CN110322364A - 一种短期光伏发电预测方法及系统 - Google Patents
一种短期光伏发电预测方法及系统 Download PDFInfo
- Publication number
- CN110322364A CN110322364A CN201910533501.9A CN201910533501A CN110322364A CN 110322364 A CN110322364 A CN 110322364A CN 201910533501 A CN201910533501 A CN 201910533501A CN 110322364 A CN110322364 A CN 110322364A
- Authority
- CN
- China
- Prior art keywords
- generated output
- training
- test set
- power generation
- training set
- 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 53
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000012360 testing method Methods 0.000 claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 230000035772 mutation Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本公开提供了一种短期光伏发电预测方法及系统。其中,短期光伏发电预测方法,包括获取光伏电站相同时刻的发电功率和气象历史数据,构建训练集和测试集;按照预设时间间隔分别对训练集和测试集分组;将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据;采用NACEMD信号分解算法对每种天气类型样本数据中的发电功率数据按照不同波动尺度逐级分解,得到不同时频特性的分量,进而与对应的天气类型特征组合,构建出每组训练集和测试集的特征向量;分别利用训练集和测试集的特征向量对深度LSTM序列神经网络模型进行训练及测试;利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测。
Description
技术领域
本公开属于光伏发电领域,尤其涉及一种短期光伏发电预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
作为可再生能源增长的主要来源,太阳能正在从一个边际能源转变为一个主要的能源。事实上,它正在成为许多发达国家,特别是欧洲的主要电力供应来源。然而,与传统能源相比,太阳能具有间歇性和不稳定性,其受天气条件影响较大,太阳能进入能源系统会给系统的运行带来负面影响。
准确预测光伏发电功率对于能源系统的安全和平稳运行至关重要。提前精确预测光伏发电功率,可以更好地指导电网发电、调度等工作,以及针对光伏发电功率突变和其他对电网具有较大威胁的事件做好预防和消除工作。
目前的预测方法可大致分为两类:物理方法和数据驱动(也称统计)方法。物理方法通常使用气象数据和反映大气行为的物理定律来建立估算风速、风向、光照强度、温度等特征的模型,然后使用这些模型来估计在光电场处产生的相应太阳能。数据驱动方法提取历史光伏发电数据集的显著特征,开发预测模型,然后使用模型预测未来一段时间内光伏发电功率相关特征的数值。相较于物理方法,数据驱动方法在短期光伏发电功率预测上精度较高,对各种天气状况的适应性强。然而,发明人发现,目前提出的物理预测方法和数据驱动预测方法预测精度有限,应对气象特征的变化能力较弱。
发明内容
为了解决上述问题,本公开的第一个方面提供一种短期光伏发电预测方法,其利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
为了实现上述目的,本公开采用如下技术方案:
一种短期光伏发电预测方法,包括:
获取光伏电站相同时刻的发电功率和气象历史数据,构建训练集和测试集;
按照预设时间间隔分别对训练集和测试集分组;
将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据;
采用NACEMD信号分解算法对每种天气类型样本数据中的发电功率数据按照不同波动尺度逐级分解,得到不同时频特性的分量,进而与对应的天气类型特征组合,构建出每组训练集和测试集的特征向量;
分别利用训练集和测试集的特征向量对深度LSTM序列神经网络模型进行训练及测试,直至模型参数达到预设精度要求停止训练,得到训练完成的深度LSTM序列神经网络模型;
利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测。
为了解决上述问题,本公开的第二个方面提供一种短期光伏发电预测系统,其利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
为了实现上述目的,本公开采用如下技术方案:
一种短期光伏发电预测系统,包括:
训练集和测试集构建模块,其用于获取光伏电站相同时刻的发电功率和气象历史数据,构建训练集和测试集;
分组模块,其用于按照预设时间间隔分别对训练集和测试集分组;
聚类模块,其用于将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据;
特征向量构建模块,其用于采用NACEMD信号分解算法对每种天气类型样本数据中的发电功率数据按照不同波动尺度逐级分解,得到不同时频特性的分量,进而与对应的天气类型特征组合,构建出每组训练集和测试集的特征向量;
模型训练模块,其用于分别利用训练集和测试集的特征向量对深度LSTM序列神经网络模型进行训练及测试,直至模型参数达到预设精度要求停止训练,得到训练完成的深度LSTM序列神经网络模型;
预测模块,其用于利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测。
为了解决上述问题,本公开的第三个方面提供一种计算机可读存储介质,其利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
为了实现上述目的,本公开采用如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述所述的短期光伏发电预测方法中的步骤。
为了解决上述问题,本公开的第四个方面提供一种计算机设备,其利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
为了实现上述目的,本公开采用如下技术方案:
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述所述的短期光伏发电预测方法中的步骤。
本公开的有益效果是:
(1)本公开采用NACEMD信号分解算法对发电功率进行预处理,减少由白噪声引起的模态混叠现象,提高了发电功率预测的精度。
(2)本公开利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例提供的一种短期光伏发电预测方法流程图。
图2是本公开实施例提供的深度LSTM序列神经网络模型结构图。
图3是本公开实施例提供的一种短期光伏发电预测系统结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
术语解释:
NACEMD,noise assisted signal decomposition method based oncomplexempirical mode decomposition,复数数据经验模态分解的噪声辅助信号分解。
实施例1
图1给出了本实施例的一种短期光伏发电预测方法流程图。
如图1所示,本实施例的一种短期光伏发电预测方法,包括:
S101:获取光伏电站相同时刻的发电功率和气象历史数据,构建训练集和测试集。
其中,气象历史数据包括太阳辐照度(G),空气温度(T),云型(CT),露点(DP),相对湿度(RH),可降水(PW),风向(WD),风速(WS)和气压(AP)。
S102:按照预设时间间隔分别对训练集和测试集分组。
将训练集和测试集内的样本按照预设时间间隔划分组别;
预设时间间隔可为1h。
需要说明的是,预设时间间隔也可为半小时,本领域技术人员可根据实际情况具体设定。
S103:将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据。
每组样本独立采用k-means聚类算法聚类,将天气情况分为晴天,多云,阴天,雨天四类。聚类对象为每组样本中的气象数据和功率都聚类。
具体地,k-means聚类过程:
步骤S1031:根据月份数随机选取12个聚类质心点(u1,u2,…,uk,…,u12);
步骤S1032:对于每一个数据样本xi(i=1,2,…,n),计算其应该属于的类,表示为:
ck=argmin||xi-xk||2(k=1,2,…,12)
其中,ck表示数据样本xi和质心uk的距离,将xi归类到距离值最小的质心点;
步骤S1033:对所有的数据样本归类后,重新计算质心点,表示为:
其中,m表示每组聚类中的样本个数。
步骤S1034:重新计算步骤S1031和步骤S1032,直到聚类质心点不再变化,得到所有数据样本的聚类类别。
本实施例采用每组样本独立采用k-means聚类算法聚类,聚类方法简单且易于实现,提高了聚类效率。
需要说明的是,也可采用其他聚类算法对每组训练集和测试集的样本独立聚类,而且聚类成预设天气类型数量的样本数据也可根据实际情况来具体设定。
S104:采用NACEMD信号分解算法对每种天气类型样本数据中的发电功率数据按照不同波动尺度逐级分解,得到不同时频特性的分量,进而与对应的天气类型特征组合,构建出每组训练集和测试集的特征向量。
具体地,NACEMD信号分解算法过程为:
S1041:在原始发电功率序列pt上添加白噪声将其转换为新的序列如下:
S1042:基于EMD算法将添加噪声后的发电功率序列分解为n个IMF(内禀模态函数)子层和一个冗余项如下:
其中,表示第i个发电功率序列的第j个IMF子层;n为大于或等于2的正整数;
S1043:重复执行步骤S1041和步骤S1042m次,每次在原始发电功率序列中添加不同的白噪声,并获得相应的IMF子层。m为大于或等于2的正整数。
S1044:计算在m次分解中获得的所有IMF的平均值,将其作为最终的IMF子层,如下:
S1045:分解完成后,原始发电功率序列可以用IMF和残差项的线性组合表示,如下:
其中,dtj是m次分解过程中提取的第j个IMF的平均值,rt是最终残差,n是IMF的数量。
本实施例采用NACEMD信号分解算法对发电功率进行预处理,减少由白噪声引起的模态混叠现象,提高了发电功率预测的精度。
S105:分别利用训练集和测试集的特征向量对深度LSTM序列神经网络模型进行训练及测试,直至模型参数达到预设精度要求停止训练,得到训练完成的深度LSTM序列神经网络模型。
深度LSTM序列神经网络模型如图2所示,每一个时刻,深度LSTM序列神经网络模型通过3个门接收当前光伏功率及其特征的状态xt和上一时刻LSTM的隐藏状态ht-1这2类外部信息的输入。此外,每一个门还接收一个内部信息输入,即记忆单元的状态ct-1。接收输入信息后,每一个门将对不同来源的输入进行运算,并且由其逻辑函数决定其是否激活。输入门的输入经过非线性函数的变换后,与遗忘门处理过的记忆单元状态进行叠加,形成新的记忆单元状态ct。最终,记忆单元状态ct通过非线性函数的运算和输出门的动态控制形成深度LSTM序列神经网络模型的输出,即下一时刻的光伏功率的预测值ht。
各变量之间的计算公式如下:
it=σ(wxixt+whiht-1+wcict-1+bi)
ft=σ(wxfxt+whfht-1+wcfct-1+bf)
ct=ftct-1+ittanh(wxcxt+whcht-1+bc)
ot=σ(wxoxt+whoht-1+wcoct-1+bo)
ht=ottanh(ct)
其中,wxc、wxi、wxf、wxo为连接输入信号xt的权重矩阵;whc、whi、whf、who为连接隐含层输入信号的权重矩阵;wci、wcf、wco为连接神经元的激活函数的输出矢量和门函数的对角矩阵;bo、bc、bi、bf为偏置向量;σ为激活函数,通常为tanh或sigmoid函数。
S106:利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测。
本实施例利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
实施例2
如图3所示,本实施例的一种短期光伏发电预测系统,包括:
(1)训练集和测试集构建模块,其用于获取光伏电站相同时刻的发电功率和气象历史数据,构建训练集和测试集。
其中,气象历史数据包括太阳辐照度(G),空气温度(T),云型(CT),露点(DP),相对湿度(RH),可降水(PW),风向(WD),风速(WS)和气压(AP)。
(2)分组模块,其用于按照预设时间间隔分别对训练集和测试集分组。
将训练集和测试集内的样本按照预设时间间隔划分组别;
预设时间间隔可为1h。
需要说明的是,预设时间间隔也可为半小时,本领域技术人员可根据实际情况具体设定。
(3)聚类模块,其用于将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据。
每组样本独立采用k-means聚类算法聚类,将天气情况分为晴天,多云,阴天,雨天四类。聚类对象为每组样本中的气象数据和功率都聚类。
具体地,k-means聚类过程:
步骤1:根据月份数随机选取12个聚类质心点(u1,u2,…,uk,…,u12);
步骤2:对于每一个数据样本xi(i=1,2,…,n),计算其应该属于的类,表示为:
ck=argmin||xi-xk||2(k=1,2,…,12)
其中,ck表示数据样本xi和质心uk的距离,将xi归类到距离值最小的质心点;
步骤3:对所有的数据样本归类后,重新计算质心点,表示为:
其中,m表示每组聚类中的样本个数。
步骤4:重新计算步骤1和步骤2,直到聚类质心点不再变化,得到所有数据样本的聚类类别。
本实施例采用每组样本独立采用k-means聚类算法聚类,聚类方法简单且易于实现,提高了聚类效率。
需要说明的是,也可采用其他聚类算法对每组训练集和测试集的样本独立聚类,而且聚类成预设天气类型数量的样本数据也可根据实际情况来具体设定。
(4)特征向量构建模块,其用于采用NACEMD信号分解算法对每种天气类型样本数据中的发电功率数据按照不同波动尺度逐级分解,得到不同时频特性的分量,进而与对应的天气类型特征组合,构建出每组训练集和测试集的特征向量。
具体地,所述特征向量构建模块,还包括:
发电功率序列形成模块,其用于训练集和测试集中的发电功率数据按照时间序列形成发电功率序列;
发电功率序列更新模块,其用于分别在训练集和测试集的发电功率序列中添加白噪声,转换成新的发电功率序列;
在原始发电功率序列pt上添加白噪声将其转换为新的序列如下:
序列分解模块,其用于基于EMD算法将训练集和测试集的新发电功率序列分解为n个IMF子层和一个冗余项;其中,n为大于或等于2的正整数;重复上述执行添加白噪声及分解步骤m次,每次添加不同的白噪声,获得相应的IMF子层;其中,m为大于或等于2的正整数;
基于EMD算法将添加噪声后的发电功率序列分解为n个IMF(内禀模态函数)子层和一个冗余项rt i,如下:
其中,表示第i个发电功率序列的第j个IMF子层;n为大于或等于2的正整数;
IMF平均值计算模块,其用于计算在m次分解中分别获得的训练集和测试集的发电功率序列所有IMF的平均值,将其作为最终的IMF子层;
发电功率序列表示模块,其用于当分解完成后,训练集和测试集的原始发电功率序列用最终的IMF子层和残差项的线性组合表示。
计算在m次分解中获得的所有IMF的平均值,将其作为最终的IMF子层,如下:
分解完成后,原始发电功率序列可以用IMF和残差项的线性组合表示,如下:
其中,dtj是m次分解过程中提取的第j个IMF的平均值,rt是最终残差,n是IMF的数量。
本实施例采用NACEMD信号分解算法对发电功率进行预处理,减少由白噪声引起的模态混叠现象,提高了发电功率预测的精度。
(5)模型训练模块,其用于分别利用训练集和测试集的特征向量对深度LSTM序列神经网络模型进行训练及测试,直至模型参数达到预设精度要求停止训练,得到训练完成的深度LSTM序列神经网络模型。
深度LSTM序列神经网络模型如图2所示,每一个时刻,深度LSTM序列神经网络模型通过3个门接收当前光伏功率及其特征的状态xt和上一时刻LSTM的隐藏状态ht-1这2类外部信息的输入。此外,每一个门还接收一个内部信息输入,即记忆单元的状态ct-1。接收输入信息后,每一个门将对不同来源的输入进行运算,并且由其逻辑函数决定其是否激活。输入门的输入经过非线性函数的变换后,与遗忘门处理过的记忆单元状态进行叠加,形成新的记忆单元状态ct。最终,记忆单元状态ct通过非线性函数的运算和输出门的动态控制形成深度LSTM序列神经网络模型的输出,即下一时刻的光伏功率的预测值ht。
各变量之间的计算公式如下:
it=σ(wxixt+whiht-1+wcict-1+bi)
ft=σ(wxfxt+whfht-1+wcfct-1+bf)
ct=ftct-1+ittanh(wxcxt+whcht-1+bc)
ot=σ(wxoxt+whoht-1+wcoct-1+bo)
ht=ottanh(ct)
其中,wxc、wxi、wxf、wxo为连接输入信号xt的权重矩阵;whc、whi、whf、who为连接隐含层输入信号的权重矩阵;wci、wcf、wco为连接神经元的激活函数的输出矢量和门函数的对角矩阵;bo、bc、bi、bf为偏置向量;σ为激活函数,通常为tanh或sigmoid函数。
(6)预测模块,其用于利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测。
本实施例利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
实施例3
本实施例的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所示的短期光伏发电预测方法中的步骤。
本实施例利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
实施例4
本实施例的一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如图1所示的短期光伏发电预测方法中的步骤。
本实施例利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测,更好地拟合数据的非线性,提高了发电功率预测的精度。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种短期光伏发电预测方法,其特征在于,包括:
获取光伏电站相同时刻的发电功率和气象历史数据,构建训练集和测试集;
按照预设时间间隔分别对训练集和测试集分组;
将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据;
采用NACEMD信号分解算法对每种天气类型样本数据中的发电功率数据按照不同波动尺度逐级分解,得到不同时频特性的分量,进而与对应的天气类型特征组合,构建出每组训练集和测试集的特征向量;
分别利用训练集和测试集的特征向量对深度LSTM序列神经网络模型进行训练及测试,直至模型参数达到预设精度要求停止训练,得到训练完成的深度LSTM序列神经网络模型;
利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测。
2.如权利要求1所述的一种短期光伏发电预测方法,其特征在于,在训练深度LSTM序列神经网络模型的过程中,根据深度LSTM序列神经网络模型输出的下一时刻发电功率预测值与下一时刻发电功率真实值的误差建立目标函数,通过梯度下降法训练深度LSTM序列神经网络模型,直到训练结果达到精预设精度要求。
3.如权利要求1所述的一种短期光伏发电预测方法,其特征在于,采用k-means聚类方法将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据。
4.如权利要求1所述的一种短期光伏发电预测方法,其特征在于,采用NACEMD信号分解算法对每种天气类型样本数据中的发电功率数据按照不同波动尺度逐级分解的过程为:
训练集和测试集中的发电功率数据按照时间序列形成发电功率序列;
分别在训练集和测试集的发电功率序列中添加白噪声,转换成新的发电功率序列;
基于EMD算法将训练集和测试集的新发电功率序列分解为n个IMF子层和一个冗余项;其中,n为大于或等于2的正整数;
重复上述执行添加白噪声及分解步骤m次,每次添加不同的白噪声,获得相应的IMF子层;其中,m为大于或等于2的正整数;
计算在m次分解中分别获得的训练集和测试集的发电功率序列所有IMF的平均值,将其作为最终的IMF子层;
分解完成后,训练集和测试集的原始发电功率序列光伏功率用最终的IMF子层和残差项的线性组合表示。
5.一种短期光伏发电预测系统,其特征在于,包括:
训练集和测试集构建模块,其用于获取光伏电站相同时刻的发电功率和气象历史数据,构建训练集和测试集;
分组模块,其用于按照预设时间间隔分别对训练集和测试集分组;
聚类模块,其用于将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据;
特征向量构建模块,其用于采用NACEMD信号分解算法对每种天气类型样本数据中的发电功率数据按照不同波动尺度逐级分解,得到不同时频特性的分量,进而与对应的天气类型特征组合,构建出每组训练集和测试集的特征向量;
模型训练模块,其用于分别利用训练集和测试集的特征向量对深度LSTM序列神经网络模型进行训练及测试,直至模型参数达到预设精度要求停止训练,得到训练完成的深度LSTM序列神经网络模型;
预测模块,其用于利用训练完成的深度LSTM序列神经网络模型对短期光伏发电的发电功率进行预测。
6.如权利要求5所述的一种短期光伏发电预测系统,其特征在于,在所述模型训练模块中,根据深度LSTM序列神经网络模型输出的下一时刻发电功率预测值与下一时刻发电功率真实值的误差建立目标函数,通过梯度下降法训练深度LSTM序列神经网络模型,直到训练结果达到精预设精度要求。
7.如权利要求5所述的一种短期光伏发电预测系统,其特征在于,在所述聚类模块中,采用k-means聚类方法将每组训练集和测试集的样本独立聚类成预设天气类型数量的样本数据。
8.如权利要求5所述的一种短期光伏发电预测系统,其特征在于,所述特征向量构建模块,还包括:
发电功率序列形成模块,其用于训练集和测试集中的发电功率数据按照时间序列形成发电功率序列;
发电功率序列更新模块,其用于分别在训练集和测试集的发电功率序列中添加白噪声,转换成新的发电功率序列;
序列分解模块,其用于基于EMD算法将训练集和测试集的新发电功率序列分解为n个IMF子层和一个冗余项;其中,n为大于或等于2的正整数;重复上述执行添加白噪声及分解步骤m次,每次添加不同的白噪声,获得相应的IMF子层;其中,m为大于或等于2的正整数;
IMF平均值计算模块,其用于计算在m次分解中分别获得的训练集和测试集的发电功率序列所有IMF的平均值,将其作为最终的IMF子层;
发电功率序列表示模块,其用于当分解完成后,训练集和测试集的原始发电功率序列用最终的IMF子层和残差项的线性组合表示。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的短期光伏发电预测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的短期光伏发电预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910533501.9A CN110322364B (zh) | 2019-06-19 | 2019-06-19 | 一种短期光伏发电预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910533501.9A CN110322364B (zh) | 2019-06-19 | 2019-06-19 | 一种短期光伏发电预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322364A true CN110322364A (zh) | 2019-10-11 |
CN110322364B CN110322364B (zh) | 2020-08-25 |
Family
ID=68119882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910533501.9A Active CN110322364B (zh) | 2019-06-19 | 2019-06-19 | 一种短期光伏发电预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322364B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090926A (zh) * | 2019-11-14 | 2020-05-01 | 远景智能国际私人投资有限公司 | 光伏功率曲线建模方法、装置、计算机设备及存储介质 |
CN112001564A (zh) * | 2020-09-04 | 2020-11-27 | 国网江西省电力有限公司电力科学研究院 | 基于长短期记忆网络的用户离家时间预测方法 |
JP6833303B1 (ja) * | 2019-12-10 | 2021-02-24 | 東芝三菱電機産業システム株式会社 | 発電量予測装置 |
CN112926653A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
CN113469442A (zh) * | 2021-07-05 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于经验模态分解的光伏功率超短期预测方法及系统 |
CN114710114A (zh) * | 2022-05-23 | 2022-07-05 | 北京华清未来能源技术研究院有限公司 | 光伏逆变器故障预测方法 |
CN114881074A (zh) * | 2022-04-24 | 2022-08-09 | 同济大学 | 一种基于聚类-深度学习的工程结构变形预测方法 |
CN115000961A (zh) * | 2022-08-04 | 2022-09-02 | 国网山东省电力公司东营市河口区供电公司 | 一种线损预测计算方法与系统 |
CN116451598A (zh) * | 2023-06-20 | 2023-07-18 | 杭州经纬信息技术股份有限公司 | 基于去噪扩散概率模型的太阳辐照度预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980762A (zh) * | 2017-03-29 | 2017-07-25 | 河海大学 | 光伏电站并网有功功率参考值快速计算方法 |
US20180203160A1 (en) * | 2017-01-18 | 2018-07-19 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
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 |
CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
-
2019
- 2019-06-19 CN CN201910533501.9A patent/CN110322364B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180203160A1 (en) * | 2017-01-18 | 2018-07-19 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
CN106980762A (zh) * | 2017-03-29 | 2017-07-25 | 河海大学 | 光伏电站并网有功功率参考值快速计算方法 |
CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
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 |
CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090926B (zh) * | 2019-11-14 | 2023-09-12 | 远景智能国际私人投资有限公司 | 光伏功率曲线建模方法、装置、计算机设备及存储介质 |
CN111090926A (zh) * | 2019-11-14 | 2020-05-01 | 远景智能国际私人投资有限公司 | 光伏功率曲线建模方法、装置、计算机设备及存储介质 |
JP6833303B1 (ja) * | 2019-12-10 | 2021-02-24 | 東芝三菱電機産業システム株式会社 | 発電量予測装置 |
WO2021117127A1 (ja) * | 2019-12-10 | 2021-06-17 | 東芝三菱電機産業システム株式会社 | 発電量予測装置 |
CN112001564A (zh) * | 2020-09-04 | 2020-11-27 | 国网江西省电力有限公司电力科学研究院 | 基于长短期记忆网络的用户离家时间预测方法 |
CN112001564B (zh) * | 2020-09-04 | 2022-05-10 | 国网江西省电力有限公司电力科学研究院 | 基于长短期记忆网络的用户离家时间预测方法 |
CN112926653A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
CN113469442A (zh) * | 2021-07-05 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于经验模态分解的光伏功率超短期预测方法及系统 |
CN114881074A (zh) * | 2022-04-24 | 2022-08-09 | 同济大学 | 一种基于聚类-深度学习的工程结构变形预测方法 |
CN114881074B (zh) * | 2022-04-24 | 2023-08-08 | 同济大学 | 一种基于聚类-深度学习的工程结构变形预测方法 |
CN114710114A (zh) * | 2022-05-23 | 2022-07-05 | 北京华清未来能源技术研究院有限公司 | 光伏逆变器故障预测方法 |
CN115000961A (zh) * | 2022-08-04 | 2022-09-02 | 国网山东省电力公司东营市河口区供电公司 | 一种线损预测计算方法与系统 |
CN116451598A (zh) * | 2023-06-20 | 2023-07-18 | 杭州经纬信息技术股份有限公司 | 基于去噪扩散概率模型的太阳辐照度预测方法 |
CN116451598B (zh) * | 2023-06-20 | 2023-09-05 | 杭州经纬信息技术股份有限公司 | 基于去噪扩散概率模型的太阳辐照度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110322364B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322364A (zh) | 一种短期光伏发电预测方法及系统 | |
CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
Jain et al. | Analytical study of Wind power prediction system by using Feed Forward Neural Network | |
Yang et al. | Some issues in uncertainty quantification and parameter tuning: A case study of convective parameterization scheme in the WRF regional climate model | |
CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
CN108197744B (zh) | 一种光伏发电功率的确定方法及系统 | |
CN107944604B (zh) | 一种用于光伏功率预测的天气类型识别方法和装置 | |
CN109615146B (zh) | 一种基于深度学习的超短时风功率预测方法 | |
Kou et al. | Photovoltaic power forecasting based on artificial neural network and meteorological data | |
CN108171379B (zh) | 一种用电负荷预测方法 | |
CN102510059A (zh) | 基于bp神经网络的超短期风电功率预测方法 | |
CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN104657584A (zh) | 一种基于Lorenz系统的风速预测方法 | |
Subbotin et al. | Individual prediction of the hypertensive patient condition based on computational intelligence | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
Alrashidi et al. | Short-term PV output forecasts with support vector regression optimized by cuckoo search and differential evolution algorithms | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
Wang et al. | Pm2. 5 prediction based on neural network | |
CN113392972B (zh) | 一种光伏短期功率预测模型训练方法、预测方法及装置 | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
CN114638396A (zh) | 一种基于神经网络实例化的光伏功率预测方法及系统 | |
Pereira et al. | Artificial neural networks for radiation dose prediction in nuclear emergencies-preliminary investigations | |
CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN105956720A (zh) | 一种基于t-s模糊模型的风电功率超短期预测方法 |
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 |