻时间远近排列好的由S3所获得的数据,将数据归一化后的样本组合输入LSTM神经网络模型进行训练;
步骤S6:将预测时刻前制定时间段的气象及功率数据输入训练模型中对待预测时刻的发电功率进行预测。
进一步地,步骤S1中,所述参数样本组合记为:(Pki,Tki,Hki,Gki,Dki),其中k为样本日期的序号,表示天数,k为1到N的整数;i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数;Pki为第k天参数样本组合中的第i个时刻的功率参数样本,Tki为第k天参数样本组合中的第i个时刻的温度参数样本,Hki为第k天参数样本组合中的第i个时刻的湿度参数样本,为Gki第k天参数样本组合中的第i个时刻的全球水平辐射度参数样本,Dki为第k天参数样本组合中的第i个时刻的扩散水平辐射度参数样本;其中,N表示选取的天数的总量,Nt表示单位时间段内的指定时刻数。
进一步地,步骤S2具体为:对各气象数据与功率输出进行Pearson关联度分析,对关联度最高的气象数据进行归一化处理,取该参数在这一时间段的初始、平均及末尾值组成三维坐标点;其中,Pearson系数的计算公式如下:
式中,X和Y分别表示气象数据和对应功率输出,N表示每个样本的时刻数;所取关联度最高气象数据在时间段内的初始、平均及末尾值组成的三维坐标点记为(Mstar,Mmean,Mend),其中Mstar是该气象数据在这一时间段的初始值,Mmean是该气象数据在这一时间段的平均值,Mend是该气象数据在这一时间段的末尾值。
进一步地,步骤S3中,Euclidean的计算公式如下:
式中,M′star和Mstari分别表示预测时刻前指定时间段气象数据的初始值和选取日对应时间段气象数据初始值,M′mean和Mmeani分别表示预测时刻前指定时间段气象数据的平均值和选取日对应时间段气象数据平均值,M′end和Mendi分别表示预测时刻前指定时间段气象数据的末尾值和选取日对应时间段气象数据末尾值。
较佳的,在计算Euclidean之前对气象数据进行归一化处理,归一化计算公示如下:
式中,M′ji表示归一化后得到的数据,Mji为气象数据中的具体气象数值,其中j代表所在列为初始、平均或末尾值,j为0-2的整数,i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数,Nt是单位时间段内的指定时刻数,Mjmin为气象数据在第j列的最小值,Mjmax为气象数据在第j列的最大值。
进一步地,步骤S4具体为:根据时刻数选择LSTM单位细胞数为4,每个LSTM单位细胞输入参数个数为5,输出个数为1,迭代次数为200。
进一步地,步骤S4中,数据归一化采用如下公式:
式中,y'表示归一化后得到的数据,Amax表示数据组A的最大值,Amin表示数据组A的最小值,Aki表示第k天参数样本组合中的第i个时刻的某个参数样本。
其中,以功率样本P=(P1i,P2i,...Pki,...PNi)为例,具体映射公式为:
式中,Pimax表示数据组P中的最大值,Pimin表示数据组P的第i个时刻中的最小值。其中训练集输入组合为(Pki,Tki,Hki,Gki,Dki),训练集输出为Pk(i+1),k为1到N的整数,N是所选取的天数的总量;i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数,Nt是单位时间段内的指定时刻数。
进一步地,步骤S6具体为:将预测时刻前指定时间段的气象及功率数据输入训练模型中对待预测时刻的发电功率进行预测,其中训练集输入组合为(Pki,Tki,Hki,Gki,Dki),训练集输出为Pki+1;其中k为样本日期的序号,表示天数,k为1到N的整数,N是所选取的天数的总量;i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数,Nt是单位时间段内的指定时刻数。
综上,本发明的方法只采集了发电功率、温度、湿度和辐射度四种参数,训练所需历史数据也只需一个月,比较同类训练方案减少了训练所需参数并降低了数据集的大小,同时得益于LSTM神经网络的内部结构,其有着良好的记忆更新功能,并且该模型不需要运用到预测时刻的天气参数,使得模型的预测准确率不依赖于天气状况的预测准确度,这种超短期光伏发电预测方案环境适用性强,有较强的创新性,训练的模型能对光伏发电实现较高精度的预测。
与现有技术相比,本发明有以下有益效果:
1、本发明能够提前预测光伏电站未来五分钟超短期的发电功率。
2、本发明利用气象参数相似度分析确定训练数据集,结合LSTM神经网络模型进行预测,有效提高光伏电站发电功率超短期预测的准确性。
3、本发明能够不依赖未来的气象预测数据,同时比较同类预测方法仅需要较小的(一个月)历史数据集和历史所采集到的种类较少的(四种:温度、湿度、辐照度、功率输出)气象参数数据。
4、本发明有着良好的自我更新能力,能够自适应光伏发电的自衰变。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的相似度分析三维图。
图3为本发明实施例的运行一日的功率预测结果示意图。
图4为本发明实施例的各个时刻预测的误差曲线。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1至图4所示,本实施例提供了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,具体包括以下步骤:
步骤S1:由历史发电功率及气象数据获得指定预测时间段所在日前30日每日同一时间段的包括功率输出(光伏电站的发电功率)、温度、湿度、辐照度在内的参数样本组合;
步骤S2:去除异常数据,对各气象数据与功率输出进行Pearson关联度分析,取关联度最高的气象数据在这一时间段的初始、平均及末尾值组成三维坐标点;
步骤S3:利用Euclidean metric对预测时刻前单位时间内的气象数据及选取时间段相应的气象数据进行相似度分析,获得Euclidean值小于制定数值的相似时间段所对应的功率及气象数据;
步骤S4:根据指定时间段内时刻数对LSTM神经网络的包括单位细胞数在内的相应参数进行设置,创建LSTM神经网络;
步骤S5:利用根据与预测时刻时间远近排列好的由S3所获得的数据,将数据归一化后的样本组合输入LSTM神经网络模型进行训练;
步骤S6:将预测时刻前制定时间段的气象及功率数据输入训练模型中对待预测时刻的发电功率进行预测。
在本实施例中,步骤S1中,所述参数样本组合记为:(Pki,Tki,Hki,Gki,Dki),其中k为样本日期的序号,表示天数,k为1到N的整数;i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数;Pki为第k天参数样本组合中的第i个时刻的功率参数样本,Tki为第k天参数样本组合中的第i个时刻的温度参数样本,Hki为第k天参数样本组合中的第i个时刻的湿度参数样本,为Gki第k天参数样本组合中的第i个时刻的全球水平辐射度参数样本,Dki为第k天参数样本组合中的第i个时刻的扩散水平辐射度参数样本;其中,N表示选取的天数的总量,Nt表示单位时间段内的指定时刻数。
在本实施例中,步骤S2具体为:对各气象数据与功率输出进行Pearson关联度分析,对关联度最高的气象数据进行归一化处理,取该参数在这一时间段的初始、平均及末尾值组成三维坐标点;其中,Pearson系数的计算公式如下:
式中,X和Y分别表示气象数据和对应功率输出,N表示每个样本的时刻数;所取关联度最高气象数据在时间段内的初始、平均及末尾值组成的三维坐标点记为(Mstar,Mmean,Mend),其中Mstar是该气象数据在这一时间段的初始值,Mmean是该气象数据在这一时间段的平均值,Mend是该气象数据在这一时间段的末尾值。
在本实施例中,步骤S3中,Euclidean的计算公式如下:
式中,M′star和Mstari分别表示预测时刻前指定时间段气象数据的初始值和选取日对应时间段气象数据初始值,M′mean和Mmeani分别表示预测时刻前指定时间段气象数据的平均值和选取日对应时间段气象数据平均值,M′end和Mendi分别表示预测时刻前指定时间段气象数据的末尾值和选取日对应时间段气象数据末尾值。
较佳的,在本实施例中,在计算Euclidean之前对气象数据进行归一化处理,归一化计算公示如下:
式中,M′ji表示归一化后得到的数据,Mji为气象数据中的具体气象数值,其中j代表所在列为初始、平均或末尾值,j为0-2的整数,i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数,Nt是单位时间段内的指定时刻数,Mjmin为气象数据在第j列的最小值,Mjmax为气象数据在第j列的最大值。
在本实施例中,步骤S4具体为:根据时刻数选择LSTM单位细胞数为4,每个LSTM单位细胞输入参数个数为5,输出个数为1,迭代次数为200。
在本实施例中,步骤S4中,数据归一化采用如下公式:
式中,y'表示归一化后得到的数据,Amax表示数据组A的最大值,Amin表示数据组A的最小值,Aki表示第k天参数样本组合中的第i个时刻的某个参数样本。
其中,以功率样本P=(P1i,P2i,...Pki,...PNi)为例,具体映射公式为:
式中,Pimax表示数据组P中的最大值,Pimin表示数据组P的第i个时刻中的最小值。其中训练集输入组合为(Pki,Tki,Hki,Gki,Dki),训练集输出为Pk(i+1),k为1到N的整数,N是所选取的天数的总量;i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数,Nt是单位时间段内的指定时刻数。
在本实施例中,步骤S6具体为:将预测时刻前指定时间段的气象及功率数据输入训练模型中对待预测时刻的发电功率进行预测,其中训练集输入组合为(Pki,Tki,Hki,Gki,Dki),训练集输出为Pki+1;其中k为样本日期的序号,表示天数,k为1到N的整数,N是所选取的天数的总量;i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数,Nt是单位时间段内的指定时刻数,Pk(i+1)为下一时刻功率输出。
特别的,本实施例以预测2018年5月20日为例,首先选取9:10这一时刻为例,指定时间段定为二十分钟,4个时刻,则选取2018年4月20日至2018年5月20日每日8:50-9:05时间段的气象及功率数据建立数据集,同时根据这一数据集的气象数据与对应发电功率计算其Pearson系数,计算结果如下表:
表1各气象数据与发电功率的Pearson系数
计算得出G,即全球水平辐射度与功率的相关性最高,则选择关联度最高气象数据在每日指定时间段内的初始、平均及末尾值组成的三维坐标点记为(Mstar,Mmean,Mend),其中Mstar是该气象数据在这一时间段的初始值,Mmean是该气象数据在这一时间段的初始值,Mend是该气象数据在这一时间段的末尾值。取得坐标点后对其进行归一化操作,后利用Euclidean metric对预测时刻前单位时间内的气象数据及选取时间段相应的气象数据进行相似度分析,获得Euclidean值小于指定数值0.25的相似时间段。表2显示的为所取得相似时间段对应的若干日期及其Euclidean值。
表2所取得相似时间段对应若干日期及其Euclidean值
选取日期对应时间段的气象及功率数据组成新的数据集,将数据按照与预测时刻时间远近进行排列,而后输入设置好对应参数的LSTM神经网络中进行训练,最后将预测点9:10前指定时间段的气象及功率输出数据所组成的样本组合输入训练完成的模型中,得到预测结果,下表为本实施例(9:10)时刻的预测结果与实测结果。
表3本实施例的结果与实测结果
将本实施例进行持续一日的预测工作,将预测结果与实测结果进行比较,共103个预测点,其均方根误差RMSE为0.856(KW),平均绝对百分比误差为0.702%,达到了0.99以上。
表4本实施例模型误差指标
综上,本实施例的方法只采集了发电功率、温度、湿度和辐射度四种参数,训练所需历史数据也只需一个月,比较同类训练方案减少了训练所需参数并降低了数据集的大小,同时得益于LSTM神经网络的内部结构,其有着良好的记忆更新功能,并且该模型不需要运用到预测时刻的天气参数,使得模型的预测准确率不依赖于天气状况的预测准确度,这种超短期光伏发电预测方案环境适用性强,有较强的创新性,训练的模型能对光伏发电实现较高精度的预测。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (7)
1.一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,其特征在于,包括以下步骤:
步骤S1:由历史发电功率及气象数据获得指定预测时间段所在日前30日每日同一时间段的包括功率输出、温度、湿度、辐照度在内的参数样本组合;
步骤S2:去除异常数据,对各气象数据与功率输出进行Pearson关联度分析,取关联度最高的气象数据在这一时间段的初始、平均及末尾值组成三维坐标点;
步骤S3:利用Euclidean metric对预测时刻前单位时间内的气象数据及选取时间段相应的气象数据进行相似度分析,获得Euclidean值小于制定数值的相似时间段所对应的功率及气象数据;
步骤S4:根据指定时间段内时刻数对LSTM神经网络的包括单位细胞数在内的相应参数进行设置,创建LSTM神经网络;
步骤S5:利用根据与预测时刻时间远近排列好的由S3所获得的数据,将数据归一化后的样本组合输入LSTM神经网络模型进行训练;
步骤S6:将预测时刻前制定时间段的气象及功率数据输入训练模型中对待预测时刻的发电功率进行预测。
2.根据权利要求1所述的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,其特征在于,步骤S1中,所述参数样本组合记为:(Pki,Tki,Hki,Gki,Dki),其中k为样本日期的序号,表示天数,k为1到N的整数;i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数;Pki为第k天参数样本组合中的第i个时刻的功率参数样本,Tki为第k天参数样本组合中的第i个时刻的温度参数样本,Hki为第k天参数样本组合中的第i个时刻的湿度参数样本,为Gki第k天参数样本组合中的第i个时刻的全球水平辐射度参数样本,Dki为第k天参数样本组合中的第i个时刻的扩散水平辐射度参数样本;其中,N表示选取的天数的总量,Nt表示单位时间段内的指定时刻数。
3.根据权利要求1所述的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,其特征在于,步骤S2具体为:对各气象数据与功率输出进行Pearson关联度分析,对关联度最高的气象数据进行归一化处理,取该参数在这一时间段的初始、平均及末尾值组成三维坐标点;其中,Pearson系数的计算公式如下:
式中,X和Y分别表示气象数据和对应功率输出,N表示每个样本的时刻数;所取关联度最高气象数据在时间段内的初始、平均及末尾值组成的三维坐标点记为(Mstar,Mmean,Mend),其中Mstar是该气象数据在这一时间段的初始值,Mmean是该气象数据在这一时间段的平均值,Mend是该气象数据在这一时间段的末尾值。
4.根据权利要求1所述的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,其特征在于,步骤S3中,Euclidean的计算公式如下:
式中,M′star和Mstari分别表示预测时刻前指定时间段气象数据的初始值和选取日对应时间段气象数据初始值,M′mean和Mmeani分别表示预测时刻前指定时间段气象数据的平均值和选取日对应时间段气象数据平均值,M′end和Mendi分别表示预测时刻前指定时间段气象数据的末尾值和选取日对应时间段气象数据末尾值。
5.根据权利要求1所述的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,其特征在于,步骤S4具体为:根据时刻数选择LSTM单位细胞数为4,每个LSTM单位细胞输入参数个数为5,输出个数为1,迭代次数为200。
6.根据权利要求1所述的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,其特征在于,步骤S4中,数据归一化采用如下公式:
式中,y'表示归一化后得到的数据,Amax表示数据组A的最大值,Amin表示数据组A的最小值,Aki表示第k天参数样本组合中的第i个时刻的某个参数样本。
7.根据权利要求1所述的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,其特征在于,步骤S6具体为:将预测时刻前指定时间段的气象及功率数据输入训练模型中对待预测时刻的发电功率进行预测,其中训练集输入组合为(Pki,Tki,Hki,Gki,Dki),训练集输出为Pki+1;其中k为样本日期的序号,表示天数,k为1到N的整数,N是所选取的天数的总量;i为单位时间段内的时刻,表示时刻数,i为1到Nt的整数,Nt是单位时间段内的指定时刻数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436300.7A CN110148068A (zh) | 2019-05-23 | 2019-05-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436300.7A CN110148068A (zh) | 2019-05-23 | 2019-05-23 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110148068A true CN110148068A (zh) | 2019-08-20 |
Family
ID=67593045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910436300.7A Pending CN110148068A (zh) | 2019-05-23 | 2019-05-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148068A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680712A (zh) * | 2020-04-16 | 2020-09-18 | 国网江苏省电力有限公司检修分公司 | 基于日内相似时刻的变压器油温预测方法、装置及系统 |
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 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN111752976A (zh) * | 2020-05-28 | 2020-10-09 | 清华大学 | 气象数据处理方法、装置、计算机设备及可读存储介质 |
CN112116171A (zh) * | 2020-09-29 | 2020-12-22 | 山东建筑大学 | 一种新型基于神经网络的光伏发电功率预测方法 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
CN112734285A (zh) * | 2021-01-22 | 2021-04-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站送风机超温预警方法及系统 |
CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 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 |
CN113011674A (zh) * | 2021-03-31 | 2021-06-22 | 电子科技大学中山学院 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
CN113515885A (zh) * | 2021-04-23 | 2021-10-19 | 上海岩芯电子科技有限公司 | 一种光伏组件智能健康状态诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143348A1 (en) * | 2014-03-31 | 2018-05-24 | Stc.Unm | Apparatus and method for solar energy micro-forecasts for solar generation sources and utilities |
CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
-
2019
- 2019-05-23 CN CN201910436300.7A patent/CN110148068A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143348A1 (en) * | 2014-03-31 | 2018-05-24 | Stc.Unm | Apparatus and method for solar energy micro-forecasts for solar generation sources and utilities |
CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680712A (zh) * | 2020-04-16 | 2020-09-18 | 国网江苏省电力有限公司检修分公司 | 基于日内相似时刻的变压器油温预测方法、装置及系统 |
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 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN111752976A (zh) * | 2020-05-28 | 2020-10-09 | 清华大学 | 气象数据处理方法、装置、计算机设备及可读存储介质 |
CN111754026B (zh) * | 2020-05-28 | 2024-03-15 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN112116171A (zh) * | 2020-09-29 | 2020-12-22 | 山东建筑大学 | 一种新型基于神经网络的光伏发电功率预测方法 |
CN112257941B (zh) * | 2020-10-28 | 2023-04-18 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
CN112734285A (zh) * | 2021-01-22 | 2021-04-30 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站送风机超温预警方法及系统 |
CN112734285B (zh) * | 2021-01-22 | 2023-05-02 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站送风机超温预警方法及系统 |
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 |
CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 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 |
CN113011674A (zh) * | 2021-03-31 | 2021-06-22 | 电子科技大学中山学院 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
CN113515885A (zh) * | 2021-04-23 | 2021-10-19 | 上海岩芯电子科技有限公司 | 一种光伏组件智能健康状态诊断方法 |
CN113515885B (zh) * | 2021-04-23 | 2023-09-12 | 上海岩芯电子科技有限公司 | 一种光伏组件智能健康状态诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148068A (zh) | 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 | |
CN104978613B (zh) | 一种考虑组件温度的光伏出力短期预测方法 | |
CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN105913151A (zh) | 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 | |
Tiwari et al. | Short term solar irradiance forecast using numerical weather prediction (NWP) with gradient boost regression | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
CN107506843A (zh) | 一种短期负荷预测方法及装置 | |
CN102479339A (zh) | 基于混合神经网络的风电场短期风速预测方法和系统 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
CN109345027A (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
CN113052389A (zh) | 基于多任务的分布式光伏电站超短期功率预测方法及系统 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
Meng et al. | Inverter-data-driven second-level power forecasting for photovoltaic power plant | |
Balal et al. | Forecasting solar power generation utilizing machine learning models in Lubbock | |
CN111797132B (zh) | 考虑时空相关性的多可再生能源电站功率场景生成方法 | |
CN109523097A (zh) | 一种改进遗传算法的多微电网优化调度方法 | |
CN107230003A (zh) | 一种新能源发电系统的功率预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
Sun et al. | Solar power prediction in smart grid based on NWP data and an improved boosting method | |
Choulli et al. | Hybrid optimization based on the analytical approach and the particle swarm optimization algorithm (Ana-PSO) for the extraction of single and double diode models parameters | |
Rosato et al. | A Combined Deep Learning Approach for Time Series Prediction in Energy Environments | |
CN110909916B (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
Ran et al. | Forecasting of wind speed with least squares support vector machine based on genetic algorithm |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |