CN112149905A - 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 - Google Patents
一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 Download PDFInfo
- Publication number
- CN112149905A CN112149905A CN202011025599.6A CN202011025599A CN112149905A CN 112149905 A CN112149905 A CN 112149905A CN 202011025599 A CN202011025599 A CN 202011025599A CN 112149905 A CN112149905 A CN 112149905A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- neural network
- power
- photovoltaic power
- state component
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000009466 transformation Effects 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000011478 gradient descent method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 10
- 238000012886 linear function Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 1
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 16
- 238000010248 power generation Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06N3/08—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，包括步骤：选取与光伏功率最为相关的四种气象参数作为模型的输入；对待预测日之前的设定天数历史数据进行处理，作为训练数据集；使用小波变换将训练数据集中的历史数据均分解为稳态分量和非稳态分量；采用小波神经网络对训练数据集进行学习，针对稳态分量和非稳态分量分别训练对应的小波神经网络模型，并用随机梯度下降法调整网络的参数；将待预测日的NWP气象参数归一化并使用小波变换分解为稳态分量和非稳态分量，然后将之作为对应模型的输入，得出各个预测的功率值分量，各功率分量求和并反归一化即为预测的最终功率值。本发明能够有效提高短期功率的预测精度。
Description
技术领域
本发明涉及光伏电站功率预测技术领域，特别是一种基于小波变换和小波神经网络的光伏电站短期功率预测方法。
背景技术
大规模、无节制地开采化石燃料使得这些宝贵的资源快速地衰竭，同时还引起了雾霾、酸雨和温室效应等严峻的环境问题，随着全球能耗的快速增长，环境将进一步恶化，为解决能源与环境问题，有必要节能减排，大力开发新能源，走可持续发展的低碳道路。新能源之中以太阳能最受瞩目，根据中国光伏行业协会提供的数据，2019年我国新增光伏并网装机容量达到30.1GW，累计光伏并网装机量达到204.3GW。2019年全年光伏发电量2242.6亿千瓦时，同比增长26.3％，占我国全年总发电量的3.1％，同比提高0.5个百分点。
但是凡事有利必有弊，光伏发电也不是十全十美的，太阳能具有波动性强、随机性大的特点，将光伏所发的电输入电网中势必会引起电网的电压有所波动，这将不利于用电器的工作，波动过大时甚至会导致用电器损坏，为了缓解这一问题，有学者提出了可以利用光伏功率预测的方法，提前制定电网的调配计划，以达到稳定电网的目的。
目前，各种各样的光伏功率预测方法如雨后春笋般涌现，依据所使用的方法，可以将其分为两大类：白盒模型和黑盒模型。白盒模型从物理原理出发，研究光生电背后的物理原理，从而导出气象参数与光伏功率之间的表达式，这种方式能够在电站实际构建之前就得到未来发电功率的估计值，但是由于需要嵌套多层复杂的物理公式以及大量的模型参数设置依赖于专家经验，更糟的是这些辛苦设置的模型参数与光伏电站所使用的光伏电池种类以及电站的结构密切相关，换了另外一个电站又需要重新设置，因而开发难度较大，泛化能力差，精度也比较一般；黑盒模型则是基于数据驱动，在光伏电站建立并运行一段时间后，使用黑盒模型学习电站记录下的气象参数和功率数据，模型能够自动学到最佳的匹配参数，无需人工调整，这大大减少了建模难度。近年来，随着大数据技术和人工智能的发展，黑盒模型的性能有了质的飞跃，大量的实验表明，基于人工智能技术的黑盒模型具有开发难度小，泛化能力强，精度高的优点。
目前，公开发表的文献及专利中尚未见有将小波变换和小波神经网络结合用于预测光伏电站输出功率的研究。
发明内容
有鉴于此，本发明的目的是提出一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，从而提高光伏电站短期功率预测的精度。
本发明采用以下方案实现：一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，具体包括以下步骤：
使用相关系数分析影响光伏功率的气象参数，最后选取与光伏功率最为相关的四种气象参数作为模型的输入；
对待预测日之前的设定天数的历史数据进行处理，剔除异常值和黑夜的值，然后对历史功率和历史气象参数进行归一化处理，将其作为训练数据集；
使用小波变换将训练数据集中的历史功率数据和历史气象数据均分解为稳态分量和非稳态分量；
采用小波神经网络对经小波变换后的训练数据集进行学习，针对稳态分量和非稳态分量分别训练对应的小波神经网络模型，即稳态部分的功率由稳态部分的气象参数来进行预测，非稳态部分的功率由非稳态部分的气象参数来进行预测，并用随机梯度下降法调整网络的参数；
将待预测日的NWP气象参数归一化并使用小波变换分解为稳态分量和非稳态分量，然后将之作为对应模型的输入，得出各个预测的功率值分量，各功率分量求和并反归一化即为预测的最终功率值。
进一步地，所述与光伏功率最为相关的四种气象参数分别为：地面水平辐照度、散射水平辐照度、环境温度和相对湿度。
进一步地，所述剔除异常值和黑夜的值具体为：剔除由非气象参数引起的功率变化所对应的数据，以及剔除黑夜的数据，取白天6时至19时的数据。
进一步地，所采用的小波变换的基函数为Biorthogonal小波系中的bior6.8。
进一步地，所述训练小波神经网络模型，并用随机梯度下降法调整网络的参数具体为：
步骤S11：正向传播，使用的是小波神经网络，设其隐含层为N层，第一层隐含层的输出为：H1＝f(W1X+B1)，第i层的隐含层输出为：Hi＝f(WiHi-1+Bi)，i＝2，3，...，N，输出为：O＝g(WoHN+Bo)；其中，W为权值，B为偏置值，下标表示层数；X是小波神经网络的输入；f(·)为隐含层的激活函数，其表达式为
g(·)为输出层的激活函数；
步骤S12，采用随机梯度下降法对经过步骤S11训练后的小波神经网络进行反向传播。
进一步地，步骤S11中，在训练时和预测时输出层选择不同的激活函数，训练时选择线性函数，而预测时使用正线性函数，表达式为
进一步地，步骤S12具体为：
首先定义一个目标函数
其中，p为待调参数，即权值和偏置值；
为目标函数；yt为t时刻的实际功率值；at(p)为t时刻的网络输出值，即预测值；et(p)为对应的误差；
然后，使用随机梯度下降法调整参数：
其中，α为学习率，为定值或者随着训练次数变化；pt为t时刻的待调参数。
进一步地，当学习率α随着训练次数变化时，采用下式计算：
式中，αt为t时刻的学习率，αmax为最大学习率，αmin为最小学习率，tmax为最大训练时长/周期。
与现有技术相比，本发明有以下有益效果：本发明采用小波变换方法，能够将信号分解成稳态成分和非稳态成分，然后针对不同成分分别建立预测模型，这有利于在学习到信号总体变化趋势的同时又不丢失微小的细节信号；另外，所使用的神经网络为小波神经网络，它的隐含层激活函数使用的是Morlet母小波基函数，集人工神经网络和小波分析优点于一身，相较于传统的前向神经网络，它具有收敛速度快、避免陷入局部最优，又有时频局部分析的特点，能有效提高预测的准确度。通过实例的验证分析，结果表明，与现有的光伏电站短期功率预测方法相比，本发明大大提高了光伏电站短期功率预测的精度和可靠性。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的本发明的基于小波变换和小波神经网络的光伏功率预测模型图。
图3为本发明实施例的本发明中小波神经网络的结构图。
图4为本发明实施例的随机梯度下降法的下降曲线示意图。
图5为本发明实施例的基于小波变换和小波神经网络的光伏电站短期功率预测模型在春天下的预测结果图。
图6为本发明实施例的基于小波变换和小波神经网络的光伏电站短期功率预测模型在夏天下的预测结果图。
图7为本发明实施例的基于小波变换和小波神经网络的光伏电站短期功率预测模型在秋天下的预测结果图。
图8为本发明实施例的基于小波变换和小波神经网络的光伏电站短期功率预测模型在冬天下的预测结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
如图1至图3所示，本实施例提供了一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，具体包括以下步骤：
使用相关系数分析影响光伏功率的气象参数，最后选取与光伏功率最为相关的四种气象参数作为模型的输入；
对待预测日之前的设定天数(本实施例取20天)的历史数据进行处理，剔除异常值和黑夜的值，然后对历史功率和历史气象参数进行归一化处理，将其作为训练数据集；
使用小波变换将训练数据集中的历史功率数据和历史气象数据均分解为稳态分量和非稳态分量；其中，非稳态分量可以有多个；
采用小波神经网络对经小波变换后的训练数据集进行学习，针对稳态分量和非稳态分量分别训练对应的小波神经网络模型，即稳态部分的功率由稳态部分的气象参数来进行预测，非稳态部分的功率由非稳态部分的气象参数来进行预测，并用随机梯度下降法调整网络的参数；
将待预测日的NWP气象参数归一化并使用小波变换分解为稳态分量和非稳态分量，然后将之作为对应模型的输入，得出各个预测的功率值分量，各功率分量求和并反归一化(本实施例将其归一化至区间[0,1])即为预测的最终功率值。如图2所示，将输入的NWP气象参数m归一化之后，采用小波变换分解为稳态分量ma与非稳态分量md1、md2、...mdN；将稳态分量ma输入由稳态分量训练得到的小波神经网络模型a，将非稳态分量md1、md2、...mdN分别输入由非稳态分量训练得到的小波神经网络模型d1、d2、....、dN，分别得到各个预测的功率值分量Pa、Pd1、Pd2、...、PdN，将其进行求和之后进行反归一化处理，得到预测的最终功率值P。
在本实施例中，所述与光伏功率最为相关的四种气象参数分别为：地面水平辐照度、散射水平辐照度、环境温度和相对湿度。
在本实施例中，所述剔除异常值和黑夜的值具体为：剔除由非气象参数(例如系统故障和人为因素)引起的功率变化所对应的数据，以及剔除黑夜的数据，取白天6时至19时的数据。
在本实施例中，所采用的小波变换的基函数为Biorthogonal小波系中的bior6.8。
在本实施例中，所述训练小波神经网络模型，并用随机梯度下降法调整网络的参数具体为：
步骤S11：正向传播，使用的是小波神经网络，设其隐含层为N层，第一层隐含层的输出为：H1＝f(W1X+B1)，第i层的隐含层输出为：Hi＝f(WiHi-1+Bi)，i＝2，3，...，N，输出为：O＝g(WoHN+Bo)；其中，W为权值，B为偏置值，下标表示层数；X是小波神经网络的输入；f(·)为隐含层的激活函数，其表达式为
g(·)为输出层的激活函数；
步骤S12，采用随机梯度下降法(SGD)对经过步骤S11训练后的小波神经网络进行反向传播。
在本实施例中，步骤S11中，在训练时和预测时输出层选择不同的激活函数，训练时选择线性函数，而预测时使用正线性函数，表达式为
小波神经网络的结构如图3所示；
在本实施例中，步骤S12具体为：
首先定义一个目标函数
其中，p为待调参数，即权值和偏置值；
为目标函数；yt为t时刻的实际功率值；at(p)为t时刻的网络输出值，即预测值；et(p)为对应的误差；
然后，使用随机梯度下降法调整参数：
其中，α为学习率，为定值或者随着训练次数变化；pt为t时刻的待调参数。
在本实施例中，当学习率α随着训练次数变化时，采用下式计算：
式中，αt为t时刻的学习率，αmax为最大学习率，αmin为最小学习率，tmax为最大训练时长/周期。其中，随机梯度下降法的下降曲线示意图如图4所示。
较佳的，在本实例中以位于澳大利亚的DKA太阳能中心(Desert KnowledgeAustralia Solar Centre)的38号光伏电站(容量为5.9kW)为研究对象，在春天、夏天、秋天和冬天四种季节条件下进行光伏功率预测，各季节测试数据选取为，春天：2018/9/21、2018/9/22、2018/9/23；夏天：2018/12/21、2018/12/22、2018/12/23；秋天：2018/4/21、2018/4/22、2018/4/23；冬天：2018/8/21、2018/8/22、2018/8/23；训练数据选取为测试数据之前的20天历史数据。预测效果图如图5至图8所示。由下表中的平均绝对百分比误差(MAPE)和均方根误差(RMSE)可见，本发明所提出的方法能够进行较准确的预测，充分体现了本发明的准确性。
| 性能指标 | 春天 | 夏天 | 秋天 | 冬天 |
| RMSE/kW | 0.25 | 0.37 | 0.39 | 0.22 |
| MAPE/％ | 1.10 | 1.64 | 1.39 | 0.72 |
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (8)
1.一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，包括以下步骤：
使用相关系数分析影响光伏功率的气象参数，最后选取与光伏功率最为相关的四种气象参数作为模型的输入；
对待预测日之前的设定天数的历史数据进行处理，剔除异常值和黑夜的值，然后对历史功率和历史气象参数进行归一化处理，将其作为训练数据集；
使用小波变换将训练数据集中的历史功率数据和历史气象数据均分解为稳态分量和非稳态分量；
采用小波神经网络对经小波变换后的训练数据集进行学习，针对稳态分量和非稳态分量分别训练对应的小波神经网络模型，即稳态部分的功率由稳态部分的气象参数来进行预测，非稳态部分的功率由非稳态部分的气象参数来进行预测，并用随机梯度下降法调整网络的参数；
将待预测日的NWP气象参数归一化并使用小波变换分解为稳态分量和非稳态分量，然后将之作为对应模型的输入，得出各个预测的功率值分量，各功率分量求和并反归一化即为预测的最终功率值。
2.根据权利要求1所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，所述与光伏功率最为相关的四种气象参数分别为：地面水平辐照度、散射水平辐照度、环境温度和相对湿度。
3.根据权利要求1所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，所述剔除异常值和黑夜的值具体为：剔除由非气象参数引起的功率变化所对应的数据，以及剔除黑夜的数据，取白天6时至19时的数据。
4.根据权利要求1所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，所采用的小波变换的基函数为Biorthogonal小波系中的bior6.8。
5.根据权利要求1所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，所述训练小波神经网络模型，并用随机梯度下降法调整网络的参数具体为：
步骤S11：正向传播，使用的是小波神经网络，设其隐含层为N层，第一层隐含层的输出为：H1＝f(W1X+B1)，第i层的隐含层输出为：Hi＝f(WiHi-1+Bi)，i＝2，3，...，N，输出为：O＝g(WoHN+Bo)；其中，W为权值，B为偏置值，下标表示层数；X是小波神经网络的输入；f(·)为隐含层的激活函数，其表达式为
g(·)为输出层的激活函数；
步骤S12，采用随机梯度下降法对经过步骤S11训练后的小波神经网络进行反向传播。
6.根据权利要求5所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，步骤S11中，在训练时和预测时输出层选择不同的激活函数，训练时选择线性函数，而预测时使用正线性函数，表达式为
7.根据权利要求5所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，步骤S12具体为：
首先定义一个目标函数
其中，p为待调参数，即权值和偏置值；
为目标函数；yt为t时刻的实际功率值；at(p)为t时刻的网络输出值，即预测值；et(p)为对应的误差；
然后，使用随机梯度下降法调整参数：
其中，α为学习率，为定值或者随着训练次数变化；pt为t时刻的待调参数。
8.根据权利要求7所述的一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，其特征在于，当学习率α随着训练次数变化时，采用下式计算：
式中，αt为t时刻的学习率，αmax为最大学习率，αmin为最小学习率，tmax为最大训练时长或周期。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011025599.6A CN112149905A (zh) | 2020-09-25 | 2020-09-25 | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011025599.6A CN112149905A (zh) | 2020-09-25 | 2020-09-25 | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149905A true CN112149905A (zh) | 2020-12-29 |
Family
ID=73897306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011025599.6A Pending CN112149905A (zh) | 2020-09-25 | 2020-09-25 | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149905A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949936A (zh) * | 2021-03-29 | 2021-06-11 | 福州大学 | 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 |
| CN113052389A (zh) * | 2021-04-01 | 2021-06-29 | 中国电力科学研究院有限公司 | 基于多任务的分布式光伏电站超短期功率预测方法及系统 |
| US11387654B2 (en) * | 2016-05-18 | 2022-07-12 | The Regents Of The University Of California | Battery energy storage control systems and methods for a grid tie inverter coupled to a photovoltaic system |
| CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240200A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
| CN109711609A (zh) * | 2018-12-15 | 2019-05-03 | 福州大学 | 基于小波变换和极限学习机的光伏电站输出功率预测方法 |
| CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
-
2020
- 2020-09-25 CN CN202011025599.6A patent/CN112149905A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240200A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
| CN109711609A (zh) * | 2018-12-15 | 2019-05-03 | 福州大学 | 基于小波变换和极限学习机的光伏电站输出功率预测方法 |
| CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 丁明 等: "基于灰色系统校正-小波神经网络的光伏功率预测", 《电网技术》 * |
| 杨丽薇等: "基于小波变换与神经网络的光伏电站短期功率预测", 《太阳能学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11387654B2 (en) * | 2016-05-18 | 2022-07-12 | The Regents Of The University Of California | Battery energy storage control systems and methods for a grid tie inverter coupled to a photovoltaic system |
| CN112949936A (zh) * | 2021-03-29 | 2021-06-11 | 福州大学 | 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 |
| CN113052389A (zh) * | 2021-04-01 | 2021-06-29 | 中国电力科学研究院有限公司 | 基于多任务的分布式光伏电站超短期功率预测方法及系统 |
| CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
| CN116404645B (zh) * | 2023-06-07 | 2023-08-25 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
| CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
| CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
| CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
| CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
| CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
| CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
| CN105426956A (zh) | 一种超短期光伏预测方法 | |
| CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
| CN110766134A (zh) | 基于循环神经网络的光伏电站短期功率预测方法 | |
| CN114048896B (zh) | 光伏发电数据的预测方法、系统、设备及介质 | |
| CN105678397A (zh) | 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法 | |
| CN115481791A (zh) | 一种水风光发电功率联合预测方法、装置和设备 | |
| CN111384726A (zh) | 一种高渗透率光伏配电网分区调压方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN112927097A (zh) | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 | |
| CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
| CN112651576A (zh) | 长期风电功率预测方法及装置 | |
| CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
| Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
| CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
| CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
| CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
| CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |
|
| RJ01 | Rejection of invention patent application after publication |