CN110659442B - 系统及其数据短期预测方法和装置、存储介质 - Google Patents

系统及其数据短期预测方法和装置、存储介质 Download PDF

Info

Publication number
CN110659442B
CN110659442B CN201910897307.9A CN201910897307A CN110659442B CN 110659442 B CN110659442 B CN 110659442B CN 201910897307 A CN201910897307 A CN 201910897307A CN 110659442 B CN110659442 B CN 110659442B
Authority
CN
China
Prior art keywords
data
short
system data
prediction
function
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.)
Active
Application number
CN201910897307.9A
Other languages
English (en)
Other versions
CN110659442A (zh
Inventor
童国炜
黄勇
蔡炜
李伟进
王灵军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201910897307.9A priority Critical patent/CN110659442B/zh
Publication of CN110659442A publication Critical patent/CN110659442A/zh
Application granted granted Critical
Publication of CN110659442B publication Critical patent/CN110659442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种系统及其数据短期预测方法和装置、存储介质。该方法包括：获取第一预定时间段的系统数据；采用集合经验模态分解方法对第一预定时间段的系统数据进行分解，获取残余函数和多个本征模式函数；将残余函数和多个本征模式函数分别输入对应的长短期记忆网络模型，获取残余函数的预测结果和每个本征模式函数的预测结果；将残余函数的预测结果和每个本征模式函数的预测结果相加获取系统预测数据。本公开可以确保即使在不考虑或缺失气象数据的情况下，仍旧可以保障进行较为精确、稳健的发电量短期预测。

Description

系统及其数据短期预测方法和装置、存储介质
技术领域
本公开涉及太阳能领域，特别涉及一种系统及其数据短期预测方法和装置、存储介质。
背景技术
随着经济的快速发展与能源短缺问题的日益凸显，太阳能的开发与利用受到了世界各国的重视。但由于复杂多变的天气、云层移动、环境温度等因素使得光伏发电具有波动性和间歇性。同时，随着光伏系统装机容量的不断攀升，对传统电网的安全运行带来了挑战。可靠、安全、高效地对系统数据进行短期预测，对保障电力系统的安全运行、资源优化配置和需求响应具有重要的意义。
常用的光伏发电量预测方法包括时间序列模型，气象数据模型。时间序列模型在进行预测时，采用历史数据作为输入，忽略了气象数据对光伏发电量的影响。气象数据模型利用了可在线获得的气象数据，采用模式识别方法对光伏发电量进行预测，属于光伏发电量短期预测方法中常用的策略。
发明内容
发明人发现：对于某些光伏系统，为了防止网络病毒攻击，服务器常常是处于脱机运行状态，在线的气象数据是无法获得。同时，由于设计、经费等原因，某些光伏系统并没有配备在线的气象数据采集装置。因此，设计一种基于时间序列的光伏发电短期预测模型是具有现实意义的。
鉴于以上技术问题中的至少一项，本公开提供了一种系统及其数据短期预测方法和装置、存储介质，可以在不考虑或缺失气象数据的情况下，保障进行较为精确、稳健的发电量短期预测。
根据本公开的一个方面，提供一种系统数据短期预测方法，包括：
获取第一预定时间段的系统数据；
采用集合经验模态分解方法对第一预定时间段的系统数据进行分解，获取残余函数和多个本征模式函数；
将残余函数和多个本征模式函数分别输入对应的长短期记忆网络模型，获取残余函数的预测结果和每个本征模式函数的预测结果；
将残余函数的预测结果和每个本征模式函数的预测结果相加获取系统预测数据。
在本公开的一些实施例中，本征模式函数包含低阶本征模式函数和高阶本征模式函数，其中：
低阶本征模式函数包括随机性影响因素；
高阶本征模式函数包括趋势性影响因素；
残余函数表示光伏发电量的变化趋势。
在本公开的一些实施例中，随机性影响因素包括人为因素和随机因素的至少一项；趋势性影响因素包括季节因素和气象因素的至少一项。
在本公开的一些实施例中，所述系统数据短期预测方法还包括：
对第一预定时间段的系统数据进行数据预处理，之后执行采用集合经验模态分解方法对第一预定时间段的系统数据进行分解的步骤。
在本公开的一些实施例中，所述系统数据短期预测方法还包括：
预先建立系统数据短期预测模型，其中，所述系统数据短期预测模型包括残余函数的长短期记忆网络模型和每个本征模式函数对应的长短期记忆网络模型。
在本公开的一些实施例中，所述预先建立系统数据短期预测模型包括：
获取第二预定时间段的系统数据；
采用集合经验模态分解方法对系统数据进行分解，获取残余函数和多个本征模式函数；
采用残余函数和多个本征模式函数分别训练对应的长短期记忆网络模型，其中，所述长短期记忆网络模型可采用第一预定时间段的系统数据预测预定预测时间段的系统预测数据。
在本公开的一些实施例中，所述预先建立系统数据短期预测模型还包括：
对第二预定时间段的系统数据进行数据预处理，之后执行采用集合经验模态分解方法对第二预定时间段的系统数据进行分解的步骤。
在本公开的一些实施例中，系统数据为光伏系统发电量数据、光伏系统用电量数据或风电系统风功率数据。
根据本公开的另一方面，提供一种系统数据短期预测装置，包括：
数据获取模块，用于获取第一预定时间段的系统数据；
分解模块，用于采用集合经验模态分解方法对第一预定时间段的系统数据进行分解，获取残余函数和多个本征模式函数；
预测结果确定模块，用于将残余函数和多个本征模式函数分别输入对应的长短期记忆网络模型，获取残余函数的预测结果和每个本征模式函数的预测结果；
预测数据获取模块，用于将残余函数的预测结果和每个本征模式函数的预测结果相加获取系统预测数据。
在本公开的一些实施例中，所述系统数据短期预测装置用于执行实现如任一实施例所述的系统数据短期预测方法的操作。
根据本公开的另一方面，提供一种系统数据短期预测装置，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述系统数据短期预测装置执行实现如任一实施例所述的无人车远距离防对撞方法的操作。
根据本公开的另一方面，提供一种系统，包括如任一实施例所述的系统数据短期预测装置。
根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如任一实施例所述的系统数据短期预测方法。
本公开可以确保即使在不考虑或缺失气象数据的情况下，仍旧可以保障进行较为精确、稳健的发电量短期预测。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开系统数据短期预测方法一些实施例的示意图。
图2为本公开系统数据短期预测方法另一些实施例的示意图。
图3为本公开系统一些实施例中预先建立系统数据短期预测模型的示意图。
图4为本公开系统一些实施例中进行系统数据短期预测的示意图。
图5为相关技术采用LSTM方法预测结果的示意图。
图6为本公开采用EEMD和LSTM方法预测结果的示意图。
图7为本公开系统数据短期预测装置一些实施例的示意图。
图8为本公开系统数据短期预测装置另一些实施例的示意图。
图9为本公开系统数据短期预测装置又一些实施例的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1为本公开系统数据短期预测方法一些实施例的示意图。优选的，本实施例可由本公开系统数据短期预测装置执行。该方法包括以下步骤：
步骤11，获取第一预定时间段的系统数据。
在本公开的一些实施例中，系统数据可以为光伏系统发电量数据、光伏系统用电量数据或风电系统风功率数据。即，本公开上述实施例可以实现光伏系统发电量短期预测，也可用于光伏系统用电量短期预测，风电系统风功率短期预测。
在本公开的一些实施例中，第一预定时间段可以为1周。
在本公开的一些实施例中，步骤11可以包括：在每一天23点30至24点之间，程序读取过去一周内的光伏系统发电数据，以备进行光伏系统发电量短期预测。
步骤12，采用EEMD(Ensemble Empirical Mode Decomposition,集合经验模态分解)方法对第一预定时间段的系统数据进行分解，获取残余函数和多个IMF(IntrinsicMode Function，本征模式函数)。
在本公开的一些实施例中，本征模式函数可以包含低阶本征模式函数和高阶本征模式函数，其中：低阶本征模式函数主要包括随机性影响因素；高阶本征模式函数主要包括趋势性影响因素；残余函数表示光伏发电量的变化趋势。
在本公开的一些实施例中，随机性影响因素可以包括人为因素和随机因素的至少一项，其中，人为因素指的是人员在维修、测试等操作过程中由于操作失误，操作失误对发电量数据等系统数据造成的影响；随机因素指的是硬件设备随机产生的错误，随机错误对发电量数据等系统数据造成的影响；。
在本公开的一些实施例中，趋势性影响因素可以包括季节因素和气象因素的至少一项，其中，季节因素指的是春夏秋冬的季节变化，气象因素指的是刮风、下雨、阴天、晴天等气象变化。
步骤13，将残余函数和多个本征模式函数分别输入对应的LSTM(Long Short-TermMemory，长短期记忆网络)模型，获取残余函数的预测结果和每个本征模式函数的预测结果。
在本公开的一些实施例中，所述获取残余函数的预测结果和每个本征模式函数的预测结果的步骤可以包括：获取未来预定预测时间段内残余函数的预测结果和未来预定预测时间段内每个本征模式函数的预测结果。
在本公开的一些实施例中，未来预定预测时间段可以为未来1天、未来1小时或未来1周等未来预定预测时间段。
步骤14，将残余函数的预测结果和每个本征模式函数的预测结果相加获取系统预测数据。
在本公开的一些实施例中，步骤14可以包括将未来预定预测时间段内残余函数的预测结果和未来预定预测时间段内每个本征模式函数的预测结果相加获取未来预定预测时间段内的系统预测数据
在本公开的一些实施例中，系统预测数据可以为光伏系统发电量数据、光伏系统用电量预测数据或风电系统风功率预测数据。即，本公开上述实施例可以实现光伏系统发电量短期预测，也可用于光伏系统用电量短期预测，风电系统风功率短期预测。
基于本公开上述实施例提供的系统数据短期预测方法，融合了EEMD和LSTM，将光伏发电量时序数据(或光伏用电量时序数据、风电系统风功率时序数据)中的趋势性和随机性影响因素分开预测，可以提高短期预测精度。本公开上述实施例弱化了由于气象数据缺失对预测模型精度的不利影响。本公开上述实施例将某些无法进行定量度量的影响因素纳入到光伏系统发电量短期预测(或光伏系统用电量短期预测、风电系统风功率短期预测)中。
图2为本公开系统数据短期预测方法另一些实施例的示意图。优选的，本实施例可由本公开系统数据短期预测装置执行。该方法包括步骤21和步骤22，其中：
步骤21，预先建立系统数据短期预测模型，其中，所述系统数据短期预测模型包括残余函数的长短期记忆网络模型和每个本征模式函数对应的长短期记忆网络模型。
在本公开的一些实施例中，系统数据可以为光伏系统发电量数据、光伏系统用电量数据或风电系统风功率数据。即，本公开上述实施例可以实现光伏系统发电量短期预测，也可用于光伏系统用电量短期预测，风电系统风功率短期预测。
在本公开的一些实施例中，步骤21可以包括：光伏系统发电量数据由程序读取到电脑内存中，经数据预处理，如：数据补全、异常数据检测与处理和噪声消除或滤波等，可提高训练样本的质量。经过EEMD方法分解，可获得若干个本征模式函数IMF和残余函数。分别针对每一个IMF和残余函数训练相应的LSTM预测模型，最后将每一个LSTM模型保存在电脑硬盘中，以备预测时使用。
图3为本公开系统一些实施例中预先建立系统数据短期预测模型的示意图。如图3所示。预先建立系统数据短期预测模型的步骤(例如图2实施例的步骤21)可以包括步骤211-步骤214，其中：
步骤211，获取第二预定时间段的系统数据，作为训练数据。
在本公开的一些实施例中，第二预定时间段可以为1年。
在本公开的一些实施例中，第二预定时间段大于3个月。
在本公开的一些实施例中，步骤211可以包括：读取数据库中光伏系统一年的发电量数据作为预测模型的训练样本，如系统运行时间不足一年，应采用时间连续性尽可能长的数据作为训练样本。但是，至少要保证一个季度的数据。
步骤212，对第二预定时间段的系统数据进行数据预处理。
在本公开的一些实施例中，所述数据预处理可以包括：数据清洗、数据补全、异常数据检测和处理、和数据降噪中的至少一项。
光伏系统运行中产生的数据常常会伴随着空值，异常值，噪声值。因此，在本公开的一些实施例中，步骤212可以包括：采用数据清洗方法对训练样本进行清洗。空值和异常值，采用数据密度法进行辨识，对辨识出的空值和异常值使用三次样条差值的方法进行补全。
由于光伏发电数据具有一定的周期性，在本公开的一些实施例中，步骤212可以包括：采用离散傅里叶分解进行降噪，滤除高频噪声的干扰。
步骤213，采用集合经验模态分解方法对系统数据进行分解，获取残余函数和多个本征模式函数。
在本公开的一些实施例中，步骤213可以包括：使用EEMD方法将数据预处理后的发电量数据进行分解，可获得第一低阶IMF、第二低阶IMF、第一高阶IMF、第二高阶IMF和残余函数。其中包含了趋势性影响因素、随机性影响因素。比如：低阶的IMF包含的随机因素较多。高阶的IMF包含的趋势性影响因素较多。残余函数代表了光伏发电量的变化趋势。
因此，本公开上述实施例没有在数据选择时考虑趋势因素、随机因素。但是，通过EEMD分解，这些因素对光伏发电量的影响趋势被分解出来，并进行考虑。本公开上述实施例并没有对影响因素进行定量的考虑，仅仅是从定性方面辅助了预测模型的搭建。
在本公开的一些实施例中，步骤213可以包括：将每天的发电量数据进过EEMD分解后，均会包含趋势性因素和随机性因素，其中，高频IMF均不同程度的包含了随机性影响因素，低频IMF均不同程度的包含了趋势性影响因素，残余函数不包含影响因素，仅代表了发电量的数据趋势性。以便之后分别对多个高频IMF、低频IMF、残余函数构建各自的LSTM模型。
步骤214，采用残余函数和多个本征模式函数分别训练对应的长短期记忆网络模型，其中，所述长短期记忆网络模型可采用第一预定时间段的系统数据预测预定预测时间段的系统预测数据。
在本公开的一些实施例中，步骤214可以包括：分别采用每一个高频IMF、低频IMF和残余函数训练各自的LSTM模型，该模型可采用过去一周的数据对未来一天的数据进行预测。其非线性的拟合能力，可以将历史数据和定性表达的影响因素对未来数据变化的影响能力保存在LSTM模型中。最后，将训练完的若干个LSTM模型保存在硬盘中，以备预测时使用。
步骤22，进行系统数据短期预测。
在本公开的一些实施例中，步骤22可以包括：对未来一天内的系统数据进行预测时，需从数据库中读取过去一周的数据，并采用数据预处理方法提高数据质量。将数据使用EEMD方法进行分解，获取若干个IMF和残余函数。读取硬盘中的LSTM模型，对相应的IMF和残余函数进行预测。最终将IMF和残余函数相加，获得未来一天内的系统数据短期预测数据。
在本公开的一些实施例中，步骤22可以包括：可以包括图1实施例的步骤11-步骤14。
图4为本公开系统一些实施例中进行系统数据短期预测的示意图。如图3所示。进行系统数据短期预测的步骤(例如图2实施例的步骤22)可以包括步骤221-步骤225，其中：
步骤221，获取第一预定时间段的系统数据。
在本公开的一些实施例中，系统数据可以为光伏系统发电量数据、光伏系统用电量数据或风电系统风功率数据。即，本公开上述实施例可以实现光伏系统发电量短期预测，也可用于光伏系统用电量短期预测，风电系统风功率短期预测。
在本公开的一些实施例中，第一预定时间段可以为1周。
在本公开的一些实施例中，步骤221可以包括：在每一天23点30至24点之间，程序读取过去一周内的光伏系统发电数据，以备进行光伏系统发电量短期预测。
步骤222，对第一预定时间段的系统数据进行数据预处理。
在本公开的一些实施例中，所述数据预处理可以包括：数据清洗、数据补全、异常数据检测和处理、和数据降噪中的至少一项。
光伏系统运行中产生的数据常常会伴随着空值，异常值，噪声值。因此，在本公开的一些实施例中，步骤222可以包括：采用数据清洗方法对训练样本进行清洗。空值和异常值，采用数据密度法进行辨识，对辨识出的空值和异常值使用三次样条差值的方法进行补全。
由于光伏发电数据具有一定的周期性，在本公开的一些实施例中，步骤222可以包括：采用离散傅里叶分解进行降噪，滤除高频噪声的干扰。
步骤223，采用集合经验模态分解方法对第一预定时间段的系统数据进行分解，获取残余函数和多个本征模式函数。
在本公开的一些实施例中，步骤223可以包括：使用EEMD方法将数据预处理后的发电量数据进行分解，可获得第一低阶IMF、第二低阶IMF、第一高阶IMF、第二高阶IMF和残余函数。其中包含了趋势性影响因素、随机性影响因素。比如：低阶的IMF包含的趋势性因素较多。高阶的IMF包含的随机性因素较多。残余函数代表了光伏发电量的变化趋势。
步骤224，将残余函数和多个本征模式函数分别输入对应的长短期记忆网络模型，获取残余函数的预测结果和每个本征模式函数的预测结果。
在本公开的一些实施例中，所述获取残余函数的预测结果和每个本征模式函数的预测结果的步骤可以包括：获取未来预定预测时间段的残余函数的预测结果和每个本征模式函数的预测结果。
在本公开的一些实施例中，未来预定预测时间段可以为未来1天、未来1小时或未来1周等未来预定预测时间段。
在本公开的一些实施例中，步骤224可以包括：从硬盘中加载已训练好的LSTM模型到内存中，将每一个IMF和残余函数带入到各自的LSTM模型，输出每一个IMF和残差未来一天的预测结果。
步骤225，将残余函数的预测结果和每个本征模式函数的预测结果相加获取预定预测时间段(例如未来一天的)的系统预测数据。
在本公开的一些实施例中，系统预测数据可以为光伏系统发电量数据、光伏系统用电量预测数据或风电系统风功率预测数据。即，本公开上述实施例可以实现光伏系统发电量短期预测，也可用于光伏系统用电量短期预测，风电系统风功率短期预测。
图5为相关技术采用LSTM方法预测结果的示意图。图6为本公开采用EEMD和LSTM方法预测结果的示意图。采用LSTM方法的预测结果可大体跟随了真实发电值的变化，但是在相比于采用EEMD和LSTM方法的预测结果。采用LSTM方法的预测方法偏离真实值的程度比采用EEMD和LSTM方法更高一些。因此，由仿真结果可知，本公开上述实施例采用EEMD和LSTM方法的光伏发电量预测效果优于相关技术只采用LSTM方法的预测结果。
本公开上述实施例在EEMD分解时，可将数据中的随机性影响因素和趋势性影响因素进行分离。各自采用不同的LSTM模型进行预测，因此，各自的LSTM模型的针对性更强，其结果精度更为可靠。
本公开上述实施例提高了光伏系统发电量短期预测模型(或光伏系统用电量短期预测模型、风电系统风功率短期预测模型)的稳健性。本公开上述实施例保障了气象数据缺失情况下的光伏系统发电量短期预测(或光伏系统用电量短期预测、风电系统风功率短期预测)的实现。本公开上述实施例所设计的预测模型在仅采用历史发电数据的情况下，即可实现对光伏系统发电量(或光伏用电量、风电系统风功率)进行较为精确的短期预测。
图7为本公开系统数据短期预测装置一些实施例的示意图。如图7所示，所述系统数据短期预测装置可以包括数据获取模块71、分解模块72、预测结果确定模块73和预测数据获取模块74，其中：
数据获取模块71，用于获取第一预定时间段的系统数据。
在本公开的一些实施例中，系统数据可以为光伏系统发电量数据、光伏系统用电量数据或风电系统风功率数据。即，本公开上述实施例可以实现光伏系统发电量短期预测，也可用于光伏系统用电量短期预测，风电系统风功率短期预测。
在本公开的一些实施例中，第一预定时间段可以为1周。
在本公开的一些实施例中，数据获取模块71可以用于在每一天23点30至24点之间，程序读取过去一周内的光伏系统发电数据，以备进行光伏系统发电量短期预测。
分解模块72，用于采用集合经验模态分解方法对第一预定时间段的系统数据进行分解，获取残余函数和多个本征模式函数。
在本公开的一些实施例中，本征模式函数可以包含低阶本征模式函数和高阶本征模式函数，其中：低阶本征模式函数主要包括随机性影响因素；高阶本征模式函数主要包括趋势性影响因素；残余函数表示光伏发电量的变化趋势。
在本公开的一些实施例中，随机性影响因素可以包括人为因素和随机因素的至少一项；趋势性影响因素可以包括季节因素和气象因素的至少一项。
预测结果确定模块73，用于将残余函数和多个本征模式函数分别输入对应的长短期记忆网络模型，获取残余函数的预测结果和每个本征模式函数的预测结果。
在本公开的一些实施例中，预测结果确定模块73可以用于将残余函数和多个本征模式函数分别输入对应的长短期记忆网络模型，获取未来预定预测时间段内残余函数的预测结果和未来预定预测时间段内每个本征模式函数的预测结果。
在本公开的一些实施例中，未来预定预测时间段可以为未来1天、未来1小时或未来1周等未来预定预测时间段。
预测数据获取模块74，用于将残余函数的预测结果和每个本征模式函数的预测结果相加获取系统预测数据。
在本公开的一些实施例中，系统预测数据可以为光伏系统发电量数据、光伏系统用电量预测数据或风电系统风功率预测数据。即，本公开上述实施例可以实现光伏系统发电量短期预测，也可用于光伏系统用电量短期预测，风电系统风功率短期预测。
在本公开的一些实施例中，所述系统数据短期预测装置用于执行实现如任一实施例(例如图1-图6任一实施例)所述的系统数据短期预测方法的操作。
基于本公开上述实施例提供的系统数据短期预测装置，融合了EEMD和LSTM，将光伏发电量时序数据(或光伏用电量时序数据、风电系统风功率时序数据)中的趋势性和随机性影响因素分开预测，可以提高短期预测精度。本公开上述实施例弱化了由于气象数据缺失对预测模型精度的不利影响。本公开上述实施例将某些无法进行定量度量的影响因素纳入到光伏系统发电量短期预测(或光伏系统用电量短期预测、风电系统风功率短期预测)中。
图8为本公开系统数据短期预测装置另一些实施例的示意图。与图7实施例相比，图8实施例的系统数据短期预测装置还可以包括数据预处理模块75，其中：
数据预处理模块75，用于对第一预定时间段的系统数据进行数据预处理，之后指示分解模块72执行采用集合经验模态分解方法对第一预定时间段的系统数据进行分解的操作。
在本公开的一些实施例中，如图8所示，所述系统数据短期预测方法还可以包括模型建立模块70，其中：
模型建立模块70，用于预先建立系统数据短期预测模型，其中，所述系统数据短期预测模型包括残余函数的长短期记忆网络模型和每个本征模式函数对应的长短期记忆网络模型。
在本公开的一些实施例中，模型建立模块70可以用于获取第二预定时间段的系统数据；采用集合经验模态分解方法对系统数据进行分解，获取残余函数和多个本征模式函数；采用残余函数和多个本征模式函数分别训练对应的长短期记忆网络模型，其中，所述长短期记忆网络模型可采用第一预定时间段的系统数据预测预定预测时间段的系统预测数据。
在本公开的一些实施例中，模型建立模块70可以用于获取第二预定时间段的系统数据；对第二预定时间段的系统数据进行数据预处理；采用集合经验模态分解方法对系统数据进行分解，获取残余函数和多个本征模式函数；采用残余函数和多个本征模式函数分别训练对应的长短期记忆网络模型，其中，所述长短期记忆网络模型可采用第一预定时间段的系统数据预测预定预测时间段的系统预测数据。
本公开上述实施例在EEMD分解时，可将数据中的随机性影响因素和趋势性影响因素进行分离。各自采用不同的LSTM模型进行预测，因此，各自的LSTM模型的针对性更强，其结果精度更为可靠。
图9为本公开系统数据短期预测装置又一些实施例的示意图。如图9所示，所述系统数据短期预测装置可以包括存储器91和处理器92，其中：
存储器91，用于存储指令；
处理器92，用于执行所述指令，使得所述系统数据短期预测装置执行实现如任一实施例(例如图1-图6任一实施例)所述的无人车远距离防对撞方法的操作。
本公开上述实施例提高了光伏系统发电量短期预测模型(或光伏系统用电量短期预测模型、风电系统风功率短期预测模型)的稳健性。本公开上述实施例保障了气象数据缺失情况下的光伏系统发电量短期预测(或光伏系统用电量短期预测、风电系统风功率短期预测)的实现。本公开上述实施例所设计的预测模型在仅采用历史发电数据的情况下，即可实现对光伏系统发电量(或光伏用电量、风电系统风功率)进行较为精确的短期预测。
根据本公开的另一方面，提供一种系统，包括如任一实施例(例如图7-图9任一实施例)所述的系统数据短期预测装置。
在本公开的一些实施例中，所述系统可以为光伏系统，所述系统数据短期预测装置可以用于实现光伏系统发电量短期预测和光伏系统用电量短期预测中的至少一项。
在本公开的另一些实施例中，所述系统可以为风电系统，所述系统数据短期预测装置可以用于实现风电系统风功率短期预测。
本公开上述实施例提高了光伏系统发电量短期预测模型(或光伏系统用电量短期预测模型、风电系统风功率短期预测模型)的稳健性。本公开上述实施例保障了气象数据缺失情况下的光伏系统发电量短期预测(或光伏系统用电量短期预测、风电系统风功率短期预测)的实现。本公开上述实施例所设计的预测模型在仅采用历史发电数据的情况下，即可实现对光伏系统发电量(或光伏用电量、风电系统风功率)进行较为精确的短期预测。
根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如任一实施例(例如图1-图6任一实施例)所述的系统数据短期预测方法。
基于本公开上述实施例提供的系统数据短期预测装置，融合了EEMD和LSTM，将光伏发电量时序数据(或光伏用电量时序数据、风电系统风功率时序数据)中的趋势性和随机性影响因素分开预测，可以提高短期预测精度。本公开上述实施例弱化了由于气象数据缺失对预测模型精度的不利影响。本公开上述实施例将某些无法进行定量度量的影响因素纳入到光伏系统发电量短期预测(或光伏系统用电量短期预测、风电系统风功率短期预测)中。
在上面所描述的等功能单元可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (8)

1.一种系统数据短期预测方法，其特征在于，包括：
预先建立系统数据短期预测模型，其中，所述系统数据短期预测模型包括残余函数的长短期记忆网络模型和每个本征模式函数对应的长短期记忆网络模型；
获取第一预定时间段的系统数据，其中系统数据为光伏系统发电量数据、光伏系统用电量数据或风电系统风功率数据，系统数据不包括气象数据；
采用集合经验模态分解方法对第一预定时间段的系统数据进行分解，获取残余函数和多个本征模式函数，其中本征模式函数包含高阶本征模式函数和低阶本征模式函数，高阶本征模式函数包括趋势性影响因素和随机性影响因素，高阶本征模式函数包含的趋势性影响因素多于高阶本征模式函数包含的随机性影响因素，趋势性影响因素包括季节因素和气象因素的至少一项，低阶本征模式函数包括趋势性影响因素和随机性影响因素，低阶本征模式函数包含的随机性影响因素多于低阶本征模式函数包含的趋势性影响因素，随机性影响因素包括人为因素和随机因素的至少一项，残余函数表示系统数据的变化趋势；
将残余函数和多个本征模式函数分别输入对应的长短期记忆网络模型，获取残余函数的预测结果和每个本征模式函数的预测结果；
将残余函数的预测结果和每个本征模式函数的预测结果相加获取系统预测数据；
其中，所述预先建立系统数据短期预测模型包括：
获取第二预定时间段的系统数据；
采用集合经验模态分解方法对系统数据进行分解，获取残余函数和多个本征模式函数；
采用残余函数和多个本征模式函数分别训练对应的长短期记忆网络模型，其中，所述长短期记忆网络模型可采用第一预定时间段的系统数据预测预定预测时间段的系统预测数据。
2.根据权利要求1所述的系统数据短期预测方法，其特征在于，还包括：
对第一预定时间段的系统数据进行数据预处理，之后执行采用集合经验模态分解方法对第一预定时间段的系统数据进行分解的步骤。
3.根据权利要求1或2所述的系统数据短期预测方法，其特征在于，所述预先建立系统数据短期预测模型还包括：
对第二预定时间段的系统数据进行数据预处理，之后执行采用集合经验模态分解方法对第二预定时间段的系统数据进行分解的步骤。
4.一种系统数据短期预测装置，其特征在于，包括：
模型建立模块，用于预先建立系统数据短期预测模型，其中，所述系统数据短期预测模型包括残余函数的长短期记忆网络模型和每个本征模式函数对应的长短期记忆网络模型；
数据获取模块，用于获取第一预定时间段的系统数据，其中系统数据为光伏系统发电量数据、光伏系统用电量数据或风电系统风功率数据，系统数据不包括气象数据；
分解模块，用于采用集合经验模态分解方法对第一预定时间段的系统数据进行分解，获取残余函数和多个本征模式函数，其中本征模式函数包含高阶本征模式函数和低阶本征模式函数，高阶本征模式函数包括趋势性影响因素和随机性影响因素，高阶本征模式函数包含的趋势性影响因素多于高阶本征模式函数包含的随机性影响因素，趋势性影响因素包括季节因素和气象因素的至少一项，低阶本征模式函数包括趋势性影响因素和随机性影响因素，低阶本征模式函数包含的随机性影响因素多于低阶本征模式函数包含的趋势性影响因素，随机性影响因素包括人为因素和随机因素的至少一项，残余函数表示系统数据的变化趋势；
预测结果确定模块，用于将残余函数和多个本征模式函数分别输入对应的长短期记忆网络模型，获取残余函数的预测结果和每个本征模式函数的预测结果；
预测数据获取模块，用于将残余函数的预测结果和每个本征模式函数的预测结果相加获取系统预测数据；
其中，模型建立模块用于获取第二预定时间段的系统数据；采用集合经验模态分解方法对系统数据进行分解，获取残余函数和多个本征模式函数；采用残余函数和多个本征模式函数分别训练对应的长短期记忆网络模型，其中，所述长短期记忆网络模型可采用第一预定时间段的系统数据预测预定预测时间段的系统预测数据。
5.根据权利要求4所述的系统数据短期预测装置，其特征在于，所述系统数据短期预测装置用于执行实现如权利要求1-3中任一项所述的系统数据短期预测方法的操作。
6.一种系统数据短期预测装置，其特征在于，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述系统数据短期预测装置执行实现如权利要求1-3中任一项所述的系统数据短期预测方法的操作。
7.一种系统，其特征在于，包括如权利要求4-6中任一项所述的系统数据短期预测装置。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1-3中任一项所述的系统数据短期预测方法。
CN201910897307.9A 2019-09-23 2019-09-23 系统及其数据短期预测方法和装置、存储介质 Active CN110659442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910897307.9A CN110659442B (zh) 2019-09-23 2019-09-23 系统及其数据短期预测方法和装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910897307.9A CN110659442B (zh) 2019-09-23 2019-09-23 系统及其数据短期预测方法和装置、存储介质

Publications (2)

Publication Number Publication Date
CN110659442A CN110659442A (zh) 2020-01-07
CN110659442B true CN110659442B (zh) 2023-09-08

Family

ID=69038790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910897307.9A Active CN110659442B (zh) 2019-09-23 2019-09-23 系统及其数据短期预测方法和装置、存储介质

Country Status (1)

Country Link
CN (1) CN110659442B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611669B (zh) * 2023-07-17 2023-09-19 华北电力大学 一种需求侧资源可行域聚合方法、系统及电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853242A (zh) * 2010-06-23 2010-10-06 哈尔滨工业大学 基于经验模态分解的设备或系统机内测试信号虚警滤波方法
WO2012051320A2 (en) * 2010-10-12 2012-04-19 Worcester Polytechnic Institute Motion and noise artifact detection for ecg data
CN103839197A (zh) * 2014-03-19 2014-06-04 国家电网公司 一种基于eemd方法的用户用电行为异常的判定方法
CN103926599A (zh) * 2014-04-17 2014-07-16 东南大学 基于emd迭代阈值滤波的gnss多径效应抑制方法
CN106203723A (zh) * 2016-07-19 2016-12-07 河海大学 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法
CN107766968A (zh) * 2017-09-26 2018-03-06 河海大学 基于capso‑rvm组合模型的短期风速预测方法
CN107766793A (zh) * 2017-09-20 2018-03-06 天津大学 基于混合型方法的mems陀螺仪信号去噪处理方法
CN108256697A (zh) * 2018-03-26 2018-07-06 电子科技大学 一种用于电力系统短期负荷的预测方法
CN108344564A (zh) * 2017-12-25 2018-07-31 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN108985514A (zh) * 2018-07-17 2018-12-11 广东工业大学 基于eemd和lstm的负荷预测方法、装置及设备
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
CN109840633A (zh) * 2019-01-29 2019-06-04 合肥工业大学 光伏输出功率预测方法、系统和存储介质
CN110059844A (zh) * 2019-02-01 2019-07-26 东华大学 基于集合经验模态分解和lstm的储能装置控制方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853242A (zh) * 2010-06-23 2010-10-06 哈尔滨工业大学 基于经验模态分解的设备或系统机内测试信号虚警滤波方法
WO2012051320A2 (en) * 2010-10-12 2012-04-19 Worcester Polytechnic Institute Motion and noise artifact detection for ecg data
CN103839197A (zh) * 2014-03-19 2014-06-04 国家电网公司 一种基于eemd方法的用户用电行为异常的判定方法
CN103926599A (zh) * 2014-04-17 2014-07-16 东南大学 基于emd迭代阈值滤波的gnss多径效应抑制方法
CN106203723A (zh) * 2016-07-19 2016-12-07 河海大学 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法
CN107766793A (zh) * 2017-09-20 2018-03-06 天津大学 基于混合型方法的mems陀螺仪信号去噪处理方法
CN107766968A (zh) * 2017-09-26 2018-03-06 河海大学 基于capso‑rvm组合模型的短期风速预测方法
CN108344564A (zh) * 2017-12-25 2018-07-31 北京信息科技大学 一种基于深度学习的主轴特性试验台状态识别及预测方法
CN108256697A (zh) * 2018-03-26 2018-07-06 电子科技大学 一种用于电力系统短期负荷的预测方法
CN108985514A (zh) * 2018-07-17 2018-12-11 广东工业大学 基于eemd和lstm的负荷预测方法、装置及设备
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
CN109840633A (zh) * 2019-01-29 2019-06-04 合肥工业大学 光伏输出功率预测方法、系统和存储介质
CN110059844A (zh) * 2019-02-01 2019-07-26 东华大学 基于集合经验模态分解和lstm的储能装置控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于EMD-LSTM的短期负荷预测模型;刘月灿等;《2019电力行业信息化年会论文集》;20190908;121-123 *

Also Published As

Publication number Publication date
CN110659442A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
Ospina et al. Forecasting of PV plant output using hybrid wavelet‐based LSTM‐DNN structure model
CN105391083B (zh) 基于变分模态分解和相关向量机的风功率区间短期预测方法
Bai et al. Compound autoregressive network for prediction of multivariate time series
KR20200128232A (ko) 전력 수요 예측 장치 및 그 방법
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN112257928A (zh) 一种基于cnn和分位数回归的短期电力负荷概率预测方法
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
Malik et al. A new hybrid model combining EMD and neural network for multi-step ahead load forecasting
Kharlamova et al. A digital twin of battery energy storage systems providing frequency regulation
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
Kosana et al. Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network
CN110659442B (zh) 系统及其数据短期预测方法和装置、存储介质
CN116799796A (zh) 一种光伏发电功率预测方法、装置、设备及介质
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN113869590A (zh) 一种基于eemd-lstm的区域能源互联网负荷预测方法及系统
Usman et al. Data analytics for short term price and load forecasting in smart grids using enhanced recurrent neural network
Zheng et al. Multistep wind speed forecasting based on a hybrid model of VMD and nonlinear autoregressive neural network
Wu et al. Forecast of short‐term electricity price based on data analysis
Guo et al. Short-Term Water Demand Forecast Based on Deep Neural Network:(029)
Yang [Retracted] Short‐Term Load Monitoring of a Power System Based on Neural Network
Duan et al. Latency Compensation and Prediction for Wireless Train to Ground Communication Network Based on Hybrid LSTM Model
Lian et al. A fuel sales forecast method based on variational Bayesian structural time series
CN116307049A (zh) 光伏发电功率预测方法、系统、终端及介质
CN113723670A (zh) 变时间窗口的光伏发电功率短期预测方法

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