CN111626465A - 一种新能源功率短期区间预测方法及系统 - Google Patents
一种新能源功率短期区间预测方法及系统 Download PDFInfo
- Publication number
- CN111626465A CN111626465A CN202010265593.XA CN202010265593A CN111626465A CN 111626465 A CN111626465 A CN 111626465A CN 202010265593 A CN202010265593 A CN 202010265593A CN 111626465 A CN111626465 A CN 111626465A
- Authority
- CN
- China
- Prior art keywords
- new energy
- energy power
- prediction
- data
- similar day
- 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 68
- 238000012545 processing Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000013215 result calculation Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005096 rolling process 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种新能源功率短期区间预测方法及系统,涉及电力系统新能源功率短期预测技术领域,利用模糊聚类算法对新能源功率数据进行相似日序列数据聚类,并利用混合LSTM学习器对聚类后的各类新能源功率数据进行训练与自适应滚动预测,最后结合比例系数法获得新能源功率的区间预测结果。采用本发明提供的方法或系统可实现自适应实时预测,并提高了新能源功率短期区间预测精度。
Description
技术领域
本发明涉及电力系统新能源功率短期预测技术领域,特别是涉及一种新能源功率短期区间预测方法及系统。
背景技术
近年来,中国风电、光伏等新能源快速发展,取得了举世瞩目的成就,但与此同时,新能源消纳的矛盾日益突出,弃风弃光率逐年上升的困境亟待解决。弃风弃光已成为当今社会各界关注的焦点,如何破解弃风弃光困局,特别是“三北”地区的弃风弃光问题,事关中国今后新能源的健康发展和节能减排目标的顺利实现。高精度的新能源功率预测有利于统筹规划新能源消纳与电力市场建设,是缓解新能源消纳困境的技术保障。
新能源功率短期预测方法主要包含四个步骤:数据预处理、预测模型构建、新能源功率预测、预测结果分析。对于数据预处理步骤,传统的新能源功率短期预测方法中常采取异常数据清洗或小波分析法进行处理,该处理没有充分挖掘新能源功率数据潜在的特性,限制了最终预测精确度的上限;对于预测模型构建步骤,传统的新能源功率短期预测方法往往仅利用了单一的学习器对新能源功率进行预测,该方法难以克服单一学习器的内在缺陷,不利于预测精度的提高;预测结果分析步骤,传统新能源功率短期预测方法往往是利用经验来对预测结果进行分析,该方法存在人为考虑不周和难以据此做出合理决策的问题。这些问题的存在限制了新能源功率短期预测的预测精度,并且无法给出预测结果的分布区间,难以使电力工作人员据此制定合理决策。
发明内容
本发明的目的是提供一种新能源功率短期区间预测方法及系统,以提高新能源功率短期预测精度。
为实现上述目的,本发明提供了如下方案:
一种新能源功率短期区间预测方法,包括:
获取新能源功率样本数据,并通过模糊聚类算法对所述新能源功率样本数据进行处理,构建各类相似日序列原始数据;其中,所述新能源功率样本数据包括新能源功率原始数据和所述新能源功率原始数据对应时间点的影响因子原始数据;所述相似日序列原始数据包括同类别的新能源功率原始数据和所述同类别的新能源功率原始数据对应时间点的影响因子原始数据;
根据各类所述相似日序列原始数据构建与所述相似日序列原始数据对应的跟随预测节点的相似日序列自动更新数据;
构建混合LSTM新能源功率短期预测模型,并利用各类所述相似日序列自动更新数据作为所述混合LSTM新能源功率短期预测模型的输入数据进行训练与预测,得到训练好的混合LSTM新能源功率短期预测模型;所述训练好的混合LSTM新能源功率短期预测模型包括每类所述相似日序列自动更新数据对应的训练好的LSTM学习器;
确定待预测时间以及所述待预测时间内各个待预测节点和所述待预测节点对应的相似日序列作为预测输入数据,并根据所述训练好的混合LSTM新能源功率短期预测模型、各个所述待预测节点以及所述预测输入数据,确定所述待预测时间对应的预测结果;所述预测结果为待预测的新能源功率数值;
根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果。
可选的,所述通过模糊聚类算法对所述新能源功率样本数据进行处理,构建各类相似日序列原始数据,具体包括:
对所述新能源功率样本数据进行标准化处理;
对标准化处理后的新能源功率样本数据建立模糊相似关系,并用相似矩阵表示;
根据模糊理论求解所述相似矩阵,并通过求解后的相似矩阵的模糊等价关系矩阵,采用直接聚类法进行聚类,分析筛选得到对应的相似日聚类结果,然后依据所述相似日聚类结果构建各类相似日序列原始数据。
可选的,所述构建混合LSTM新能源功率短期预测模型,并利用各类所述相似日序列自动更新数据作为所述混合LSTM新能源功率短期预测模型的输入数据进行训练与预测,得到训练好的混合LSTM新能源功率短期预测模型,具体包括:
根据各类所述相似日序列自动更新数据构建相应的LSTM学习器;其中,各个LSTM学习器具有相同的拓扑结构,不同的权系数;
将所述相似日序列自动更新数据输入至对应的LSTM学习器进行模型训练与参数调优,得到训练好的混合LSTM新能源功率短期预测模型。
可选的,所述根据所述训练好的混合LSTM新能源功率短期预测模型、各个所述待预测节点以及所述预测输入数据,确定所述待预测时间对应的预测结果,具体包括:
计算每个所述待预测节点与各类所述相似日序列自动更新数据的聚类中心的欧氏距离,并以欧氏距离最短所对应的所述相似日序列自动更新数据的类别作为所述待预测节点的相似日序列类别;
将所述预测输入数据输入至利用所述待预测节点的相似日序列类别对应的训练好的LSTM学习器中进行预测,得到各个所述待预测节点对应的预测结果;
利用模型融合对各个所述待预测节点对应的预测结果进行处理,得到所述待预测时间对应的预测结果。
可选的,所述根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果,具体包括:
构建目标函数;所述目标函数是以预测区间有效率为目标的函数;所述目标函数为其中,ξFIEI为预测区间有效率;λ、η和μ为控制参数,可以根据实际需要设定,η为区间覆盖率的惩罚系数,λ为累积偏差率的惩罚系数,μ为给定的置信水平;ξMWP为平均宽度百分比;当预测区间有效率的计算结果小于0时,ξFIEI值取0;
利用网格搜索算法,确定所述目标函数最大时对应的放大比例系数和缩小比例系数;
根据所述预测结果、所述放大比例系数和所述缩小比例系数,计算新能源功率短期区间预测结果。
可选的,在根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果之后,还包括:
对所述新能源功率短期区间预测结果进行分析,确定源荷协同优化控制决策。
一种新能源功率短期区间预测系统,包括:
相似日序列原始数据构建模块,用于获取新能源功率样本数据,并通过模糊聚类算法对所述新能源功率样本数据进行处理,构建各类相似日序列原始数据;其中,所述新能源功率样本数据包括新能源功率原始数据和所述新能源功率原始数据对应时间点的影响因子原始数据;所述相似日序列原始数据包括同类别的新能源功率原始数据和所述同类别的新能源功率原始数据对应时间点的影响因子原始数据;
相似日序列自动更新数据构建模块,用于根据各类所述相似日序列原始数据构建与所述相似日序列原始数据对应的跟随预测节点的相似日序列自动更新数据;
模型训练模块,用于构建混合LSTM新能源功率短期预测模型,并利用各类所述相似日序列自动更新数据作为所述混合LSTM新能源功率短期预测模型的输入数据进行训练与预测,得到训练好的混合LSTM新能源功率短期预测模型;所述训练好的混合LSTM新能源功率短期预测模型包括每类所述相似日序列自动更新数据对应的训练好的LSTM学习器;
待预测时间对应的预测结果确定模块,用于确定待预测时间以及所述待预测时间内各个待预测节点和所述待预测节点对应的相似日序列作为预测输入数据,并根据所述训练好的混合LSTM新能源功率短期预测模型、各个所述待预测节点以及所述预测输入数据,确定所述待预测时间对应的预测结果;所述预测结果为待预测的新能源功率数值;
新能源功率短期区间预测结果计算模块,用于根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果。
可选的,所述相似日序列原始数据构建模块,具体包括:
样本数据获取单元,用于获取新能源功率样本数据;
标准化处理单元,用于对所述新能源功率样本数据进行标准化处理;
相似矩阵确定单元,用于对标准化处理后的新能源功率样本数据建立模糊相似关系,并用相似矩阵表示;
相似日序列原始数据构建单元,用于根据模糊理论求解所述相似矩阵,并通过求解后的相似矩阵的模糊等价关系矩阵,采用直接聚类法进行聚类,分析筛选得到对应的相似日聚类结果,然后依据所述相似日聚类结果构建各类相似日序列原始数据。
可选的,所述新能源功率短期区间预测结果计算模块,具体包括:
目标函数构建单元,用于构建目标函数;所述目标函数是以预测区间有效率为目标的函数;所述目标函数为其中,ξFIEI为预测区间有效率;λ、η和μ为控制参数,可以根据实际需要设定,η为区间覆盖率的惩罚系数,λ为累积偏差率的惩罚系数,μ为给定的置信水平;ξMWP为平均宽度百分比;当预测区间有效率的计算结果小于0时,ξFIEI值取0;
比例系数确定单元,用于利用网格搜索算法,确定所述目标函数最大时对应的放大比例系数和缩小比例系数;
新能源功率短期区间预测结果计算单元,用于根据所述预测结果、所述放大比例系数和所述缩小比例系数,计算新能源功率短期区间预测结果。
可选的,还包括:
源荷协同优化控制决策确定模块,用于对所述新能源功率短期区间预测结果进行分析,确定源荷协同优化控制决策。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明主要解决的技术问题是针对上述现有技术的不足,提供了一种基于模糊聚类和混合LSTM的新能源功率短期区间预测方法及系统。针对现有的新能源功率短期预测方法难以充分利用新能源功率数据中的潜在价值,单一预测模型预测精度有限和预测结果难以分析并给出决策不合理等问题,利用了模糊聚类算法对新能源功率数据进行相似日序列聚类,并利用由多个LSTM学习器构成的混合LSTM模型对新能源功率数据进行训练与自适应滚动预测,最后结合比例系数法实现新能源功率的区间预测,可实现自适应实时预测,并提高了新能源功率短期区间预测精度。
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,还可以根据这些附图获得其他的附图。
图1为本发明实施例新能源功率短期区间预测方法的流程图;
图2为本发明实施例新能源功率短期区间预测方法的结构框图;
图3为本发明实施例LSTM的计算节点示意图;
图4为本发明实施例提供的输入数据滚动窗口设置图;
图5为本发明实施例新能源功率短期区间预测系统的结构图。
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。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明的目的是提供一种基于模糊聚类和混合LSTM的新能源功率短期区间预测方法及系统,以提高新能源功率短期预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1和2所示,本实施例提供的新能源功率短期区间预测方法包括如下步骤。
步骤101:获取新能源功率样本数据,并通过模糊聚类算法对所述新能源功率样本数据进行处理,构建各类相似日序列原始数据。其中,所述新能源功率样本数据包括新能源功率原始数据和所述新能源功率原始数据对应时间点的影响因子原始数据;所述相似日序列原始数据包括同类别的新能源功率原始数据和所述同类别的新能源功率原始数据对应时间点的影响因子原始数据。具体步骤如下:
步骤1.1:对所述新能源功率样本数据进行标准化处理,即对新能源功率原始数据以及其对应时间点的影响因子原始数据进行标准化处理,标准化处理公式如公式(1)所示:
式中,i表示样本数量,k表示第i个样本数据中的第k个数据,xi'k为第i个样本数据中第k个原始数据,x'kmax、x'kmin为所有样本数据中第k个数据的最大值和最小值,xik为第i个样本数据中第k个标准化后数据,m为样本总数量。
由于各种数据之间的量纲、单位和数值大小各异,故需按公式(1)进行标准化处理。假设本实施例采用样本数据为2年的新能源功率原始数据,则样本数量为730,数据标准化过程需要考虑新能源功率原始数据与其影响因子间的近大远小特性来分配权重,距离预测日越近权重越大,距离预测日越远权重越小。
步骤1.2:对步骤1.1标准化处理后的新能源功率样本数据建立模糊相似关系,并用相似矩阵R=[rij]表示;其中,rij=μR(ui,uj)表示ui与uj按其性质相似的程度,rij确定公式如公式(2)所示:
式中,n表示每个样本数据中的数据个数,xik表示第i个样本数据中的第k个数据,xjk表示第j个样本数据中的第k个数据。
步骤1.3:根据模糊理论求出步骤1.2所建立的相似矩阵R=[rij],并通过求解后的相似矩阵R的模糊等价关系矩阵R*,采用直接聚类法进行聚类,分析筛选得到对应的相似日聚类结果,然后依据相似日聚类结果构建各类相似日序列原始数据。其中,每类相似日序列原始数据的均值为该相似日聚类结果的聚类中心,以便步骤3.1中确定待预测节点的所属相似日类别。
聚类水平θ的大小直接影响聚类结果,当θ从1降至0时,分类由细变粗逐渐归并,形成一个动态的聚类图,实际中可根据需要的类别数目和类别容量选取合适的值。根据聚类情况计算每类相似日序列原始数据的均值作为该聚类结果的聚类中心,以便步骤3.1中确定待预测节点的所属相似日类别,按公式(3)求出各类的聚类中心。
步骤102:根据各类所述相似日序列原始数据构建与所述相似日序列原始数据对应的跟随预测节点的相似日序列自动更新数据。
步骤103:构建混合LSTM新能源功率短期预测模型,并利用各类所述相似日序列自动更新数据作为所述混合LSTM新能源功率短期预测模型的输入数据进行训练与预测,得到训练好的混合LSTM新能源功率短期预测模型。所述训练好的混合LSTM新能源功率短期预测模型包括每类所述相似日序列自动更新数据对应的训练好的LSTM学习器。
具体步骤如下:
对步骤102得到的各类所述相似日序列自动更新数据构建相应的LSTM学习器并进行模型训练与参数调优,得到训练好的混合LSTM新能源功率短期预测模型;其中,各个LSTM学习器具有相同的拓扑结构,不同的权系数。
本实施例中的LSTM学习器的拓扑结构为神经元数目80个、隐藏层数目1层、全连接,LSTM学习器的参数中损失函数采用“MAE”方式,其余所调节的参数包含迭代次数、批次、优化器优化算法等。
LSTM算法的计算节点示意图如图3所示,计算节点由输入门、输出门、遗忘门和Cell组成,其中Cell是计算节点核心,用以记录当前时刻状态,t时刻遗忘门计算公式如式(4)所示:
根据遗忘门ac(t)计算t时刻Cell的输出,其计算公式如式(5)所示:
SC(t)=bm(t)SC(t-1)+bl(t)g(aC(t)) (5)
式(5)中,bl(t)g(ac(t))是t时刻遗忘门aC(t)映射的乘积,bm(t)SC(t-1)是t时刻遗忘门与t-1时刻Cell状态输出的乘积,g(·)为映射函数。
步骤104:确定待预测时间以及所述待预测时间内各个待预测节点和所述待预测节点对应的相似日序列作为预测输入数据,并根据所述训练好的混合LSTM新能源功率短期预测模型、各个所述待预测节点以及所述预测输入数据,确定所述待预测时间对应的预测结果;所述预测结果为待预测的新能源功率数值。
步骤4.1:计算待预测节点与各类相似日序列自动更新数据的聚类中心的欧氏距离,并以欧氏距离最短所对应的相似日序列自动更新数据的类别作为待预测节点的相似日序列类别,然后将所述预测输入数据输入至利用所述待预测节点的相似日序列类别对应的训练好的LSTM学习器中进行预测,得到各个所述待预测节点对应的预测结果。
欧氏距离的公式如式(6)所示:
对于每个LSTM学习器,根据所属的类别,选择不同的学习样本进行训练。假设聚类后某类别包含有m个相似的天,其中时间尺度为15分钟,一天96个时间节点的数据构成一个样本数据,Xi=(xi1,xi2,...,xi96),i=1,2,...,m为第i天的新能源功率Yi=(yi1,yi2,...,yi96),i=1,2,...,m为第i+1天的新能源功率,则训练该LSTM学习器的学习样本构成如下:
样本1:输入x11,...,x196,输出y11;
样本2:输入x12,...,x196,y11,输出y12;
...
样本96:输入x196,y11,...,y195,输出y196;
样本97:输入x21,...,x296,输出y21;
...
样本192:输入x296,y21,...,y295,输出y296;
用这种方法构成学习样本训练LSTM学习器后,实质上这个LSTM就形成了一种从输入到输出的高度非线性映射关系。根据此映射关系,以前一天96点新能源功率为输入数据,得出第2天第一个15min时间点的数据,并逐步递推,可预测出第2天全天96点的新能源功率。
初始输入数据为已有的历史新能源功率数据,当一次预测结束后,则将该时间节点的预测结果加入历史数据末端以作为输入数据的一部分进行下一个时间节点的预测,即采用步骤102所述的方法,进行数据的自动更新。
当一天96个时间节点全部预测结束,则可以得到待预测日一天96个节点的新能源功率数据。
经步骤4.1确定待预测节点所属相似日类别后,利用所属相似日类别对应的训练好的LSTM学习器进行预测,预测过程对模型参数进行动态自适应调优,为了让训练好的LSTM学习器适应风电、光伏发电随机性和波动性强的特征,各网络模型必须不断进行权值更新,即在每次完成了预测后,相应类别的长短期记忆网络重新训练网络,以实现模型参数的动态自适应调优。
步骤4.2:利用模型融合对各个所述待预测节点对应的预测结果进行处理,得到最终预测结果,即根据各待预测节点相对应的时间顺序进行组合得到最终的预测结果,即待预测时间的新能源功率数值。
步骤105:根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果。具体为:
构建目标函数;所述目标函数是以预测区间有效率为目标的函数。
利用网格搜索算法,确定所述目标函数最大时对应的放大比例系数和缩小比例系数。
根据所述预测结果、所述放大比例系数和所述缩小比例系数,计算新能源功率短期区间预测结果。
步骤106:对所述新能源功率短期区间预测结果进行分析,确定源荷协同优化控制决策,实现源荷协同优化控制。
与现有技术相比,进一步地,步骤101中通过模糊聚类算法分析筛选相似日构建各类相似日序列原始数据的具体改进如下:模糊聚类分析过程中不仅考虑了新能源功率数据与其影响因子,同时考虑了新能源功率数据与其影响因子间的近大远小特性,并按该特性对影响因子分配权重,距离预测日越近权重越大,距离预测日越远权重越小。
与现有技术相比,进一步地,所述步骤102中所构建能够实现跟随预测节点的相似日序列自动更新数据作为模型输入数据的具体改进如下:每获取一组相应时间尺度的新能源功率及其影响因子的数据,则将该组数据加入输入序列,并剔除原输入序列中时间最早的一组相应时间尺度数据,输入序列跟随预测节点自动更新。其滚动窗口设置如图4所示。
与现有技术相比,进一步地,所述步骤103中构建混合LSTM新能源功率短期预测模型并进行训练与预测的具体改进如下:不同于传统新能源功率短期预测方法仅利用一个学习器进行训练与预测,本发明同时利用多组LSTM学习器对各类相似日序列自动更新数据进行分组训练并预测,每组LSTM学习器的权系数均通过计算机网格参数调优算法设置为适应各组的相似日序列自动更新数据的最佳值;同时各组LSTM学习器跟随实时更新的输入数据自动更新训练并调节最优权系数。
与现有技术相比,进一步地,所述步骤105中根据预测结果结合比例系数法得到新能源功率短期区间预测结果的具体改进如下:将预测结果中的数值分别放大比例系数α和缩小比例系数β作为预测区间的初始上界和下界,进而确定新能源功率短期区间预测结果。比例系数法的数学表达式为如式(7)所示:
式(7)中,yi是第i个输入样本xi对应的输出预测值,U(xi)和L(xi)为对应输入样本xi构建的预测区间的上界和下界,α和β为需要确定的两个比例系数。
传统预测区间评估指标主要包括区间覆盖率ξcp、平均宽度百分比ξMWP和累积偏差率ξAD。
区间覆盖率ξcp公式如式(8)所示:
式(8)中,N为预测样本的个数,ci为布尔量,当第i个预测值在上下界之间则为1,否则为0。
平均宽度百分比ξMWP公式如式(9)所示:
式(9)中,N为预测样本的个数,U(xi)和L(xi)为对应输入样本xi构建的预测区间的上界和下界。
累积偏差率ξAD的公式如式(10)所示:
式(10)中,N为预测样本的个数,σi表示观测值偏离预测区间的上界(或下界)的程度。
本发明在传统区间预测评估指标,即式(8)、(9)、(10)的基础上进行改进,提出了一种预测区间有效率ξFIEI作为新能源功率区间预测的评估指标,具体公式如式(11)所示:
式(11)中,λ,η和μ为ξFIEI的3个控制参数,可以根据实际需要设定;λ和η分别为ξAD和ξCP的惩罚系数,μ为给定的置信水平。当ξFIEI的计算结果小于0时,ξFIEI值取0,因此ξFIEI式中在[0,100%)范围内取值,ξFIEI值越大,可认为预测区间质量越高。
将预测区间有效率ξFIEI作为目标函数,利用网格搜索算法寻找能使ξFIEI最大时的α和β,并根据寻优得到的该最优比例系数计算得到预测集的预测区间上下界,结合比例系数法的负荷区间预测法,当预测值能近似无偏估计真实值时,构建的预测区间近似以预测值为中心对称且区间宽度小。当由预测值估计真实值存在较大偏差时,预测区间则不再对称且区间宽度大。其中,α和β由公式(7)给出,公式(7)中的上下界变量均为公式(8)-(10)评价指标的计算变量,公式(11)由公式(8)-(10)推导得到,所以此处包含前后计算关系。
网格搜索算法是对变量进行循环计算来寻找最优结果对应点的变量值方法。此处对α和β进行循环计算找出α和β的最优值。
实施例二
为实现上述目的,本实施例明还提供了一种新能源功率短期区间预测系统,如图5所示,包括:
相似日序列原始数据构建模块201,用于获取新能源功率样本数据,并通过模糊聚类算法对所述新能源功率样本数据进行处理,构建各类相似日序列原始数据;其中,所述新能源功率样本数据包括新能源功率原始数据和所述新能源功率原始数据对应时间点的影响因子原始数据;所述相似日序列原始数据包括同类别的新能源功率原始数据和所述同类别的新能源功率原始数据对应时间点的影响因子原始数据。
相似日序列自动更新数据构建模块202,用于根据各类所述相似日序列原始数据构建与所述相似日序列原始数据对应的跟随预测节点的相似日序列自动更新数据。
模型训练模块203,用于构建混合LSTM新能源功率短期预测模型,并利用各类所述相似日序列自动更新数据作为所述混合LSTM新能源功率短期预测模型的输入数据进行训练与预测,得到训练好的混合LSTM新能源功率短期预测模型;所述训练好的混合LSTM新能源功率短期预测模型包括每类所述相似日序列自动更新数据对应的训练好的LSTM学习器。
待预测时间对应的预测结果确定模块204,用于确定待预测时间以及所述待预测时间内各个待预测节点和所述待预测节点对应的相似日序列作为预测输入数据,并根据所述训练好的混合LSTM新能源功率短期预测模型、各个所述待预测节点以及所述预测输入数据,确定所述待预测时间对应的预测结果;所述预测结果为待预测的新能源功率数值。
新能源功率短期区间预测结果计算模块205,用于根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果。
源荷协同优化控制决策确定模块206,用于对所述新能源功率短期区间预测结果进行分析,确定源荷协同优化控制决策。
所述相似日序列原始数据构建模块201,具体包括:
样本数据获取单元,用于获取新能源功率样本数据。
标准化处理单元,用于对所述新能源功率样本数据进行标准化处理。
相似矩阵确定单元,用于对标准化处理后的新能源功率样本数据建立模糊相似关系,并用相似矩阵表示。
相似日序列原始数据构建单元,用于根据模糊理论求解所述相似矩阵,并通过求解后的相似矩阵的模糊等价关系矩阵,采用直接聚类法进行聚类,分析筛选得到对应的相似日聚类结果,然后依据所述相似日聚类结果构建各类相似日序列原始数据。
所述新能源功率短期区间预测结果计算模块205,具体包括:
目标函数构建单元,用于构建目标函数;所述目标函数是以预测区间有效率为目标的函数;所述目标函数为其中,ξFIEI为预测区间有效率;λ、η和μ为控制参数,可以根据实际需要设定,η为区间覆盖率的惩罚系数,λ为累积偏差率的惩罚系数,μ为给定的置信水平;ξMWP为平均宽度百分比;当预测区间有效率的计算结果小于0时,ξFIEI值取0。
比例系数确定单元,用于利用网格搜索算法,确定所述目标函数最大时对应的放大比例系数和缩小比例系数。
新能源功率短期区间预测结果计算单元,用于根据所述预测结果、所述放大比例系数和所述缩小比例系数,计算新能源功率短期区间预测结果。
本发明提出一种基于模糊聚类和混合LSTM的新能源功率短期区间预测方法及系统,利用模糊聚类算法筛选相似日序列得到模型的最佳输入样本,充分利用了原始数据中的有用信息,同时减少了模型的输入样本数,有效提高了预测模型的计算效率;采用的预测模型是一种混合LSTM学习模型,其预测结果在聚合过程中可以抵消单个预测器产生的各种误差,有利于提高预测结果精度,具有在线自主学习能力,模型参数在日前预测、时前预测前根据在线更新的输入序列实现动态自适应调整,较传统预测方法有较高的日前预测精度和时前预测精度;结合比例系数法实现了新能源功率的短期区间预测,有利于电力系统决策人员依据负荷区间预测结果做出更加合理的决策,从而实现源荷协同的优化控制。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种新能源功率短期区间预测方法,其特征在于,包括:
获取新能源功率样本数据,并通过模糊聚类算法对所述新能源功率样本数据进行处理,构建各类相似日序列原始数据;其中,所述新能源功率样本数据包括新能源功率原始数据和所述新能源功率原始数据对应时间点的影响因子原始数据;所述相似日序列原始数据包括同类别的新能源功率原始数据和所述同类别的新能源功率原始数据对应时间点的影响因子原始数据;
根据各类所述相似日序列原始数据构建与所述相似日序列原始数据对应的跟随预测节点的相似日序列自动更新数据;
构建混合LSTM新能源功率短期预测模型,并利用各类所述相似日序列自动更新数据作为所述混合LSTM新能源功率短期预测模型的输入数据进行训练与预测,得到训练好的混合LSTM新能源功率短期预测模型;所述训练好的混合LSTM新能源功率短期预测模型包括每类所述相似日序列自动更新数据对应的训练好的LSTM学习器;
确定待预测时间以及所述待预测时间内各个待预测节点和所述待预测节点对应的相似日序列作为预测输入数据,并根据所述训练好的混合LSTM新能源功率短期预测模型、各个所述待预测节点以及所述预测输入数据,确定所述待预测时间对应的预测结果;所述预测结果为待预测的新能源功率数值;
根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果。
2.根据权利要求1所述的一种新能源功率短期区间预测方法,其特征在于,所述通过模糊聚类算法对所述新能源功率样本数据进行处理,构建各类相似日序列原始数据,具体包括:
对所述新能源功率样本数据进行标准化处理;
对标准化处理后的新能源功率样本数据建立模糊相似关系,并用相似矩阵表示;
根据模糊理论求解所述相似矩阵,并通过求解后的相似矩阵的模糊等价关系矩阵,采用直接聚类法进行聚类,分析筛选得到对应的相似日聚类结果,然后依据所述相似日聚类结果构建各类相似日序列原始数据。
3.根据权利要求1所述的一种新能源功率短期区间预测方法,其特征在于,所述构建混合LSTM新能源功率短期预测模型,并利用各类所述相似日序列自动更新数据作为所述混合LSTM新能源功率短期预测模型的输入数据进行训练与预测,得到训练好的混合LSTM新能源功率短期预测模型,具体包括:
根据各类所述相似日序列自动更新数据构建相应的LSTM学习器;其中,各个LSTM学习器具有相同的拓扑结构,不同的权系数;
将所述相似日序列自动更新数据输入至对应的LSTM学习器进行模型训练与参数调优,得到训练好的混合LSTM新能源功率短期预测模型。
4.根据权利要求1所述的一种新能源功率短期区间预测方法,其特征在于,所述根据所述训练好的混合LSTM新能源功率短期预测模型、各个所述待预测节点以及所述预测输入数据,确定所述待预测时间对应的预测结果,具体包括:
计算每个所述待预测节点与各类所述相似日序列自动更新数据的聚类中心的欧氏距离,并以欧氏距离最短所对应的所述相似日序列自动更新数据的类别作为所述待预测节点的相似日序列类别;
将所述预测输入数据输入至利用所述待预测节点的相似日序列类别对应的训练好的LSTM学习器中进行预测,得到各个所述待预测节点对应的预测结果;
利用模型融合对各个所述待预测节点对应的预测结果进行处理,得到所述待预测时间对应的预测结果。
5.根据权利要求1所述的一种新能源功率短期区间预测方法,其特征在于,所述根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果,具体包括:
构建目标函数;所述目标函数是以预测区间有效率为目标的函数;所述目标函数为其中,ξFIEI为预测区间有效率;λ、η和μ为控制参数,可以根据实际需要设定,η为区间覆盖率的惩罚系数,λ为累积偏差率的惩罚系数,μ为给定的置信水平;ξMWP为平均宽度百分比;当预测区间有效率的计算结果小于0时,ξFIEI值取0;
利用网格搜索算法,确定所述目标函数最大时对应的放大比例系数和缩小比例系数;
根据所述预测结果、所述放大比例系数和所述缩小比例系数,计算新能源功率短期区间预测结果。
6.根据权利要求1所述的一种新能源功率短期区间预测方法,其特征在于,在根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果之后,还包括:
对所述新能源功率短期区间预测结果进行分析,确定源荷协同优化控制决策。
7.一种新能源功率短期区间预测系统,其特征在于,包括:
相似日序列原始数据构建模块,用于获取新能源功率样本数据,并通过模糊聚类算法对所述新能源功率样本数据进行处理,构建各类相似日序列原始数据;其中,所述新能源功率样本数据包括新能源功率原始数据和所述新能源功率原始数据对应时间点的影响因子原始数据;所述相似日序列原始数据包括同类别的新能源功率原始数据和所述同类别的新能源功率原始数据对应时间点的影响因子原始数据;
相似日序列自动更新数据构建模块,用于根据各类所述相似日序列原始数据构建与所述相似日序列原始数据对应的跟随预测节点的相似日序列自动更新数据;
模型训练模块,用于构建混合LSTM新能源功率短期预测模型,并利用各类所述相似日序列自动更新数据作为所述混合LSTM新能源功率短期预测模型的输入数据进行训练与预测,得到训练好的混合LSTM新能源功率短期预测模型;所述训练好的混合LSTM新能源功率短期预测模型包括每类所述相似日序列自动更新数据对应的训练好的LSTM学习器;
待预测时间对应的预测结果确定模块,用于确定待预测时间以及所述待预测时间内各个待预测节点和所述待预测节点对应的相似日序列作为预测输入数据,并根据所述训练好的混合LSTM新能源功率短期预测模型、各个所述待预测节点以及所述预测输入数据,确定所述待预测时间对应的预测结果;所述预测结果为待预测的新能源功率数值;
新能源功率短期区间预测结果计算模块,用于根据所述预测结果,结合比例系数法,计算新能源功率短期区间预测结果。
8.根据权利要求7所述的一种新能源功率短期区间预测系统,其特征在于,所述相似日序列原始数据构建模块,具体包括:
样本数据获取单元,用于获取新能源功率样本数据;
标准化处理单元,用于对所述新能源功率样本数据进行标准化处理;
相似矩阵确定单元,用于对标准化处理后的新能源功率样本数据建立模糊相似关系,并用相似矩阵表示;
相似日序列原始数据构建单元,用于根据模糊理论求解所述相似矩阵,并通过求解后的相似矩阵的模糊等价关系矩阵,采用直接聚类法进行聚类,分析筛选得到对应的相似日聚类结果,然后依据所述相似日聚类结果构建各类相似日序列原始数据。
9.根据权利要求7所述的一种新能源功率短期区间预测系统,其特征在于,所述新能源功率短期区间预测结果计算模块,具体包括:
目标函数构建单元,用于构建目标函数;所述目标函数是以预测区间有效率为目标的函数;所述目标函数为其中,ξFIEI为预测区间有效率;λ、η和μ为控制参数,可以根据实际需要设定,η为区间覆盖率的惩罚系数,λ为累积偏差率的惩罚系数,μ为给定的置信水平;ξMWP为平均宽度百分比;当预测区间有效率的计算结果小于0时,ξFIEI值取0;
比例系数确定单元,用于利用网格搜索算法,确定所述目标函数最大时对应的放大比例系数和缩小比例系数;
新能源功率短期区间预测结果计算单元,用于根据所述预测结果、所述放大比例系数和所述缩小比例系数,计算新能源功率短期区间预测结果。
10.根据权利要求7所述的一种新能源功率短期区间预测系统,其特征在于,还包括:
源荷协同优化控制决策确定模块,用于对所述新能源功率短期区间预测结果进行分析,确定源荷协同优化控制决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010265593.XA CN111626465B (zh) | 2020-04-07 | 2020-04-07 | 一种新能源功率短期区间预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010265593.XA CN111626465B (zh) | 2020-04-07 | 2020-04-07 | 一种新能源功率短期区间预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626465A true CN111626465A (zh) | 2020-09-04 |
CN111626465B CN111626465B (zh) | 2023-10-27 |
Family
ID=72259697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010265593.XA Active CN111626465B (zh) | 2020-04-07 | 2020-04-07 | 一种新能源功率短期区间预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626465B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493052A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 多模型融合自适应新能源功率预测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106485368A (zh) * | 2016-11-04 | 2017-03-08 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
-
2020
- 2020-04-07 CN CN202010265593.XA patent/CN111626465B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493052A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 多模型融合自适应新能源功率预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111626465B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
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 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
Sheng et al. | Short-term load forecasting based on SARIMAX-LSTM | |
Barzola-Monteses et al. | Energy consumption of a building by using long short-term memory network: a forecasting study | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN113705922B (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
Chen et al. | A multivariate grey RBF hybrid model for residual useful life prediction of industrial equipment based on state data | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN110598947A (zh) | 一种基于改进布谷鸟-神经网络算法的负荷预测方法 | |
CN111626465B (zh) | 一种新能源功率短期区间预测方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN111563614A (zh) | 一种基于自适应神经网络与tlbo算法的负荷预测方法 | |
Gao et al. | Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network | |
CN115689001A (zh) | 基于模式匹配的短期负荷预测方法 | |
CN111401638B (zh) | 基于极限学习机与负荷密度指标法的空间负荷预测方法 | |
CN113902492A (zh) | 一种分时电价预测方法及系统 | |
Wang et al. | Short term load forecasting: A dynamic neural network based genetic algorithm optimization | |
Wen et al. | Short-Term Power Load Forecasting with Hybrid TPA-BiLSTM Prediction Model Based on CSSA. | |
Liu et al. | A Short-Term Load Forecasting Method using Integrated SVR and LSTM Network | |
Liu et al. | A PSO-RBF neural network for BOD multi-step prediction in wastewater treatment process |
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 |