CN111695601A - 光伏功率预测方法、装置、设备及可读存储介质 - Google Patents
光伏功率预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111695601A CN111695601A CN202010415193.2A CN202010415193A CN111695601A CN 111695601 A CN111695601 A CN 111695601A CN 202010415193 A CN202010415193 A CN 202010415193A CN 111695601 A CN111695601 A CN 111695601A
- Authority
- CN
- China
- Prior art keywords
- weather forecast
- historical data
- photovoltaic power
- photovoltaic
- neural network
- 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 75
- 238000003062 neural network model Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 15
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000000513 principal component analysis Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于光伏发电技术领域,公开了光伏功率预测方法、装置、设备及可读存储介质,包括以下步骤:将气象预报历史数据和气象预报‑光伏历史数据分别进行相似日聚类,构建初始LSTM神经网络模型和初始BP神经网络模型,并通过若干类气象预报‑光伏历史数据集和若干类气象预报历史数据集分类训练得到得到若干类LSTM神经网络模型和若干类BP神经网络模型;然后确定待预测时间段的气象预报数据所属的气象预报‑光伏历史数据集和气象预报历史数据集,通过对应类别的LSTM神经网络模型和BP神经网络模型得到第一光伏功率预测结果和第二光伏功率预测结果并进行加权平均,得到最终的光伏功率预测结果。本方法结合BP神经网络与LSTM神经网络,有效提高光伏功率预测精度。
Description
技术领域
本发明属于光伏发电技术领域,涉及一光伏功率预测方法、装置、设备及可读存储介质。
背景技术
近年来,太阳能开发利用已成为全球能源转型的重要领域,光伏发电全面进入规模化发展阶段,呈现出良好的发展前景。与此同时,光伏发电也面临着出力受气象等因素影响较大,具有较强的间歇性和波动性等问题,制约着高比例光伏发电在电网中的应用。若能准确进行光伏发电出力预测,不仅可以提高光伏电站运营效率,而且可以帮助调度部门调整运行方式,确保高比例光伏接入后电力系统的安全稳定与经济运行。
光伏发电功率受环境因素的影响很大,在不同的天气环境中表现出不同的发电特点,因此对于光伏发电功率预测可以采用分类预测的方式,即分别按照季节或天气类型建立预测模型,如此可使预测精度有一定的提升,但将预测模型按照一个天气因素划分,没有考虑到各个环境因素相互影响的结果,这样的分类方式略显粗糙,根据分类得到的预测模型其针对性不显著,导致预测精度较低。同时,光伏发电输出功率是典型的时间序列数据,LSTM(长短期记忆网络)在处理和预测时间序列数据方面有良好的表现,但这主要是表现在单步预测方面,就光伏发电输出功率预测的相关行业标准或者企业标准而言,一般都需要具备短期预测功能,一般需预测未来0~24h的光伏出力功率,以及超短期预测功能,一般需预测未来4h光伏出力功率,对这种多步预测问题,LSTM的表现往往不太理想,光伏发电功率预测结果较实际情况偏差较大。
发明内容
本发明的目的在于克服上述现有技术光伏发电功率预测精度低的缺点,提供一种光伏功率预测方法、装置、设备及可读存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
本发明第一方面,一种光伏功率预测方法,包括以下步骤:
S1:将气象预报历史数据和气象预报-光伏历史数据分别进行相似日聚类,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集;其中,气象预报-光伏历史数据为气象预报历史数据和时间上对应的光伏功率历史数据的结合;
S2:构建初始LSTM神经网络模型,并通过若干类气象预报-光伏历史数据集分类训练初始LSTM神经网络模型,得到若干类LSTM神经网络模型;
S3:构建初始BP神经网络模型,并通过若干类气象预报历史数据集分类训练初始BP神经网络模型,得到若干类BP神经网络模型;
S4:确定待预测时间段的气象预报数据所属的气象预报-光伏历史数据集,并将待预测时间段前预设时间的光伏功率历史数据输入对应类别的LSTM神经网络模型得到第一光伏功率预测结果;
S5:确定待预测时间段的气象预报数据所属的气象预报历史数据集,并将待预测时间段的气象预报数据输入对应类别的BP神经网络模型得到第二光伏功率预测结果;
S6:将第一光伏功率预测结果和第二光伏功率预测结果进行加权平均,得到待预测时间段的光伏功率预测结果。
本发明光伏功率预测方法进一步的改进在于:
所述S1的具体方法为:
S1-1:将光伏功率历史数据和气象预报历史数据分别进行归一化处理,得到归一化光伏功率历史数据和归一化气象预报历史数据;
S1-2:将归一化气象预报历史数据和时间上对应的归一化光伏功率历史数据结合,得到归一化气象预报-光伏历史数据;
S1-3:通过PCA算法将归一化气象预报历史数据和归一化气象预报-光伏历史数据进行降维处理,得到降维气象预报历史数据集和降维气象预报-光伏历史数据集;
S1-4:通过K值平均法将降维气象预报历史数据根据相似度聚类,得到若干类气象预报历史数据集;通过K值平均法将降维气象预报-光伏历史数据根据相似度聚类,得到若干类气象预报-光伏历史数据集。
所述S1-1中归一化处理的具体方法为:
将光伏功率历史数据和气象预报历史数据分别进行缺失值的插值处理和超范围值的限值处理,得到预处理光伏功率历史数据和预处理气象预报历史数据;
然后通过式(1)进行气象预报历史数据的归一化处理,得到归一化气象预报历史数据x:
其中,xr为预处理气象预报历史数据,xmin预处理气象预报历史数据的最小值,xmax为预处理气象预报历史数据的最大值;
然后通过式(2)进行光伏功率历史数据的归一化处理,得到归一化光伏功率历史数据p:
其中,pr为预处理光伏功率历史数据,pmin为预处理光伏功率历史数据的最小值,pmax为预处理光伏功率历史数据的最大值。
所述S1-3的具体方法为:
S1-3-1:通过式(3)将待处理数据去中心化,得到去中心化后的待处理数据w′i=(w′i1,w′i2,...,w′im0):
其中,wi为待处理数据,m0为待处理数据的数据维度;
S1-3-2:计算N个去中心化后的待处理数据w′i的协方差矩阵W′W′T;其中W′=(w′1;w′2,…,w′N),W′T为W′的转置矩阵;
S1-3-3:对协方差矩阵W′W′T做特征值分解,得到m0个特征值以及m0个特征值对应的m0个特征向量;
S1-3-4:取最大的m个特征值及m个特征值对应的m个特征向量组成投影矩阵;
S1-3-6:将归一化气象预报历史数据和归一化气象预报-光伏历史数据分别作为待处理数据进行S1-3-1至S1-3-5,得到降维气象预报历史数据集和降维气象预报-光伏历史数据集。
所述S1-4的具体方法为:
S1-4-1:从降维待处理数据集中随机选取一个降维待处理数据作为第一个簇中心;
S1-4-2:计算每个降维待处理数据与第一个簇中心之间的最短距离其中,为每个降维待处理数据的第i个特征,ci为第一个簇中心的第i个特征,计算每个降维待处理数据被选为下个簇中心的概率然后产生一个0~1的随机数,将随机数依次与比较,直到大于随机数,则当前对应的降维待处理数据为下一个簇中心;
S1-4-3:重复S1-4-2,直至确定降维待处理数据集中所有的簇中心;
S1-4-4:根据每个降维待处理数据与所有簇中心的距离,将每个降维待处理数据与其距离最小的簇中心组合,得到k个簇C={C1,C2,...Ck};
S1-4-6:重复S1-4-4和S1-4-5,直到达到预先设定的迭代次数或每次重复后簇中心变化距离小于预设值;
S1-4-7:确定最终的每个簇的簇中心以及所有降维待处理数据所属的簇,每簇作为一类,得到若干类降维待处理数据集;
S1-4-8:将降维气象预报历史数据集和降维气象预报-光伏历史数据集分别作为降维待处理数据集进行S1-4-1至S1-4-7,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集。
所述S2的具体方法为:
S2-1:通过LSTM算法构建初始LSTM神经网络模型;
S2-2:将气象预报-光伏历史数据输入LSTM神经网络模型,获得LSTM模型预测值和预测误差,预测误差为LSTM模型预测值与实际光伏功率的差值;
S2-3:计算LSTM模型预测值与实际光伏功率均方根误差,并根据均方根误差采用带批量的随机梯度下降方法调整初始LSTM神经网络模型的神经元参数;
S2-4:重复预设次数的S2-2至S2-3,得到LSTM神经网络模型;
S2-5:将若干类气象预报-光伏历史数据集按类别依次重复S2-2至S2-4,得到若干类LSTM神经网络模型;
所述S3的具体方法为:
S3-1:通过BP算法构建初始BP神经网络模型;
S3-2:将气象预报历史数据输入BP神经网络模型,获得BP模型预测值和预测误差,预测误差为BP模型预测值与实际光伏功率的差值;
S3-3:计算BP模型预测值与实际光伏功率均方根误差,并根据均方根误差采用带批量的随机梯度下降方法调整初始BP神经网络模型的神经元参数;
S3-4:重复预设次数的S3-2至S3-3,得到BP神经网络模型;
S3-5:将若干类气象预报历史数据集按类别依次重复S3-2至S3-3,得到若干类BP神经网络模型。
所述S4的具体方法为:根据待预测时间段的气象预报数据与若干类气象预报-光伏历史数据集的中心之间的距离,将待预测时间段的气象预报数据分类至距离最近的一类气象预报-光伏历史数据集,并选取该类气象预报-光伏历史数据集对应类别的LSTM神经网络模型;然后将待预测时间段前预设时间的光伏功率历史数据输入该LSTM神经网络模型,得到第一光伏功率预测结果;
所述S5的具体方法为:根据待预测时间段的气象预报数据与若干类气象预报历史数据集的中心之间的距离,将待预测时间段的气象预报数据分类至距离最近的一类气象预报历史数据集,并选取该类气象预报历史数据集对应类别的BP神经网络模型;然后将待预测时间段的气象预报数据输入该BP神经网络模型,得到第二光伏功率预测结果。
本发明第二方面,一种光伏功率预测装置,包括:
相似日聚类模块,用于将气象预报历史数据和气象预报-光伏历史数据分别进行相似日聚类,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集;其中,气象预报-光伏历史数据为气象预报历史数据和时间上对应的光伏功率历史数据的结合;
LSTM神经网络模型模块,用于构建初始LSTM神经网络模型,并通过若干类气象预报-光伏历史数据集分类训练初始LSTM神经网络模型,得到若干类LSTM神经网络模型;
BP神经网络模型模块,用于构建初始BP神经网络模型,并通过若干类气象预报历史数据集分类训练初始BP神经网络模型,得到若干类BP神经网络模型;
第一预测模块,用于确定待预测时间段的气象预报数据所属的气象预报-光伏历史数据集,并将待预测时间段前预设时间的光伏功率历史数据输入对应类别的LSTM神经网络模型得到第一光伏功率预测结果;
第二预测模块,用于确定待预测时间段的气象预报数据所属的气象预报历史数据集,并将待预测时间段的气象预报数据输入对应类别的BP神经网络模型得到第二光伏功率预测结果;
以及第三预测模块,用于将第一光伏功率预测结果和第二光伏功率预测结果进行加权平均,得到待预测时间段的光伏功率预测结果。
本发明第三方面,一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述光伏功率预测方法的步骤。
本发明第四面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述光伏功率预测方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明光伏功率预测方法,首先将气象预报历史数据和气象预报-光伏历史数据分别进行相似日聚类,根据不同气象条件进行相似日聚类,然后分类训练预测模型,使得预测模型对各种天气情况都有良好的适应性,较传统的单一预测模型而言,能够有效的降低不同天气类型对预测模型的影响,使最终建立的模型更具针对性,进而显著提高各种非理想天气情况下光伏功率预测的精度。同时,建立了LSTM神经网络模型和BP神经网络模型两种预测模型,通过LSTM神经网络模型进行超短期预测,通过BP神经网络模型短期预测,并且这两种预测模型的聚类数据和输入变量不同,短期预测的聚类数据为气象预报历史数据和光伏功率历史数据,超短期预测的聚类数据只包含气象预报历史数据,由此降低不同天气类型对不同预测模型的影响,使最终建立的模型更具针对性,通过将两种预测模型的预测结果加权平均,不仅充分发挥LSTM神经网络在短步长的多步预测中的效果,而且综合考虑了待预测时段的气象预报数据和待预测时段前的光伏功率历史数据,规避LSTM神经网络在多步预测中步长较大使得精度较低的问题,进一步的提升了光伏功率预测精度。
进一步的,采用PCA算法将归一化气象预报历史数据和归一化气象预报-光伏历史数据进行降维处理,有效降低用于聚类的数据的维度,缩短聚类时的计算量,抑制噪声及无效信息对聚类结果的影响。
附图说明
图1为本发明实施例光伏功率预测方法的流程框图;
图2为本发明实施例的预测结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明光伏功率预测方法,基于相似日聚类以及BP神经网络与LSTM神经网络的结合,具有较高的光伏发电功率预测精度,具体包括以下步骤:
S1:将气象预报历史数据和气象预报-光伏历史数据分别进行相似日聚类,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集;其中,气象预报-光伏历史数据为气象预报历史数据和时间上对应的光伏历史数据的结合。
S2:构建初始LSTM神经网络模型,并通过若干类气象预报-光伏历史数据集分类训练初始LSTM神经网络模型,得到若干类LSTM神经网络模型。
S3:构建初始BP神经网络模型,并通过若干类气象预报历史数据集分类训练初始BP神经网络模型,得到若干类BP神经网络模型。
S4:确定待预测时间段的气象预报数据所属的气象预报-光伏历史数据集,并将待预测时间段前预设时间的光伏功率历史数据输入对应类别的LSTM神经网络模型得到第一光伏功率预测结果。
S5:确定待预测时间段的气象预报数据所属的气象预报历史数据集,并将待预测时间段的气象预报数据输入对应类别的BP神经网络模型得到第二光伏功率预测结果。
S6:将第一光伏功率预测结果和第二光伏功率预测结果进行加权平均,得到待预测时间段的光伏功率预测结果。其中,加权平均的系数根据第一光伏预测结果和第二光伏预测结果的预测精度确定。下面详细介绍本发明光伏功率预测方法的每一步。
其中,相似日聚类的具体方法如下:
S1-1:将光伏功率历史数据和气象预报历史数据分别进行归一化处理,得到归一化光伏功率历史数据和归一化气象预报历史数据。
具体的,对光伏功率历史数据和气象预报历史数据进行预处理,主要包括对缺失值的插值处理,对超范围值的限值处理,然后进行数据的归一化处理,气象预报历史数据通常有辐照度,云层覆盖量,温度以及降雨量等,对于每种气象预报历史数据,设定其最大值和最小值,然后通过式(1)进行气象预报历史数据的归一化处理,得到归一化气象预报历史数据x:
其中,xr为预处理气象预报历史数据,xmin预处理气象预报历史数据的最小值,xmax为预处理气象预报历史数据的最大值。
通过式(2)进行光伏功率历史数据的归一化处理,得到归一化光伏功率历史数据p:
其中,pr为预处理光伏功率历史数据,pmin为预处理光伏功率历史数据的最小值,pmax为预处理光伏功率历史数据的最大值。
S1-2:将归一化气象预报历史数据和时间上对应的归一化光伏历史数据结合,得到归一化气象预报-光伏历史数据。
S1-3:通过PCA算法将归一化气象预报历史数据和归一化气象预报-光伏历史数据进行降维处理,得到降维气象预报历史数据集和降维气象预报-光伏历史数据集。
将经过归一化处理后的共N天的气象预报历史数据或气象预报-光伏历史数据组成矩阵其中代表第i天的气象预报历史数据或气象预报-光伏历史数据,初始的样本数据有m0个特征,需移除信息量较少甚至无效信息维度,滤除初始的历史气象预测数据噪声,为此相似日聚类前对参与聚类的数据采用主成分分析法(Principal Component Analysis,PCA)进行降维处理,以降低数据的特征维度,减少无关特征对样本分类的影响,使数据维度减少为m。具体包括以下步骤:
其中,wi为待处理数据,m0为待处理数据的数据维度;
S1-3-2:计算N个去中心化后的待处理数据w′i的协方差矩阵W′W′T;其中W′=(w′1;w′2,…,w′N),W′T为W′的转置矩阵;
S1-3-3:对协方差矩阵W′W′T做特征值分解,得到m0个特征值以及m0个特征值对应的m0个特征向量;
S1-3-4:取最大的m个特征值及m个特征值对应的m个特征向量组成投影矩阵;
S1-3-6:将归一化气象预报历史数据和归一化气象预报-光伏历史数据分别作为待处理数据进行S1-3-1至S1-3-5,得到降维气象预报历史数据集和降维气象预报-光伏历史数据集。
S1-4:通过K值平均法将降维气象预报历史数据根据相似度聚类,得到若干类气象预报历史数据集;通过K值平均法将降维气象预报-光伏历史数据根据相似度聚类,得到若干类气象预报-光伏历史数据集。具体方法为:
S1-4-1:从降维待处理数据集中随机选取一个降维待处理数据作为第一个簇中心。
S1-4-2:计算每个降维待处理数据与第一个簇中心之间的最短距离其中,为每个降维待处理数据的第i个特征,ci为第一个簇中心的第i个特征,计算每个降维待处理数据被选为下个簇中心的概率然后根据轮盘法选择下一个簇中心,即产生一个0~1的随机数,将随机数依次与比较,直到大于随机数,则当前对应的降维待处理数据为下一个簇中心。
S1-4-3:重复S1-4-2,直至确定降维待处理数据集中所有的簇中心。
S1-4-4:根据每个降维待处理数据与所有簇中心的距离,将每个降维待处理数据均与其距离最小的簇中心组合,得到k个簇C={C1,C2,...Ck}。
S1-4-6:重复S1-4-4和S1-4-5,直到达到预先设定的迭代次数或每次重复后簇中心变化距离小于预设值,其中,迭代次数可以根据天气数据样本的特征数目不同取100~200,预设值可以1e-3~1e-4。
S1-4-7:确定最终的每个簇的簇中心以及所有降维待处理数据所属的簇,每簇作为一类,得到若干类降维待处理数据集。
S1-4-8:将降维气象预报历史数据集和降维气象预报-光伏历史数据集分别作为降维待处理数据集进行S1-4-1至S1-4-7,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集。
在S1完成之后,本发明光伏功率预测方法采用了两种神经网络模型,分别为LSTM神经网络模型和BP神经网络模型;通过BP神经网络模型进行短期预测,通过LSTM神经网络模型进行超短期预测。并且,针对短期预测所做的相似日聚类中,与适配超短期预测的相似日聚类相比,样本数据中除了气象预报历史数据外,还包括与气象预报历史数据在时间上相对应的光伏功率历史数据,即与单纯的气象预报历史数据相比,仅每个样本数据的维度由于光伏功率历史数据的引入而有所增加,其余处理相同。
超短期预测模型的训练过程如下:构建初始LSTM神经网络模型,并通过若干类气象预报-光伏历史数据集分类训练初始LSTM神经网络模型,得到若干类LSTM神经网络模型。具体的,采用LSTM算法建立光伏预测模型,构建有若干层神经元的初始LSTM神经网络模型,然后进行初始LSTM神经网络模型的训练,过程如下:第一步,设定初始LSTM神经网络模型的网络隐含层层数,初始化各神经元参数;第二步,按网络结构,将气象预报-光伏历史数据经过初始LSTM神经网络模型向后传播,获得LSTM模型预测值,得到预测误差,预测误差为LSTM模型预测值与实际光伏功率的差值;第三步,计算LSTM神经网络模型的代价函数,所述LSTM神经网络模型的代价函数为LSTM模型预测值与其对应真实值的均方根误差,并根据均方根误差采用带批量的随机梯度下降方法调整神经元参数;第四步,根据调整后的神经元参数,重复第二步和第三步,直至达到循环次数。
按气象预报历史数据的聚类结果得到k个相似日聚类所对应的簇中心,同时将光伏功率历史数据分为k组,k为相似日类型的数目,由每类相似日的气象预报历史数据按时间对应关系得到该聚类日下的光伏历史功率数据,对这k组光伏功率历史数据,即气象预报-光伏历史数据,将其分为训练集与验证集,经过上述训练后得到k个聚类日所对应的LSTM神经网络模型。
短期预测模型的训练过程如下:构建初始BP神经网络模型,并通过若干类气象预报历史数据集分类训练初始BP神经网络模型,得到若干类BP神经网络模型。具体的,第一步,构建初始BP神经网络模型,设定网络隐含层层数,初始化各神经元参数;第二步,按初始BP神经网络模型结构,将气象预报历史数据经过初始BP神经网络模型向后传播,获得BP模型预测值,计算预测误差,预测误差为BP模型预测值与实际光伏功率的差值;第三步,计算BP模型的代价函数,所述BP模型的代价函数为BP模型预测值与其对应真实值的均方根误差,并根据均方根误差采用带批量的随机梯度下降方法调整神经元参数;第四步,根据调整后的神经元参数,重复第二步和第三步,直至达到循环次数。然后将若干类气象预报历史数据集按类别依次进行上述短期预测模型的训练过程,得到与气象预报历史数据集类别一一对应的若干类BP神经网络模型。
完成上面的准备工作之后,接着就是读入输入数据进行光伏功率预测,将待预测时间段的气象预报数据与经超短期预测对应的相似日聚类得到的所有簇的簇中心之间的距离进行比较,判断待预测时间段的气象预测数据所属的簇,根据所属的簇选取相对应的LSTM网络预测模型;将待预测时间段的气象预测数据与经短期预测对应的相似日聚类得到的所有簇的簇中心之间的距离进行比较,根据所属的簇选取相对应的BP网络预测模型。
将待预测时间段的气象预报数据输入BP神经网络预测模型,得到将待预测时间段的光伏功率短期预测结果,这里短期预测结果为24h的预测结果,即第一光伏功率预测结果。将待预测时间段前预设时间的光伏功率历史数据作为输入,经LSTM网络预测模型,得到光伏功率超短期预测值,这里超短期预测结果为4h的预测结果,即第二光伏功率预测结果,将光伏功率超短期预测值和其对应时间的短期预测值取加权平均,其中加权平均系数可根据前一天第一光伏预测模块的预测精度acc1和前一个时段的第二光伏预测模块精度acc2综合确定,第一光伏预测结果的权重系数为α1=acc1/(acc1+acc2),第二光伏预测结果的权重系数为α2=acc2/(acc1+acc2),用该加权平均值替换原有时段的短期预测值和超短期预测值。
本发明光伏功率预测方法,考虑到短期预测模型和超短期预测模型对不同天气情况的针对性,采用K值平均法进行聚类,同时,因短期预测和超短期预测的输入变量不同,所以适配短期预测的聚类采用的样本数据为气象预报历史数据和光伏功率历史数据,适配超短期预测的聚类采用的样本数据只包含气象预报历史数据。由此降低不同天气类型对不同预测模型的影响,使最终建立的模型更具针对性。采用PCA算法,有效降低用于聚类的气象预测数据的维度,缩短聚类时的计算量,抑制噪声及无效信息对聚类的影响。根据不同气象条件进行相似日聚类,较传统的单一预测模型而言,显著提高各种非理想天气情况下光伏功率预测的精度。同时,短期预测和超短期预测采用不同方法预测,所得结果进行加权平均,最终的预测结果综合考虑了待预测时段的气象预报数据和待预测时段前的光伏功率历史数据。并且,超短期预测模型采用LSTM神经网络模型,充分发挥LSTM神经网络在短步长的多步预测中的效果。
本发明还公开了一种光伏功率预测装置,包括:相似日聚类模块,用于将气象预报历史数据和气象预报-光伏历史数据分别进行相似日聚类,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集;其中,气象预报-光伏历史数据为气象预报历史数据和时间上对应的光伏功率历史数据的结合;LSTM神经网络模型模块,用于构建初始LSTM神经网络模型,并通过若干类气象预报-光伏历史数据集分类训练初始LSTM神经网络模型,得到若干类LSTM神经网络模型;BP神经网络模型模块,用于构建初始BP神经网络模型,并通过若干类气象预报历史数据集分类训练初始BP神经网络模型,得到若干类BP神经网络模型;第一预测模块,用于确定待预测时间段的气象预报数据所属的气象预报-光伏历史数据集,并将待预测时间段前预设时间的光伏功率历史数据输入对应类别的LSTM神经网络模型得到第一光伏功率预测结果;第二预测模块,用于确定待预测时间段的气象预报数据所属的气象预报历史数据集,并将待预测时间段的气象预报数据输入对应类别的BP神经网络模型得到第二光伏功率预测结果;以及第三预测模块,用于将第一光伏功率预测结果和第二光伏功率预测结果进行加权平均,得到待预测时间段的光伏功率预测结果。
本发明光伏功率预测方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明光伏功率预测方法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读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中,还提供计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述光伏功率预测方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
下面以一个实际例子说明本发明光伏功率预测方法。
本例当中暂定预测的时间分辨率为5min,气象预测数据包括辐照度、温度、云层覆盖率和降雨量的预测数据,短期预测根据明日24h的气象预报数据输出明日24h的光伏功率预测值,超短期预测根据当前时刻前24h的光伏功率历史值输出未来4h的光伏功率预测值。具体包括以下步骤:
(1)对于总共30天的光伏功率实际值和历史气象预测数据,共有288*30个时刻的光伏功率历史数据和气象预报历史数据,对光伏功率历史数据和气象预报历史数据进行归一化处理。
(2)对30天的气象预报历史数据,每一天共有4*288个特征量,采用PCA算法进行降维处理,将原有的4*288特征量变为sst个特征量。运用K值聚类法,根据降维后的样本数据对这N天进行相似日聚类,最终将样本数据分为5种相似日类型,得到聚类结果Cst=[cst1,cst2,…,cst5]。
(3)对N天的气象预报历史数据和在时间上与其相对应的光伏功率历史数据,每一天共有4*288+288个特征量,采用PCA算法进行降维处理,将原有的4*288+288个特征量变为sust个特征量。运用K值聚类法,根据降维后的历史样本数据对这N天进行相似日聚类,最终将样本数据分为5种相似日类型,得到聚类结果Cust=[cust1,cust2,…,cust5]。
(4)考虑到光伏功率历史数据与光伏辐照度呈强相关的特性,同时在本例中云层覆盖量,降雨量及温度对光伏功率影响并不如辐照度明显,选取光伏辐照预测值作为BP网络的输入数据,建立包含输入层,隐含层和输出层的BP网络模型,本实施例中BP模型含有两层隐含层,其神经元个数分别取288,96。本实施例中BP模型通过调用python中keras库来搭建,模型训练时需指定网络结构,训练的循环次数及批次数,以及采用的激活函数,选用的梯度优化算法等。
(5)选取气象预报-光伏历史数据作为LSTM网络的输入数据,建立包含输入层,隐含层和输出层的LSTM网络模型,本实施例中LSTM模型含有两层隐含层,其神经元个数分别取288,96。本实施例中LSTM模型通过调用python中keras库来搭建,模型训练时指定网络结构,训练的循环次数及批次数,以及采用的激活函数,选用的梯度优化算法等。
(6)根据相似日聚类结果Cust=[cust1,cust2,…,cust5]和明日气象预报数据q=[q1,q2,…,q288],判断待预测时段气象预报数据所属的相似日类型并选择相应的超短期预测模型,将当前时刻前24h光伏功率实际值组成输入矩阵X=[x1;x2;…;x288],将输入矩阵X带入超短期预测模型,得到输出矩阵Y=[y1;y2;…;y48],即未来4h的光伏功率预测结果。
(7)根据相似日聚类结果Cust=[cst1,cst2,…,cst5]和明日气象预报数据q=[q1,q2,…,q288],判断待预测时段气象预报数据所属的相似日类型并选择相应的短期预测模型,将明日24h的气象预报数据组成输入矩阵X′=[x′1;x′2;…;x′288],将输入矩阵X′带入超短期预测模型,得到输出矩阵Y′=[y′1;y′2;…;y′288],即未来24h的光伏功率预测结果。
(8)将Y与Y′中对应时间点的预测值进行加权平均,其中权重系数根据前一天第一光伏预测模块的预测精度和前一个时段的第二光伏预测模块精度综合确定,用加权平均后的预测结果作替代短期预测和超短期预测的结果作为最终的光伏功率预测结果。
参见图2,某一天光伏功率预测结果示意图,其中曲线real代表当天结束时采集储存的光伏功率实际值,曲线predict_st为短期预测在当天初始时刻得到的整日24h的光伏功率预测结果,曲线predict_sst0代表某一时刻超短期预测得到的未来4h的光伏功率预测结果,取predict_st对应的加权系数为0.67,取predict_sst0对应的权重系数为0.73,曲线predict_sst1即为短期光伏功率预测结果和超短期光伏功率预测结果加权平均后得到的最终的光伏功率预测结果,可以看出,曲线predict_sst1与曲线real最为接近,表明了本发明光伏功率预测方法具有较高的光伏功率预测精度。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种光伏功率预测方法,其特征在于,包括以下步骤:
S1:将气象预报历史数据和气象预报-光伏历史数据分别进行相似日聚类,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集;其中,气象预报-光伏历史数据为气象预报历史数据和时间上对应的光伏功率历史数据的结合;
S2:构建初始LSTM神经网络模型,并通过若干类气象预报-光伏历史数据集分类训练初始LSTM神经网络模型,得到若干类LSTM神经网络模型;
S3:构建初始BP神经网络模型,并通过若干类气象预报历史数据集分类训练初始BP神经网络模型,得到若干类BP神经网络模型;
S4:确定待预测时间段的气象预报数据所属的气象预报-光伏历史数据集,并将待预测时间段前预设时间的光伏功率历史数据输入对应类别的LSTM神经网络模型得到第一光伏功率预测结果;
S5:确定待预测时间段的气象预报数据所属的气象预报历史数据集,并将待预测时间段的气象预报数据输入对应类别的BP神经网络模型得到第二光伏功率预测结果;
S6:将第一光伏功率预测结果和第二光伏功率预测结果进行加权平均,得到待预测时间段的光伏功率预测结果。
2.根据权利要求1所述的光伏功率预测方法,其特征在于,所述S1的具体方法为:
S1-1:将光伏功率历史数据和气象预报历史数据分别进行归一化处理,得到归一化光伏功率历史数据和归一化气象预报历史数据;
S1-2:将归一化气象预报历史数据和时间上对应的归一化光伏功率历史数据结合,得到归一化气象预报-光伏历史数据;
S1-3:通过PCA算法将归一化气象预报历史数据和归一化气象预报-光伏历史数据进行降维处理,得到降维气象预报历史数据集和降维气象预报-光伏历史数据集;
S1-4:通过K值平均法将降维气象预报历史数据根据相似度聚类,得到若干类气象预报历史数据集;通过K值平均法将降维气象预报-光伏历史数据根据相似度聚类,得到若干类气象预报-光伏历史数据集。
3.根据权利要求2所述的光伏功率预测方法,其特征在于,所述S1-1中归一化处理的具体方法为:
将光伏功率历史数据和气象预报历史数据分别进行缺失值的插值处理和超范围值的限值处理,得到预处理光伏功率历史数据和预处理气象预报历史数据;
然后通过式(1)进行气象预报历史数据的归一化处理,得到归一化气象预报历史数据x:
其中,xr为预处理气象预报历史数据,xmin预处理气象预报历史数据的最小值,xmax为预处理气象预报历史数据的最大值;
然后通过式(2)进行光伏功率历史数据的归一化处理,得到归一化光伏功率历史数据p:
其中,pr为预处理光伏功率历史数据,pmin为预处理光伏功率历史数据的最小值,pmax为预处理光伏功率历史数据的最大值。
4.根据权利要求2所述的光伏功率预测方法,其特征在于,所述S1-3的具体方法为:
其中,wi为待处理数据,m0为待处理数据的数据维度;
S1-3-2:计算N个去中心化后的待处理数据wi′的协方差矩阵W′W′T;其中W′=(w′1;w′2,...,w′N),W′T为W′的转置矩阵;
S1-3-3:对协方差矩阵W′W′T做特征值分解,得到m0个特征值以及m0个特征值对应的m0个特征向量;
S1-3-4:取最大的m个特征值及m个特征值对应的m个特征向量组成投影矩阵;
S1-3-6:将归一化气象预报历史数据和归一化气象预报-光伏历史数据分别作为待处理数据进行S1-3-1至S1-3-5,得到降维气象预报历史数据集和降维气象预报-光伏历史数据集。
5.根据权利要求2所述的光伏功率预测方法,其特征在于,所述S1-4的具体方法为:
S1-4-1:从降维待处理数据集中随机选取一个降维待处理数据作为第一个簇中心;
S1-4-2:计算每个降维待处理数据与第一个簇中心之间的最短距离其中,为每个降维待处理数据的第i个特征,ci为第一个簇中心的第i个特征,计算每个降维待处理数据被选为下个簇中心的概率然后产生一个0~1的随机数,将随机数依次与比较,直到大于随机数,则当前对应的降维待处理数据为下一个簇中心;
S1-4-3:重复S1-4-2,直至确定降维待处理数据集中所有的簇中心;
S1-4-4:根据每个降维待处理数据与所有簇中心的距离,将每个降维待处理数据与其距离最小的簇中心组合,得到k个簇C={C1,C2,...Ck};
S1-4-6:重复S1-4-4和S1-4-5,直到达到预先设定的迭代次数或每次重复后簇中心变化距离小于预设值;
S1-4-7:确定最终的每个簇的簇中心以及所有降维待处理数据所属的簇,每簇作为一类,得到若干类降维待处理数据集;
S1-4-8:将降维气象预报历史数据集和降维气象预报-光伏历史数据集分别作为降维待处理数据集进行S1-4-1至S1-4-7,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集。
6.根据权利要求1所述的光伏功率预测方法,其特征在于,所述S2的具体方法为:
S2-1:通过LSTM算法构建初始LSTM神经网络模型;
S2-2:将气象预报-光伏历史数据输入LSTM神经网络模型,获得LSTM模型预测值和预测误差,预测误差为LSTM模型预测值与实际光伏功率的差值;
S2-3:计算LSTM模型预测值与实际光伏功率均方根误差,并根据均方根误差采用带批量的随机梯度下降方法调整初始LSTM神经网络模型的神经元参数;
S2-4:重复预设次数的S2-2至S2-3,得到LSTM神经网络模型;
S2-5:将若干类气象预报-光伏历史数据集按类别依次重复S2-2至S2-4,得到若干类LSTM神经网络模型;
所述S3的具体方法为:
S3-1:通过BP算法构建初始BP神经网络模型;
S3-2:将气象预报历史数据输入BP神经网络模型,获得BP模型预测值和预测误差,预测误差为BP模型预测值与实际光伏功率的差值;
S3-3:计算BP模型预测值与实际光伏功率均方根误差,并根据均方根误差采用带批量的随机梯度下降方法调整初始BP神经网络模型的神经元参数;
S3-4:重复预设次数的S3-2至S3-3,得到BP神经网络模型;
S3-5:将若干类气象预报历史数据集按类别依次重复S3-2至S3-3,得到若干类BP神经网络模型。
7.根据权利要求1所述的光伏功率预测方法,其特征在于,所述S4的具体方法为:根据待预测时间段的气象预报数据与若干类气象预报-光伏历史数据集的中心之间的距离,将待预测时间段的气象预报数据分类至距离最近的一类气象预报-光伏历史数据集,并选取该类气象预报-光伏历史数据集对应类别的LSTM神经网络模型;然后将待预测时间段前预设时间的光伏功率历史数据输入该LSTM神经网络模型,得到第一光伏功率预测结果;
所述S5的具体方法为:根据待预测时间段的气象预报数据与若干类气象预报历史数据集的中心之间的距离,将待预测时间段的气象预报数据分类至距离最近的一类气象预报历史数据集,并选取该类气象预报历史数据集对应类别的BP神经网络模型;然后将待预测时间段的气象预报数据输入该BP神经网络模型,得到第二光伏功率预测结果。
8.一种光伏功率预测装置,其特征在于,包括:
相似日聚类模块,用于将气象预报历史数据和气象预报-光伏历史数据分别进行相似日聚类,得到若干类气象预报历史数据集和若干类气象预报-光伏历史数据集;其中,气象预报-光伏历史数据为气象预报历史数据和时间上对应的光伏功率历史数据的结合;
LSTM神经网络模型模块,用于构建初始LSTM神经网络模型,并通过若干类气象预报-光伏历史数据集分类训练初始LSTM神经网络模型,得到若干类LSTM神经网络模型;
BP神经网络模型模块,用于构建初始BP神经网络模型,并通过若干类气象预报历史数据集分类训练初始BP神经网络模型,得到若干类BP神经网络模型;
第一预测模块,用于确定待预测时间段的气象预报数据所属的气象预报-光伏历史数据集,并将待预测时间段前预设时间的光伏功率历史数据输入对应类别的LSTM神经网络模型得到第一光伏功率预测结果;
第二预测模块,用于确定待预测时间段的气象预报数据所属的气象预报历史数据集,并将待预测时间段的气象预报数据输入对应类别的BP神经网络模型得到第二光伏功率预测结果;
以及第三预测模块,用于将第一光伏功率预测结果和第二光伏功率预测结果进行加权平均,得到待预测时间段的光伏功率预测结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述光伏功率预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述光伏功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010415193.2A CN111695601B (zh) | 2020-05-15 | 2020-05-15 | 光伏功率预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010415193.2A CN111695601B (zh) | 2020-05-15 | 2020-05-15 | 光伏功率预测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695601A true CN111695601A (zh) | 2020-09-22 |
CN111695601B CN111695601B (zh) | 2023-06-20 |
Family
ID=72477820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010415193.2A Active CN111695601B (zh) | 2020-05-15 | 2020-05-15 | 光伏功率预测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695601B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232600A (zh) * | 2020-11-17 | 2021-01-15 | 烟台海颐软件股份有限公司 | 一种基于变分模态分解的短期电力负荷预测方法及系统 |
CN112686472A (zh) * | 2021-01-22 | 2021-04-20 | 国网河南省电力公司许昌供电公司 | 一种分布式光伏等效电站的功率预测方法 |
CN112884238A (zh) * | 2021-03-12 | 2021-06-01 | 国网冀北电力有限公司电力科学研究院 | 光伏发电功率预测方法及装置 |
CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
CN113033910A (zh) * | 2021-04-09 | 2021-06-25 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
CN113705876A (zh) * | 2021-08-19 | 2021-11-26 | 广西电网有限责任公司电力科学研究院 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
CN114021449A (zh) * | 2021-10-29 | 2022-02-08 | 江苏方天电力技术有限公司 | 一种磨煤机安全性评估的预测方法 |
CN114240003A (zh) * | 2022-02-23 | 2022-03-25 | 泰豪软件股份有限公司 | 一种新能源出力预测方法、系统、存储介质及设备 |
CN114493051A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 基于组合预测的提升精度的光伏功率预测方法、装置 |
CN114611799A (zh) * | 2022-03-15 | 2022-06-10 | 南方电网数字电网研究院有限公司 | 发电功率预测方法、装置、设备、存储介质和程序产品 |
CN114819391A (zh) * | 2022-05-19 | 2022-07-29 | 中山大学 | 基于历史数据集时间跨度优化的光伏发电功率预测方法 |
CN114881341A (zh) * | 2022-05-19 | 2022-08-09 | 中山大学 | 一种基于逆向预测历史数据集的光伏功率预测方法及系统 |
CN115660132A (zh) * | 2022-08-05 | 2023-01-31 | 科大数字(上海)能源科技有限公司 | 一种光伏发电功率预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
-
2020
- 2020-05-15 CN CN202010415193.2A patent/CN111695601B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
卢舟鑫;王冰;荣军峰;: "基于多时段综合相似日的光伏发电功率预测", 电源技术 * |
胡克用;李云龙;江霞;李静;胡则辉;: "改进神经网络模型在光伏发电预测中的应用", 计算机系统应用 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232600A (zh) * | 2020-11-17 | 2021-01-15 | 烟台海颐软件股份有限公司 | 一种基于变分模态分解的短期电力负荷预测方法及系统 |
CN112686472B (zh) * | 2021-01-22 | 2022-09-20 | 国网河南省电力公司许昌供电公司 | 一种分布式光伏等效电站的功率预测方法 |
CN112686472A (zh) * | 2021-01-22 | 2021-04-20 | 国网河南省电力公司许昌供电公司 | 一种分布式光伏等效电站的功率预测方法 |
CN112884238A (zh) * | 2021-03-12 | 2021-06-01 | 国网冀北电力有限公司电力科学研究院 | 光伏发电功率预测方法及装置 |
CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
CN113033910A (zh) * | 2021-04-09 | 2021-06-25 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
CN113705876A (zh) * | 2021-08-19 | 2021-11-26 | 广西电网有限责任公司电力科学研究院 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
CN113705876B (zh) * | 2021-08-19 | 2022-12-09 | 广西电网有限责任公司电力科学研究院 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
CN114021449A (zh) * | 2021-10-29 | 2022-02-08 | 江苏方天电力技术有限公司 | 一种磨煤机安全性评估的预测方法 |
CN114021449B (zh) * | 2021-10-29 | 2024-05-24 | 江苏方天电力技术有限公司 | 一种磨煤机安全性评估的预测方法 |
CN114240003A (zh) * | 2022-02-23 | 2022-03-25 | 泰豪软件股份有限公司 | 一种新能源出力预测方法、系统、存储介质及设备 |
CN114611799A (zh) * | 2022-03-15 | 2022-06-10 | 南方电网数字电网研究院有限公司 | 发电功率预测方法、装置、设备、存储介质和程序产品 |
CN114611799B (zh) * | 2022-03-15 | 2023-09-19 | 南方电网数字电网研究院有限公司 | 基于监督学习的时序神经网络新能源出力多步预测方法 |
CN114493051A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 基于组合预测的提升精度的光伏功率预测方法、装置 |
CN114881341A (zh) * | 2022-05-19 | 2022-08-09 | 中山大学 | 一种基于逆向预测历史数据集的光伏功率预测方法及系统 |
CN114819391A (zh) * | 2022-05-19 | 2022-07-29 | 中山大学 | 基于历史数据集时间跨度优化的光伏发电功率预测方法 |
CN114881341B (zh) * | 2022-05-19 | 2023-04-07 | 中山大学 | 一种基于逆向预测历史数据集的光伏功率预测方法及系统 |
CN115660132A (zh) * | 2022-08-05 | 2023-01-31 | 科大数字(上海)能源科技有限公司 | 一种光伏发电功率预测方法及系统 |
CN115660132B (zh) * | 2022-08-05 | 2024-01-30 | 科大数字(上海)能源科技有限公司 | 一种光伏发电功率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111695601B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695601B (zh) | 光伏功率预测方法、装置、设备及可读存储介质 | |
CN111091139B (zh) | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 | |
Tan et al. | Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning | |
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
CN112348271A (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
CN110414045A (zh) | 基于vmd-gru的短期风速预测方法 | |
CN110322364B (zh) | 一种短期光伏发电预测方法及系统 | |
CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN114358213B (zh) | 非线性时序数据预测的误差消融处理方法及系统与介质 | |
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 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
Varanasi et al. | K-means clustering based photo voltaic power forecasting using artificial neural network, particle swarm optimization and support vector regression | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
Wang et al. | Improved prediction method of PV output power based on optimised chaotic phase space reconstruction | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
Su et al. | A LSTM based wind power forecasting method considering wind frequency components and the wind turbine states | |
CN117293791A (zh) | 一种基于误差修正的负荷时序调节潜力预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN111026741A (zh) | 基于时间序列相似性的数据清洗方法及装置 | |
CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
CN112633565B (zh) | 一种光伏功率集合区间预测方法 |
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 |