CN112232598A - 一种递进式光伏发电系统输出功率组合预测方法及系统 - Google Patents
一种递进式光伏发电系统输出功率组合预测方法及系统 Download PDFInfo
- Publication number
- CN112232598A CN112232598A CN202011249918.1A CN202011249918A CN112232598A CN 112232598 A CN112232598 A CN 112232598A CN 202011249918 A CN202011249918 A CN 202011249918A CN 112232598 A CN112232598 A CN 112232598A
- Authority
- CN
- China
- Prior art keywords
- prediction
- generation system
- power generation
- output power
- photovoltaic power
- 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.)
- Withdrawn
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000750 progressive effect Effects 0.000 title abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种递进式光伏发电系统输出功率组合预测方法及系统,旨在提升现有技术中光伏发电系统单一输出功率预测效果差的技术问题。包括以下步骤:获取光伏发电系统的预测数据;分别建立基于BP神经网络、RVM算法、RBF神经网络和SVM算法的光伏发电系统输出功率预测模型;建立与每个光伏发电系统输出功率预测模型对应的数据融合模型;将预测数据分别输入至光伏发电系统输出功率预测模型,得到每个模型对应的预测值;将所有预测值两两组合后分别输入至数据融合模型中,计算得到输出功率的一次估值;通过最优权重对一次估值进行加权组合,计算得到最终的功率预测值。本发明能够显著提高光伏发电系统的输出功率预测精度,提高并网运行的效率。
Description
技术领域
本发明属于光伏组件技术领域,具体涉及一种递进式光伏发电系统输出功率组合预测方法及系统。
背景技术
截至2020年6月底,光伏发电累计装机达到2.16亿千瓦,其中集中式光伏1.49亿千瓦,分布式光伏6707万千瓦。由此可见,不断增加的光伏装机容量与发电量,强有力地支撑着国家能源战略目标的实现。以光伏为代表的新能源发电迅速发展,在有效缓解能源危机问题的同时,其出力的随机性和波动性也给电网的安全稳定运行带来了挑战。因此,准确预测光伏发电系统的输出功率变化趋势不仅有利于电力调度主管部门合理安排与动态调整发电计划,而且能够有效降低光伏发电系统对电网的不利影响。
有鉴于此,对光伏发电系统的输出功率进行精准预测具有极大的实际应用价值与现实意义。
发明内容
针对现有技术的不足,本发明的目的在于提供一种递进式光伏发电系统输出功率组合预测方法及系统,以解决现有技术中对光伏发电系统输出功率预测精度低的技术问题。
为达到上述目的,本发明所采用的技术方案是:
一种光伏发电系统输出功率组合预测方法,包括以下步骤:
获取光伏发电系统的预测数据;
分别建立基于BP神经网络、RVM算法、RBF神经网络和SVM算法的光伏发电系统输出功率预测模型;
建立与每个光伏发电系统输出功率预测模型对应的数据融合模型;
将所述预测数据分别输入至光伏发电系统输出功率预测模型,得到每个模型对应的预测值;
将所有预测值两两组合后分别输入至数据融合模型中,计算得到输出功率的一次估值;
通过最优权重对一次估值进行加权组合,计算得到最终的功率预测值。
进一步的,所述预处理数据包括环境温度、光照强度和输出功率。
进一步的,所述一次估值根据光伏发电系统输出功率预测模型的预测值和相应的权重计算得到;
所述预测值的权重根据光伏发电系统输出功率预测模型的训练误差计算得到。
进一步的,所述训练误差的计算公式为:
所述权重的计算公式为:
所述一次估值的计算公式为:
其中,εi为光伏发电系统输出功率预测模型的训练误差;yi预测为光伏发电系统输出功率预测模型的输出功率预测值;yi实际为光伏发电系统输出功率的实际值;δ为固定值;λj为预测值对应的权重;Yout1为一次估值。
进一步的,最终的功率预测值的计算过程包括:
根据一次预测误差值求解偏差矩阵;
根据所述偏差矩阵获得最优权重;
根据最优权重和一次估值计算得到最终的功率预测值。
进一步的,所述偏差矩阵为:
式中,A为偏差矩阵;M为光伏发电系统输出功率采样总数;σ1m、σ2m、σ3m和σ4m分别为每个数据融合模型对应的一次预测误差值。
进一步的,所述最优权重的计算公式为:
式中,ω1、ω2、ω3和ω4分别为每个数据融合模型一次估值的权重系数,E为转换向量。
进一步的,最终的功率预测值为:
其中,Yout2为最终的功率预测值;Yout1为一次估值;ωt为一次估值的权重系数。
进一步的,所述预测数据采用编程直流电子负载获取。
一种光伏发电系统输出功率组合预测系统,所述系统包括:
获取模块:用于获取光伏发电系统的预测数据;
预测模型模块:用于分别建立基于BP神经网络、RVM算法、RBF神经网络和SVM算法的光伏发电系统输出功率预测模型;
融合模型模块:用于建立与每个光伏发电系统输出功率预测模型对应的数据融合模型;
预测值模块:用于将所述预测数据分别输入至光伏发电系统输出功率预测模型,得到每个模型对应的预测值;
一次估值模块:用于将所有预测值两两组合后分别输入至数据融合模型中,计算得到输出功率的一次估值;
加权组合模块:用于通过最优权重对一次估值进行加权组合,计算得到最终的功率预测值。
一种光伏发电系统输出功率组合预测系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
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实现上述所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明所提的光伏发电系统输出功率预测模型能够综合考虑4种神经网络预测模型的优缺点,结合数据融合模型和最优加权组合形成一种新型递进式组合预测方法,预测结果更加准确、可信,显著提升光伏发电系统输出功率预测精度;降低因单一功率预测方法精度低所引起的电网调度运行风险等恶劣影响情况出现的可能性。
附图说明
图1是本发明实施例提供的一种新型递进式光伏发电系统输出功率组合预测方法的预测流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,将可编程直流电子负载作为光伏发电系统的负载,可编程电子负载的等效阻值受控制电路输出信号的控制,该等效阻值变化范围由零逐步变化到无穷大,光伏发电系统的工作点也由短路点(0,Isc)逐步变化到开路点(Voc,0)。在此过程中,对光伏发电系统的连续工作点上的输出电压、电流进行采样,便得到光伏发电系统在当前工况下整条I-V输出特性曲线,进而获得光伏发电系统的实时最大输出功率。与此同时,通过太阳总辐射表TBQ-2和温度传感器PT100实时监测当前光照强度S和环境温度T。
一种光伏发电系统输出功率组合预测方法,包括以下步骤:
首先,根据可编程直流电子负载对光伏发电系统的环境温度、光照强度、输出功率等进行采集,获取预测数据,进行数据预处理。原始数据的不一致易造成BP神经网络、RVM算法、RBF神经网络和SVM算法等算法的学习速度和预测精度的降低,因此需对原始数据进行预处理。通常,按下式进行归一化处理:
式中,xmax和xmin分别表示原始数据中最大值与最小值。
其次,建立光伏发电系统单一输出功率预测模型。分别采用BP神经网络、RVM算法、RBF神经网络和SVM算法,建立4种光伏发电系统输出功率预测模型;将预测数据分别输入至光伏发电系统输出功率预测模型,得到每个模型对应的预测值;
第三,建立基于D-S证据理论方法的数据融合模型。分别将4种模型的预测值两两组合,输入至D-S证据融合模型中获得光伏发电系统输出功率的一次估值;
利用光伏系统输出功率的测试数据对单一BP神经网络、RVM算法、RBF神经网络和SVM算法等模型进行预测后,各自模型产生的训练误差为:
其中,εi为光伏发电系统输出功率预测模型的训练误差;yi预测为光伏发电系统输出功率预测模型的输出功率预测值;yi实际为光伏发电系统输出功率的实际值;
权重赋值系数与预测结果的精度紧密关联,模型的预测精度越高,所赋权重系数越大;反之,亦然。因此,一次预估值的权重赋值函数为:
其中,λj为预测值对应的权重;为了确保权重赋值函数可算,引入固定值δ(δ≠0)。在此基础上,可获得D-S证据融合算法的一次预测结果为:
最后,建立基于最优加权组合式的光伏发电系统输出功率预测模型。根据D-S证据融合模型输出的4种预测结果,采用最优加权组合法重新分配权重系数,得到最终的功率预测结果。具体过程如下:
根据一次预测误差值求解偏差矩阵A,即:
式中,M为光伏发电系统输出功率采样总数;σ1m、σ2m、σ3m和σ4m分别为D-S证据融合算法的4种一次预测误差值。
通过Lagrange Multiplier可获得最优权重:
根据最优权重和一次估值可获得最终的光伏发电系统输出功率的预测结果为:
综上所述,本发明摒弃了传统的光伏发电系统输出功率单一预测方法所导致的预测精度差等缺陷,所提预测模型能够综合考虑4种神经网络预测模型的优缺点,结合D-S证据融合算法和最优加权组合式模型形成一种新型递进式组合预测方法,预测结果更加准确、可信,显著提升光伏发电系统输出功率预测精度。
一种光伏发电系统输出功率组合预测系统,所述系统包括:
获取模块:用于获取光伏发电系统的预测数据;
预测模型模块:用于分别建立基于BP神经网络、RVM算法、RBF神经网络和SVM算法的光伏发电系统输出功率预测模型;
融合模型模块:用于建立与每个光伏发电系统输出功率预测模型对应的数据融合模型;
预测值模块:用于将所述预测数据分别输入至光伏发电系统输出功率预测模型,得到每个模型对应的预测值;
一次估值模块:用于将所有预测值两两组合后分别输入至数据融合模型中,计算得到输出功率的一次估值;
加权组合模块:用于通过最优权重对一次估值进行加权组合,计算得到最终的功率预测值。
一种光伏发电系统输出功率组合预测系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
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实现上述所述方法的步骤。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种光伏发电系统输出功率组合预测方法,其特征在于,包括以下步骤:
获取光伏发电系统的预测数据;
分别建立基于BP神经网络、RVM算法、RBF神经网络和SVM算法的光伏发电系统输出功率预测模型;
建立与每个光伏发电系统输出功率预测模型对应的数据融合模型;
将所述预测数据分别输入至光伏发电系统输出功率预测模型,得到每个模型对应的预测值;
将所有预测值两两组合后分别输入至数据融合模型中,计算得到输出功率的一次估值;
通过最优权重对一次估值进行加权组合,计算得到最终的功率预测值。
2.根据权利要求1所述的一种光伏发电系统输出功率组合预测方法,其特征在于,所述预处理数据包括环境温度、光照强度和输出功率。
3.根据权利要求1所述的一种光伏发电系统输出功率组合预测方法,其特征在于,所述一次估值根据光伏发电系统输出功率预测模型的预测值和相应的权重计算得到;
所述预测值的权重根据光伏发电系统输出功率预测模型的训练误差计算得到。
5.根据权利要求1所述的一种光伏发电系统输出功率组合预测方法,其特征在于,最终的功率预测值的计算过程包括:
根据一次预测误差值求解偏差矩阵;
根据所述偏差矩阵获得最优权重;
根据最优权重和一次估值计算得到最终的功率预测值。
9.根据权利要求1所述的一种光伏发电系统输出功率组合预测方法,其特征在于,所述预测数据采用编程直流电子负载获取。
10.一种光伏发电系统输出功率组合预测系统,其特征在于,所述系统包括:
获取模块:用于获取光伏发电系统的预测数据;
预测模型模块:用于分别建立基于BP神经网络、RVM算法、RBF神经网络和SVM算法的光伏发电系统输出功率预测模型;
融合模型模块:用于建立与每个光伏发电系统输出功率预测模型对应的数据融合模型;
预测值模块:用于将所述预测数据分别输入至光伏发电系统输出功率预测模型,得到每个模型对应的预测值;
一次估值模块:用于将所有预测值两两组合后分别输入至数据融合模型中,计算得到输出功率的一次估值;
加权组合模块:用于通过最优权重对一次估值进行加权组合,计算得到最终的功率预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011249918.1A CN112232598A (zh) | 2020-11-10 | 2020-11-10 | 一种递进式光伏发电系统输出功率组合预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011249918.1A CN112232598A (zh) | 2020-11-10 | 2020-11-10 | 一种递进式光伏发电系统输出功率组合预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232598A true CN112232598A (zh) | 2021-01-15 |
Family
ID=74122377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011249918.1A Withdrawn CN112232598A (zh) | 2020-11-10 | 2020-11-10 | 一种递进式光伏发电系统输出功率组合预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232598A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113188243A (zh) * | 2021-04-08 | 2021-07-30 | 山东师范大学 | 一种空调能耗的综合预测方法及系统 |
-
2020
- 2020-11-10 CN CN202011249918.1A patent/CN112232598A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113188243A (zh) * | 2021-04-08 | 2021-07-30 | 山东师范大学 | 一种空调能耗的综合预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Kulaksiz | ANFIS-based estimation of PV module equivalent parameters: application to a stand-alone PV system with MPPT controller | |
Rahi et al. | Power system voltage stability assessment through artificial neural network | |
CN108647839A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
Wang et al. | An improved model combining evolutionary algorithm and neural networks for PV maximum power point tracking | |
CN109992911B (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN112116171A (zh) | 一种新型基于神经网络的光伏发电功率预测方法 | |
Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
Lozito et al. | Microcontroller based maximum power point tracking through FCC and MLP neural networks | |
CN112232598A (zh) | 一种递进式光伏发电系统输出功率组合预测方法及系统 | |
CN114638396A (zh) | 一种基于神经网络实例化的光伏功率预测方法及系统 | |
CN113536694A (zh) | 综合能源系统鲁棒优化运行方法、系统、装置及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210115 |
|
WW01 | Invention patent application withdrawn after publication |