CN110880053A - 光伏发电功率的预测方法 - Google Patents
光伏发电功率的预测方法 Download PDFInfo
- Publication number
- CN110880053A CN110880053A CN201911156715.5A CN201911156715A CN110880053A CN 110880053 A CN110880053 A CN 110880053A CN 201911156715 A CN201911156715 A CN 201911156715A CN 110880053 A CN110880053 A CN 110880053A
- Authority
- CN
- China
- Prior art keywords
- temperature
- mean
- std
- daytime
- night
- 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
Images
Classifications
-
- 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
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
本发明公开了一种光伏发电功率的预测方法,包括构造光伏发电实际功率预测特征;构建基于indRNN的光伏发电功率预测模型;采用构建的预测特征和预测模型,对光伏发电功率进行预测。本发明提供的这种光伏发电功率的预测方法,首先构造预测特征,然后构建indRNN模型进行预测,因此本发明方法能够准确可靠且科学的对光伏发电功率进行预测。
Description
技术领域
本发明属于光伏发电领域,具体涉及一种光伏发电功率的预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。而随着环境问题的日益突出,新能源发电受到了越来越多的关注。
光伏发电,以清洁性著称,因此也受到了全世界的关注。但是光伏发电受自然环境的影响较大,从而使得光伏发电并网后,给电网的电能质量带来了较大的挑战;同时由于光伏发电的随机性,使得电网的负荷预测和电力调度均受到了较大的影响。因此,对光伏发电功率进行准确、可靠的预测,就成为了解决问题的关键方法之一。
但是,目前现有的对于光伏发电功率预测的方法,往往采用的RNN模型;RNN模型虽然具有较好的预测效果,但是其在反向传播时产生梯度消失的情况,从而使得算法整体的预测精度不高,严重削弱了光伏发电功率预测的准确性。
发明内容
本发明的目的在于提供一种可靠性高且准确性好的光伏发电功率的预测方法。
本发明提供的这种光伏发电功率的预测方法,包括如下步骤:
S1.构造光伏发电实际功率预测特征;
S2.构建基于indRNN的光伏发电功率预测模型;
S3.采用步骤S1构建的预测特征,结合步骤S2构建的预测模型,对光伏发电功率进行预测。
步骤S1所述的构造光伏发电实际功率预测特征,具体为采用如下特征作为光伏发电实际功率预测特征:
在上述表格中,mean表示某特征值在时间窗内的均值;std表示某特征值在时间窗内的方差。
步骤S2所述的构建基于indRNN的光伏发电功率预测模型,具体为采用如下算式作为基于indRNN的光伏发电功率预测模型:
采用如下公式作为预测模型的传递公式:
ht=σ(Wxt+u⊙ht-1+b)
ot=σ(Vht+c)
采用如下算式作为n层预测模型堆叠情况下的传递导数:
采用如下算式作为损失函数MSE:
本发明提供的这种光伏发电功率的预测方法,首先构造预测特征,然后构建indRNN模型进行预测,因此本发明方法能够准确可靠且科学的对光伏发电功率进行预测。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法与现有技术在晴天下的预测结果对比示意图。
图3为本发明方法与现有技术在天气变化情况下的预测结果对比示意图。
图4为本发明方法与现有技术在阴天下的预测结果对比示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种光伏发电功率的预测方法,包括如下步骤:
S1.构造光伏发电实际功率预测特征;具体为采用如下特征作为光伏发电实际功率预测特征:
在上述表格中,mean表示某特征值在时间窗内的均值;std表示某特征值在时间窗内的方差;
S2.构建基于indRNN的光伏发电功率预测模型;具体为采用如下算式作为基于indRNN的光伏发电功率预测模型:
采用如下公式作为预测模型的传递公式:
ht=σ(Wxt+u⊙ht-1+b)
ot=σ(Vht+c)
采用如下算式作为n层预测模型堆叠情况下的传递导数:
采用如下算式作为损失函数MSE:
S3.采用步骤S1构建的预测特征,结合步骤S2构建的预测模型,对光伏发电功率进行预测。
在具体实施时,可以采用R-squared、MAE(Mean Absolute Error)均方根误差和MAPE(Mean Absolute Percentage Error)相对百分误差绝对值的平均值对算法效果进行评价。
以下,结合一个实施例,对本发明的方法和现有技术的技术效果(预测准确性)进行对比:
根据某个光伏电站的实际光伏数据共41853条数据,数据采样频率为15min,从2017/1/1 0:00:00开始直到2018/4/26 4:00:00。将其中33853作为训练样本后面8000条作为测试样本。在cpu:i7-7000,gpu:1050Ti 4G,内存:16G的计算机条件下进行。
样本中给出了时间、辐照度(预测辐照度)、和数字天气预报给出的风速、风向、温度、压强、湿度。根据第一节中的特征工程构造特征之后,对数据进行标准化。
共用5个模型对原始特征和经特征工程构造后特征分别建模训练和预测。模型及其参数见表1,其中神经网络的参数代表其每层的单元数。
表1各个模型参数
模型 | 参数 |
indRNN | [96,32,1] |
LSTM | [96,32,1] |
BP | [96,32,1] |
SVR | C=100,gama=0.01 |
KNN | k=5 |
采用以上5个模型分别对使用原始特征和特征工程构造后的特征进行建模,预测结果中包含哥类型复杂天气情况,分别展示不同变化情况下的光伏实际预测情况。
表2各个模型的预测结果
模型 | MAE | R2 | MAPE |
构造特征indRNN | 0.643 | 0.862 | 4.497 |
构造特征LSTM | 0.653 | 0.869 | 4.800 |
构造特征BP | 0.770 | 0.802 | 5.642 |
构造特征SVR | 0.775 | 0.794 | 5.747 |
构造特征KNN | 0.874 | 0.770 | 6.187 |
原始特征indRNN | 0.856 | 0.843 | 6.508 |
原始特征LSTM | 0.860 | 0.843 | 6.585 |
原始特征BP | 0.885 | 0.853 | 7.079 |
原始特征SVR | 1.014 | 0.785 | 7.559 |
原始特征KNN | 2.309 | 0.526 | 14.076 |
表2给出了共8000个点的预测值平均MAE、R2、MAPE。可以看出,经过特征构造后的模型精度有很大程度的提高。
为了详细验证indRNN模型的有效性,展示不同天气情况下的构造特征下各模型的预测结果进行展示。由于夜晚一般不会有太阳,因此只考虑早上6点到晚上6点的光伏发电功率。
图2展示了整天天气晴好的光伏发电功率预测情况,可以看出各个模型都能较好的拟合出实际光伏发电功率,其中indRNN的功率预测曲线更加贴合真实值的变化情况。根据表3可知,indRNN模型预测结果的MAE、R2、MAPE相对其他模型预测结果有着优势。
表3晴天时模型预测结果
模型 | MAE | R2 | MAPE |
构造特征indRNN | 0.401 | 0.970 | 2.432 |
构造特征SVR | 0.747 | 0.886 | 4.467 |
构造特征BP | 0.743 | 0.887 | 4.641 |
图3展示了天气突变情况下(上午晴天下午阴天)光伏功率预测结果,可以看出只有indRNN模型的预测功率趋势与该天气下的实际功率有大致相同的变化趋势,说明该算法能较好的预测复杂天气变化情况下光伏功率发电功率变化情况。从表4可以看出在此种天气下对比天气晴好时,所有模型的预测准确率都会大幅度下降,但是indRNN还是具有最好的准确率。
表4变天时模型预测结果
模型 | MAE | R2 | MAPE% |
构造特征indRNN | 1.120 | 0.780 | 7.725 |
构造特征SVR | 1.404 | 0.711 | 9.633 |
构造特征KNN | 1.470 | 0.615 | 9.915 |
构造特征BP | 1.613 | 0.647 | 10.913 |
构造特征LSTM | 1.560 | 0.688 | 11.146 |
图4展示了阴天情况下光伏功率预测情况,可以看出在这种情况下只有indRNN和LSTM模型预测结果能大致拟合实际光伏发电功率。说明此类天气下,需要有记忆能力的模型来预测光伏发电功率才会更加准确。从表5看出inRNN模型的预测准确率比LSTM模型更高。
表5阴天时模型预测结果
模型 | MAE | R2 | MAPE% |
构造特征indRNN | 0.548 | -0.221 | 4.822 |
构造特征LSTM | 0.636 | -0.461 | 5.744 |
构造特征SVR | 0.702 | -0.635 | 6.212 |
构造特征KNN | 0.811 | -0.937 | 7.355 |
构造特征BP | 0.816 | -0.645 | 7.578 |
以上对比了在三种不同天气情况下各个模型的光伏发电功率预测结果,可以充分证明indRNN模型既具有LSTM模型的记忆能力,但是比其他RNN模型有更好的泛化能力。因此,上述结果充分证明本发明方法的优越性。
Claims (3)
1.一种光伏发电功率的预测方法,包括如下步骤:
S1.构造光伏发电实际功率预测特征;
S2.构建基于indRNN的光伏发电功率预测模型;
S3.采用步骤S1构建的预测特征,结合步骤S2构建的预测模型,对光伏发电功率进行预测。
2.根据权利要求1所述的光伏发电功率的预测方法,其特征在于步骤S1所述的构造光伏发电实际功率预测特征,具体为采用如下特征作为光伏发电实际功率预测特征:
时间time;风向+湿度;湿度差;风速;辐照度/风向;温度/湿度;风速std;白天温度差*白天温度std;辐照度;风向温度;风向/湿度;白天压强差;辐照度*风向;湿度/辐照度;夜晚压强mean;夜晚温度差白天温度mean;辐照度^2;温度压强;白天风速差;温度std夜晚温度std;辐照度+风速;白天湿度std;白天湿度差;温度差*温度std;dis2peak_辐照度;白天风速mean;风速/温度;温度mean白天温度mean;温度湿度;白天辐照度std;压强差;温度差*夜晚温度std;辐照度+压强;辐照度/温度;温度std^2;湿度;风向+温度;温度/风速;压强mean;温度mean^2;辐照度+湿度;夜晚湿度std;温度;白天温度std夜晚温度mean;白天湿度mean;白天温度std^2;夜晚温度差*夜晚温度std;温度std*白天温度mean;白天压强std;风向+压强;风速压强;温度std白天温度std;风速+温度;风速/辐照度;湿度std;白天温度差温度std;温度/辐照度;夜晚风速差;风速差;温度mean;辐照度压强;风速+风向;夜晚温度std*夜晚温度mean;温度差*夜晚温度mean;白天辐照度mean;压强/湿度;月份month;白天温度差^2;风速/风向;湿度/风向;白天温度std;温度差夜晚温度差;夜晚风速std;辐照度*风速;湿度^2;白天温度差*夜晚温度std;风向/压强;风速+压强;温度差;温度差^2;辐照度湿度;风速^2;夜晚温度std^2;温度std;夜晚压强std;天day;夜晚温度std;夜晚温度差*夜晚温度mean;辐照度+风向;压强std;风向;白天温度mean;温度/风向;风向/温度;夜晚压强差;温度差白天温度差;温度+湿度;压强/风速;风速风向;夜晚温度差*温度std;风向/辐照度;白天风速std;夜晚温度mean;温度差*白天温度std;辐照度+温度;温度^2;湿度/温度;温度std*夜晚温度mean;辐照度/压强;夜晚湿度差;压强^2;夜晚温度std*温度mean;温度+压强;温度/压强;压强/温度;压强;湿度/压强;湿度/风速;白天辐照度差;白天温度std*温度mean;辐照度温度;压强湿度;风向湿度;白天温度std*白天温度mean;压强+湿度;风速/湿度;夜晚温度std白天温度mean;温度差*温度mean;辐照度/湿度;max辐照度;白天温度mean^2;白天温度差*夜晚温度mean;辐照度/风速;风速湿度;夜晚温度差^2;温度差*白天温度mean;风向^2;风向*压强;夜晚温度差;白天温度差*夜晚温度差;夜晚风速mean;压强/风向;白天压强mean;白天温度差*白天温度mean;风速+湿度;风向/风速;夜晚温度mean^2;温度mean*夜晚温度mean;夜晚湿度mean;风速*温度;夜晚温度差白天温度std;温度std*温度mean;压强/辐照度;风速mean;白天温度mean*夜晚温度mean;湿度mean;风速/压强;白天温度std*夜晚温度std;白天温度差;夜晚温度差*温度mean;压强/辐照度;风速mean;白天温度mean*夜晚温度mean;湿度mean;其中,mean表示某特征值在时间窗内的均值;std表示某特征值在时间窗内的方差;dis2peak为波形起始值与峰值之间的距离。
3.根据权利要求1所述的光伏发电功率的预测方法,其特征在于步骤S2所述的构建基于indRNN的光伏发电功率预测模型,具体为采用如下算式作为基于indRNN的光伏发电功率预测模型:
采用如下公式作为预测模型的传递公式:
ht=σ(Wxt+u⊙ht-1+b)
ot=σ(Vht+c)
采用如下算式作为n层预测模型堆叠情况下的传递导数:
采用如下算式作为损失函数MSE:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156715.5A CN110880053A (zh) | 2019-11-22 | 2019-11-22 | 光伏发电功率的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911156715.5A CN110880053A (zh) | 2019-11-22 | 2019-11-22 | 光伏发电功率的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110880053A true CN110880053A (zh) | 2020-03-13 |
Family
ID=69729160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911156715.5A Pending CN110880053A (zh) | 2019-11-22 | 2019-11-22 | 光伏发电功率的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880053A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343564A (zh) * | 2021-05-28 | 2021-09-03 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN109903557A (zh) * | 2019-03-04 | 2019-06-18 | 南京邮电大学 | 基于改进独立循环神经网络的高速公路交通流预测方法 |
-
2019
- 2019-11-22 CN CN201911156715.5A patent/CN110880053A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN109903557A (zh) * | 2019-03-04 | 2019-06-18 | 南京邮电大学 | 基于改进独立循环神经网络的高速公路交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
SHAOFEI LU ET AL.: ""A New Power Load Forecasting Model (SIndRNN): Independently Recurrent Neural Network Based on Softmax Kernel Function"", 《2019 IEEE 21ST INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING AND COMMUNICATIONS; IEEE 17TH INTERNATIONAL CONFERENCE ON SMART CITY; IEEE 5TH INTERNATIONAL CONFERENCE ON DATA SCIENCE AND SYSTEMS》 * |
SHUAI LI ET AL.: ""Independently Recurrent Neural Network (IndRNN): Building A Longer and Deeper RNN"", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343564A (zh) * | 2021-05-28 | 2021-09-03 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
WO2022247241A1 (zh) * | 2021-05-28 | 2022-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | A VMD and LSTM based hybrid model of load forecasting for power grid security | |
Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN110210993B (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
CN105184391A (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
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 | |
CN102831475B (zh) | 用于风电场功率预测模型的正弦归一化方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN110555515A (zh) | 一种基于eemd和lstm的短期风速预测方法 | |
CN110956312A (zh) | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 | |
CN103279672B (zh) | 基于噪声模型支持向量回归技术的短期风速预报方法 | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN110222910B (zh) | 一种有源配电网态势预测方法及预测系统 | |
CN110880053A (zh) | 光伏发电功率的预测方法 | |
CN105741192B (zh) | 一种风电场风电机机舱短期风速组合预报方法 | |
Li et al. | Wind power probabilistic forecasting based on wind correction using weather research and forecasting model | |
Shang et al. | A hybrid ultra-short-term and short-term wind speed forecasting method based on CEEMDAN and GA-BPNN | |
CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
Cui et al. | Short-time series load forecasting by seq2seq-lstm model | |
CN107563573B (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 | |
CN104361399A (zh) | 太阳能辐照强度分钟级预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200313 |