CN111798055A - 基于灰色关联度的变权重组合光伏出力预测方法 - Google Patents
基于灰色关联度的变权重组合光伏出力预测方法 Download PDFInfo
- Publication number
- CN111798055A CN111798055A CN202010639158.9A CN202010639158A CN111798055A CN 111798055 A CN111798055 A CN 111798055A CN 202010639158 A CN202010639158 A CN 202010639158A CN 111798055 A CN111798055 A CN 111798055A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- sequence
- data
- combined
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012935 Averaging Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 230000005684 electric field Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005622 photoelectricity Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229940109850 royal jelly Drugs 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
基于灰色关联度的变权重组合光伏出力预测方法,利用最小二乘支持向量机模型和径向基函数神经网络模型的加权组合预测,先采集不同时刻历史数据,选取最小二乘支持向量机模型和径向基函数神经网络模型作单一模型独立预测,建立预测序列与参考序列,然后计算单一模型预测序列与实测序列之间灰色关联度,通过神经网络训练,确定预测时段权重矩阵,最后利用灰色关联度理论组合预测,并利用平均绝对百分比误差和均方根误差两种预测误差评价LSSVM模型和RBFNN模型以及组合预测模型的精度。本发明达到短期组合预测光伏电场功率的目的,利用了两种模型的优点,并提高了预测效率和准确性。
Description
技术领域
本发明属于光伏发电领域,主要涉及一种基于灰色关联度分析的变权重分布式光伏组合预测建模方法。
背景技术
随着全球能源危机的加深,各国竞相发展新能源,光电大规模应用已是不可更改的大势,而阻碍其发展的关键是光伏出力的不稳定。光伏并网发电系统是不可控源,其发电功率的波动性和随机性会对电力系统造成一定的冲击,这使得大规模光伏并网发电成为难题。为减少光伏并网发电系统发电功率的波动性对大电网造成的影响,使光电成为重要的电力供应形式,帮助电网计划调度,提高功率预测的精度与准确性,建立光伏并网发电预测系统是非常必要的。
在现有技术中,现有技术文件1(赵滨滨;葛磊蛟;王莹.一种基于ARIMA模型的分布式光伏出力功率预测方法[P].中国专利:CN109388863A,2019-02-26)公开了一种基于差分整合移动平均自回归模型(ARIMA)模型的光伏出力预测方法,通过对真实电站输出序列进行特征描述,从而进行预测。并且在此基础上,将ARIMA模型与支持向量机结合,取得了较好的预测效果,并已申请专利。
现有技术文件2(陈中;宗鹏鹏.一种基于灰色关联分析的神经网络光伏发电出力预测方法[P].中国专利:CN104978611A,2015-10-14)公开了一种基于灰色关联的神经网络光伏发电出力预测方法,通过对包含天气信息的样本灰色关联度计算并排序,对BP神经网络进行训练。在对某电站的短期预测中,显著提高了突变天气时的精准度,还避免了预测结果陷入局部最优的缺陷。
现有技术文件3(袁晓玲;郭宇杰;杨店飞;沈桂鹏;刘皓明.基于最优相似日集的光伏电站出力预测方法[P].中国专利:CN104573879A,2015-04-29)公开了一种基于最优相似日集的光伏出力预测方法,将气象数据归一化后进行聚类模型进行聚类分析,将最优相似集作为输入预测输出功率,简单易行又具有不错的准确性。
在实际应用中常见的光伏发电功率预测模型包括:最小二乘支持向量机模型(Least Squares Support Vector Machine,简称LSSVM)和径向基核函数神经网络模型(Radial Basis Function Neyral Network,简称RBFNN),但由于模型特点不同,都存在自身的局限性和适用条件。LSSVM模型只能拟合光伏电力系统的非线性,而太阳辐射的不确定性往往使得预测效果不佳。RBFNN模型在实际应用中神经元数目较多,导致空间维数过大,计算速度受硬件限制较大,不适用于简单问题。目前单独的预测模型与实际偏离大,若被用来指导实际生活,可能导致较大损失,而组合预测模型在一定程度上规避了原有模型缺点,精度也更符合现实需要。其中,变权预测的组合预测方法能适时调整组合权重,解决定权预测适用性差的问题,更好的解决分布式光伏功率预测问题。
发明内容
为了解决现有技术存在的问题,本发明提供了一种光伏发电建模技术领域中利用灰色关联度分析的光伏电场功率组合预测建模方法。基于最小二乘支持向量机和径向基函数神经网络预测模型的光伏功率加权组合预测方法,达到短期组合预测光伏电场出力的目的。该发明既最大化的利用了两种模型的优点,又节省了计算资源,缩短了计算时间从而提高了预测效率。
本发明采用如下的技术方案:
基于灰色关联度的变权重组合光伏出力预测方法,其特征在于,包括以下步骤:
步骤1、在设定时间跨度内以设定的时间间隔采集历史数据;
步骤2、使用步骤1采集的历史数据,选取两种单一模型,并通过单一模型对光伏出力进行独立预测,将单一模型独立预测数据作为预测序列,将历史实测数据作为参考序列;
步骤3、采用均值化方法对步骤2生成的预测序列与参考序列均值化处理;
步骤4、利用灰色关联度法,计算经步骤3均值化处理后的单一模型预测序列与参考序列之间灰色关联度以及相应的权重;
步骤5、将训练时段中单一模型预测序列和权重比构成矩阵作为神经网络输入的训练样本和目标,将测试时段中单一模型的预测序列作为测试样本,经过神经网络训练可得出测试时段中两个独立模型与历史实测值之间的权重比,最终确定预测时段权重矩阵;
步骤6、将所得预测时段权重矩阵用于灰色关联度理论组合预测;
步骤7、利用平均绝对百分比误差和均方根误差两种预测误差来评价单一模型以及组合预测模型的精度。
本发明进一步包括以下优选方案:
在所述步骤1中,历史数据包括:光伏功率数据、温度和太阳辐射度数据。
在所述步骤2中,单一预测模型选取LSSVM模型、RBFNN模型或BPNN模型;
其中,LSSVM模型是指最小二乘支持向量机模型,RBFNN模型是指径向基神经网络模型,BPNN模型是指反向传播神经网络模型。
两种单一预测模型为LSSVM模型和RBFNN模型。
单一预测模型工作,LSSVM模型输出预测序列记为X1={x1(k)}k=1,2...,n和RBFNN模型输出预测序列记为X2={x2(k)}k=1,2...,n,历史实测序列作为参考序列记为X0={x0(k)}k=1,2...,n,其中k表示序列中的第k个数据,即序列中按照时间顺序排列的数据的历史时刻,并且数据样本数目为n。
将预测序列与历史实测序列数据均值化处理,
LSSVM模型输出功率预测序列数据的均值化处理为
其中,x1(k)为LSSVM模型输出功率预测序列中数值,n为数据样本数目,xE1(k)为LSSVM模型输出功率预测序列均值化转换之后的数值;
所述RBFNN模型输出功率预测序列数据的均值化处理为
其中,x2(k)为RBFNN模型输出功率预测序列中数值,n为数据样本数目,xE2(k)为RBFNN模型输出功率预测序列均值化转换之后的数值;
历史实测值序列数据的均值化处理为
其中,x0(k)为历史实测序列中历史功率实测值,n为数据样本数目,xE0(k)为历史实测值序列均值化转换之后的数值。
计算预测序列与实测序列之间灰色关联度,
LSSVM模型关联系数为
RBPNN模型关联系数为
其中,xE0(k)表示光伏电站实测值序列均值化转换之后的数值,xE1(k)为LSSVM模型输出序列均值化转换之后的数值,xE2(k)为RBPNN模型输出序列均值化转换之后的数值,m=1或者2,其中m=1为LSSVM模型,m=2为神经网络模型,ρ为分辨系数,取值范围为0到1。
所述分辨系数ρ取值为0.5。
其中,ξ01(k)、ξ02(k)为预测序列与历史实测序列之间灰色关联度,
两种模型的权重比构成矩阵为
将训练时段中所述LSSVM模型和所述RBFNN模型的预测序列和权重比构成矩阵W分别作为神经网络输入的训练样本和目标,将测试时段中LSSVM模型和RBFNN模型的预测序列作为测试样本,经过神经网络训练可得出测试时段中两个独立模型与实测值之间的权重比构成矩阵W′为
利用灰色关联度理论对光伏电站功率进行预测为
x(k)=w′1(k)x1(k)+w′2(k)x2(k)
其中,x(k)为灰色关联度理论组合预测结果,w′1(k)、w′2(k)为经过神经网络训练可得出测试时段中两个独立模型与实测值之间的权重比,x1(k)为LSSVM模型输出功率预测序列的数值,x2(k)为RBFNN模型输出功率预测序列的数值。
利用平均绝对百分比误差MAPE和均方根误差RMSE两种预测误差来评价LSSVM模型和RBFNN模型以及组合预测模型的精度,
所述LSSVM模型预测的精度为
其中,x0(k)为历史实测序列中历史功率实测值,x1(k)为LSSVM模型输出功率预测序列数值,y0为光伏电站装机容量,n为数据样本数目。
所述RBFNN模型预测的精度为
其中,x0(k)为历史实测序列中历史功率实测值,x2(k)为RBFNN模型输出功率预测序列数值,y0为光伏电站装机容量,n为数据样本数目。
所述组合模型预测的精度为
其中,x0(k)为历史实测序列中历史功率实测值,x(k)为灰色关联度理论组合预测数值,y0为光伏电站装机容量,n为数据样本数目。
本申请还同时公开了一种基于灰色关联度的变权重组合光伏出力预测方法的预测系统,
所述预测系统包括数据采集模块、单一模型独立预测模块、数据处理模块、组合关联模块、关联训练模块、组合预测模块、模型预测评价模块。
所述数据采集模块采集不同时刻历史数据;
所述单一模型独立预测模块选取单一模型运用相同的样本数据按照前述预测过程分别进行光伏电站功率的超短期预测;
所述数据处理模块将单一模型独立预测序列与实测序列数据均值化处理,用于模型求解;
所述组合关联模块利用灰色关联度理论将单一模型独立预测序列与实测序列之间灰色关联度计算,并按照两个关联系数各自的大小占两者总和的比重,求得权重比;
所述关联训练模块将均值化处理所得单一模型独立预测序列和所得权重比分别作为神经网络输入的训练样本和目标,经过神经网络训练可得出测试时段中两个独立模型与实测值之间的权重比;
所述组合预测模块将所得两个独立模型与实测值之间的权重比和所得单一模型独立预测序列数据,利用灰色关联度理论对光伏电站功率进行预测;
所述模型预测评价模块利用平均绝对百分比误差和均方根误差两种预测误差来评价单一模型以及组合预测模型所得出结果的精度。
相当于现有技术,本发明能取得以下有益的技术效果:
1.灰色关联度方法建模方法能够更好的分配两种独立模型在组合预测模型中的权重。根据灰色关联度方法可以得到两种单一模型预测输出功率与实际输出功率的一致性,一致性越高,则关联度越高;
2.RBFNN模型更适于光伏功率组合预测下的权重优化。在优化组合预测结构过程中,通过比较BPNN模型和RBFNN模型训练权重后得到的组合预估值,发现BPNN在光伏功率组合预测系统中适应性小,RBFNN模型在功率组合预测系统中适应性大;
3.组合预测模型较单一预测模型,预测效果更佳。经过对各种预测模型的图像对比、最小误差统计,发现组合预测模型预测准确度高,平均误差更低,更能符合人类对于光伏发电的期望,能够达到较高的预测标准。
附图说明
图1为本发明中基于灰色关联度分析的光伏电站组合预测流程图;
图2为本发明中最小二乘支持向量机建模流程图;
图3为基于灰色关联度的变权重组合光伏出力预测方法的预测系统的结构图。
具体实施方式
为使本发明的目的、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,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,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它实施例,都属于本发明的保护范围。
本申请公开了一种利用灰色关联度分析的分布式光伏发电功率组合预测建模方法,其流程步骤如图1所示。
为使本领域普通技术人能更清楚、方便地理解本发明的技术方案,详细介绍利用灰色关联度分析的分布式光伏发电功率组合预测建模方法的技术方案,具体包括以下步骤:
步骤1、在设定时间跨度内以设定的时间间隔采集历史数据;
从气象部门和光伏电场中央监控系统中获取指定范围内的温度和太阳辐射度以及电机输出功率等数据。
步骤2、选取两种单一模型,并通过单一模型进行独立预测,将单一模型独立预测数据作为预测序列,将历史实测数据作为参考序列;
本发明采用变权重组合预测方法,单一预测模型选取LSSVM模型和RBFNN模型。
如图2所示,LSSVM模型光伏功率预测过程:
(1)构造模型训练样本、训练目标、测试样本和测试目标,并写成满足运行需要的矩阵形式;
(2)对历史数据进行平滑和归一化处理,即将原始数据通过线性变换至[-1,1]区间中;
(3)定义支持向量机核函数的全局变量σ和C,其中σ为径向基核函数的宽度,C为折中系数;
(4)选取损失系数ε;
(5)实现模型训练与测试;
(6)经过反归一化处理得出预测结果。
RBFNN模型光伏功率预测过程:
(1)模型数据处理,包括建模数据参数确定,建模数据归一化;
(2)确定模型网络结构,利用RBF模型中常用的聚类方法作为模型,将隐节点设为45,采用Sigmoid激活函数;
(3)实现模型训练与测试;
(4)经过反归一化处理得出预测结果。
运用相同的样本数据按照前述预测过程分别进行光伏电站功率的超短期预测15min。两个预测模型有相同的模型输入数据,包括辐照度、功率及气温等光伏电站运行的历史数据。
单一预测模型工作,LSSVM模型输出预测序列记为X1={x1(k)}k=1,2...,n和RBFNN模型输出预测序列记为X2={x2(k)}k=1,2...,n,历史实测序列作为参考序列记为X0={x0(k)}k=1,2...,n,其中k为历史数据采集时间中,并且数据样本数目为n,即k的最大值为n。
预测序列值X1和X2与实测值序列X0具有可比性,可以利用X1和X2与实测值序列X0的差异性评估模型预测效果。
步骤3、采用均值化方法对预测序列与参考序列均值化处理;
将数据进行均值化处理,便于模型求解,预测序列与历史实测序列数据均值化处理如下:
步骤3.1、LSSVM模型输出功率预测序列数据的均值化处理为
其中,x1(k)为LSSVM模型输出功率预测序列中数值,n为数据样本数目,xE1(k)为LSSVM模型输出功率预测序列均值化转换之后的数值。
步骤3.2、RBFNN模型输出功率预测序列数据的均值化处理为
其中,x2(k)为RBFNN模型输出功率预测序列中数值,n为数据样本数目,xE2(k)为RBFNN模型输出功率预测序列均值化转换之后的数值。
步骤3.3、历史实测值序列数据的均值化处理为
其中,x0(k)为历史实测序列中历史功率实测值,n为数据样本数目,xE0(k)为历史实测值序列均值化转换之后的数值。
步骤4、预测序列与历史实测序列之间灰色关联度计算
某一时段预测序列值与实测序列值的相关性即关联系数,计算方法如下:
其中,xE0(k)表示光伏电站实测值序列均值化转换之后的数值,xEm(k)表示通过预测模型得到预测序列均值化的数值,m=1,2,其中1为LSSVM模型,2为RBFNN模型;k代表;ρ为分辨系数,取值范围为0到1,此处优选值为0.5。
鉴于两个模型要应用于组合预测模型中,故需处理两个模型与历史实测值的关联系数,按照两个关联系数各自的大小占两者总和的比重,求得权重比分别为w1、w2。
步骤4.1、计算LSSVM模型关联系数为
其中,xE1(k)为LSSVM模型输出序列均值化转换之后的数值。
步骤4.2、计算RBPNN模型关联系数为
其中,xE2(k)为RBPNN模型输出序列均值化转换之后的数值。
步骤4.3、计算LSSVM模型关联系数的权重比为
步骤4.4、计算RBFNN模型关联系数的权重比为
将所取的时间段内所有时刻两种模型的权重比构成矩阵,如下所示:
ξ01(1)、ξ02(1)分别为LSSVM模型和RBFNN模型在第1个时间间隔的关联度,ξ01(n)、ξ02(n)分别为LSSVM模型和RBFNN模型在第n个时间间隔的关联度。
步骤5、神经网络训练,确定预测时段权重矩阵
将训练时段中LSSVM模型和RBFNN模型的功率预测序列XE1,XE2和权重比构成矩阵W分别作为神经网络输入的训练样本和目标,将测试时段中LSSVM模型和RBFNN模型的功率预测序列XE1_test,XE2_test作为测试样本,经过神经网络训练可得出测试时段中两个独立模型与实测值之间的权重比构成矩阵W′,表示如下:
步骤6、将所得预测时段权重矩阵用于灰色关联度理论组合预测;
经过上述建模过程计算,对光伏电站功率进行预测的结果表示为:
x(k)=w′1(k)x1(k)+w′2(k)x2(k)
其中,x(k)为灰色关联度理论组合预测结果,w′1(k)、w′2(k)为经过神经网络训练可得出测试时段中两个独立模型与实测值之间的权重比,x1(k)为LSSVM模型输出功率预测序列的数值,x2(k)为RBFNN模型输出功率预测序列的数值。
步骤7、利用平均绝对百分比误差和均方根误差两种预测误差来评价单一模型以及组合预测模型的精度,
利用平均绝对百分比误差(mean average percent error,简称MAPE)和均方根误差(root mean square error,简称RMSE)两种预测误差来评价LSSVM模型和RBFNN模型以及组合预测模型的精度,步骤如下:
步骤7.1、LSSVM模型预测的精度为
其中,x0(k)为历史实测序列中历史功率实测值,x1(k)为LSSVM模型输出功率预测序列数值,y0为光伏电站装机容量,n为数据样本数目。
步骤7.2、RBFNN模型预测的精度为
其中,x0(k)为历史实测序列中历史功率实测值,x2(k)为RBFNN模型输出功率预测序列数值,y0为光伏电站装机容量,n为数据样本数目。
步骤7.3、组合模型预测的精度为
其中,x0(k)为历史实测序列中历史功率实测值,x(k)为灰色关联度理论组合预测数值,y0为光伏电站装机容量,n为数据样本数目。
本申请还同时公开了一种基于前述基于灰色关联度系数训练方法的光伏组合预测系统,具体工作流程如图3所示。
预测系统包括数据采集模块、单一模型独立预测模块、数据处理模块、组合关联模块、关联训练模块、组合预测模块、模型预测评价模块,
所述数据采集模块采集不同时刻历史数据;
所述单一模型独立预测模块选取单一模型运用相同的样本数据按照前述预测过程分别进行光伏电站功率的超短期预测;
所述数据处理模块将单一模型独立预测序列与实测序列数据均值化处理,用于模型求解;
所述组合关联模块利用灰色关联度理论将单一模型独立预测序列与实测序列之间灰色关联度计算,并按照两个关联系数各自的大小占两者总和的比重,求得权重比;
所述关联训练模块将均值化处理所得单一模型独立预测序列和所得权重比分别作为神经网络输入的训练样本和目标,经过神经网络训练可得出测试时段中两个独立模型与实测值之间的权重比;
所述组合预测模块将所得两个独立模型与实测值之间的权重比和所得单一模型独立预测序列数据,利用灰色关联度理论对光伏电站功率进行预测;
所述模型预测评价模块利用平均绝对百分比误差和均方根误差两种预测误差来评价单一模型以及组合预测模型所得出结果的精度。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (15)
1.基于灰色关联度的变权重组合光伏出力预测方法,其特征在于,包括以下步骤:
步骤1、在设定时间跨度内以设定的时间间隔采集历史数据;
步骤2、使用步骤1采集的历史数据,选取两种单一模型,并通过单一模型对光伏出力进行独立预测,将单一模型独立预测数据作为预测序列,将历史实测数据作为参考序列;
步骤3、采用均值化方法对步骤2生成的预测序列与参考序列均值化处理;
步骤4、利用灰色关联度法,计算经步骤3均值化处理后的单一模型预测序列与参考序列之间灰色关联度以及相应的权重;
步骤5、将训练时段中单一模型预测序列和权重比构成矩阵作为神经网络输入的训练样本和目标,将测试时段中单一模型的预测序列作为测试样本,经过神经网络训练可得出测试时段中两个独立模型与历史实测值之间的权重比,最终确定预测时段权重矩阵;
步骤6、将所得预测时段权重矩阵用于灰色关联度理论组合预测;
步骤7、利用平均绝对百分比误差和均方根误差两种预测误差来评价单一模型以及组合预测模型的精度。
2.根据权利要求1所述的基于灰色关联度的变权重组合光伏出力预测方法,其特征在于:
在所述步骤1中,历史数据包括:光伏功率数据、温度和太阳辐射度数据。
3.根据权利要求1所述的基于灰色关联度的变权重组合光伏出力预测方法,其特征在于:
在所述步骤2中,单一预测模型选取LSSVM模型、RBFNN模型或BPNN模型;
其中,LSSVM模型是指最小二乘支持向量机模型,RBFNN模型是指径向基神经网络模型,BPNN模型是指反向传播神经网络模型。
4.根据权利要求3所述的基于灰色关联度的变权重组合光伏出力预测方法,其特征在于:
两种单一预测模型为LSSVM模型和RBFNN模型。
5.根据权利要求4所述的基于灰色关联度的变权重组合光伏出力预测方法,其特征在于:
单一预测模型工作,LSSVM模型输出预测序列记为X1={x1(k)}k=1,2...,n和RBFNN模型输出预测序列记为X2={x2(k)}k=1,2...,n,历史实测序列作为参考序列记为X0={x0(k)}k=1,2...,n,其中k表示序列中的第k个数据,即序列中按照时间顺序排列的数据的历史时刻,并且数据样本数目为n。
6.根据权利要求5所述的基于灰色关联度的变权重组合光伏出力预测方法,其特征在于:
将预测序列与历史实测序列数据均值化处理,
LSSVM模型输出功率预测序列数据的均值化处理为
其中,x1(k)为LSSVM模型输出功率预测序列中数值,n为数据样本数目,xE1(k)为LSSVM模型输出功率预测序列均值化转换之后的数值;
所述RBFNN模型输出功率预测序列数据的均值化处理为
其中,x2(k)为RBFNN模型输出功率预测序列中数值,n为数据样本数目,xE2(k)为RBFNN模型输出功率预测序列均值化转换之后的数值;
历史实测值序列数据的均值化处理为
其中,x0(k)为历史实测序列中历史功率实测值,n为数据样本数目,xE0(k)为历史实测值序列均值化转换之后的数值。
8.根据权利要求7所述的基于灰色关联度的变权重组合光伏出力预测方法,其特征在于:
所述分辨系数ρ取值为0.5。
11.根据权利要求10所述的基于灰色关联度的变权重组合光伏出力预测方法,其特征在于:
利用灰色关联度理论对光伏电站功率进行预测为
x(k)=w′1(k)x1(k)+w′2(k)x2(k)
其中,x(k)为灰色关联度理论组合预测结果,w′1(k)、w′2(k)为经过神经网络训练可得出测试时段中两个独立模型与实测值之间的权重比,x1(k)为LSSVM模型输出功率预测序列的数值,x2(k)为RBFNN模型输出功率预测序列的数值。
15.一种利用权利要求1-14中任一权利要求所述基于灰色关联度的变权重组合光伏出力预测方法的预测系统,所述预测系统包括数据采集模块、单一模型独立预测模块、数据处理模块、组合关联模块、关联训练模块、组合预测模块、模型预测评价模块,其特征在于:
所述数据采集模块采集不同时刻历史数据;
所述单一模型独立预测模块选取单一模型运用相同的样本数据按照前述预测过程分别进行光伏电站功率的超短期预测;
所述数据处理模块将单一模型独立预测序列与实测序列数据均值化处理,用于模型求解;
所述组合关联模块利用灰色关联度理论将单一模型独立预测序列与实测序列之间灰色关联度计算,并按照两个关联系数各自的大小占两者总和的比重,求得权重比;
所述关联训练模块将均值化处理所得单一模型独立预测序列和所得权重比分别作为神经网络输入的训练样本和目标,经过神经网络训练可得出测试时段中两个独立模型与实测值之间的权重比;
所述组合预测模块将所得两个独立模型与实测值之间的权重比和所得单一模型独立预测序列数据,利用灰色关联度理论对光伏电站功率进行预测;
所述模型预测评价模块利用平均绝对百分比误差和均方根误差两种预测误差来评价单一模型以及组合预测模型所得出结果的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639158.9A CN111798055A (zh) | 2020-07-06 | 2020-07-06 | 基于灰色关联度的变权重组合光伏出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639158.9A CN111798055A (zh) | 2020-07-06 | 2020-07-06 | 基于灰色关联度的变权重组合光伏出力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798055A true CN111798055A (zh) | 2020-10-20 |
Family
ID=72810303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010639158.9A Pending CN111798055A (zh) | 2020-07-06 | 2020-07-06 | 基于灰色关联度的变权重组合光伏出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798055A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113207214A (zh) * | 2021-04-02 | 2021-08-03 | 山东师范大学 | 室内照明控制方法及系统 |
CN113657677A (zh) * | 2021-08-20 | 2021-11-16 | 济南大学 | 一种基于变权组合模型的变压器油温预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
US20140095076A1 (en) * | 2012-09-28 | 2014-04-03 | Hewlett-Packard Development Company, L.P. | Predicting near-future photovoltaic generation |
CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
CN106529724A (zh) * | 2016-11-14 | 2017-03-22 | 吉林大学 | 一种灰色联合权重风电功率预测方法 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
-
2020
- 2020-07-06 CN CN202010639158.9A patent/CN111798055A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
US20140095076A1 (en) * | 2012-09-28 | 2014-04-03 | Hewlett-Packard Development Company, L.P. | Predicting near-future photovoltaic generation |
CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
CN106529724A (zh) * | 2016-11-14 | 2017-03-22 | 吉林大学 | 一种灰色联合权重风电功率预测方法 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
Non-Patent Citations (1)
Title |
---|
李芬,李春阳等: "基于GRA-BPNN时变权重的光伏短期出力组合预测", 《可再生能源》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113207214A (zh) * | 2021-04-02 | 2021-08-03 | 山东师范大学 | 室内照明控制方法及系统 |
CN113207214B (zh) * | 2021-04-02 | 2022-07-22 | 山东师范大学 | 室内照明控制方法及系统 |
CN113657677A (zh) * | 2021-08-20 | 2021-11-16 | 济南大学 | 一种基于变权组合模型的变压器油温预测方法及系统 |
CN113657677B (zh) * | 2021-08-20 | 2024-02-27 | 济南大学 | 一种基于变权组合模型的变压器油温预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
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 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN112257941A (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN110807554A (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
CN114510513A (zh) | 用于光伏功率超短期预测的短临气象预报数据处理方法 | |
CN111798055A (zh) | 基于灰色关联度的变权重组合光伏出力预测方法 | |
CN108563829B (zh) | 一种基于贝叶斯鲁棒函数回归的多步风速预报方法 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
Wang et al. | Short-term wind power forecasting based on BOMLS K-means similar hours Clustering method | |
Cheng et al. | Temperature & humidity-weighted-modified GRNN based prediction model of photovoltaic power generation | |
Hamberg | Photovoltaic System Performance Forecasting Using LSTM Neural Networks | |
Zhong et al. | State Estimation of New Distribution Network Based on Deep Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |
|
RJ01 | Rejection of invention patent application after publication |