CN111950811B - 基于双层人工神经网络的区域光伏功率预测方法及系统 - Google Patents
基于双层人工神经网络的区域光伏功率预测方法及系统 Download PDFInfo
- Publication number
- CN111950811B CN111950811B CN202010877791.1A CN202010877791A CN111950811B CN 111950811 B CN111950811 B CN 111950811B CN 202010877791 A CN202010877791 A CN 202010877791A CN 111950811 B CN111950811 B CN 111950811B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- prediction
- output
- power station
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005096 rolling process Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 72
- 238000012937 correction Methods 0.000 description 3
- 239000002355 dual-layer Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
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
- G06N3/045—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—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了基于双层人工神经网络的区域光伏功率预测方法及系统，包括：利用第一层人工神经网络对各个光伏电站的滚动出力预测；结合各个光伏电站自身的滚动出力预测精度及区域内各个光伏电站出力与区域总出力之间的相关系数选择基准光伏电站；利用基准光伏电站历史出力数据对第二层人工神经网络进行训练；对各基准光伏电站实时功率进行采集并输入至双层人工神经网络模型，实现区域光伏总出力的滚动预测，滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区域输出功率的滚动预测。本方法无需对待测区域内全部光伏电站出力进行采集，在降低了成本的同时保证了较高的预测精度。
Description
技术领域
本公开属于区域功率预测技术领域，尤其涉及基于双层人工神经网络的区域光伏功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
由于光伏出力具有间歇性、波动性和随机性的特点，光伏发电系统的大规模并网运行会严重影响电力系统的稳定与经济运行。因此，开展区域光伏功率预测技术对提高电网稳定性和增强电网消纳光电能力具有重要意义。现有专利和文献中提到的光伏发电功率预测模型可分为三大类，第一类为累加法，即对区域内全部光伏电站进行出力预测，然后将预测结果累加求和最终得到区域预测结果。然而此类方法对电站数据量需求极大，且并非全部光伏电站都具有精度较高的出力数据采集系统，因此很难实现工程应用。第二类为外推法，即首先对区域进行片区划分，通过对不同片区进行出力预测，进而累加全部片区的出力预测结果得到区域出力预测结果。第三类方法为统计升尺度法，首先选取与区域出力相关性较高的基准光伏电站，并基于基准光伏电站的功率预测结果实现整个区域的出力预测。此类方法基于少量电站的出力数据对区域出力进行预测，极大地减少了数据需求量。
发明人在研究中发现，基于统计生尺度法的区域出力预测精度取决于基准光伏电站，在选择基准光伏电站时，不仅需要考虑相关系数，同时应该引入基准光伏电站自身的功率预测精度作为基准电站选取指标，因此除了需要考虑基准光伏电站出力与区域出力之间的相关性之外，还需对基准电站自身的功率预测算法精度进行评估。此外，当基准光伏电站受到外界因素扰动，例如云团遮挡或电网故障时，区域功率预测结果会产生严重偏差，目前已提出的区域功率预测方法缺乏对此问题的分析与解决方案。
综上所述，如何精准地选择基准光伏电站并且如何在基准光伏电站发生线路故障或被云团遮挡时保证较高的区域功率预测精度成为制约区域功率预测精度的瓶颈。
发明内容
为克服上述现有技术的不足，本公开提供了基于双层人工神经网络的区域光伏功率预测方法，具有较高的普适性，无需对所获取数据进行不同天气状况下的分类，做出高精度的功率预测。
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
一方面，公开了基于双层人工神经网络的区域光伏功率预测方法，包括：
利用第一层人工神经网络实现各个光伏电站的滚动出力预测；
结合第一层人工神经网络的滚动出力预测精度及区域内各个光伏电站出力与区域总出力之间的相关系数选择基准光伏电站；
利用第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测，第一层人工神经网络及第二层人工神经网络构成双层人工神经网络模型；对各基准光伏电站实时功率进行采集并输入至双层人工神经网络模型，得到区域光伏总出力的滚动预测结果，滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区域输出功率的滚动预测。
另一方面，公开了基于双层人工神经网络的区域光伏功率预测系统，包括：
离线学习模块，被配置为：利用第一层人工神经网络对各个光伏电站的滚动出力预测；
结合各个光伏电站自身的滚动出力预测精度及区域内各个光伏电站出力与区域总出力之间的相关系数选择基准光伏电站；
利用基准光伏电站历史出力数据对第二层人工神经网络进行训练，第一层人工神经网络及第二层人工神经网络构成双层人工神经网络模型；
在线预测模块，被配置为：对各基准光伏电站实时功率进行采集并输入至双层人工神经网络模型，实现区域光伏总出力的滚动预测，滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区域输出功率的滚动预测。
以上一个或多个技术方案存在以下有益效果：
本公开技术方案针对现有的区域功率预测技术存在的数据量需求大及在多云或线路故障工况下预测精度较低的缺陷，提出了基于基准光伏电站的实时输出功率，结合人工神经网络实现区域光伏功率的滚动预测方法，并在选择基准光伏电站时引入人工神经网络预测精度作为选取指标，以提高区域出力预测精度；同时对基准光伏电站在云团遮挡或线路故障工况下的区域出力预测结果进行修正，提高了普适性，且大大降低了所需数据量。
不同于传统的累加法，本方法无需对待测区域内全部光伏电站出力进行采集，在降低了成本的同时保证了较高的预测精度。
不同于传统的统计升尺度法，本方法具有较高的普适性，能够在不同工况下，例如在基准光伏电站受到云团遮挡或线路故障影响的情况下做出高精度的区域功率预测。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例子的基于双层人工神经网络的区域光伏功率预测方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
本实施例公开了基于双层人工神经网络的区域光伏功率预测方法，具有较高的普适性，能够在多种工况下，例如晴天、雨雪天、阴天和线路故障工况下，做出高精度的功率预测，无需对所获取数据进行不同天气状况下的分类。
上述方法中无需对所获取数据进行不同天气状况下的分类是因为第一层人工神经网络实现的是功率的滚动预测，即用前几分钟的功率预测来预测未来一分钟光伏电站的出力。即使是在阴雨天气，辐照度在几分钟内的变化也具有时序上高度的相关性。线路故障下的预测主要是基于对第二层人工神经网络输入参量的修正实现的，即通过故障基准电站周围的电站出力进行期望功率的推导，进而实现高精度的区域功率滚动预测。
整体构思为：
构建两层人工神经网络，其中第一层人工神经网络基于各光伏电站的历史出力数据，实现光伏电站自身功率的滚动预测，并结合第一层人工神经网络的预测精度与皮尔逊相关系数优化基准电站的选择标准。第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测。结合两层人工神经网络，以第一层人工神经网络的输出作为第二层人工神经网络的输入，实现区域总出力的滚动预测，并通过选取合适的非基准电站出力实时校正预测过程中基准电站的出力预测结果，优化区域出力滚动预测精度。
基于第一层人工神经网络的预测精度优化基准电站的选择标准，首先构建第一层人工神经网络训练集，由于第一层人工神经网络包含多个人工神经网络模型，即每个光伏电站对应一个人工神经网络模型，因此需建立多个训练集分别对各个人工神经网络模型进行训练。训练集输入为某一光伏电站在待遇测时间点前几个时间点的历史输出功率，输出为待预测时间点的输出功率，以实现各光伏电站输出功率的滚动预测，并得到每个人工神经网络模型的平均相对误差。结合各个光伏电站出力与区域总出力之间的皮尔逊相关系数，计算得到参数μ作为基准光伏电站的选择指标，选取μ较大的光伏电站作为基准光伏电站。
第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测，基于选取的基准光伏电站历史出力数据及区域总出力历史数据构建训练集，其中训练集输入参量包含了预测的某一时刻各基准光伏电站的输出功率，输出参量包含了相同时刻区域光伏总出力，以实现基于少量基准光伏电站出力数据的区域总出力预测。
结合两层人工神经网络，以第一层人工神经网络的输出作为第二层人工神经网络的输入，实现区域总出力的滚动预测，通过将第一层人工神经网络中基准光伏电站的功率滚动预测结果作为输入参量输入至第二层人工神经网络中，可实现基于基准光伏电站历史出力数据的区域总出力的滚动预测。
实时在线预测时，基于待预测时刻前几个时间点的出力数据进行预测的，例如训练ANN模型的时候使用的数据是过去一个月光伏电站的出力数据，在进行在线预测时，只需将过去几分钟的数据输入至训练好的模型中就能得到未来时刻的功率预测值。
通过选取合适的非基准电站出力实时校正预测过程中基准电站的出力预测结果，优化区域出力滚动预测精度，当基准光伏电站时候到扰动因素干扰而无法代表区域出力的变化趋势时，通过容量比依据其相邻N个光伏电站出力对基准光伏电站未发生扰动时的期望功率进行推导：
其中P* ref_pre是推导得到的基准光伏电站未发生扰动时的期望功率，Pref_pre为受到扰动时基准光伏电站滚动预测功率值，PN_pre为与功率突变基准光伏电站相邻的非基准电站的功率滚动预测值，MN、Mref分别为非基准电站和基准电站的装机容量，Pregional为基于修正后的基准光伏电站功率滚动预测值的区域功率滚动预测结果，P* regional为修正后的区域功率滚动预测结果。以此对第二层人工神经网络输入参量进行修正，以提高区域总出力的预测精度。
整体步骤包括：
对区域内各个光伏电站的历史出力数据进行预处理，对无效值和缺失值进行剔除；
基于处理后的各个光伏电站历史出力数据建立第一层人工神经网络的训练集，以实现各个光伏电站的滚动出力预测；
计算区域内各个光伏电站出力与区域总出力之间的相关系数；
结合各个光伏电站自身的滚动出力预测精度与计算得到的皮尔逊相关系数选择基准光伏电站以优化预测精度，在进行区域光伏出力滚动预测时无需对全部电站数据进行采集，仅需对选取的基准电站实时出力数据进行采集即可实现对区域总出力进行预测。
基于选取的基准光伏电站历史出力数据，建立第二层人工神经网络的训练集，以实现基于基准光伏电站的区域总出力预测；并基于对基准光伏电站在受到云团遮挡或线路故障工况下的出力进行修正，通过对比分析基准光伏电站与其相邻的光伏电站在多云工况下的功率滚动预测值，推导出基准光伏电站在未发生扰动时的功率期望预测值并以此作为第二层人工神经网络的输入参量进行区域出力的预测，以提高当基准光伏电站在遮挡或线路故障情况下的区域功率预测精度。
基于训练好的两层人工神经网络，将第一层人工神经网络得到的各基准光伏电站的功率滚动预测的结果输入至第二层人工神经网络中，实现基于基准光伏电站出力数据的区域总出力滚动预测。
例如当下时间是北京时间12:00，基于11：58、11:59和12:00的基准光伏电站出力数据就能够利用人工神经网络得到12:01各基准光伏电站的出力，进而预测出12:01整个区域的出力。
参见附图1所示，基于双层人工神经网络的区域光伏功率预测方法，更为详细的具体实施步骤包括：
步骤(1)：对待测区域内光伏电站历史出力数据的无效值和缺失值进行剔除，构建数据集。
步骤(2)：建立第一层人工神经网络模型，其目标为实现基于各个光伏电站自身历史出力数据的输出功率滚动预测，并基于步骤(1)构建的数据集与第一层人工神经网络结构，构建第一层人工神经网络训练集，并对第一层人工神经网络进行训练。
步骤(3)：基于步骤(1)构建的数据集，计算待测区域内各光伏电站出力与区域总出力之间的相关系数，结合步骤(2)中各个光伏电站自身功率滚动预测精度，基于基准光伏电站系数选择基准光伏电站。
步骤(4)：构建第二层人工神经网络，其目标为实现基于基准光伏电站输出功率的区域总出力预测，基于通过步骤(3)选择的基准光伏电站历史出力数据构建训练集，对第二层人工神经网络进行训练。
步骤(5)：将第一层人工神经网络得到的基准光伏电站自身功率的滚动预测结果输入至第二层人工神经网络中，得到区域总出力的滚动预测结果，并对基准电站在云团遮挡或线路故障工况下的区域总出力滚动预测结果进行修正，提高预测精度。
在离线训练阶段第二层人工神经网络训练后，进行区域总预测及滚动预测，目的在于通过对历史区域光伏出力的滚动预测验证所提方法的精度。
具体方法为：
本公开引入人工神经网络精度作为基准光伏电站的选取指标之一，结合各个光伏电站出力与区域总出力之间的相关系数，提高了区域出力预测精度。
相较于传统统计生尺度区域出力预测方法，本公开在基准光伏电站受到外界扰动因素干扰时依然能够保持较高的区域出力预测精度，具有更高的泛用性。
所述步骤(2)中第一层人工神经网络训练集输入参量为多个过去时间节点的光伏电站出力，输出参量为未来时刻光伏电站出力值。本文使用基于误差逆传播算法多层前馈神经网络，以目标的负梯度方向对神经元权重进行调整，对于给定学习率μ，隐藏层权重变化值可表示为：
其中wh为隐藏层权重，Ek为预测误差。
功率滚动预测结果可表示为：
PT＝f(PT-1,PT-2…PT-n) (4)
其中f代表基于人工神经网络建立的映射关系，PT-n代表T-n时刻光伏电站输出功率。人工神经网络隐藏层和输出层的激活函数为sigmod，且损失函数定义为：
其中y* k是通过人工神经网络获得的预测结果，yk是期望出力值。
步骤(3)中相关系数为皮尔逊相关系数(Pearson correlation coefficient)，皮尔逊相关系数能够描述随机变量间线性相关程度，两个随机变量X和Y的相关系数rXY的表达式为：
其中N是样本集大小，是随机变量X的均值，/>是随机变量Y的均值。在本文中，X为某一基准光伏电站在某个时间节点的输出功率，Y为相同时刻区域总出力，通过选取多个时间节点，能够计算得到待测区域内各个分布式光伏电站出力与区域光伏总出力之间的相关系数。相关系数的大小能够反映出各光伏电站出力与区域总出力之间的相关性。
所述步骤(3)中光伏电站自身功率滚动预测精度由平均相对误差(mean absolutepercentage error,MAPE)来衡量，其表达式为：
其中N为训练集中所包含的样本个数，en是预测出力结果与实测出力的误差，yn是实测出力。
步骤(3)中选择基准光伏电站方法为，以相关系数与第一层人工神经网络的精度作为基准光伏电站的选取指标，可表示为：
μ＝rXY×(1-MAPE) (8)
μ越大，说明光伏电站自身出力预测精度较高且与区域总出力相关性较大，因此选择μ较大的光伏电站作为基准光伏电站。
所述步骤(4)中第二层人工神经网络训练集输入参量包含了预测的某一时刻各基准光伏电站的输出功率，输出参量包含了相同时刻区域光伏总出力可表示为：
Ptot＝f(Pr1,Pr2…PrN) (9)
其中f代表基于人工神经网络建立的映射关系，PrN为第N个基准光伏电站的输出功率，Ptot为同时刻区域光伏总出力。
所述步骤(5)中并对基准电站在云团遮挡或线路故障工况下的区域总出力滚动预测结果进行修正，具体为：
当基准光伏电站由于云团遮挡或电网故障导致的大范围功率波动而非基准光伏电站未受到影响时，会严重影响其功率滚动预测结果。由于第二层人工神经网络的输入参量仅包含基准光伏电站的滚动预测功率值，因此会导致区域出力预测结果出现较大偏差。为此，当基准电站功率因扰动因素发生较大波动而其余电站功率未发生明显波动时，第二层人工神经网络输入参量应使用未发生扰动时基准光伏电站的期望功率预测值。本文通过容量比依据其相邻3个光伏电站出力对基准光伏电站未发生扰动时的期望功率进行推导：
其中P* ref_pre是推导得到的基准光伏电站未发生扰动时的期望功率，Pref_pre为受到扰动时基准光伏电站滚动预测功率值，P1_pre、P2_pre和P3_pre分别为与功率突变基准光伏电站距离不一的三个非基准电站的功率滚动预测值，M1、M2、M3、Mref分别为三个非基准电站和基准电站的装机容量，Pregional为基于修正后的基准光伏电站功率滚动预测值的区域功率滚动预测结果，P* regional为修正后的区域功率滚动预测结果。当仅有基准光伏电站受到云团或电网故障等因素干扰时，P* ref_pre与Pref_pre偏差较大，因此在进行区域出力滚动预测时，第二层人工神经网络输入参量应使用P* ref_pre；当通过P1_pre、P2_pre和P3_pre判断整个区域都受到扰动时，P* ref_pre与Pref_pre的值近似相等，第二层人工神经网络输入参量应使用Pref_pre。
基于同样的发明构思，本实施例的目的是提供基于双层人工神经网络的区域光伏功率预测终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现基于双层人工神经网络的区域光伏功率预测方法的步骤。
基于同样的发明构思，本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行基于双层人工神经网络的区域光伏功率预测方法的步骤。
再次参见附图1所示，基于同样的发明构思，本公开实施例子公开了基于双层人工神经网络的区域光伏功率预测系统，整个系统分为离线训练模块和在线预测模块。离线训练模块包括历史出力数据、人工神经网络的训练及基准光伏电站的选取。首先构建训练集对第一层人工神经网络进行训练，基于各个光伏电站的历史出力数据实现滚动预测；其次计算各光伏电站历史出力数据与区域光伏历史总出力之间的相关系数，结合各个电站出力滚动预测精度选择基准光伏电站，并基于基准光伏电站历史出力构建第二层人工神经网络训练集。离线训练好的两层人工神经网络可帮助实现区域总光伏出力在不同时间尺度下的滚动预测。在线预测模块通过实时采集基准光伏电站的出力数据，对基准电站功率进行滚动预测及修正，将修正后的基准电站预测出力结果输入至第二层人工神经网络中，最终得到区域功率滚动预测结果。本公开在降低了成本的同时保证了较高的预测精度，并且能够在基准光伏电站受到扰动时实现高精度的区域功率预测。
以上实施例装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (8)
1.基于双层人工神经网络的区域光伏功率预测方法，其特征是，包括：
利用第一层人工神经网络实现各个光伏电站的滚动出力预测；
结合第一层人工神经网络的滚动出力预测精度及区域内各个光伏电站出力与区域总出力之间的相关系数选择基准光伏电站；
利用第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测，第一层人工神经网络及第二层人工神经网络构成双层人工神经网络模型；
对各基准光伏电站实时功率进行采集并输入至双层人工神经网络模型，得到区域光伏总出力的滚动预测结果，滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区域输出功率的滚动预测；
所述滚动出力预测精度为各个光伏电站自身的功率预测值和实际功率值的平均相对误差；
通过选取合适的非基准电站出力实时校正预测过程中基准光伏电站的出力预测结果，优化区域出力滚动预测精度，当基准光伏电站受到扰动因素干扰而无法代表区域出力的变化趋势时，通过容量比依据其相邻N个光伏电站出力对基准光伏电站未发生扰动时的期望功率进行推导：
其中P* ref_pre是推导得到的基准光伏电站未发生扰动时的期望功率，Pref_pre为受到扰动时基准光伏电站滚动预测功率值，PN_pre为与功率突变基准光伏电站相邻的非基准电站的功率滚动预测值，MN、Mref分别为非基准电站和基准电站的装机容量，Pregional为基于修正后的基准光伏电站功率滚动预测值的区域功率滚动预测结果，P* regional为修正后的区域功率滚动预测结果。
2.如权利要求1所述的基于双层人工神经网络的区域光伏功率预测方法，其特征是，利用第一层人工神经网络实现各个光伏电站的滚动出力预测，具体包括：对区域内各个光伏电站的历史出力数据进行归一化处理，基于处理后的各个光伏电站历史出力数据分别建立多个训练集对第一层人工神经网络进行训练，实现各个光伏电站自身出力的滚动出力预测。
3.如权利要求1所述的基于双层人工神经网络的区域光伏功率预测方法，其特征是，对各基准光伏电站实时功率进行采集并输入至双层人工神经网络模型，具体为：先输入至第一层人工神经网络，将第一层人工神经网络得到的各基准光伏电站的功率滚动预测的结果输入至第二层人工神经网络中，得到基于基准光伏电站出力数据的区域总出力滚动预测。
4.如权利要求3所述的基于双层人工神经网络的区域光伏功率预测方法，其特征是，将第一层人工神经网络得到的各基准光伏电站的功率滚动预测的结果输入至第二层人工神经网络中，得到基于基准光伏电站出力数据的区域总出力滚动预测，具体包括：
通过对比分析基准光伏电站与其相邻的光伏电站在多云工况下的功率滚动预测值，对第一层人工神经网络得到的各基准光伏电站的功率滚动预测的结果进行修正，得到修正后的各基准光伏电站在未发生扰动时的功率期望预测值并以此作为第二层人工神经网络的输入参量进行区域总出力滚动预测。
5.如权利要求1所述的基于双层人工神经网络的区域光伏功率预测方法，其特征是，所述区域内各个光伏电站出力与区域总出力之间的相关系数为皮尔逊相关系数，所述皮尔逊相关系数用于反映出各光伏电站出力与区域总出力之间的相关性。
6.一种基于双层人工神经网络的区域光伏功率预测系统，其特征是：
离线学习模块，被配置为：利用第一层人工神经网络实现各个光伏电站的滚动出力预测；结合各个光伏电站自身的滚动出力预测精度及区域内各个光伏电站出力与区域总出力之间的相关系数选择基准光伏电站；利用第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测，第一层人工神经网络及第二层人工神经网络构成双层人工神经网络模型；
在线预测模块，被配置为：对各基准光伏电站实时功率进行采集并输入至双层人工神经网络模型，并通过对第二层人工神经网络输入参量的修正得到区域光伏总出力的滚动预测结果，滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区域输出功率的滚动预测；
所述滚动出力预测精度为各个光伏电站自身的功率预测值和实际功率值的平均相对误差；
通过选取合适的非基准电站出力实时校正预测过程中基准光伏电站的出力预测结果，优化区域出力滚动预测精度，当基准光伏电站受到扰动因素干扰而无法代表区域出力的变化趋势时，通过容量比依据其相邻N个光伏电站出力对基准光伏电站未发生扰动时的期望功率进行推导：
其中P* ref_pre是推导得到的基准光伏电站未发生扰动时的期望功率，Pref_pre为受到扰动时基准光伏电站滚动预测功率值，PN_pre为与功率突变基准光伏电站相邻的非基准电站的功率滚动预测值，MN、Mref分别为非基准电站和基准电站的装机容量，Pregional为基于修正后的基准光伏电站功率滚动预测值的区域功率滚动预测结果，P* regional为修正后的区域功率滚动预测结果。
7.基于双层人工神经网络的区域光伏功率预测终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现权利要求1-5任一所述的基于双层人工神经网络的区域光伏功率预测方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行权利要求1-5任一所述的基于双层人工神经网络的区域光伏功率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010877791.1A CN111950811B (zh) | 2020-08-27 | 2020-08-27 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010877791.1A CN111950811B (zh) | 2020-08-27 | 2020-08-27 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950811A CN111950811A (zh) | 2020-11-17 |
| CN111950811B true CN111950811B (zh) | 2024-04-09 |
Family
ID=73367524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010877791.1A Active CN111950811B (zh) | 2020-08-27 | 2020-08-27 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950811B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115173408B (zh) * | 2022-07-27 | 2024-05-07 | 国网湖南省电力有限公司 | 一种基于皮尔逊相关系数的分布式光伏电站聚合预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521670A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 基于气象要素的光伏电站发电输出功率预测方法 |
| CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
| US8682585B1 (en) * | 2011-07-25 | 2014-03-25 | Clean Power Research, L.L.C. | Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system |
| CN103729685A (zh) * | 2013-12-02 | 2014-04-16 | 国电南瑞科技股份有限公司 | 基于改进rbf神经网络的光伏电站群区域功率预测方法 |
| CN108268963A (zh) * | 2016-12-30 | 2018-07-10 | 中国电力科学研究院 | 一种自修正检验的光伏功率短期预测方法 |
| CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
| CN109978242A (zh) * | 2019-03-12 | 2019-07-05 | 国网冀北电力有限公司 | 基于统计升尺度的光伏发电集群功率预测方法及装置 |
| CN110490403A (zh) * | 2019-05-31 | 2019-11-22 | 国网青海省电力公司 | 一种基于改进神经网络构建光伏电站的光资源评估方法 |
| CN110675278A (zh) * | 2019-09-18 | 2020-01-10 | 上海电机学院 | 一种基于rbf神经网络的光伏功率短期预测方法 |
| CN110689183A (zh) * | 2019-09-20 | 2020-01-14 | 山东大学 | 一种集群光伏功率概率预测方法、系统、介质及电子设备 |
Family Cites Families (2)
| 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 |
| US11545830B2 (en) * | 2017-01-18 | 2023-01-03 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
-
2020
- 2020-08-27 CN CN202010877791.1A patent/CN111950811B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8682585B1 (en) * | 2011-07-25 | 2014-03-25 | Clean Power Research, L.L.C. | Computer-implemented system and method for inferring operational specifications of a photovoltaic power generation system |
| CN102521670A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 基于气象要素的光伏电站发电输出功率预测方法 |
| CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
| CN103729685A (zh) * | 2013-12-02 | 2014-04-16 | 国电南瑞科技股份有限公司 | 基于改进rbf神经网络的光伏电站群区域功率预测方法 |
| CN108268963A (zh) * | 2016-12-30 | 2018-07-10 | 中国电力科学研究院 | 一种自修正检验的光伏功率短期预测方法 |
| CN109978242A (zh) * | 2019-03-12 | 2019-07-05 | 国网冀北电力有限公司 | 基于统计升尺度的光伏发电集群功率预测方法及装置 |
| CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
| CN110490403A (zh) * | 2019-05-31 | 2019-11-22 | 国网青海省电力公司 | 一种基于改进神经网络构建光伏电站的光资源评估方法 |
| CN110675278A (zh) * | 2019-09-18 | 2020-01-10 | 上海电机学院 | 一种基于rbf神经网络的光伏功率短期预测方法 |
| CN110689183A (zh) * | 2019-09-20 | 2020-01-14 | 山东大学 | 一种集群光伏功率概率预测方法、系统、介质及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| 云团移动对光伏电站出力特性及系统调频的影响;王诚良;朱凌志;党东升;赵亮;丁煌;;可再生能源;20171120(11);全文 * |
| 基于机器学习的集群式风光一体短期功率预测技术;崔杨等;《中国电力》;第53卷(第3期);第1-7页 * |
| 晴天光伏发电功率的日内变化规律及预测方法研究;杨阳;练冲;马超;;天津大学学报(自然科学与工程技术版);20200427(06);全文 * |
| 考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究;严华江;章坚民;胡瑛俊;张力行;焦田利;闻安;;《浙江电力》(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950811A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A novel hybrid system based on multi-objective optimization for wind speed forecasting | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
| CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
| CN110689183B (zh) | 一种集群光伏功率概率预测方法、系统、介质及电子设备 | |
| CN112508279B (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
| CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
| CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| 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 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| CN111950811B (zh) | 基于双层人工神经网络的区域光伏功率预测方法及系统 | |
| CN112001066A (zh) | 一种基于深度学习的极限传输容量的计算方法 | |
| Sen | Time Series Prediction based on Improved Deep Learning | |
| CN114548498A (zh) | 一种架空输电线路局部区域的风速预测方法及系统 | |
| CN113627674A (zh) | 一种分布式光伏电站出力预测方法、装置及存储介质 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| CN117200213A (zh) | 基于自组织映射神经网络深度强化学习的配电系统电压控制方法 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
| CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 | |
| CN112949936A (zh) | 基于相似日小波变换和多层感知机的短期光伏功率预测方法 | |
| Li et al. | Short-term Wind Power Forecast based on Teleconnected NWP Information | |
| CN115618752B (zh) | 一种基于Autoformer模型的电力负荷控制方法及系统 | |
| CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 |
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 |