CN111008728A - 一种用于分布式光伏发电系统短期出力的预测方法 - Google Patents
一种用于分布式光伏发电系统短期出力的预测方法 Download PDFInfo
- Publication number
- CN111008728A CN111008728A CN201911057947.5A CN201911057947A CN111008728A CN 111008728 A CN111008728 A CN 111008728A CN 201911057947 A CN201911057947 A CN 201911057947A CN 111008728 A CN111008728 A CN 111008728A
- Authority
- CN
- China
- Prior art keywords
- output
- prediction
- day
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000010248 power generation Methods 0.000 title claims abstract description 36
- 230000015654 memory Effects 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06N3/044—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
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Photovoltaic Devices (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明提供一种用于分布式光伏发电系统短期出力的预测方法,其包括步骤:步骤S1:采集分布式光伏发电系统的历史出力数据、大气温度数据以及太阳辐照数据,并进行数据归一化预处理;步骤S2:使用多模型单变量的预测方法,建立基于极限学习机(ELM)的第一预测模型,进行待测日的初步预测;步骤S3:使用单模型多变量的预测方法,建立基于长短期记忆(LSTM)深度学习网络的第二预测模型,结合历史数据对第一预测模型的结果进行修正,并得到最终的光伏出力预测结果。实施本发明,可以提高预测精度和适应性。
Description
技术领域
本发明属于能源功率预测领域,更具体地,涉及一种用于分布式光伏发电系统短期出力的预测方法。
背景技术
随着全球化石能源地不断消耗,开发新能源、提高可再生能源的利用效率成为了解决能源紧缺、环境污染等问题的一项重要手段。在众多新能源中,太阳能光伏发电由于其具有清洁、高效等诸多优异性能而得到广泛应用,并在近年来得到飞速发展。
而随着智能电网的发展,建设大规模的分布式光伏发电系统成为了一种充分消纳太阳能资源、缓解电网调峰压力的重要方案。分布式光伏发电系统是指采用光伏组件,将太阳能直接转换为电能的发电系统。分布式光伏发电系统一般布置在电力用户附近,往往直接与配电网相连,连同配电网一起向周边用户供电。相比较于集中式光伏电站,分布式光伏发电系统的装机规模与输出功率更小,地理位置更分散,例如,建在城市建筑物屋顶的光伏发电项目。
但是,由于光伏发电具有波动性和间歇性,分布式光伏发电系统的并网运行增加了电力系统的调度难度,因此,对分布式光伏发电系统的出力进行准确预测将有利于调度部门合理规划常规能源发电厂与各分布式光伏发电系统之间的协调配合,提高电网运行的安全性和稳定性。
在现有技术中,对于短期光伏出力的预测方法有诸如人工神经网络、支持向量机等方法,然而,现有技术存在的不足之处在于,使用单一的预测方法往往容易导致预测结果不稳定,预测精度不佳;另外,在天气情况变化较大时,这些方法存在预测准确性不足的情形。
发明内容
本发明所要解决的技术问题在于,提供一种分布式光伏发电系统短期出力预测方法,采用组合深度学习网络,可以提高对分布式光伏发电系统短期出力的预测精度以及在各种天气条件下模型的适应程度。
为解决上述技术问题,本发明所采用的技术方案为,提供一种用于分布式光伏发电系统短期出力的预测方法,其特征在于,包括如下步骤:
步骤S1:采集分布式光伏发电系统的历史出力数据、大气温度数据以及太阳辐照数据,并进行数据归一化预处理;
步骤S2:使用多模型单变量的预测方法,建立基于极限学习机(ELM)的第一预测模型,进行待测日的初步预测;
步骤S3:使用单模型多变量的预测方法,建立基于长短期记忆(LSTM)深度学习网络的第二预测模型,结合历史数据对第一预测模型的结果进行修正,并得到最终的光伏出力预测结果。
优选地,所述步骤S1中具体包括:
步骤S10,通过安装在分布式光伏发电系统中的功率测量装置、温度计以及辐照计,选取待测日前一天至前N天时间范围内的历史数据,以每天M个采样点的采样率采集该分布式光伏发电系统的输出功率数据、温度数据以及辐照强度数据;
优选地,所述步骤S2具体包括:
步骤S20,使用多模型单变量的预测方法建立第一预测模型;
其中,第一预测模型采用极限学习机(ELM)进行待测日光伏出力的初步预测,ELM是一种单隐含层前馈神经网络,包括输入层、隐含层以及输出层,ELM的基本结构和原理是本领域技术人员所熟知的,在此不进行详细描述;
步骤S21,在第一预测模型中,建立样本数为N的光伏出力数据集(ti,Xi),其中模型的输出样本为Xi=[xi1,xi2,...,xin]T∈Rn,具体为待测日第p(p=1,2,…,M)时刻的光伏出力值;模型的输入样本为ti=[ti1,ti2,...,tim]T∈Rm,包含待测日前一天第p-1、p及p+1时刻的输出功率值以及待测日当天第p-1、p及p+1时刻的辐照强度值和温度值;特别地,当p=1时,p-1时刻选取为前一天的最后一个时刻;当p=M时,p+1时刻选择为当天的第一个时刻;
对于一个有L个隐层节点的ELM网络,其第j个样本对应的模型拟合输出,即待测日第j时刻的出力预测值oj表示为:
其中,g(·)为激活函数,Wi=[wi,1,wi,2,...,wi,n]T为输入权重,βi为输出权重,bi是第i个隐层单元的偏置,Wi·Xj为Wi和Xj的内积;
模型训练过程的目标是使得输出误差最小,即:
即计算βi、Wi和bi,使得
使用矩阵的形式表示为:
Hβ=T (12)
其中,H是隐含层节点的输出,β为输出权重,T为期望输出,有:
通过对H和β迭代寻优,实现第一预测模型的训练过程,目标使网络对训练样本的拟合误差最小,其最小化损失函数为:
其中,H+是矩阵H的Moore-Penrose广义逆矩阵;
步骤S22,对于待测日的每一个时刻,重复上述步骤S21,得到待测日所有时刻的光伏出力预测值。
优选地,所述步骤S3具体包括:
步骤S30,使用单模型多变量的预测方法建立第二预测模型;
其中,第二预测模型采用长短期记忆(LSTM)网络对第一预测模型的预测结果进行修正并得到最终的预测结果,其中,所述LSTM包含输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层;
在所述第二预测模型中,所述LSTM单元有三个门结构,即输入门、遗忘门和输出门,和记忆单元,输入门接受输入信息并根据条件更新记忆单元状态,遗忘门根据特定条件决定丢弃的信息,输出门根据输入信息和记忆单元决定要输出的内容;每一个时刻,LSTM单元通过三个门接受当前状态和上一时刻的隐藏状态,同时接收上一时刻记忆单元的状态,通过计算得到新的记忆单元的状态,最后通过激活函数和输出门输出;
各变量之间的计算公式如下:
输入门的输出值:it=σ(Wxixt+Whiht-1+Wcict-1+bi);
遗忘门的输出值:ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf);
输出门的输出值:ot=σ(Wxoxt+Whoht-1+Wcoct+bo);
当前时刻记忆单元的状态:c(t)=ftct-1+ittanh(Wxcxt+Whcht-1+bc);
LSTM单元的输出:ht=ottanh(ct);
其中,Wxf、Whf、Wcf、Wxi、Whi、Wci、Wxc、Whc、Wxo、Who、Wco为权重矩阵;bi、bc、bf、bo为偏置参数;σ为激活函数,其为relu或sigmoid函数;
步骤S31,在所述第二预测模型中,以第一预测模型的初步预测值作为输入样本;则通过其输出样本获得待测日所有M个时刻的光伏出力最终预测值。
优选地,所述步骤S31中,所述第一预测模型的初步预测值为待测日所有M个时刻的光伏出力预测值,以及待测日所有M个时刻的温度以及辐照强度值。
实施本发明的实施例,具有以下的有益效果:
本发明所采用的预测方法,其第一预测模型利用ELM优异的泛化性能和较快的收敛速度对分布式光伏发电系统的历史数据进行初步泛化,通过待测日的辐照强度以及温度数据得到待测日的初步光伏出力预测值;
同时,其第二预测模型利用LSTM深度学习算法优异的自学习、自适应和自调整性能,对第一预测模型的结果进行修正,得到待测日最终的光伏出力预测值;
在本发明的实施例中,利用ELM的泛化性能,充分利用了分布式光伏发电系统的历史数据,提高了数据利用效率;利用LSTM深度学习算法,对ELM的预测结果进行自适应修正,使得在不同的气象条件下都能保持较高的预测精度,极大地提高了预测模型的预测性能。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种用于分布式光伏发电系统短期出力的预测方法一个实施例的主流程示意图;
图2为本发明实施例提供的预测方法的原理示意图;
图3为图1中第一预测模型中ELM结构示意图;
图4为图1中的第二预测模型中LSTM单元结构示意图;
图5为本发明实施例涉及的晴天短期光伏出力预测结果示意图;
图6为本发明实施例涉及的雾天短期光伏出力预测结果示意图;
图7为本发明实施例涉及的阴雨天短期光伏出力预测结果示意图;
图8为本发明实施例涉及的天气突变天短期光伏出力预测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。
为使本领域的普通技术人员更加清楚地理解发明的目的、技术方案和优点,以下结合附图和实施例对发明做进一步的阐述。
如图1所示,示出了本发明提供的一种用于分布式光伏发电系统短期出力的预测方法的一个实施例的结构示意图,一并结合图2至图8所示,在本发明实施中,所述方法包括如下步骤:
步骤S1:采集分布式光伏发电系统的历史出力数据、大气温度数据以及太阳辐照数据,并进行数据归一化预处理;
步骤S2:使用多模型单变量的预测方法,建立基于极限学习机(ELM)的第一预测模型,进行待测日的初步预测;
步骤S3:使用单模型多变量的预测方法,建立基于长短期记忆(LSTM)深度学习网络的第二预测模型,结合历史数据对第一预测模型的结果进行修正,并得到最终的光伏出力预测结果。
下面结合具体的例子,对上述三个步骤进行更详细的描述。
在一个具体的实施例中,选取位于我国南方某城市中的分布式光伏发电系统实际数据。数据由光伏电站的出力(kW)、温度(℃)以及太阳辐照历史数据(W/m2)组成,采样时间为2016年4月1日至2016年12月1日共计八个月,每天的采样频率为30分钟,即24小时内共有48个采样点。
本实施例选取历史数据2016年11月中,四个不同天气状况的日期:晴天(2016年11月28日)、雾天(2016年11月15日)、阴雨天(2016年11月29日)以及天气突变天(2016年11月21日)分别作为待测日,以验证本发明提供方法的预测性能。
所述步骤1中具体处理流程为:
步骤S10,以每天M个采样点的采样率采集该分布式光伏发电系统的输出功率数据、温度数据以及辐照强度数据,在本实施例中,M=48,即24小时内共有48个采样点。
通过归一化可防止由于各类型数据的量纲不一致而导致预测结果出现较大的偏差。
所述步骤2中具体处理流程为:
步骤S20,使用多模型单变量的预测方法建立第一预测模型。所述多模型单变量预测方法为,每次预测一个时刻的光伏出力输出值,将多个模型的预测结果组合起来得到所有时刻的预测值。
第一预测模型采用极限学习机(ELM)进行待测日光伏出力的初步预测,ELM是一种单隐含层前馈神经网络,包括输入层、隐含层以及输出层。相比与传统的单隐含层神经网络,ELM速度更快、精度更高,具有更强的学习和泛化能力,可以大大地缩短光伏出力的预测周期。ELM的结构如图3所示。
步骤S21,在第一预测模型中,建立样本数为N的光伏出力数据集(ti,Xi),其中模型的输出样本为Xi=[xi1,xi2,...,xin]T∈Rn,具体为待测日第p(p=1,2,…,M)时刻的光伏出力值;模型的输入样本为ti=[ti1,ti2,...,tim]T∈Rm,包含待测日前一天第p-1、p及p+1时刻的输出功率值以及待测日当天第p-1、p及p+1时刻的辐照强度值和温度值。特别地,当p=1时,p-1时刻选取为前一天的最后一个时刻;当p=M时,p+1时刻选择为当天的第一个时刻。在第一预测模型中,ELM输入层节点数选择为9,输出层节点数选择为1,经过测试,隐含层节点数选择为14。对于一个有L个隐层节点的ELM网络,其第j个样本对应的模型拟合输出,即待测日第j时刻的出力预测值oj可以表示为:
其中,g(·)为激活函数,Wi=[wi,1,wi,2,...,wi,n]T为输入权重,βi为输出权重,bi是第i个隐层单元的偏置,Wi·Xj为Wi和Xj的内积。
模型训练过程的目标是使得输出误差最小,即:
即计算βi、Wi和bi,使得
可以使用矩阵的形式表示为:
Hβ=T (20)
其中,H是隐含层节点的输出,β为输出权重,T为期望输出,有:
第一预测模型的训练过程就是对H和β迭代寻优的过程,其目标是使网络对训练样本的拟合误差最小,即最小化损失函数为:
其中,H+是矩阵H的Moore-Penrose广义逆矩阵。
步骤S22,对于待测日的每一个时刻,重复上述步骤S21,得到待测日所有时刻的光伏出力预测值。
所述步骤3中具体处理流程为:
步骤S30,使用单模型多变量的预测方法建立第二预测模型。所述单模型多变量预测方法为,使用一个模型一次性预测所有时刻的光伏出力输出值。
第二预测模型采用长短期记忆(LSTM)网络对第一预测模型的预测结果进行修正并得到最终的预测结果,LSTM是一种基于递归神经网络的深度学习算法,对于处理时序数据有着较好的效果。LSTM继承了RNN(循环神经网络)的递归属性,在充分利用时序数据的同时,弥补了RNN梯度消失和梯度爆炸以及长期记忆能力不足的缺点。LSTM包含输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层。LSTM的结构如图4所示。其中的sigmoid激活函数、tanh激活函数的具体的含义是本领域技术人员所熟知的,在此不进行详述。
在上述技术方案中,第二预测模型有如下特点:
LSTM单元有三个门结构,即输入门、遗忘门和输出门,和记忆单元,输入门接受输入信息并根据条件更新记忆单元状态,遗忘门根据特定条件决定丢弃的信息,输出门根据输入信息和记忆单元决定要输出的内容;每一个时刻,LSTM单元通过3个门接受当前状态和上一时刻的隐藏状态,同时接收上一时刻记忆单元的状态,通过计算得到新的记忆单元的状态,最后通过激活函数和输出门输出。
各变量之间的计算公式如下:
输入门的输出值:it=σ(Wxixt+Whiht-1+Wcict-1+bi);
遗忘门的输出值:ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf);
输出门的输出值:ot=σ(Wxoxt+Whoht-1+Wcoct+bo);
当前时刻记忆单元的状态:c(t)=ftct-1+ittanh(Wxcxt+Whcht-1+bc);
LSTM单元的输出:ht=ottanh(ct);
其中,Wxf、Whf、Wcf、Wxi、Whi、Wci、Wxc、Whc、Wxo、Who、Wco为权重矩阵;bi、bc、bf、bo为偏置参数;σ为激活函数,通常为relu或sigmoid函数。
步骤S31,在第二预测模型中,以第一预测模型的初步预测值作输入样本,具体地,所述第一预测模型的初步预测值为待测日所有M个时刻的光伏出力预测值,以及待测日所有M个时刻的温度以及辐照强度值;其输出样本即获得待测日所有M个时刻的光伏出力最终预测值。
更加具体地,在本发明实施例中,第二预测模型中的LSTM网络有5个重要参数:输入层节点数、输入层维数、隐藏层数目、每个隐藏层维数以及输出层节点数。本发明的预测模型输入层节点数为一天中的所有时刻,即输入层节点数为48;输入层维数为3,分别是第一预测模型所有时刻的预测值以及待测日所有时刻的温度值和辐照强度值;本模型隐藏层数目为2,一个LSTM层,一个全连接层,其中,全连接层的激活函数选择为relu;隐藏层的维数根据实验研究,LSTM设为700,全连接层设为100能到较好的效果;输出层节点数为48,即待测日所有时刻的光伏出力值。
使用本发明提出的预测方法,对前述2016年11月中四个不同天气状况的待测日进行短期光伏出力预测。预测误差选取MAE和RMSE作为评价标准,MAE和RMSE的值越小,模型预测效果越好,精度越高。计算公式如下:
对四个待测日,分别使用传统的BP神经网络预测方法、ELMAN神经网络预测方法以及本发明提供的组合深度学习网络预测方法进行预测,并对预测结果做出评价。
图5所示为2016年11月28日(晴天)各预测方法的预测结果图。
图6所示为2016年11月15日(雾天)各预测方法的预测结果图。
图7所示为2016年11月29日(阴雨天)各预测方法的预测结果图。
图8所示为2016年11月21日(天气突变天)各预测方法的预测结果图。
表1为四个待测日预测结果MAE和RMSE统计。
表1四个待测日预测结果MAE和RMSE统计表
在图5、6、7、8以及表1中,“BP-NN”表示采用BP神经网络预测方法,“ELMAN-NN”表示采用ELMAN神经网络预测方法,“ELM-LSTM”表示采用本发明所提出的组合深度学习网络预测方法。
由表1可以看出,本发明所提出的组合深度学习网络分布式光伏发电系统短期出力预测模型在不同的天气状况下,都具有最高的预测精度。
实施本发明的实施例,具有如下的有益效果:
本发明所采用的预测方法,其第一预测模型利用ELM优异的泛化性能和较快的收敛速度对分布式光伏发电系统的历史数据进行初步泛化,通过待测日的辐照强度以及温度数据得到待测日的初步光伏出力预测值;
同时,其第二预测模型利用LSTM深度学习算法优异的自学习、自适应和自调整性能,对第一预测模型的结果进行修正,得到待测日最终的光伏出力预测值;
在本发明的实施例中,利用ELM的泛化性能,充分利用了分布式光伏发电系统的历史数据,提高了数据利用效率;利用LSTM深度学习算法,对ELM的预测结果进行自适应修正,使得在不同的气象条件下都能保持较高的预测精度,极大地提高了预测模型的预测性能。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种用于分布式光伏发电系统短期出力的预测方法,其特征在于,包括如下步骤:
步骤S1:采集分布式光伏发电系统的历史出力数据、大气温度数据以及太阳辐照数据,并进行数据归一化预处理;
步骤S2:使用多模型单变量的预测方法,建立基于极限学习机(ELM)的第一预测模型,进行待测日的初步预测;
步骤S3:使用单模型多变量的预测方法,建立基于长短期记忆(LSTM)深度学习网络的第二预测模型,结合历史数据对第一预测模型的结果进行修正,并得到最终的光伏出力预测结果。
3.如权利要求2的方法,其特征在于,所述步骤S2具体包括:
步骤S20,使用多模型单变量的预测方法建立第一预测模型;
其中,第一预测模型采用极限学习机(ELM)进行待测日光伏出力的初步预测,ELM是一种单隐含层前馈神经网络,包括输入层、隐含层以及输出层;
步骤S21,在第一预测模型中,建立样本数为N的光伏出力数据集(ti,Xi),其中模型的输出样本为Xi=[xi1,xi2,...,xin]T∈Rn,具体为待测日第p(p=1,2,…,M)时刻的光伏出力值;模型的输入样本为ti=[ti1,ti2,...,tim]T∈Rm,包含待测日前一天第p-1、p及p+1时刻的输出功率值以及待测日当天第p-1、p及p+1时刻的辐照强度值和温度值;特别地,当p=1时,p-1时刻选取为前一天的最后一个时刻;当p=M时,p+1时刻选择为当天的第一个时刻;
对于一个有L个隐层节点的ELM网络,其第j个样本对应的模型拟合输出,即待测日第j时刻的出力预测值oj表示为:
其中,g(·)为激活函数,Wi=[wi,1,wi,2,...,wi,n]T为输入权重,βi为输出权重,bi是第i个隐层单元的偏置,Wi·Xj为Wi和Xj的内积;
模型训练过程的目标是使得输出误差最小,即:
即计算βi、Wi和bi,使得
使用矩阵的形式表示为:
Hβ=T (4)
其中,H是隐含层节点的输出,β为输出权重,T为期望输出,有:
通过对H和β迭代寻优,实现第一预测模型的训练过程,目标使网络对训练样本的拟合误差最小,其最小化损失函数为:
其中,H+是矩阵H的Moore-Penrose广义逆矩阵;
步骤S22,对于待测日的每一个时刻,重复上述步骤S21,得到待测日所有时刻的光伏出力预测值。
4.如权利要求3的方法,其特征在于,所述步骤S3具体包括:
步骤S30,使用单模型多变量的预测方法建立第二预测模型;
其中,第二预测模型采用长短期记忆(LSTM)网络对第一预测模型的预测结果进行修正并得到最终的预测结果,其中,所述LSTM包含输入层、输出层和隐藏层,隐藏层包括由具有独特记忆模式的LSTM单元构成的LSTM层和以relu函数为激活函数的全连接层;
在所述第二预测模型中,所述LSTM单元有三个门结构,即输入门、遗忘门和输出门,和记忆单元,输入门接受输入信息并根据条件更新记忆单元状态,遗忘门根据特定条件决定丢弃的信息,输出门根据输入信息和记忆单元决定要输出的内容;每一个时刻,LSTM单元通过三个门接受当前状态和上一时刻的隐藏状态,同时接收上一时刻记忆单元的状态,通过计算得到新的记忆单元的状态,最后通过激活函数和输出门输出;
各变量之间的计算公式如下:
输入门的输出值:it=σ(Wxixt+Whiht-1+Wcict-1+bi);
遗忘门的输出值:ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf);
输出门的输出值:ot=σ(Wxoxt+Whoht-1+Wcoct+bo);
当前时刻记忆单元的状态:c(t)=ftct-1+ittanh(Wxcxt+Whcht-1+bc);
LSTM单元的输出:ht=ot tanh(ct);
其中,Wxf、Whf、Wcf、Wxi、Whi、Wci、Wxc、Whc、Wxo、Who、Wco为权重矩阵;bi、bc、bf、bo为偏置参数;σ为激活函数,其为relu或sigmoid函数;
步骤S31,在所述第二预测模型中,以第一预测模型的初步预测值作为输入样本;则通过其输出样本获得待测日所有M个时刻的光伏出力最终预测值。
5.如权利要求4所述的方法,其特征在于,所述步骤S31中,所述第一预测模型的初步预测值为待测日所有M个时刻的光伏出力预测值,以及待测日所有M个时刻的温度以及辐照强度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057947.5A CN111008728B (zh) | 2019-11-01 | 2019-11-01 | 一种用于分布式光伏发电系统短期出力的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057947.5A CN111008728B (zh) | 2019-11-01 | 2019-11-01 | 一种用于分布式光伏发电系统短期出力的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008728A true CN111008728A (zh) | 2020-04-14 |
CN111008728B CN111008728B (zh) | 2023-06-09 |
Family
ID=70111355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911057947.5A Active CN111008728B (zh) | 2019-11-01 | 2019-11-01 | 一种用于分布式光伏发电系统短期出力的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008728B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598337A (zh) * | 2020-05-15 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种分布式光伏短期出力预测的方法 |
CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
CN111921377A (zh) * | 2020-09-25 | 2020-11-13 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
CN112101626A (zh) * | 2020-08-14 | 2020-12-18 | 安徽继远软件有限公司 | 一种分布式光伏发电功率预测方法及系统 |
CN112330021A (zh) * | 2020-11-05 | 2021-02-05 | 中国电子科技集团公司第十八研究所 | 一种分布式光储系统的网络协调控制方法 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
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 |
CN112949918A (zh) * | 2021-02-25 | 2021-06-11 | 山东大学 | 基于dgm-rnn的日前光伏功率预测方法及系统 |
CN113093013A (zh) * | 2021-03-31 | 2021-07-09 | 安庆师范大学 | 一种锂电池组健康状态集成估计方法 |
CN113173104A (zh) * | 2021-04-29 | 2021-07-27 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池预警方法及系统 |
CN113177366A (zh) * | 2021-05-28 | 2021-07-27 | 华北电力大学 | 一种综合能源系统规划方法、装置和终端设备 |
CN113191081A (zh) * | 2021-04-29 | 2021-07-30 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池内阻预测方法及系统 |
CN113212244A (zh) * | 2021-04-29 | 2021-08-06 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池寿命预测方法及系统 |
CN113541143A (zh) * | 2021-06-29 | 2021-10-22 | 国网天津市电力公司电力科学研究院 | 一种基于elm-lstm的谐波预测方法 |
CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN115142160A (zh) * | 2022-08-22 | 2022-10-04 | 无锡物联网创新中心有限公司 | 一种纱线强力弱环的辨识方法及相关装置 |
CN116842855A (zh) * | 2023-09-01 | 2023-10-03 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818307A (zh) * | 2017-10-31 | 2018-03-20 | 天津大学 | 一种基于lstm网络的多标签视频事件检测方法 |
CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
-
2019
- 2019-11-01 CN CN201911057947.5A patent/CN111008728B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818307A (zh) * | 2017-10-31 | 2018-03-20 | 天津大学 | 一种基于lstm网络的多标签视频事件检测方法 |
CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598337B (zh) * | 2020-05-15 | 2022-12-13 | 国网河北省电力有限公司电力科学研究院 | 一种分布式光伏短期出力预测的方法 |
CN111598337A (zh) * | 2020-05-15 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种分布式光伏短期出力预测的方法 |
CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
CN112101626A (zh) * | 2020-08-14 | 2020-12-18 | 安徽继远软件有限公司 | 一种分布式光伏发电功率预测方法及系统 |
CN111921377A (zh) * | 2020-09-25 | 2020-11-13 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
CN111921377B (zh) * | 2020-09-25 | 2021-01-26 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
CN112330021A (zh) * | 2020-11-05 | 2021-02-05 | 中国电子科技集团公司第十八研究所 | 一种分布式光储系统的网络协调控制方法 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112561058B (zh) * | 2020-12-15 | 2023-06-06 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112949918A (zh) * | 2021-02-25 | 2021-06-11 | 山东大学 | 基于dgm-rnn的日前光伏功率预测方法及系统 |
CN113093013A (zh) * | 2021-03-31 | 2021-07-09 | 安庆师范大学 | 一种锂电池组健康状态集成估计方法 |
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 |
CN113173104A (zh) * | 2021-04-29 | 2021-07-27 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池预警方法及系统 |
CN113191081A (zh) * | 2021-04-29 | 2021-07-30 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池内阻预测方法及系统 |
CN113212244A (zh) * | 2021-04-29 | 2021-08-06 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池寿命预测方法及系统 |
CN113177366A (zh) * | 2021-05-28 | 2021-07-27 | 华北电力大学 | 一种综合能源系统规划方法、装置和终端设备 |
CN113177366B (zh) * | 2021-05-28 | 2024-02-02 | 华北电力大学 | 一种综合能源系统规划方法、装置和终端设备 |
CN113541143A (zh) * | 2021-06-29 | 2021-10-22 | 国网天津市电力公司电力科学研究院 | 一种基于elm-lstm的谐波预测方法 |
CN113537582B (zh) * | 2021-07-02 | 2022-05-24 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN115142160A (zh) * | 2022-08-22 | 2022-10-04 | 无锡物联网创新中心有限公司 | 一种纱线强力弱环的辨识方法及相关装置 |
CN115142160B (zh) * | 2022-08-22 | 2023-12-19 | 无锡物联网创新中心有限公司 | 一种纱线强力弱环的辨识方法及相关装置 |
CN116842855A (zh) * | 2023-09-01 | 2023-10-03 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
CN116842855B (zh) * | 2023-09-01 | 2024-03-29 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111008728B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
Zhong et al. | Prediction of photovoltaic power generation based on general regression and back propagation neural network | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN110738344B (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
CN109376951B (zh) | 一种光伏概率预测方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN112116171A (zh) | 一种新型基于神经网络的光伏发电功率预测方法 | |
CN115185334A (zh) | 一种基于gru神经网络的光伏mppt方法 | |
Liu | Short-term prediction method of solar photovoltaic power generation based on machine learning in smart grid | |
CN111242371B (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN112926653B (zh) | 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 | |
CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
Huang et al. | Optimal prediction intervals of wind power generation based on FA-ELM | |
Wee et al. | Prediction of Rooftop Photovoltaic Power Generation Using Artificial Neural Network | |
Li et al. | Short term photovoltaic power generation forecasting using RBF neural network | |
Duan et al. | Power forecasting approach of PV plant based on similar time periods and Elman neural network | |
Wang et al. | A new improved combined model algorithm for the application of photovoltaic power prediction | |
Liu et al. | Short-term photovoltaic power prediction based on bayesian regularized bp neural networks | |
CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
Qiu et al. | Short term photovoltaic power generation prediction model based on improved GA-LSTM neural network | |
CN108776843A (zh) | 基于波尔兹曼机的光伏超短期功率预测方法 |
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 |