CN111191854A - 一种基于线性回归及神经网络的光伏发电预测模型和方法 - Google Patents
一种基于线性回归及神经网络的光伏发电预测模型和方法 Download PDFInfo
- Publication number
- CN111191854A CN111191854A CN202010025373.XA CN202010025373A CN111191854A CN 111191854 A CN111191854 A CN 111191854A CN 202010025373 A CN202010025373 A CN 202010025373A CN 111191854 A CN111191854 A CN 111191854A
- Authority
- CN
- China
- Prior art keywords
- neural network
- regression
- layer
- output
- data
- 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
- 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
Abstract
光伏发电的间歇性给目前的可再生能源利用从运营计划到调度方案等方面都带来了许多挑战。因此,准确的预测光伏系统的电力输出量对于有效管理运行光伏发电系统,评估电力系统整体的经济性能进而综合调控整体电力分配至关重要。本发明提出了一种基于每日天气预测数据以预测光伏系统日前电力输出量的新混合系统和方法。本方法应用了传统的多元线性回归和以及人工神经网络模型,采用了混合建模方法通过分步线性回归的方法筛选更重要的天气预测输入变量,然后将筛选后的天气预测变量馈入人工神经网络模型,从而产生复杂模型。本发明提出的复杂模型仿真结果表明该复杂模型的性能比其相应的其他单阶段模型更优并且可以具有监测气象数据的地区应用该复杂模型实现光伏系统电力输出预测。
Description
技术领域
本发明涉及新能源光伏发电预测领域,具体涉及一种结合多元线性回归,分步线性回归及人工神经网络以预测光伏发电系统输出的复杂模型和方法。
背景技术
能源需求的持续增长,传统化石能源长期以来走高的燃料成本以及日益受到大众重视的环保意识推动了最近十年来可再生能源尤其是光伏的发展。然而仍然有一些制约因素阻碍了大规模将光伏发电整合到整体的电力应用网络结构中去,特别是太阳能的多变性及其不可预测性无法在与现有电网进行并网操作时保持协同的可靠和稳定。因此,对于光伏发电量的预测对于相关公用事业单位及电力公司合理有效的开发利用太阳能并将其和现有电网系统融合有着重要的影响。准确,高效的对于光伏发电系统发电量的预测对于确保整体电力系统的稳定性,可靠性和保持电力系统成本效益起着至关重要的作用。
目前,有多种方法用于预测光伏系统的发电量,包括物理方法及统计计算方法。物理方法将光伏系统发电量作为一些随其物理性质的独立变量而变化的函数,例如光伏电池特性,太阳辐照度和电池温度,许多物理模型源自常规的太阳能电池等效物旨在实现尽可能接近的本地太阳能的电路辐射。而统计预测方法则依赖于用于预测的历史数据进行回归分析,时间序列分析和人工智能分析历史数据来预测预测光伏系统的功率,包括自回归模型,支持向量机(SVM)等方法。而人工神经网络(ANN)也被广泛用于预测基于气象数据变量而产生的太阳能输出的非线性建模,并应用于日前光伏系统发电量的预测。基于人工神经网络的预测方法的关键优势在于模型设计人员可以利用按顺序选择多个输入值以提高预测准确性,将多元线性回归,人工神经网络的预测方法结合分布线性回归的筛选的混合模型可以大大的提高对于光伏发电量的预测精度。本发明提出了一种新颖的日前最优的光伏系统能源输出预测模型,减少模型输入的气候变量的数量,并结合了多元线性回归和ANN技术。本发明考虑了大量可能会影响光伏面板的输出功率的气象参数。采用分步线性回归(Stepwise Regression)的方法来评估每个气象参数的影响,应用复杂模型中的气象输入变量ANN生成最终光伏系统预测,通过确保选择只有那些对模型输出有重大影响的输入变量在模型中,达到使用较少的计算工作生成准确的ANN预测输出值的目的。
发明内容
本发明提出了一种结合多元线性回归,分步回归及人工神经网络以预测光伏发电系统输出的复杂模型和方法,其主要的应用在于给定天气数据集,通过混合模型精准预测指定装机容量设备在设定时刻的光伏发电量,为综合应用光伏电能,合理储能优化等用电计划,决策等提供数据支持。整个复杂混合模型流程包括了天气数据收集,分布线性回归识别最相关输入值,确定最优化神经网络配置,人工神经网络训练数据集,回归后处理,应用训练后模型模拟,计算统计运算相关参数,输出预测光伏发电量等几个步骤,如图1所示。
附图说明
图1是本发明实施中预测光伏发电系统输出的复杂模型的流程图。
图2是本发明实施中模型输入输出的流程图。
图3是本发明实施中涉及的前馈神经网络示意图。
图4是本发明实施中涉及的广义回归神经网络的示意图。
具体实施方式
步骤一:收集预测模型需要的指定地区,指定时间跨度的相关天气数据,包括: 平均/最高/最低大气压,平均/最高/最低湿度,平均/最高/最低温度,平均/最高/最低风速,平均/最高/最低风向,平均/最高/最低降雨量,平均/最高/最低日照强度,平均/最高/最低日照时间。如图2所示。
步骤二:通过回归方法筛选,识别最相关天气输入值。分步线性回归是一种拟合回归模型的方法,通过公式:
拟合相关变量,其中预测变量的选择是通过自动程序进行的, 其中Y是要预测的光伏发电输出量(因变量),Xi表示K个变化的天气数据(自变量)(其中1 ≤ i ≤ k),βi
为计算的自变量的回归系数,β0是偏移值的预测变量,e是残差项。在每个拟合步骤中,根据某个预先确定的统计标准(包括调整后的R2,标准差(standard error (SE)), 平均调整偏差(MAPE),预计残差平方和(PRESS)等)采取一系列F检验或t检验的形式,将变量添加到一组解释变量中或从一组解释变量中减去(包括正向和反向逐步回归)。本发明通过分步线性回归拟合光伏发电输出量与八种天气相关数据,根据预设标准(包含1-8项天气数据),识别最相关天气输入值至下一步模型运算。
步骤三:通过调整人工设计网络的参数,确定最优化的神经网络配置。人工神经网络的设计包括确定输入层的数量,隐藏层和输出层中神经元的数量以及关联权重,偏差,活动性和正态分布特性。取决于神经元的排列及其活动性,可以形成几种网络架构。 本发明应用前馈神经网络(FFNN)和广义回归神经网络(GRNN)这两个架构于光伏输出功率的预测。FFNN是一种将前一层中的每个神经元都连接在一起到达下一层的所有神经元的复杂多元线性回归,如图3所示:
数据从输入层到输出层仅在一个方向上移动通过隐藏层。为了指定目标,前馈伸进网络使用指定时期内的过去历史数据进行训练具有预定的误差范围的时间。在训练期间,连接调整神经元之间的权重,以便网络输出与所需目标匹配。广义回归神经网络是基于概率的网络,可以执行回归而不是分类的任务。 广义回归神经网络包括四个层,其中反应神经元层和回归层位于输入和输出层之间,如图4所示:
反应神经层用于对训练数据执行聚类。反应神经层的数量等于设计数据集中的样本数量。回归层与输出层和反应神经层相比,具有额外的线性函数神经元这个额外的神经元用于计算概率密度,而剩余的单位用于计算输出,与基于多元线性回归的前馈神经网络不同,它不需要迭代训练,可以直接从训练数据中输入和输出向量;
通过输入步骤二中筛选过的数据至两种神经网络,通过分析调整后的R2,标准差(SE), 平均调整偏差(MAPE),预计残差平方和(PRESS)等统计指标,选定单一神经网络模型或混合两种神经网络模型并设定模型间数据分配比重。通过数据训练,选定模型输入层的数量,隐藏层和输出层中神经元的数量以及关联权重,偏差,活动性和正态分布特性等指标并进行回归分析后处理,比较训练集的输出值与实际训练集的光伏发电量。
步骤四:应用步骤三中训练完成,给定设定参数的人工神经网络的模型模拟计算,预测未来24小时光伏发电量。
步骤五:计算模型运行的相关统计数据,并做以记录,监控模型运行情况以及时调整模型参数。
步骤六:输出预测光伏发电量并记录。
本发明通过综合应用分步线性回归,前馈神经网络,广义回归神经网络等预测计算手段,考虑多种天气数据自变量,提出一套混合的复杂预测系统。其特点在于应用分步线性回归的方法筛选输入值,减少了整体模型运行时间,综合应用两种神经网络计算方式准确预测光伏发电量,为综合应用光伏发电,保障整体电网用电平稳安全,提供了一套得到有效预测数据的系统。
Claims (6)
1.步骤一:收集预测模型需要的指定地区,指定时间跨度的相关天气数据,包括: 平均/最高/最低大气压,平均/最高/最低湿度,平均/最高/最低温度,平均/最高/最低风速,平均/最高/最低风向,平均/最高/最低降雨量,平均/最高/最低日照强度,平均/最高/最低日照时间,如图2所示。
2.步骤二:通过回归方法筛选,识别最相关天气输入值,分步线性回归是一种拟合回归模型的方法,通过公式:
拟合相关变量,其中预测变量的选择是通过自动程序进行的, 其中Y是要预测的光伏发电输出量(因变量),Xi表示K个变化的天气数据(自变量)(其中1 ≤ i ≤ k),βi
为计算的自变量的回归系数,β0是偏移值的预测变量,e是残差项,在每个拟合步骤中,根据某个预先确定的统计标准(包括调整后的R2,标准差(standard error (SE)), 平均调整偏差(MAPE),预计残差平方和(PRESS)等)采取一系列F检验或t检验的形式,将变量添加到一组解释变量中或从一组解释变量中减去(包括正向和反向逐步回归),本发明通过分步线性回归拟合光伏发电输出量与八种天气相关数据,根据预设标准(包含1-8项天气数据),识别最相关天气输入值至下一步模型运算。
3.步骤三:通过调整人工设计网络的参数,确定最优化的神经网络配置;
人工神经网络的设计包括确定输入层的数量,隐藏层和输出层中神经元的数量以及关联权重,偏差,活动性和正态分布特性,取决于神经元的排列及其活动性,可以形成几种网络架构, 本发明应用前馈神经网络(FFNN)和广义回归神经网络(GRNN)这两个架构于光伏输出功率的预测,FFNN是一种将前一层中的每个神经元都连接在一起到达下一层的所有神经元的复杂多元线性回归,如图3所示:
数据从输入层到输出层仅在一个方向上移动通过隐藏层,为了指定目标,前馈伸进网络使用指定时期内的过去历史数据进行训练具有预定的误差范围的时间,在训练期间,连接调整神经元之间的权重,以便网络输出与所需目标匹配;广义回归神经网络是基于概率的网络,可以执行回归而不是分类的任务; 广义回归神经网络包括四个层,其中反应神经元层和回归层位于输入和输出层之间,如图4所示:
反应神经层用于对训练数据执行聚类;反应神经层的数量等于设计数据集中的样本数量;
回归层与输出层和反应神经层相比,具有额外的线性函数神经元这个额外的神经元用于计算概率密度,而剩余的单位用于计算输出,与基于多元线性回归的前馈神经网络不同,它不需要迭代训练,可以直接从训练数据中输入和输出向量;
通过输入步骤二中筛选过的数据至两种神经网络,通过分析调整后的R2,标准差(SE), 平均调整偏差(MAPE),预计残差平方和(PRESS)等统计指标,选定单一神经网络模型或混合两种神经网络模型并设定模型间数据分配比重;
通过数据训练,选定模型输入层的数量,隐藏层和输出层中神经元的数量以及关联权重,偏差,活动性和正态分布特性等指标并进行回归分析后处理,比较训练集的输出值与实际训练集的光伏发电量。
4.步骤四:应用步骤三中训练完成,给定设定参数的人工神经网络的模型模拟计算,预测未来24小时光伏发电量。
5.步骤五:计算模型运行的相关统计数据,并做以记录,监控模型运行情况以及时调整模型参数。
6.步骤六:输出预测光伏发电量并记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025373.XA CN111191854A (zh) | 2020-01-10 | 2020-01-10 | 一种基于线性回归及神经网络的光伏发电预测模型和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025373.XA CN111191854A (zh) | 2020-01-10 | 2020-01-10 | 一种基于线性回归及神经网络的光伏发电预测模型和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191854A true CN111191854A (zh) | 2020-05-22 |
Family
ID=70709963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010025373.XA Pending CN111191854A (zh) | 2020-01-10 | 2020-01-10 | 一种基于线性回归及神经网络的光伏发电预测模型和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191854A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652449A (zh) * | 2020-07-17 | 2020-09-11 | 上海积成能源科技有限公司 | 一种基于条件随机场模型预测短期光伏发电系统发电量的系统模型 |
CN111695736A (zh) * | 2020-06-15 | 2020-09-22 | 河北锐景能源科技有限公司 | 一种基于多模型融合的光伏发电短期功率预测方法 |
CN111815051A (zh) * | 2020-07-06 | 2020-10-23 | 安徽建筑大学 | 考虑天气影响因素的grnn光伏发电预测方法 |
CN111967689A (zh) * | 2020-09-04 | 2020-11-20 | 上海积成能源科技有限公司 | 一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法 |
CN112021626A (zh) * | 2020-07-10 | 2020-12-04 | 张家口卷烟厂有限责任公司 | 烟用制丝环节智能化控制系统及方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
CN112414446A (zh) * | 2020-11-02 | 2021-02-26 | 南昌智能新能源汽车研究院 | 一种数据驱动的变速器传感器故障诊断方法 |
CN113052383A (zh) * | 2021-03-29 | 2021-06-29 | 上海酷量信息技术有限公司 | 一种基于机器学习的收入预测方法及装置 |
CN117094521A (zh) * | 2023-08-31 | 2023-11-21 | 重庆跃达新能源有限公司 | 一种光伏电站智能选址方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050517A (zh) * | 2014-06-27 | 2014-09-17 | 哈尔滨工业大学 | 基于grnn神经网络的光伏发电预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN106251001A (zh) * | 2016-07-18 | 2016-12-21 | 南京工程学院 | 一种基于改进模糊聚类算法的光伏功率预测方法 |
CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
CN109753684A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能耗基准修正的多元线性回归建模方法 |
CN109858673A (zh) * | 2018-12-27 | 2019-06-07 | 南京工程学院 | 一种光伏发电系统功率预测方法 |
-
2020
- 2020-01-10 CN CN202010025373.XA patent/CN111191854A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050517A (zh) * | 2014-06-27 | 2014-09-17 | 哈尔滨工业大学 | 基于grnn神经网络的光伏发电预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN106251001A (zh) * | 2016-07-18 | 2016-12-21 | 南京工程学院 | 一种基于改进模糊聚类算法的光伏功率预测方法 |
CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
CN109753684A (zh) * | 2018-11-29 | 2019-05-14 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能耗基准修正的多元线性回归建模方法 |
CN109858673A (zh) * | 2018-12-27 | 2019-06-07 | 南京工程学院 | 一种光伏发电系统功率预测方法 |
Non-Patent Citations (1)
Title |
---|
刘敬 等: ""应用神经网络法预测光伏系统发电功率"", 《大功率变流技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695736A (zh) * | 2020-06-15 | 2020-09-22 | 河北锐景能源科技有限公司 | 一种基于多模型融合的光伏发电短期功率预测方法 |
CN111695736B (zh) * | 2020-06-15 | 2023-04-21 | 河北锐景能源科技有限公司 | 一种基于多模型融合的光伏发电短期功率预测方法 |
CN111815051A (zh) * | 2020-07-06 | 2020-10-23 | 安徽建筑大学 | 考虑天气影响因素的grnn光伏发电预测方法 |
CN112021626A (zh) * | 2020-07-10 | 2020-12-04 | 张家口卷烟厂有限责任公司 | 烟用制丝环节智能化控制系统及方法 |
CN112021626B (zh) * | 2020-07-10 | 2021-08-17 | 张家口卷烟厂有限责任公司 | 烟用制丝环节智能化控制系统及方法 |
CN111652449A (zh) * | 2020-07-17 | 2020-09-11 | 上海积成能源科技有限公司 | 一种基于条件随机场模型预测短期光伏发电系统发电量的系统模型 |
CN111967689A (zh) * | 2020-09-04 | 2020-11-20 | 上海积成能源科技有限公司 | 一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
CN112414446A (zh) * | 2020-11-02 | 2021-02-26 | 南昌智能新能源汽车研究院 | 一种数据驱动的变速器传感器故障诊断方法 |
CN113052383A (zh) * | 2021-03-29 | 2021-06-29 | 上海酷量信息技术有限公司 | 一种基于机器学习的收入预测方法及装置 |
CN117094521A (zh) * | 2023-08-31 | 2023-11-21 | 重庆跃达新能源有限公司 | 一种光伏电站智能选址方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
Saloux et al. | Forecasting district heating demand using machine learning algorithms | |
Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN106408223A (zh) | 基于气象相似日及误差校正的短期负荷预测方法 | |
Shams et al. | Artificial intelligence-based prediction and analysis of the oversupply of wind and solar energy in power systems | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
US20220376499A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
Staudt et al. | Predicting transmission line congestion in energy systems with a high share of renewables | |
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 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及系统 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
KR20190071174A (ko) | 기압 데이터를 이용한 단기 풍속 예측 방법 및 시스템 | |
CN111967689A (zh) | 一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法 | |
Jahan et al. | Intelligent system for power load forecasting in off-grid platform | |
Li et al. | Multi‐level refined power system operation mode analysis: A data‐driven approach | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
Paulin et al. | SOLAR PHOTOVOLTAIC OUTPUT POWER FORECASTING USING BACK PROPAGATION NEURAL NETWORK. |
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 |
Application publication date: 20200522 |
|
RJ01 | Rejection of invention patent application after publication |