CN111222674A - 基于长短期记忆神经网络的短期光伏发电量预测方法 - Google Patents
基于长短期记忆神经网络的短期光伏发电量预测方法 Download PDFInfo
- Publication number
- CN111222674A CN111222674A CN201910947897.1A CN201910947897A CN111222674A CN 111222674 A CN111222674 A CN 111222674A CN 201910947897 A CN201910947897 A CN 201910947897A CN 111222674 A CN111222674 A CN 111222674A
- Authority
- CN
- China
- Prior art keywords
- term
- short
- data
- neural network
- solar radiation
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010248 power generation Methods 0.000 title claims abstract description 26
- 230000006403 short-term memory Effects 0.000 title claims abstract description 24
- 230000007787 long-term memory Effects 0.000 title claims abstract description 23
- 230000005855 radiation Effects 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 abstract description 9
- 238000004880 explosion Methods 0.000 abstract description 5
- 230000008034 disappearance Effects 0.000 abstract description 4
- 230000001932 seasonal effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种基于长短期记忆神经网络的短期光伏发电量预测方法,利用长短期记忆神经网络(LSTMNN)预测太阳辐射量间接计算出光伏发电量,包括以下步骤:获取相关地区光伏系统所接收的太阳辐射量数据及相应的历史气象数据信息;将获取的数据归一化处理,分为测试样本和训练样本两部分,建立LSTMNN进行训练;以预测日之前30天的光伏数据作为输入数据,预测当日的太阳辐射量;将预测结果反归一化处理即可得到当日的太阳辐射量数据。本发明建立的预测模型能够保存较长时间太阳辐射量序列所包含的季节性、波动性和趋势性的信息,克服传统递归神经网络训练过程中梯度消失(爆炸)的问题,进一步提高了预测精度。
Description
技术领域
本发明属于光伏发电技术领域。
背景技术
光伏系统受天气状况、昼夜交替以及季节变化的影响,具有间歇性、随机性和波动性的特点,在大规模并入电网时将给电力系统的生产和运行带来极大的挑战,因此迫切需要开展针对光伏发电预测技术的研究。根据光伏发电的预测结果,调度运行人员可以及时采取应对措施,调整和优化发电计划,合理安排系统使用,改善电网调峰能力;能够合理安排光伏电站检修计划,减少弃光,提高新能源企业的盈利能力。
影响光伏发电的因素有很多,例如光伏组件的规格型号、光伏阵列的安装排布等,这些电气特性固定下来后,光伏输出主要取决于气象因素,其中,光伏组件表面接收到的太阳辐射量是影响光伏发电的直接因素。因而,通过对太阳辐射量进行预测,间接计算出光伏系统输出功率的方法,就可以达到提高光伏系统合理配电能力的目的。
为了提高太阳辐射量的预测精度,近年来提出了不少预测方法,主要有:时间序列、线性回归模型、贝叶斯网络、支持向量机以及神经网络。由于神经网络有很强的非线性拟合能力,可映射任意复杂的非线性关系,而且学习规则简单,便于计算机实现,所以本文采用神经网络的方法进行太阳辐射量的预测。递归神经网络(Recurrent Neural Network,RNN)是用于时间序列数据预测的好工具,因为其结构简单,具有记忆功能和适应时变特性被常用于太阳辐射量的预测。然而随着天气情况变化复杂,太阳辐射数据的波动性变大,RNN在训练过程中可能出现梯度爆炸或者梯度消失的问题,导致预测结果陷入局部最优解。
发明内容
本发明的目的是提出一种基于长短期记忆神经网络(Long Short-Term MemoryNeural Network,LSTMNN)的短期发电量预测方法,利用合理的气象数据对隔日的每个小时辐射量进行预测,能避免网络训练过程中出现梯度爆炸或者梯度消失的问题,解决太阳辐射量在复杂天气状况下的预测难题,提高预测精度。
本发明是通过以下技术方案实现的。
本发明所述的基于长短期记忆神经网络的短期光伏发电量预测方法,包括以下步骤:
(1)获取相关地区光伏系统所接收的太阳辐射量数据及相应的历史气象数据信息,分析并选取影响光伏系统发电量的气象因素。由于昼夜交替的影响,为减小光伏系统的间歇性对预测的影响,只需预测每天5:00-18:00各整点时刻的太阳辐射量。所需要获取的历史气象数据信息包括:每天5:00-18:00各整点时刻的温度、湿度、风速、太阳高度角以及天气状况,其中天气状况包括晴天、雨天、阴天。
(2)根据所选取的影响因素,确定长短期记忆神经网络的输入数据和输出数据,建立长短期记忆神经网络模型。由于历史数据的时间相关性较强,因此可利用预测日之前30天相同时刻的太阳辐射量序列来预测该日5:00-18:00各整点时刻的太阳辐射量。为提高预测精度,历史气象数据被添加为特征。基于长短期记忆神经网络的短期太阳辐射量预测模型的输入数据X={SI1 T,TT,HT,WST,SAT,WT},输出数据Y={SI2 T}。其中,SI1,T,H,WS,SA分别是预测日前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角,均为14维的向量;W为5:00-18:00各整点时刻天气状况,将天气类型晴天、雨天、阴天分别标记为1、2、3;输出数据SI2是预测日当日5:00-18:00各整点时刻的太阳辐射量。
(3)将太阳辐射量数据和历史气象数据归一化处理后分为测试样本和训练样本,根据训练样本建立长短期记忆神经网络并进行误差计算、权值更新和阈值更新,从而将长短期记忆神经网络的预测误差控制在5%-10%的范围内。所述长短期记忆神经网络的训练方法采用反向传播算法BPTT(BackPropagation Through Time),并采用误差平方和函数进行代价函数学习。
(4)根据训练后得到的长短期记忆神经网络模型,以预测日之前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角、天气类型作为输入数据,预测当日的5:00-18:00各整点时刻的太阳辐射量,LSTM的时间步长设置为14。将预测结果反归一化处理即可得到当日的太阳辐射量数据。
(5)利用预测的太阳辐射量数据计算出预测日当日的光伏发电量。
进一步所述的步骤(2)中:
所述长短期记忆神经网络为了克服递归神经网络的梯度消失或爆炸的问题,在保持递归神经网络结构的基础上重新设计记忆单元。其中,每个长短期记忆神经网络(LSTM)记忆单元中含有3个控制门,分别是输入门it、输出门ot和遗忘门ft。LSTM在时刻t的输入数据为xt,输出值为ht,ct为记忆状态。LSTM记忆单元更新如下:
所述的遗忘门ft的计算:遗忘门主要取决于从记忆单元状态中遗忘多少信息,由t时刻输入值xt和t-1时刻隐藏层输出ht-1共同决定。遗忘门ft的计算公式是:
ft=σ(wf×[ht-1,xt]+bf) (1)
式(1)中:wf为t时刻遗忘门ft的权值矩阵;bf为偏置量;σ采用Sigmoid函数。
所述的记忆单元状态值ct的更新分为三部分:第一部分是输入门决定当前输入数据有多少输入到记忆单元中;第二部分是当前输入经过一个tanh层用来生成新的候选状态它作为当前层产生的候选值可能会添加到记忆状态中;最后,记忆单元ct通过输入门it和遗忘门ft对自身状态Ct-1和当前候选记忆状态值进行调节来更新记忆单元状态。
所述的输入门it的计算:it由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定。输入门it的计算公式是:
it=σ(wi×[ht-1,xt]+bi) (2)
式(2)中:wi为t时刻输入门it的权值矩阵;bi为偏置量。
所述的记忆单元状态值ct的更新计算:记忆单元状态值ct的更新计算公式为:
所述的输出门ot的计算:输出门主要是用来控制记忆单元状态值有多少需要输出,由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定。输出门ot的计算公式为:
ot=σ(wo×[ht-1,xt]+bo) (5)
式(5)中:wo为t时刻输出门ot的权值矩阵;bo为偏置量。
所述的隐藏层输出值ht计算:隐藏层输出值由t时刻输出值ot和记忆单元状态值ct共同决定。隐藏层输出值ht的计算公式是:
ht=ot×tanh(ct) (6)
进一步,所述的步骤(3)中:
(a)由于长短期记忆神经网络对数据比较敏感,我们采用Min-Max法将太阳辐射量数据和历史气象数据归一化处理,归一化后的数据值域变换到[0,1],计算公式如下:
(b)所述代价函数学习的公式为:
进一步,所述的步骤(5)中:
在实际工程之中,对光伏系统的发电量进行计算一般采用:
PS=ηPVSIr[1-0.005(Tc+25)] (9)
式(9)中:ηPV表示光伏阵列的转换效率,S表示光伏阵列的总面积;Ir表示光伏阵列实际接受到的辐射量;Tc表示光伏阵列组件的温度。
本发明所述的长短期记忆神经网络可以能够保存较长时间太阳辐射量序列所包含的季节性、波动性和趋势性的信息,适用于多变量长时间的序列预测问题。同时,长短期记忆神经网络能克服传统递归神经网络训练过程中梯度消失(爆炸)的问题,进一步提高了预测精度。
附图说明
图1短期光伏发电量预测方法流程框图。
图2递归神经网络。等式左边为递归神经网络,等式右边为递归网络按时间展开后的结构。
图3长短期记忆网络结构图。
图4短期太阳辐射量预测模型。
具体实施方式
下面结合附图和工作原理对具体实施方式进行说明。
一种基于长短期记忆神经网络的短期光伏发电量预测方法,利用长短期记忆神经网络建立短期太阳辐射量预测模型,进而间接计算出短期光伏发电量,短期光伏发电量预测流程如附图1。包括以下步骤:
(1)获取相关地区光伏系统所接收的太阳辐射量数据及相应的历史气象数据信息,分析并选取影响光伏系统发电量的气象因素。由于昼夜交替的影响,为减小光伏系统的间歇性对预测的影响,只需预测每天5:00-18:00各整点时刻的太阳辐射量。所需要获取的历史气象数据信息包括:每天5:00-18:00各整点时刻的温度、湿度、风速、太阳高度角以及天气状况,其中天气状况包括晴天、雨天、阴天。
(2)根据所选取的影响因素,确定长短期记忆神经网络的输入数据和输出数据,建立长短期记忆神经网络模型。由于历史数据的时间相关性较强,因此可利用预测日之前30天相同时刻的太阳辐射量序列来预测该日5:00-18:00各整点时刻的太阳辐射量。为提高预测精度,历史气象数据被添加为特征。基于长短期记忆神经网络模型的短期太阳辐射量预测模型的输入数据X={SI1 T,TT,HT,WST,SAT,WT},输出数据Y={SI2 T}。其中,SI1,T,H,WS,SA分别是预测日前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角,均为14维的向量;W为5:00-18:00各整点时刻天气状况,将天气类型晴天、雨天、阴天分别标记为1、2、3;输出数据SI2是预测日当日5:00-18:00各整点时刻的太阳辐射量。
(3)由于长短期记忆神经网络对数据比较敏感,我们采用Min-Max法将太阳辐射量数据和历史气象数据归一化处理,归一化后的数据值域变换到[0,1]。将归一化处理后的数据分为测试样本和训练样本,根据训练样本建立长短期记忆神经网络并进行误差计算、权值更新和阈值更新,从而将长短期记忆神经网络的预测误差控制在5%-10%的范围内。所述长短期记忆神经网络的训练方法采用反向传播算法BPTT(BackPropagation ThroughTime),并采用误差平方和函数进行代价函数学习。
(4)将预测样本输入已建立好的模型当中,输出预测结果。对输出的预测数据进行反归一化,即可得到预测日当日的太阳辐射量数据。
(5)利用预测的太阳辐射量数据计算出预测日当日的光伏发电量。
根据预测得到的太阳辐射量数据,在实际工程之中,对光伏系统的发电量进行计算一般采用:
PS=ηPVSIr[1-0.005(Tc+25)]
上式中:ηPV表示光伏阵列的转换效率,S表示光伏阵列的总面积;Ir表示光伏阵列实际接受到的辐射量;Tc表示光伏阵列组件的温度。
本发明采用递归神经网络(Recurrent Neural Network,RNN)的改进型网络,即长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTMNN)建立短期光伏发电量预测模型。用于时间序列数据预测的好工具,因为其结构简单,具有记忆功能和适应时变特性被常用于太阳辐射量的预测。RNN的网络结构如附图2所示。
RNN结构与前向神经网络结构的不同之处在于网络的隐藏层中增加了一个反馈环节,称之为承接层,承接层包含了隐藏层上一时刻的输出信息,并将输入层和输出层的信息反映到网络结构中,通过隐藏层干预反馈结构。随着学习的进展,历史数据被保存在网络结构中,以达到记忆的目的,从而使系统具有时变特性,并且能直接动态反映动态过程系统的特性。RNN更新网络参数的算法采用反向传播算法BPTT(BackPropagation Through Time)。因此,RNN在处理时间序列上距离较远的节点时会遇到巨大的困难,因为计算距离较远的节点之间的联系时会涉及雅可比矩阵的多次相乘,这会出现梯度消失或者梯度爆炸的问题,而长短期记忆神经网络可以很好地解决这个问题。
长短期记忆神经网络的结构如附图3所示。与传统RNN相比,长短期记忆神经网络增加了一个细胞状态,用来记录随着时间传递的信息。在信息传递过程中,长短期记忆神经网络通过当前时刻输入、上一时刻隐藏层状态、上一时刻细胞状态和门结构来增加或删除细胞状态中的信息。门结构用来控制增加或删除信息的程度,共有输入门(input gate)、遗忘门(forget gate)、输出门(output gate)3种结构门。输入门用来控制当前输入新生成的信息中有多少信息可以加入到细胞状态中,遗忘门决定上一时刻细胞状态中的多少信息可以传递到当前时刻中。长短期记忆神经网络基于遗忘门和输入门的输出来更新细胞状态。更新后的细胞状态由2部分构成:①来自上一时刻旧的细胞状态信息;②当前输入新生成的信息。最后,基于更新的细胞状态,输出隐藏状态。
附图4为短期太阳辐射量预测模型,根据训练后得到的长短期记忆神经网络模型,以预测日之前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角、天气类型作为输入数据,可预测当日的5:00-18:00各整点时刻的太阳辐射量,因此LSTM的时间步长设置为14。
Claims (5)
1.一种基于长短期记忆神经网络的短期光伏发电量预测方法,其特征是包括以下步骤:
(1)获取相关地区光伏系统所接收的太阳辐射量数据及相应的历史气象数据信息,分析并选取影响光伏系统发电量的气象因素;预测每天5:00-18:00各整点时刻的太阳辐射量;所需要获取的历史气象数据信息包括:每天5:00-18:00各整点时刻的温度、湿度、风速、太阳高度角以及天气状况,其中天气状况包括晴天、雨天、阴天;
(2)根据所选取的影响因素,确定长短期记忆神经网络的输入数据和输出数据,建立长短期记忆神经网络模型;利用预测日之前30天相同时刻的太阳辐射量序列来预测该日5:00-18:00各整点时刻的太阳辐射量;模型的输入数据X={SI1 T,TT,HT,WST,SAT,WT},输出数据Y={SI2 T},其中,SI1、T、H、WS、SA分别是预测日前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角,均为14维的向量;W为5:00-18:00各整点时刻天气状况,将天气类型晴天、雨天、阴天分别标记为1、2、3;输出数据SI2是预测日当日5:00-18:00各整点时刻的太阳辐射量;
(3)将太阳辐射量数据和历史气象数据归一化处理后分为测试样本和训练样本,根据训练样本建立长短期记忆神经网络并进行误差计算、权值更新和阈值更新;训练方法采用反向传播算法,并采用误差平方和函数进行代价函数学习;
(4)根据训练后得到的长短期记忆神经网络模型,以预测日之前30天每天5:00-18:00各整点时刻的太阳辐射量、温度、湿度、风速、太阳高度角、天气类型作为输入数据,预测当日的5:00-18:00各整点时刻的太阳辐射量,长短期记忆神经网络的时间步长设置为14;将预测结果反归一化处理即可得到当日的太阳辐射量数据;
(5)利用预测的太阳辐射量数据计算出预测日当日的光伏发电量。
2.根据权利要求1所述的一种基于长短期记忆神经网络的短期光伏发电量预测方法,其特征是所述的步骤(2)中:
每个长短期记忆神经网络记忆单元中含有3个控制门,分别是输入门it、输出门ot和遗忘门ft;长短期记忆神经网络在时刻t的输入数据为xt,输出值为ht,ct为记忆状态;长短期记忆神经网络记忆单元更新如下:
所述的遗忘门ft的计算按下式:
ft=σ(wf×[ht-1,xt]+bf) (1)
式(1)中:wf为t时刻遗忘门ft的权值矩阵;bf为偏置量;σ采用Sigmoid函数;
所述的记忆单元状态值ct的更新分为三部分:第一部分是输入门决定当前输入数据有多少输入到记忆单元中;第二部分是当前输入经过一个tanh层用来生成新的候选状态它作为当前层产生的候选值可能会添加到记忆状态中;最后,记忆单元ct通过输入门it和遗忘门ft对自身状态Ct-1和当前候选记忆状态值进行调节来更新记忆单元状态;
所述的输入门it的计算按下式:
it=σ(wi×[ht-1,xt]+bi) (2)
式(2)中:wi为t时刻输入门it的权值矩阵;bi为偏置量;
所述的记忆单元状态值ct的更新计算按下式:
所述的输出门ot的计算按下式:
ot=σ(wo×[ht-1,xt]+bo) (5)
式(5)中:wo为t时刻输出门ot的权值矩阵;bo为偏置量;
所述的隐藏层输出值ht计算按下式:
ht=ot×tanh(ct) (6)
5.根据权利要求1所述的一种基于长短期记忆神经网络的短期光伏发电量预测方法,其特征是所述的步骤(5)中,对光伏系统的发电量进行计算采用:
PS=ηPVSIr[1-0.005(Tc+25)] (9)
式(9)中:ηPV表示光伏阵列的转换效率,S表示光伏阵列的总面积;Ir表示光伏阵列实际接受到的辐射量;Tc表示光伏阵列组件的温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910947897.1A CN111222674A (zh) | 2019-10-08 | 2019-10-08 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910947897.1A CN111222674A (zh) | 2019-10-08 | 2019-10-08 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222674A true CN111222674A (zh) | 2020-06-02 |
Family
ID=70828940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910947897.1A Pending CN111222674A (zh) | 2019-10-08 | 2019-10-08 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222674A (zh) |
Cited By (16)
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 |
CN111832818A (zh) * | 2020-07-07 | 2020-10-27 | 杭州电子科技大学 | 一种基于相关性分析的lstm网络发电多步预测方法 |
CN112100911A (zh) * | 2020-09-08 | 2020-12-18 | 淮阴工学院 | 一种基于深度bisltm的太阳辐射预测方法 |
CN112132310A (zh) * | 2020-08-11 | 2020-12-25 | 国网浙江宁波市奉化区供电有限公司 | 基于改进lstm的电力设备状态预估方法及装置 |
CN112311078A (zh) * | 2020-11-04 | 2021-02-02 | 华侨大学 | 一种基于信息融合的太阳能负载调节方法和装置 |
CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
CN112949894A (zh) * | 2020-12-10 | 2021-06-11 | 北京工业大学 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
CN113128762A (zh) * | 2021-04-19 | 2021-07-16 | 中国科学院计算机网络信息中心 | 一种多源异构数据的短期光伏发电功率预测方法及系统 |
CN113205226A (zh) * | 2021-05-28 | 2021-08-03 | 河北工业大学 | 一种结合注意力机制以及误差修正的光伏功率预测方法 |
CN113344260A (zh) * | 2021-05-27 | 2021-09-03 | 国网福建省电力有限公司信息通信分公司 | 一种基于数据融合的太阳能光伏功率的预测方法 |
CN113496311A (zh) * | 2021-06-25 | 2021-10-12 | 国网山东省电力公司济宁供电公司 | 光伏电站发电功率预测方法及系统 |
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 |
CN113836814A (zh) * | 2021-09-29 | 2021-12-24 | 南京邮电大学 | 一种基于多流神经网络的太阳能能量预测方法 |
CN114662922A (zh) * | 2022-03-24 | 2022-06-24 | 国网江苏省电力有限公司南通供电分公司 | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 |
CN115660032A (zh) * | 2022-08-31 | 2023-01-31 | 华能江苏综合能源服务有限公司 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
CN115660032B (zh) * | 2022-08-31 | 2024-05-10 | 华能江苏综合能源服务有限公司 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2019
- 2019-10-08 CN CN201910947897.1A patent/CN111222674A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Cited By (23)
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 |
CN111832818A (zh) * | 2020-07-07 | 2020-10-27 | 杭州电子科技大学 | 一种基于相关性分析的lstm网络发电多步预测方法 |
CN111832818B (zh) * | 2020-07-07 | 2023-07-21 | 杭州电子科技大学 | 一种基于相关性分析的lstm网络发电多步预测方法 |
CN112132310A (zh) * | 2020-08-11 | 2020-12-25 | 国网浙江宁波市奉化区供电有限公司 | 基于改进lstm的电力设备状态预估方法及装置 |
CN112100911A (zh) * | 2020-09-08 | 2020-12-18 | 淮阴工学院 | 一种基于深度bisltm的太阳辐射预测方法 |
CN112311078A (zh) * | 2020-11-04 | 2021-02-02 | 华侨大学 | 一种基于信息融合的太阳能负载调节方法和装置 |
CN112311078B (zh) * | 2020-11-04 | 2022-03-22 | 华侨大学 | 一种基于信息融合的太阳能负载调节方法和装置 |
CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
CN112949894A (zh) * | 2020-12-10 | 2021-06-11 | 北京工业大学 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
CN112949894B (zh) * | 2020-12-10 | 2023-09-19 | 北京工业大学 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
CN113128762A (zh) * | 2021-04-19 | 2021-07-16 | 中国科学院计算机网络信息中心 | 一种多源异构数据的短期光伏发电功率预测方法及系统 |
CN113128762B (zh) * | 2021-04-19 | 2022-05-10 | 中国科学院计算机网络信息中心 | 一种多源异构数据的短期光伏发电功率预测方法及系统 |
CN113344260A (zh) * | 2021-05-27 | 2021-09-03 | 国网福建省电力有限公司信息通信分公司 | 一种基于数据融合的太阳能光伏功率的预测方法 |
CN113205226A (zh) * | 2021-05-28 | 2021-08-03 | 河北工业大学 | 一种结合注意力机制以及误差修正的光伏功率预测方法 |
CN113496311A (zh) * | 2021-06-25 | 2021-10-12 | 国网山东省电力公司济宁供电公司 | 光伏电站发电功率预测方法及系统 |
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 |
CN113836814A (zh) * | 2021-09-29 | 2021-12-24 | 南京邮电大学 | 一种基于多流神经网络的太阳能能量预测方法 |
CN113836814B (zh) * | 2021-09-29 | 2024-05-10 | 南京邮电大学 | 一种基于多流神经网络的太阳能能量预测方法 |
CN114662922A (zh) * | 2022-03-24 | 2022-06-24 | 国网江苏省电力有限公司南通供电分公司 | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 |
CN114662922B (zh) * | 2022-03-24 | 2023-12-26 | 国网江苏省电力有限公司南通供电分公司 | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 |
CN115660032A (zh) * | 2022-08-31 | 2023-01-31 | 华能江苏综合能源服务有限公司 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
CN115660032B (zh) * | 2022-08-31 | 2024-05-10 | 华能江苏综合能源服务有限公司 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
CN109284870A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
Tao et al. | Forecasting power output for grid-connected photovoltaic power system without using solar radiation measurement | |
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 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
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 | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
Kayri et al. | Predicting power production from a photovoltaic panel through artificial neural networks using atmospheric indicators | |
CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
Fentis et al. | Short-term PV power forecasting using Support Vector Regression and local monitoring data | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
Li et al. | Photovoltaic array prediction on short-term output power method in centralized power generation system | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN113487064A (zh) | 基于主成分分析和改进lstm的光伏功率预测方法及系统 | |
CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
Chen et al. | Probabilistic Prediction of Photovoltaic Power Using Bayesian Neural Network-LSTM Model |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200602 |