CN111931981B - 基于机器学习多模型组合的光伏发电超短期预测方法 - Google Patents

基于机器学习多模型组合的光伏发电超短期预测方法 Download PDF

Info

Publication number
CN111931981B
CN111931981B CN202010641254.7A CN202010641254A CN111931981B CN 111931981 B CN111931981 B CN 111931981B CN 202010641254 A CN202010641254 A CN 202010641254A CN 111931981 B CN111931981 B CN 111931981B
Authority
CN
China
Prior art keywords
model
predicted value
future
deep learning
power generation
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.)
Active
Application number
CN202010641254.7A
Other languages
English (en)
Other versions
CN111931981A (zh
Inventor
柴东元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Tianshang Cleaning Energy Technology Co ltd
Original Assignee
Anhui Tianshang Cleaning Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Tianshang Cleaning Energy Technology Co ltd filed Critical Anhui Tianshang Cleaning Energy Technology Co ltd
Priority to CN202010641254.7A priority Critical patent/CN111931981B/zh
Publication of CN111931981A publication Critical patent/CN111931981A/zh
Application granted granted Critical
Publication of CN111931981B publication Critical patent/CN111931981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N20/00—Machine learning
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出的一种基于机器学习多模型组合的光伏发电超短期预测方法，包括以下步骤：获取由对应的实测气象数据和实际发电功率组成的第一样本数据；根据第一样本数据分别训练获得第一深度学习算法多层感知机模型和时间序列算法复合季节模型；获取由对应的第一发电功率预测值、第二发电功率预测值和实际发电功率组成的第二样本数据，根据第二样本数据训练获得第二深度学习算法多层感知机模型；通过第一深度学习算法多层感知机模型和时间序列算法复合季节模型，获得未来第一发电功率预测值和未来第二发电功率预测值；通过第二深度学习算法多层感知机模型，获得未来发电功率最终预测值。本发明采用多模型组合进行超短期预测，极大地提高了预测精度。

Description

基于机器学习多模型组合的光伏发电超短期预测方法
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种基于机器学习多模型组合的光伏发电超短期预测方法。
背景技术
太阳能是人类取之不尽用之不竭的可再生能源，具有充分的清洁性、绝对的安全性、相对的广泛性、确实的长寿命和免维护性、资源的充足性及潜在的经济性等优点，在长期的能源战略中具有重要地位。
光伏发电是太阳能的重要利用方式，近年来光伏发电的研究和应用越来越普及。光伏发电随着接受到的太阳光照而变化，对天气的依赖非常大。因此，光伏发电必须通过蓄电发电或者其他发电方式进行补充，以保证供电稳定。
光伏发电的预测直接关系到供电切换的时机，关系到供电系统的稳定。
目前预测算法大多采用单一模型进行预测，并且天气预报数据一天只获取一次；天气预报数据随预测时间跨度越大，准确性越低，并且单一模型具有局限性，预测出的结果精度很难达到电力系统考核要求。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于机器学习多模型组合的光伏发电超短期预测方法。
本发明提出的一种基于机器学习多模型组合的光伏发电超短期预测方法，包括以下步骤：
S1、从历史数据中获取多组由对应的实测气象数据和实际发电功率组成的第一样本数据；根据第一样本数据分别训练获得第一深度学习算法多层感知机模型和时间序列算法复合季节模型；
S2、从历史数据中获取多组由对应的第一发电功率预测值、第二发电功率预测值和实际发电功率组成的第二样本数据，根据第二样本数据训练获得第二深度学习算法多层感知机模型；第一发电功率预测值和第二发电功率预测值分别为第一深度学习算法多层感知机模型和时间序列算法复合季节模型的预测值；
S3、将待预测时间段内的天气预报数据分别代入第一深度学习算法多层感知机模型和时间序列算法复合季节模型，获得未来第一发电功率预测值和未来第二发电功率预测值；将未来第一发电功率预测值和未来第二发电功率预测值代入第二深度学习算法多层感知机模型，获得未来发电功率最终预测值。
优选的，步骤S1中还包括，周期性根据第一时间值内的第一样本数据均对第一深度学习算法多层感知机模型和时间序列算法复合季节模型进行修正训练；待预测时间段小于第一时间值。
优选的，第一时间值至少为3天。
优选的，待预测时间段小于或等于6h。
优选的，待预测时间段为4h。
优选的，步骤S3中，根据最新的第一深度学习算法多层感知机模型和时间序列算法复合季节模型获得未来第一发电功率预测值和未来第二发电功率预测值。
优选的，步骤S3中，还包括，对未来第一发电功率预测值、未来第二发电功率预测值和未来发电功率最终预测值进行保存。
优选的，步骤S2中，还包括周期性对第二深度学习算法多层感知机模型进行修正训练，且修正训练周期等于待预测时间段。
本发明提出的一种基于机器学习多模型组合的光伏发电超短期预测方法，通过第一深度学习算法多层感知机模型和时间序列算法复合季节模型的训练，实现了两种不同的发电功率预测模型。通过第一深度学习算法多层感知机模型和时间序列算法复合季节模型分别从天气预报数据和时间序列进行天气预报的预测，第二深度学习算法多层感知机模型对未来第一发电功率预测值和未来第二发电功率预测值的组合，可有效地降低天气预报数据的权重，进而提高了预测结果的精确性。
本发明采用多模型组合进行超短期预测，极大地提高了预测精度。
附图说明
图1为本发明提出的一种基于机器学习多模型组合的光伏发电超短期预测方法流程图。
具体实施方式
参照图1，本发明提出的一种基于机器学习多模型组合的光伏发电超短期预测方法，包括以下步骤。
S1、从历史数据中获取多组由对应的实测气象数据和实际发电功率组成的第一样本数据；根据第一样本数据分别训练获得第一深度学习算法多层感知机模型和时间序列算法复合季节模型。
具体的，第一深度学习算法多层感知机模型和时间序列算法复合季节模型的输入均为实测气象数据，输出均为实际发电功率。
本步骤中，通过第一深度学习算法多层感知机模型和时间序列算法复合季节模型的训练，实现了两种不同的发电功率预测模型。
S2、从历史数据中获取多组由对应的第一发电功率预测值、第二发电功率预测值和实际发电功率组成的第二样本数据，根据第二样本数据训练获得第二深度学习算法多层感知机模型；第一发电功率预测值和第二发电功率预测值分别为第一深度学习算法多层感知机模型和时间序列算法复合季节模型的预测值。
如此，通过第二样本数据的训练，获得了输入为第一发电功率预测值和第二发电功率预测值，输出为最终预测值的第二深度学习算法多层感知机模型。
第二深度学习算法多层感知机模型的实现，降低了第一深度学习算法多层感知机模型和时间序列算法复合季节模型的预测误差，从而提高了预测精度。
S3、将待预测时间段内的天气预报数据分别代入第一深度学习算法多层感知机模型和时间序列算法复合季节模型，获得未来第一发电功率预测值和未来第二发电功率预测值；将未来第一发电功率预测值和未来第二发电功率预测值代入第二深度学习算法多层感知机模型，获得未来发电功率最终预测值。
本实施方式中，通过第一深度学习算法多层感知机模型和时间序列算法复合季节模型分别从天气预报数据和时间序列进行天气预报的预测，第二深度学习算法多层感知机模型对未来第一发电功率预测值和未来第二发电功率预测值的组合，可有效地降低天气预报数据的权重，进而提高了预测结果的精确性。
具体实施时，步骤S1中还包括，周期性根据第一时间值内的第一样本数据均对第一深度学习算法多层感知机模型和时间序列算法复合季节模型进行修正训练；待预测时间段小于第一时间值。如此，保证了步骤S3中，根据最新的第一深度学习算法多层感知机模型和时间序列算法复合季节模型获得未来第一发电功率预测值和未来第二发电功率预测值。从而提高第一发电功率预测值和未来第二发电功率预测值的预测精确度。
本实施方式中，通过待预测时间段小于第一时间值，保证了第一样本数据的充分，方便了模型训练和修正。
具体实施时，可设置第一时间值至少为3天，待预测时间段小于或等于6h，例如，设置待预测时间段为4h。
本实施方式的步骤S3中，还包括，对未来第一发电功率预测值、未来第二发电功率预测值和未来发电功率最终预测值进行保存，以方便步骤S2中，周期性对第二深度学习算法多层感知机模型进行修正训练，且修正训练周期等于待预测时间段。
以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，包括以下步骤：
S1、从历史数据中获取多组由对应的实测气象数据和实际发电功率组成的第一样本数据；根据第一样本数据分别训练获得第一深度学习算法多层感知机模型和时间序列算法复合季节模型；
S2、从历史数据中获取多组由对应的第一发电功率预测值、第二发电功率预测值和实际发电功率组成的第二样本数据，根据第二样本数据训练获得第二深度学习算法多层感知机模型；第一发电功率预测值和第二发电功率预测值分别为第一深度学习算法多层感知机模型和时间序列算法复合季节模型的预测值；
S3、将待预测时间段内的天气预报数据分别代入第一深度学习算法多层感知机模型和时间序列算法复合季节模型，获得未来第一发电功率预测值和未来第二发电功率预测值；将未来第一发电功率预测值和未来第二发电功率预测值代入第二深度学习算法多层感知机模型，获得未来发电功率最终预测值；
所述步骤S1中还包括，周期性根据第一时间值内的第一样本数据均对第一深度学习算法多层感知机模型和时间序列算法复合季节模型进行修正训练；待预测时间段小于第一时间值；
所述步骤S2中，还包括周期性对第二深度学习算法多层感知机模型进行修正训练，且修正训练周期等于待预测时间段。
2.如权利要求1所述的基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，第一时间值至少为3天。
3.如权利要求2所述的基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，待预测时间段小于或等于6h。
4.如权利要求3所述的基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，待预测时间段为4h。
5.如权利要求1所述的基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，步骤S3中，根据最新的第一深度学习算法多层感知机模型和时间序列算法复合季节模型获得未来第一发电功率预测值和未来第二发电功率预测值。
6.如权利要求1所述的基于机器学习多模型组合的光伏发电超短期预测方法，其特征在于，步骤S3中，还包括，对未来第一发电功率预测值、未来第二发电功率预测值和未来发电功率最终预测值进行保存。
CN202010641254.7A 2020-07-06 2020-07-06 基于机器学习多模型组合的光伏发电超短期预测方法 Active CN111931981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010641254.7A CN111931981B (zh) 2020-07-06 2020-07-06 基于机器学习多模型组合的光伏发电超短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010641254.7A CN111931981B (zh) 2020-07-06 2020-07-06 基于机器学习多模型组合的光伏发电超短期预测方法

Publications (2)

Publication Number Publication Date
CN111931981A CN111931981A (zh) 2020-11-13
CN111931981B true CN111931981B (zh) 2022-05-10

Family

ID=73312496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010641254.7A Active CN111931981B (zh) 2020-07-06 2020-07-06 基于机器学习多模型组合的光伏发电超短期预测方法

Country Status (1)

Country Link
CN (1) CN111931981B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579504A (zh) * 2023-07-10 2023-08-11 广东省气象服务中心(广东气象影视宣传中心) 基于机器学习的池塘海水养殖水温的预测方法
CN117332896A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 多层集成学习的新能源小时间尺度功率预测方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184404B (zh) * 2015-08-31 2018-12-18 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
CN107194507A (zh) * 2017-05-17 2017-09-22 华北电力大学（保定） 一种基于组合支持向量机的风电场短期风速预测方法
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
CN109190793A (zh) * 2018-07-27 2019-01-11 中国电力科学研究院有限公司 一种基于近似周期时间序列的光伏发电功率预测方法及系统
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
CN110751326B (zh) * 2019-10-17 2022-10-28 江苏远致能源科技有限公司 一种光伏日前功率预测方法、装置以及存储介质
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN111160621B (zh) * 2019-12-06 2022-06-14 江苏方天电力技术有限公司 一种融合多源信息的短期风电功率预测方法

Also Published As

Publication number Publication date
CN111931981A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111008728B (zh) 一种用于分布式光伏发电系统短期出力的预测方法
CN110729764B (zh) 一种含光伏发电系统的优化调度方法
CN102478584B (zh) 基于小波分析的风电场风速预测方法及系统
CN111931981B (zh) 基于机器学习多模型组合的光伏发电超短期预测方法
CN114362268B (zh) 基于风光荷两级预测的综合能源供电系统优化调度方法
CN102102626A (zh) 风电场短期功率预测方法
CN102930358A (zh) 一种光伏电站发电功率的神经网络预测方法
CN104463356A (zh) 一种基于多维信息人工神经网络算法的光伏发电功率预测方法
CN112803491B (zh) 一种耦合弃电风险的风光水多能互补短期优化调度方法
CN104299173A (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN103577893A (zh) 一种新能源与火电双向为高载能负荷供电的节能优化方法
CN104239962A (zh) 一种基于相关性分析的区域电网总风功率短期预测方法
CN104657786A (zh) 一种基于Boosting算法的短期风功率混合预测方法
CN104657787A (zh) 一种风功率时间序列组合预测方法
Lv et al. Photovoltaic power forecasting in dunhuang based on recurrent neural network
CN116073433A (zh) 一种考虑海上风电集群多点接入的陆上电力系统调度方法
Almalaq et al. Deep learning applied on renewable energy forecasting towards supply-demand matching
CN113852069B (zh) 一种含源荷不确定性的地区电网经济调度优化方法及系统
Wang et al. Wind power output prediction: a comparative study of extreme learning machine
Xu Coastal wind power forecasting research scheme design
Kartini et al. Development hybrid model deep learning neural network (dl-nn) for probabilistic forecasting solar irradiance on solar cells to improve economics value added
Li et al. Short term photovoltaic power generation forecasting using RBF neural network
Tao et al. Intelligent grid load forecasting based on BERT network model in low-carbon economy
Dong et al. Design and optimal scheduling of forecasting-based campus multi-energy complementary energy system
Li et al. Short-term Wind Power Forecast based on Teleconnected NWP Information

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