CN111539573A - 一种风光互补离网系统的功率预测方法及系统 - Google Patents
一种风光互补离网系统的功率预测方法及系统 Download PDFInfo
- Publication number
- CN111539573A CN111539573A CN202010344547.9A CN202010344547A CN111539573A CN 111539573 A CN111539573 A CN 111539573A CN 202010344547 A CN202010344547 A CN 202010344547A CN 111539573 A CN111539573 A CN 111539573A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- time
- wind
- 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 81
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000000295 complement effect Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 22
- 230000000737 periodic effect Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06Q50/04—Manufacturing
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风光互补离网系统的功率预测方法及系统，其中该方法根据风光互补离网系统的历史数据，采用DARNN模型进行训练网络的搭建和预测网络的训练，并采用DTSM模型对未来的协变量数据进行预测，再使用预测网络对预测的的未来协变量数据进行预测得到未来的功率输出数据的预测概率，本方法及系统可仅依赖过去若干天的历史数据进行短期预测，无需收集过去数月甚至数年的历史数据，大大降低了数据采集成本；同时对于波动性和随机性较大的时间序列数据有很强的适应性，预测结果较为准确，对比依赖数值天气预报系统的预测方法，成本更低而不失准确性，还能反哺数据用于大规模的精准预测，且可以有效地处理异常值，减小功率预测系统地误差。
Description
技术领域
本发明属于电网功率预测技术领域，具体涉及一种风光互补离网系统的功率预测方法及系统。
背景技术
随着风力和光伏发电技术日臻成熟，风电与光伏的单机容量和并网型发电场规模不断扩大，两种新能源占电力系统发电总量的比例也逐年增加。近年来广大学者对风电以及光伏系统功率预测方法进行了广泛研究，有文献对各功率预测方法进行了综述，归纳总结了功率预测的方法分类，但未有详细介绍组合预测方法，且未明确给出各方法的优缺点及应用范围，仍存在一定局限性。此外，针对功率预测方法，大多研究集中于大型风力或光伏并网型发电场的功率预测方法，鲜有关于离网型系统功率预测的文献。而对于离网型系统功率的准确预测，有助于系统长期稳定运行，减少系统的维护成本以及降低故障概率。在国家大力推广分布式新能源系统的政策背景下，未来会新建大量独立的新能源离网型系统设备。如能提高这类设备的可靠性和降低建造成本，能为我们带来可观的经济效益和社会效益。
短期功率预测一般指预测未来48小时内发电系统的功率输出曲线。现有技术主要依据数值天气预报数据，通过建立历史输入数据与历史输出功率的映射关系，进而获得发电系统输出功率的预测值。现有的发电功率预测系统多基于并网型系统，结构复杂，无法直接移植到离网型系统上。
由于风力和光能时间序列数据会有较大的波动性，使得模型建立和结果的准确预测存在一定困难。此外，数据本身还具有一定的随机性，使异常值不易辨别剔除，导致预测结果误差增大。
目前很多预测方法只将单一变量作为输入数据，而未考虑环境、物理等因素的影响，会给预测带来较大偏差。
我国还没有完善的专门用于功率预测的气象预报系统，己开发的辅助功率预测的数值天气预报系统，积累的历史数据较少，没有经过人为修正，误差较大。即使采用专业的数值天气预报系统服务，但离网型系统一般部署比较分散，采用多地的数据服务价格极高，不利于大规模采用。
发明内容
为了克服上述技术缺陷，本发明提供一种风光互补离网系统的功率预测方法及系统，可仅依赖过去若干天的历史数据进行短期预测，无需收集过去数月甚至数年的历史数据，大大降低了数据采集成本；同时对于波动性和随机性较大的时间序列数据有很强的适应性，预测结果较为准确，对比依赖数值天气预报系统的预测方法，成本更低而不失准确性，还能反哺数据用于大规模的精准预测，且可以有效地处理异常值，减小功率预测系统地误差。
为了解决上述问题，本发明按以下技术方案予以实现的：
一种风光互补离网系统的功率预测方法，其步骤包括：
获取风光互补离网系统在预设时间区间内的功率输出数据和相关参数数据；
将所述功率输出数据作为目标值的历史数据，将所述相关参数数据进行特征工程后作为协变量的历史数据；
根据数据采集频率与预测时间长度设置模型参数，并将所有所述历史数据与数据特征输入DARNN模型，构造训练网络；
对所述训练网络进行迭代训练以得到预测网络；
采用DTSM模型对所述协变量的历史数据进行演算预测，以得到所述预测时间长度内的所述协变量的预测数据；
将所述协变量的预测数据与所有所述历史数据进行连结后输入所述预测网络，迭代预测得到在所述预测时间长度内的目标值的概率预测及其置信区间。
作为本方法的进一步改进，所述功率输出数据的计算公式为：
Psys＝UPIP+UWIW；
其中，Psys为所述功率输出数据；UP为光伏电压；II为光伏电流；UW为风机电压；IW为风机电流。
作为本方法的进一步改进，所述相关参数数据包括辐照度、风速、风向、温度、湿度、日出时间和日落时间；所述特征工程为：
对辐照度、风速、风向、温度以及湿度等数据进行标准化；
利用日出时间和日落时间构造分段函数，即日出后值为1，日落后值为0。
作为本方法的进一步改进，所述训练网络中的所述DARNN模型对表示时间t处的功率输出数据的时间序列的值yt的条件分布进行建模：
其中，
代表未来时间序列中的功率输出数据的预测值，
代表过去时间序列的功率输出数据的历史值，其中t0表示未来与历史时间序列的时间分割点，x1:T则为所有时间范围内的协变量，时间区间[1,t0-1]表示训练区间，[t0,T]表示预测区间；
所述对所述训练网络进行迭代训练以得到预测网络的步骤中，在时间步t，将协变量xt、上一时间步的目标值yt-1以及网络输出ht-1输入所述训练网络，然后将所述训练网络输出ht＝h(ht-1,yt-1,xt,Θ)用于计算似然度l(y|θ)的参数θt＝θ(ht,Θ)，以用于训练所述DARNN模型的模型参数Θ；
所述预测网络进行迭代预测时，在t＜t0的区间内，将时间序列yt的历史数据输入。然后在t≥t0的区间内生成一个样本，并反馈到下一个点，直到t＝to+T时预测结束形成一个样本轨迹，重复此预测过程会产生许多表示联合预测分布的迹线。
作为本方法的进一步改进，所述模型参数Θ可通过最大化对数似然来学习获得：
作为本方法的进一步改进，所述训练网络中的所述DARNN模型对辐照度、风速、风向、温度以及湿度等数据使用高斯似然方法，并使用均值μ和标准差σ参数化高斯似然：θ＝(μ,σ)，其中均值μ由所述训练网络输出的仿射函数确定，标准差σ则通过应用仿射变换和softplus激活函数来获得，以确保σ>0，其公式如下：
作为本方法的进一步改进，所述训练网络中的所述DARNN模型对日出时间和日落时间数据使用二项式似然方法，并使用均值
和形参
参数化二项式似然：
其中均值μ和形参α这两个参数都是从softplus激活的全连接层输出中获取的，以确保其值为正。
作为本方法的进一步改进，所述DTSM模型被简化为两个部分，即趋势项和周期项，其公式组合如下：
y(t)＝g(t)+s(t)+∈t
其中g(t)为趋势函数，用于对时间序列的非周期性变化进行建模；s(t)用于表示周期性变化；误差项∈t表示模型的任何特有变化，通常为一正态分布的量。
作为本方法的进一步改进，所述DTSM模型中，通过明确定义允许增长率改变的变化点，将趋势变化纳入模型，假设在时间点sj(j＝1,…,S)上设有S个变化点，定义增长率调节向量
δj为时间点sj处增长率的变化。定义一个向量：a(t)∈{0,1}S；
则：
其中，时间t处的增长率为k+a(t)Tδ；在调节增长率时，偏置参数m也必须进行调整以连接线段的端点，使用分段的恒定增长率来简化趋势函数，表示为：
g(t)＝(k+a(t)Tδ)t+(m+a(t)Tγ)
其中，变化点j的增长率调整量γj设为-sjδj以满足函数的连续性；
所述DTSM模型中，令Pr为时间序列的期望周期，则可以函数近似任意平滑的周期性影响：
对于所有范围内的时间t，构造一个周期性向量的矩阵以估计2N个参数：β＝[a1,b1,…,aN,bN]T，则周期项可表示为：
将β～Normal(0,σ2)应用于周期项的平滑性先验，将每个所述协变量的历史数据的周期性特征合并到矩阵X以及变化点指标a(t)合并到矩阵A。
本发明还公开了一种风光互补离网系统的功率预测系统，包括：
数据采集装置，用于风光互补离网系统在预设时间区间内的功率输出数据和相关参数数据；
数据演算装置，用于执行如上所述的风光互补离网系统的功率预测方法以对预测时间长度内的功率输出数据进行预测。
相对于现有技术，本发明的有益效果为：
本发明公开了一种风光互补离网系统的功率预测方法及系统，其中该方法根据风光互补离网系统的历史数据，采用DARNN模型进行训练网络的搭建和预测网络的训练，并采用DTSM模型对未来的协变量数据进行预测，再使用预测网络对预测的的未来协变量数据进行预测得到未来的功率输出数据的预测概率，本方法及系统可仅依赖过去若干天的历史数据进行短期预测，无需收集过去数月甚至数年的历史数据，大大降低了数据采集成本；同时对于波动性和随机性较大的时间序列数据有很强的适应性，预测结果较为准确，对比依赖数值天气预报系统的预测方法，成本更低而不失准确性，还能反哺数据用于大规模的精准预测，且可以有效地处理异常值，减小功率预测系统地误差。
附图说明
图1是本发明的实施例1中所述风光互补离网系统的功率预测方法的步骤示意图；
图2是本发明的实施例1中所述DARNN模型的结构示意图；
图3是本发明的实施例1中所述实施方案最终的预测结果的示意图。
图4是本发明的实施例2中所述风光互补离网系统的功率预测系统的功能模块示意图。
图5是本发明的实施例2中所述现有的风光互补离网系统的模块组成示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
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定义和解释。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例1
如图1所示，本实施例公开了一种风光互补离网系统的功率预测方法，其步骤包括：
S1、获取风光互补离网系统在预设时间区间内的功率输出数据和相关参数数据。具体的在本实施例中，功率输出数据的计算公式为：
Psys＝UPIP+UWIW；
其中，Psys为功率输出数据；UP为光伏电压；IP为光伏电流；UW为风机电压；IW为风机电流。
S2、将功率输出数据作为目标值的历史数据，将相关参数数据进行特征工程后作为协变量的历史数据。
具体的，协变量xt可以是项目相关的，时间相关的或两者同时相关。它们可用于提供有关项目或模型的时间点的其他信息。只要特征值在预测区间内可用，它们可以用来包含期望影响结果的协变量。
本实施例法中共设置两类数据特征：动态实数型特征以及动态计数型特征。动态实数型特征即随时间动态变化的实数型数据特征，例如辐照度、温度等数据；动态计数型特征即随时间动态变化的计数型数据特征，例如表示电路开关状态的代码0与1等数据。
具体的在本实施例中，相关参数数据包括辐照度、风速、风向、温度、湿度、日出时间和日落时间。其中，对相关参数数据进行特征工程的过程包括：
S21、对辐照度、风速、风向、温度以及湿度等数据进行标准化。
S22、利用日出时间和日落时间构造分段函数，即日出后值为1，日落后值为0。
S3、根据数据采集频率与预测时间长度设置模型参数，并将所有历史数据与数据特征输入DARNN模型，构造训练网络。
S4、对训练网络进行迭代训练以得到预测网络。
具体的在本实施例中，训练网络中的DARNN模型对表示时间t处的功率输出数据的时间序列的值yt的条件分布进行建模：
其中，
代表未来时间序列中的功率输出数据的预测值，
代表过去时间序列的功率输出数据的历史值，其中t0表示未来与历史时间序列的时间分割点，x1:T则为所有时间范围内的协变量，时间区间[1,t0-1]表示训练区间，[t0,T]表示预测区间。
具体的在本实施例中，DARNN模型的结构可参照图2所示，上一时间步的目标值yt-1以及网络输出ht-1输入训练网络，然后将训练网络输出ht＝h(ht-1,yt-1,xt,Θ)用于计算似然度l(y|θ)的参数θt＝θ(ht,Θ)，以用于训练DARNN模型的模型参数Θ。所述预测网络进行迭代预测时，在t＜t0的区间内，将时间序列yt的历史数据输入。然后在t≥t0的区间内生成一个样本，并反馈到下一个点，直到t＝to+T时预测结束形成一个样本轨迹，重复此预测过程会产生许多表示联合预测分布的迹线。
具体的在本实施例中，训练网络中的DARNN模型假定模型分布
包含了一系列似然因子的乘积：
并由自回归循环神经网络的输出ht进行参数化
ht＝h(ht-1,yt-1,xt,Θ)
其中h是由具有长短期记忆细胞的多层循环神经网络实现的函数。模型将最后一个时间步的观测值yt作为输入，即反馈先前的网络输出ht-1作为下一时间步的输入。似然度l(yt|θ(ht))是一个固定分布，其参数由网络输出ht的函数θ(ht,Θ)给定。
给定模型参数Θ，我们通过先前采样直接获得联合样本
首先，透过时间步t＝1,…,t0计算得到
然后，当t≥t0时，使用
以及
对
进行初始化，再对
进行采样。以此方式获得的模型样本可以根据需求做相应的量化分析。
似然用于衡量模型中的不确定性，应根据数据的统计学属性进行匹配。本实施例中对计量型数据使用高斯似然方法，对正计数型数据使用二项式似然方法。
具体的在本实施例中，训练网络中的DARNN模型对辐照度、风速、风向、温度以及湿度等数据使用高斯似然方法，并使用均值μ和标准差σ参数化高斯似然：θ＝(μ，σ)，其中均值μ由训练网络输出的仿射函数确定，标准差σ则通过应用仿射变换和softplus激活函数来获得，以确保σ>0，其公式如下：
具体的在本实施例中，训练网络中的DARNN模型对日出时间和日落时间数据使用二项式似然方法，并使用均值
和形参
参数化二项式似然：
其中均值μ和形参α这两个参数都是从softplus激活的全连接层输出中获取的，以确保其值为正。
具体的在本实施例中，给定一个时间序列{y1:T}及其协变量x1:T，包含循环神经网络的参数h(·)和参数θ(·)的模型参数Θ可通过最大化对数似然来学习获得：
由于ht是输入的确定性函数，因此可以观察到计算上式中所需的所有量，并且可通过计算相对于Θ的梯度下降来直接进行随机梯度优化。网络训练的伪代码为：
S5、采用DTSM模型对协变量的历史数据进行演算预测，以得到预测时间长度内的协变量的预测数据。
需要注意的是，本实施例中的步骤S5中的DTSM模型的预测步骤可以与上述步骤同步进行，并非必须在步骤S4之后运行。
具体的在本实施例中，DTSM模型被简化为两个部分，即趋势项和周期项，其公式组合如下：
y(t)＝g(t)+s(t)+∈t
其中g(t)为趋势函数，用于对时间序列的非周期性变化进行建模。s(t)用于表示周期性变化。误差项∈t表示模型的任何特有变化，通常为一正态分布的量。
具体的在本实施例中，DTSM模型中通过明确定义允许增长率改变的变化点，将趋势变化纳入模型，假设在时间点sj(j＝1,…,S)上设有S个变化点，定义增长率调节向量
δj为时间点sj处增长率的变化。定义一个向量：a(t)∈{0,1}S。
则：
其中，时间t处的增长率为k+a(t)Tδ。在调节增长率时，偏置参数m也必须进行调整以连接线段的端点，使用分段的恒定增长率来简化趋势函数，表示为：
g(t)＝(k+a(t)Tδ)t+(m+a(t)Tγ)
其中，变化点j的增长率调整量γj设为-sjδj以满足函数的连续性。
具体的，可以根据实际的数据类型指定变化点sj，也可以交由模型自动选择。自动选择通过对上式中的δ定义稀疏先验实现，即先在一个周期内设置大量变化点并使用先验δ～Laplace(0,τ)，其中参数τ直接控制模型在改变其增长率时的灵活性。这样δ的稀疏先验对原始增长率k没有影响，因此当τ变为0时，拟合会降低到标准增长。
具体的，DTSM模型中，由于风光互补离网系统的功率输出主要受天气影响，故而其中会包含一定的周期性变化。模型中的周期性影响可以使用傅里叶级数去模化(Harvey&Shphard,1993)。令Pr为时间序列的期望周期，则可以函数近似任意平滑的周期性影响：
对于所有范围内的时间t，构造一个周期性向量的矩阵以估计2N个参数：β＝[a1,b1,…,aN,bN]T，则周期项可表示为：
将β～Normal(0,σ2)应用于周期项的平滑性先验，将每个协变量的历史数据的周期性特征合并到第一矩阵X以及变化点指标a(t)合并到第二矩阵A，模型拟合的伪代码如下所示：
S6、将协变量的预测数据与所有历史数据进行连结后输入预测网络，迭代预测得到在预测时间长度内的目标值的概率预测及其置信区间。
具体的，DARNN经过训练后，得到了条件分布预测器：
假设预测长度为Tpl，则期待获得的预测器为：
为了达到目标，需要知道协变量
的值。由于在风光互补离网系统的功率预测中，协变量一般为辐照度、温度等值，因而可以用DTSM模型对每一协变量进行预测，得到时间[T,T+Tpl]内协变量的预测值。然后将预测得到的协变量与历史数据连结，而将预测区间内的功率值设置为零，得到同样长度的协变量与目标值。最后将所有数据输入并迭代训练，便可得到预测区间内功率输出的概率预测。
本实施例还公开了上述功率预测方法的一种具体的实施方案，其包括以下步骤：
通过数据采集系统按一定频率f获得过去7天的数据，包括光伏电压UP、光伏电流IP、风机电压UW、风机电流IW、辐照度R、风速V、风向D、温度K、湿度H、日出时间TR以及日落时间TS，并存储与数据库；
风光互补离网系统的功率输出为Psys＝UPIP+UWIW，将计算后得到的时间序列Psys作为目标值的历史数据，其他数据作为协变量；
对数据进行特征工程，对辐照度、风速、风向、温度以及湿度这些动态实数型数据进行标准化，利用日出日落时间这些动态计数型构造分段函数，即日出后值为1，日落后值为0；
根据数据采集频率与预测长度设置模型参数，并将所有历史数据与数据特征输入DARNN模型，构造训练网络；
数据增广可以根据输入的数据生成额外特征，可按需创建；
设定迭代次数，对网络进行训练得到预测网络；
并列地对每一协变量使用DTSM进行预测，预测长度与DARNN中设定的预测长度一致，得到预测后的辐照度序列R′、风速序列V′、风向序列D′、温度序列K′、湿度序列H′，日出日落序列TRS′可以根据系统所在地实际计算得到；
将拟合或计算后的协变量与历史数据连结，同时将预测区间内的目标值序列Psys′设置为零，得到同样长度的目标值序列和协变量序列；
将连结后的所有数据输入预测网络，迭代训练后便得到目标值的概率预测及其置信区间，将数据还原后便可得到原单位的数值。
上述实施方案最终的预测结果可参照图3，由图可见，通过实施本实施例中的功率预测方法，可以达到极为准确的预测效果。
可选的，可使用深度状态空间模型(Deep State Space Model,DSSM)或具有随机效应的深度因子模型(Deep Factor Model with Random Effects,DFM)替代本实施例中的深度自回归循环神经网络DARNN网络，或可使用自回归积分滑动平均模型(AutoregressiveIntegrated Moving Average model,ARIMA)或指数平滑法(Exponential Smoothing,ETS)替代可分解时间序列模型DTSM，同样可以达到出色的预测效果。
本实施例中公开的功率预测方法，总体来说具有以下优点：
1、可用于独立的风光互补离网系统，亦可用于多个系统组成的网络；
2、可仅依赖过去若干天的历史数据进行短期预测，无需收集过去数月甚至数年的历史数据，降低数据采集成本；
3、对于波动性和随机性较大的时间序列数据有很强的适应性，预测结果较为准确；
4、对比依赖数值天气预报系统的预测方法，成本更低而不失准确性，还能反哺数据用于大规模的精准预测；
5、可以有效地处理异常值，减小功率预测系统地误差；
6、预测系统既可装载于终端设备，也可装载于服务器，方便开发者因地制宜进行部署。
实施例2
如图4所示，本实施例公开了一种风光互补离网系统的功率预测系统，包括数据采集装置1和数据演算装置2。具体的，数据采集装置1用于风光互补离网系统在预设时间区间内的功率输出数据和相关参数数据，数据演算装置2用于执行如实施例1中所述的风光互补离网系统的功率预测方法以对预测时间长度内的功率输出数据进行预测。
具体的，如图5所示，现有的风光互补离网系统由以下六个部分组成：
发电系统，包括风力发电机和光伏组件，负责将风能和太阳能转化为电流。
控制系统，包括控制器、通讯器和逆变器，负责控制系统终端电流的输入输出和网络通讯。
传感系统，包括各式传感器，负责各类数字信号的采集。
蓄电池，负责储蓄电能以及对系统供电。
负载，可分为直流负载和交流负载，是消耗电能的主体。
网络应用系统，包括数据库、云服务器等云端网络应用，用于实现数据存储、设备管理、云计算等功能。
本实施例中的功率预测系统的一种可行的实施方式为，将上述传感系统、控制系统和网络应用系统作为数据采集装置1，其中传感器将感受测量的信息按一定规律转化为电信号输入到控制器，控制器将信号处理后流转至通讯器，通讯器通过MQTT或其他协议将数据信息上传到云服务器，云服务器将数据信息解析后再存储到数据库，再将预存有功率预测方法的算法代码的服务器作为数据演算装置2，执行如实施例1中所述的风光互补离网系统的功率预测方法以对预测时间长度内的功率输出数据进行预测。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可查看存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上详细描述了本发明的较佳具体实施例，应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明构思在现有技术基础上通过逻辑分析、推理或者根据有限的实验可以得到的技术方案，均应该在由本权利要求书所确定的保护范围之中。
Claims (10)
1.一种风光互补离网系统的功率预测方法，其特征在于，其步骤包括：
获取风光互补离网系统在预设时间区间内的功率输出数据和相关参数数据；
将所述功率输出数据作为目标值的历史数据，将所述相关参数数据进行特征工程后作为协变量的历史数据；
根据数据采集频率与预测时间长度设置模型参数，并将所有所述历史数据与数据特征输入DARNN模型，构造训练网络；
对所述训练网络进行迭代训练以得到预测网络；
采用DTSM模型对所述协变量的历史数据进行演算预测，以得到所述预测时间长度内的所述协变量的预测数据；
将所述协变量的预测数据与所有所述历史数据进行连结后输入所述预测网络，迭代预测得到在所述预测时间长度内的目标值的概率预测及其置信区间。
2.根据权利要求1所述的风光互补离网系统的功率预测方法，其特征在于，所述功率输出数据的计算公式为：
Psys＝UPIP+UWIW；
其中，Psys为所述功率输出数据；UP为光伏电压；IP为光伏电流；UW为风机电压；IW为风机电流。
3.根据权利要求1所述的风光互补离网系统的功率预测方法，其特征在于，所述相关参数数据包括辐照度、风速、风向、温度、湿度、日出时间和日落时间；所述特征工程为：
对辐照度、风速、风向、温度以及湿度等数据进行标准化；
利用日出时间和日落时间构造分段函数，即日出后值为1，日落后值为0。
4.根据权利要求3所述的风光互补离网系统的功率预测方法，其特征在于，所述训练网络中的所述DARNN模型对表示时间t处的功率输出数据的时间序列的值yt的条件分布进行建模：
其中，
代表未来时间序列中的功率输出数据的预测值，
代表过去时间序列的功率输出数据的历史值，其中t0表示未来与历史时间序列的时间分割点，x1：T则为所有时间范围内的协变量，时间区间[1，t0-1]表示训练区间，[t0，T]表示预测区间；
所述对所述训练网络进行迭代训练以得到预测网络的步骤中，在时间步t，将协变量xt、上一时间步的目标值yt-1以及网络输出ht-1输入所述训练网络，然后将所述训练网络输出ht＝h(ht-1，yt-1，xt，Θ)用于计算似然度l(y|θ)的参数θt＝θ(ht，Θ)，以用于训练所述DARNN模型的模型参数Θ；
所述预测网络进行迭代预测时，在t＜t0的区间内，将时间序列yt的历史数据输入。然后在t≥t0的区间内生成一个样本，并反馈到下一个点，直到t＝to+T时预测结束形成一个样本轨迹，重复此预测过程会产生许多表示联合预测分布的迹线。
5.根据权利要求4中所述的风光互补离网系统的功率预测方法，其特征在于，所述模型参数Θ可通过最大化对数似然来学习获得：
6.根据权利要求5中所述的风光互补离网系统的功率预测方法，其特征在于，所述训练网络中的所述DARNN模型对辐照度、风速、风向、温度以及湿度等数据使用高斯似然方法，并使用均值μ和标准差σ参数化高斯似然：θ＝(μ，σ)，其中均值μ由所述训练网络输出的仿射函数确定，标准差σ则通过应用仿射变换和softplus激活函数来获得，以确保σ＞0，其公式如下：
7.根据权利要求6中所述的风光互补离网系统的功率预测方法，其特征在于，所述训练网络中的所述DARNN模型对日出时间和日落时间数据使用二项式似然方法，并使用均值
和形参
参数化二项式似然：
其中均值μ和形参α这两个参数都是从softplus激活的全连接层输出中获取的，以确保其值为正。
8.根据权利要求7所述的风光互补离网系统的功率预测方法，其特征在于，所述DTSM模型被简化为两个部分，即趋势项和周期项，其公式组合如下：
y(t)＝g(t)+s(t)+∈t
其中g(t)为趋势函数，用于对时间序列的非周期性变化进行建模；s(t)用于表示周期性变化；误差项∈t表示模型的任何特有变化，通常为一正态分布的量。
9.根据权利要求8所述的风光互补离网系统的功率预测方法，其特征在于，所述DTSM模型中，通过明确定义允许增长率改变的变化点，将趋势变化纳入模型，假设在时间点sj(j＝1，...，S)上设有S个变化点，定义增长率调节向量
δj为时间点sj处增长率的变化。定义一个向量：a(t)∈{0，1}S；
则：
其中，时间t处的增长率为k+a(t)Tδ；在调节增长率时，偏置参数m也必须进行调整以连接线段的端点，使用分段的恒定增长率来简化趋势函数，表示为：
g(t)＝(k+a(t)Tδ)t+(m+a(t)Tγ)
其中，变化点j的增长率调整量γj设为-sjδj以满足函数的连续性；
所述DTSM模型中，令Pr为时间序列的期望周期，则可以函数近似任意平滑的周期性影响：
对于所有范围内的时间t，构造一个周期性向量的矩阵以估计2N个参数：β＝[a1，b1，...，aN，bN]T，则周期项可表示为：
将β～Normal(0，σ2)应用于周期项的平滑性先验，将每个所述协变量的历史数据的周期性特征合并到矩阵X以及变化点指标a(t)合并到矩阵A。
10.一种风光互补离网系统的功率预测系统，包括：
数据采集装置，用于风光互补离网系统在预设时间区间内的功率输出数据和相关参数数据；
数据演算装置，用于执行如权利要求1-9中任一项所述的风光互补离网系统的功率预测方法以对预测时间长度内的功率输出数据进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010344547.9A CN111539573B (zh) | 2020-04-27 | 2020-04-27 | 一种风光互补离网系统的功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010344547.9A CN111539573B (zh) | 2020-04-27 | 2020-04-27 | 一种风光互补离网系统的功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539573A true CN111539573A (zh) | 2020-08-14 |
| CN111539573B CN111539573B (zh) | 2022-09-30 |
Family
ID=71977365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010344547.9A Active CN111539573B (zh) | 2020-04-27 | 2020-04-27 | 一种风光互补离网系统的功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539573B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022087745A1 (en) * | 2020-10-30 | 2022-05-05 | Element Ai Inc. | Covariate processing with neural network execution blocks |
| CN114757418A (zh) * | 2022-04-18 | 2022-07-15 | 广州市香港科大霍英东研究院 | 共享单车需求量预测模型的训练方法、系统和设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| US20170031867A1 (en) * | 2014-04-04 | 2017-02-02 | Siemens Aktiengesellschaft | Combining Multiple Trending Models for Photovoltaics Plant Output Forecasting |
| 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 |
| CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
-
2020
- 2020-04-27 CN CN202010344547.9A patent/CN111539573B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170031867A1 (en) * | 2014-04-04 | 2017-02-02 | Siemens Aktiengesellschaft | Combining Multiple Trending Models for Photovoltaics Plant Output Forecasting |
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| 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 |
| CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 牛哲文等: "基于深度门控循环单元神经网络的短期风功率预测模型", 《电力自动化设备》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022087745A1 (en) * | 2020-10-30 | 2022-05-05 | Element Ai Inc. | Covariate processing with neural network execution blocks |
| CN114757418A (zh) * | 2022-04-18 | 2022-07-15 | 广州市香港科大霍英东研究院 | 共享单车需求量预测模型的训练方法、系统和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539573B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
| Ren et al. | Optimal parameters selection for BP neural network based on particle swarm optimization: A case study of wind speed forecasting | |
| CN110738344B (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
| CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| Park et al. | Multi-layer RNN-based short-term photovoltaic power forecasting using IoT dataset | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| CN111539573B (zh) | 一种风光互补离网系统的功率预测方法及系统 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
| WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质 | |
| CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及系统 | |
| CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
| CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| Mohanty et al. | Artificial intelligence based forecasting & optimization of solar cell model | |
| Quang et al. | Applying Artificial Intelligence in Forecasting the Output of Industrial Solar Power Plant in Vietnam | |
| Yarlagadda et al. | Power system state estimation and forecasting using cnn based hybrid deep learning models | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
| CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
| CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 | |
| CN116384574A (zh) | 一种基于w-lstm的非参数负荷区间预测方法 |
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 |