CN112348271A - 基于vmd-ipso-gru的短期光伏功率预测方法 - Google Patents
基于vmd-ipso-gru的短期光伏功率预测方法 Download PDFInfo
- Publication number
- CN112348271A CN112348271A CN202011263017.8A CN202011263017A CN112348271A CN 112348271 A CN112348271 A CN 112348271A CN 202011263017 A CN202011263017 A CN 202011263017A CN 112348271 A CN112348271 A CN 112348271A
- Authority
- CN
- China
- Prior art keywords
- gru
- value
- photovoltaic power
- vmd
- ipso
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- BLRPTPMANUNPDV-UHFFFAOYSA-N Silane Chemical compound [SiH4] BLRPTPMANUNPDV-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 238000010248 power generation Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 210000005036 nerve Anatomy 0.000 abstract description 2
- 230000005855 radiation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- QHGVXILFMXYDRS-UHFFFAOYSA-N pyraclofos Chemical compound C1=C(OP(=O)(OCC)SCCC)C=NN1C1=CC=C(Cl)C=C1 QHGVXILFMXYDRS-UHFFFAOYSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于光伏发电与并网技术领域的一种基于VMD‑IPSO‑GRU的短期光伏功率预测方法。首先,将历史光伏功率时间序列经过变分模态分解分解成不同频率的子序列,充分挖掘光伏序列数据所包含的地理信息和组件参数,分离原始数据的信号与噪声;其次,通过Spearman和Pearson相关性系数确定影响光伏出力的主要气象因素;最后,对VMD分解的子序列分别建立门控循环单元网络模型,并通过改进粒子群算法和自适应矩估计算法对GRU神经进行优化,从而提升了网络收敛速度以及数据拟合效果,准确高效地完成了短期光伏功率预测,避免了人工调参带来的误差。
Description
技术领域
本发明涉及光伏发电与并网技术领域,尤其涉及一种基于VMD-IPSO-GRU的短期光伏功率预测方法。
背景技术
随着全球新能源发电产业的快速发展,太阳能以安全高效及分布广泛的独特优势被广泛利用,全球光伏装机总容量正在逐年提高。光伏发电的过程随机且不稳定,容易受环境、天气等因素影响,为电力系统的安全运行带来巨大的冲击和挑战。准确的短期光伏功率预测,不仅能提升光伏电站运营效率,而且可以帮助调度部门制定高效智能的实时调度计划,同时确保大规模光伏电站接入电网后能够安全稳定运行。
目前短期光伏功率预测的方法主要有物理法和统计法。物理法主要是利用详细的气象状况和环境信息等因素建立物理模型进行预测。物理法不依赖大量的历史发电数据,预测速度较快,但构建模型复杂且抗干扰能力较差,模型预测准确性难以保证。统计法主要依靠大量的历史光伏功率数据和天气数据等,通过人工智能算法充分挖掘数据内部特征和隐藏的变化规律,能够较好的拟合复杂的非线性关系,实现光伏发电功率预测。但传统统计法较多采用浅层机器学习方法,算法单一,鲁棒性较低,易陷入局部最优,很难准确描述此类复杂非线性映射关系,预测精度难以提升。传统统计法主要有支持向量机、极限学习机以及BP神经网络等。
近年来,人工智能算法的迅速发展,深度学习算法突破了浅层机器学习模型的局限性,基于深度学习算法的混合模型已经被广泛应用于短期光伏功率预测领域。
文献1—《基于MIE-LSTM的短期光伏功率预测》利用互信息熵(MIE)对气象数据进行降维处理,同时筛选出相似日样本,最后通过长短期记忆神经网络(LSTM)实现短期光伏功率预测,但是某些特殊天气的相似日样本可能较少,影响预测结果。
文献2—《基于细粒度特征的BOA-GBDT光伏出力预测》为了深度挖掘天气模式的特征信息,提出一种结合细粒度特征的贝叶斯优化梯度提升树(Bayesian optimizationalgorithm gradient boosting decision tree,BOA-GBDT)的光伏功率预测模型。
文献3—《Photovoltaic power forecasting based LSTM-ConvolutionalNetwork》提出了一种混合模型,利用卷积神经网络深度挖掘数据的空间特征,再结合长短期记忆神经网络进行训练。
由于光伏功率受多种因素的影响,上述方法主要对气象因素与历史光伏功率数据进行简单拟合,无法充分挖掘历史光伏序列数据自身所包含的地理信息以及光伏组件安装参数等特征。对此,提出一种基于VMD-IPSO-GRU的短期光伏功率预测模型。通过VMD将历史光伏功率数据自适应分解成不同中心频率的子序列,充分挖掘原始光伏序列的局部特征以及内部隐藏信息,将分解后的子序列结合降维后的气象数据输入IPSO-GRU模型进行预测,并将预测结果进行序列重构。通过实际算例,验证了该模型明显优于其他传统模型。
发明内容
本发明的目的是提出一种基于VMD-IPSO-GRU的短期光伏功率预测方法,其特征在于,包括:
步骤1:对原始光伏时间序列以及多维气象数据进行数据清洗,补全缺失值以及剔除异常值数据;
步骤2:通过Spearman和Pearson相关性系数筛选相关性较高的气象因素Q=(q1,q2,…,ql);
步骤3:获得最佳分解模态数K,将光伏时间序列f(t)进行VMD分解,得到K个不同中心频率的模态uk=(u1,u2,…,uK);将VMD分解后的子序列与降维后的气象因素Q结合,作为输入向量Ik=(uk,q1,q2,…,ql),同时划分训练集和测试集。
步骤4:IPSO参数初始化;
步骤5:构建GRU神经网络,将GRU的网络参数个数作为粒子的维数分量,GRU的网络参数POP=(pop1,pop2,pop3,pop4)T编码为粒子位置各维度的位置向量Xij=(Xi1,Xi2,Xi3,Xi4)T,pop1-pop4分别对应第一层隐含层的神经元个数、第二层隐含层的神经元个数、GRU的迭代次数以及学习率,Xij代表第i个粒子在4维空间中的第j位置;pop1,pop2∈[0,300],pop3∈[100,1000],pop4∈[0.001,0.01],其中pop1、pop2、pop3都是整数;
步骤6:确定粒子的适应度函数;
步骤7:计算粒子的适应度值,并更新粒子的个体极值以及全局极值,同历史最优值进行比较筛选;判断是否找到最优解或达到最大迭代次数,若符合条件,则迭代终止,反之继续迭代寻优;
步骤9:评价模型的预测性能。
所述步骤1按照以下公式进行补全缺失值以及数据归一化处理:
所述步骤2中Spearman和Pearson相关性系数的计算公式如下:
式中:ρs代表Spearman相关性系数;ρp代表Pearson相关性系数;s代表样本个数;qil代表第l维气象因素的第i个值;代表第l维气象因素的平均值,yi代表历史光伏功率序列f(t)的第i个值,代表历史光伏功率的平均值,R(qil)和R(yi)分别代表qil和yi元素在各自列向量中排名。
所述步骤3中VMD分解的核心在于构建和求解变分问题,根据事先确定的模态数K,可以自适应地确定相关频率尺度并估计相应的模态函数,
构造目标函数:
式中:δ(t)代表狄拉克分布;f(t)为分解前输入信号;uk和ωk表示分解后的子序列和对应的中心频率;
求解变分问题:
引入拉格朗日乘法算子和二次惩罚项使约束变分问题变成非约束变分问题,
采用交替方向乘子法优化更新uk、ωk和λ,寻求约束变分模型的最优解,
所述步骤4中IPSO参数的最大迭代次数mmax=10、种群规模N=10、惯性权重ωmax=0.9和ωmin=0.4、学习因子c1max=c2max=2,c1min=c2min=0.6。
所述步骤5中GRU神经网络采用四层神经网络的结构,其中
输入层:将VMD分解的子序列uk和降维后的主要气象因素Q作为模型的输入I;
隐含层:两层GRU层,对输入层数据进行训练学习,同时引入Dropout权重约束防止网络过拟合,多次实验后,该值设置为0.2;计算公式如下:
式中zt代表更新门,主要进行遗忘和记忆两个步骤;rt为重置门,用于确定是否要结合当前状态与先前的信息;xt为当前输入、ht-1为上一节点状态信息以及表示xt和ht-1的汇总,σ和tanh为激活函数;Wz、Wr分别为更新门和重置门的连接权重;
输出层:采用全连接层,激活函数选择RELU函数,公式如下:
yt=RELU(Wo·ht+bo)
式中,yt表示第t时刻的输出,Wo表示输出层权重,bo表示偏差向量;
GRU网络的损失函数采用均方差函数(Mean Squared Error,MSE),
所述步骤6中的适应度函数是光伏功率的实际值与预测值的均方误差,其中训练集和测试集的权重各占0.5;
所述步骤7中寻优时粒子速度和位置更新公式为:
式中:ω为惯性权重;c1和c2为加速因子;V、X分别为粒子速度和位置,Pi和Pg分别为个体极值和群体极值;i和d分别代表第i个粒子的第d个维度;m为当前迭代次数;r1和r2为分布于[0,1]之间随机数。
所述步骤9中采用平均绝对百分比误差、均方根误差和R2系数来评价模型的预测性能,计算公式分别为
本发明的有益效果在于:
(1)针对粒子群算法易陷入局部最优的问题,通过对惯性权重和学习因子的自适应优化,以及添加遗传算法的变异操作,完善粒子群算法。最终实验证明,改进的粒子群算法比标准粒子群算法优化结果更好。
(2)采用IPSO-Adam算法优化GRU网络结构参数,以光伏出力的历史数据和天气数据建立模型进行预测,并与传统的BP模型、LSTM模型进行对比分析,IPSO-GRU模型在保证预测精度的情况下,预测所用时间更短,效率更高。
(3)通过VMD分解原始光伏功率时间序列,能降低数据的复杂度,更好地挖掘数据内部所包含的信息,同时结合IPSO-GRU混合模型进行短期光伏功率预测,相比其他模型,拟合效果更好,预测精度更高。
附图说明
图1为VMD-IPSO-GRU模型结构图;
图2为残差相关系数趋势图;
图3为VMD分解结果图;
图4为天气状况良好的光伏功率预测曲线图;
图5为天气状况明显波动的光伏功率预测曲线图;
图6为极端天气状况的光伏功率预测曲线图;
图7为VMD-IPSO-GRU流程图;
图8为GRU神经元结构图。
具体实施方式
本发明提出一种基于VMD-IPSO-GRU的短期光伏功率预测方法,下面结合附图和具体实施例对本发明做进一步说明。
首先,由于光伏功率时间序列受多种因素的影响,光伏发电的过程随机且不稳定,为电力系统的安全运行带来巨大的冲击和挑战。本发明将历史光伏功率时间序列经过变分模态分解(VMD)分解成不同频率的子序列,充分挖掘光伏序列数据所包含的地理信息和组件参数,分离原始数据的信号与噪声,降低非线性强的时间序列的复杂度和非平稳性,提高短期光伏功率预测的精度。
其次,进行短期光伏功率预测时,相关性较弱的气象因素会严重影响模型的训练效率以及预测精度。本发明通过Spearman和Pearson相关性系数确定影响光伏出力的主要气象因素,达到对高维气象数据的降维处理,提高模型运算速度以及预测的准确度。
最后,神经网络结构的搭建与参数设置,对样本的训练以及预测至关重要,合理的网络结构是光伏功率预测的重要前提。本发明对VMD分解的子序列分别建立门控循环单元网络(GRU)模型,并通过改进粒子群算法(IPSO)和自适应矩估计算法(Adam)对GRU神经进行优化,从而提升网络收敛速度以及数据拟合效果,准确高效地完成短期光伏功率预测,避免人工调参带来的误差。
基于VMD-IPSO-GRU的短期光伏功率预测方法,模型结构如图1所示。主要包括:
利用变分模态分解(VMD)对光伏功率时间序列进行分解,VMD核心在于构建和求解变分问题,根据事先确定的模态数K,可以自适应的确定相关频率尺度并估计相应的模态函数,降低了非线性强的时间序列的复杂度和非平稳性,对采样和噪声有很强的鲁棒性。
模态数K的设定,对分解过程的影响较大,K的取值偏大,容易导致过分解,增加光伏功率预测的复杂度;K值偏小,容易导致分解不充分,达不到降低原始序列的不稳定性的目的。为了能够使光伏功率序列充分分解,通过VMD分解后的残差与光伏序列的相关性系数来确定模态个数K。当K为最优分解模态数,光伏功率时间序列充分分解,残差与原始光伏序列的相关性理应最小。方法如下:
式中,f(t)代表光伏功率时间序列,εK(t)为残差,RK表示残差与光伏序列的相关性系数,ρp代表Pearson相关性系数,uki表示VMD分解的K个子序列中的第i个子序列。
通过IPSO-Adam算法优化GRU网络参数,本发明采用采用四层神经网络的结构,包含输入层、输出层及两层隐含层。IPSO主要优化GRU网络结构参数,将GRU的网络参数个数作为粒子的维数分量,GRU的网络参数编码为粒子位置各维度的位置向量,通过多次迭代,搜寻全局最优点,将最优解的位置解码转换得到优化后的GRU网络结构参数。同时利用Adam算法对GRU网络进行局部优化,使训练能够自适应的计算每个参数的学习效率,降低参数选取对模型精度的影响,提高收敛速度,Adam的一阶矩之和的衰减率设置为0.9,二阶矩梯度平方和的衰减率设置为0.999。
采用的GRU网络是长短期记忆网络(LSTM)的一种变体,利用重置门和更新门解决长期依赖性问题,同时合并数据单元状态和隐藏层状态,解决了梯度消失的问题。因此,GRU只有两个门结构,训练参数较少且易收敛,缓解了LSTM过拟合的问题,极大的提高了学习效率,同时又保持着LSTM的预测效果。
采用非线性动态调整的方式对PSO算法惯性权重和加速因子进行改进,同时在基础粒子群添加遗传变异操作,从而提高粒子群算法的收敛速度和优化精度。具体改进方法如下
其中,ωmax和ωmin分别为惯性权重最大值和最小值;cmax和cmin分别表示加速因子的最大值和最小值;m为当前迭代次数,mmax为最大迭代次数。
同时,在基础粒子群中,添加遗传算法中的变异操作,进行自适应变异。
式中,rand是产生一个[0,1]之间的随机数,迭代次数m的不断增加,rand大于右边的几率就会逐渐变小,粒子变异的几率就会越小,降低粒子陷入局部最优解的风险。
基于VMD-IPSO-GRU的短期光伏功率预测方法流程如图7所示,具体步骤如下:
(1)对原始光伏时间序列以及多维气象数据进行数据清洗,补全缺失值以及剔除异常值数据。根据式(4)进行补全缺失值。针对不同特征之间存在不同的量纲等级,采用式(5)MinMaxScaler方法进行归一化处理。
(2)通过Spearman和Pearson相关性系数筛选相关性较高的气象因素Q=(q1,q2,…,ql)。相关性系数的绝对值越大,表明与光伏功率相关性越高。
式中:ρs代表Spearman相关性系数;ρp代表Pearson相关性系数;s代表样本个数;qil代表第l维气象因素的第i个值;代表第l维气象因素的平均值,yi代表历史光伏功率序列f(t)的第i个值,代表历史光伏功率的平均值,R(qil)和R(yi)分别代表qil和yi元素在各自列向量中排名。
(3)通过式(1)获得最佳分解模态数K,将光伏时间序列f(t)进行VMD分解,得到K个不同中心频率的模态uk=(u1,u2,…,uK)。将VMD分解后的子序列与降维后的气象因素Q结合,作为输入向量Ik=(uk,q1,q2,…,ql),同时划分训练集和测试集。VMD核心在于构建和求解变分问题,根据事先确定的模态数K,可以自适应地确定相关频率尺度并估计相应的模态函数。
构造目标函数:
式中:δ(t)代表狄拉克分布;f(t)为分解前输入信号;uk和ωk表示分解后的子序列和对应的中心频率。
求解变分问题:
引入拉格朗日乘法算子和二次惩罚项使约束变分问题变成非约束变分问题。
采用交替方向乘子法优化更新uk、ωk和λ,寻求约束变分模型的最优解。
(4)IPSO参数初始化,IPSO最大迭代次数mmax=10、种群规模N=10、惯性权重ωmax=0.9和ωmin=0.4、学习因子c1max=c2max=2,c1min=c2min=0.6。
(5)构建GRU神经网络,将GRU的网络参数个数作为粒子的维数分量,GRU的网络参数POP=(pop1,pop2,pop3,pop4)T编码为粒子位置各维度的位置向量Xij=(Xi1,Xi2,Xi3,Xi4)T,pop1-pop4分别对应第一层隐含层的神经元个数、第二层隐含层的神经元个数、GRU的迭代次数以及学习率,Xij代表第i个粒子在4维空间中的第j位置。pop1,pop2∈[0,300],pop3∈[100,1000],pop4∈[0.001,0.01],其中pop1、pop2、pop3都是整数。
本发明的GRU网络采用四层神经网络的结构。zt代表更新门,主要进行遗忘和记忆两个步骤;rt为重置门,用于确定是否要结合当前状态与先前的信息;xt为当前输入、ht-1为上一节点状态信息以及表示xt和ht-1的汇总。σ·和tanh为激活函数;Wz、Wr分别为更新门和重置门的连接权重。GRU神经元结构如图8所示。
输入层:将VMD分解的子序列uk和降维后的主要气象因素Q作为模型的输入I。
隐含层:两层GRU层,对输入层数据进行训练学习,同时引入Dropout权重约束防止网络过拟合,多次实验后,该值设置为0.2。计算公式如下:
输出层:采用全连接层,激活函数选择RELU函数,公式如下:
yt=RELU(Wo·ht+bo) (12)
式中,yt表示第t时刻的输出,Wo表示输出层权重,bo表示偏差向量。
GRU网络的损失函数采用均方差函数(Mean Squared Error,MSE)。
(6)确定粒子的适应度函数,以光伏功率的实际值与预测值的均方误差作为适应度函数,训练集和测试集的权重各占0.5。
(7)计算粒子的适应度值,并更新粒子的个体极值以及全局极值,同历史最优值进行比较筛选。判断是否找到最优解或达到最大迭代次数,若符合条件,则迭代终止,反之继续迭代寻优。
寻优时粒子速度和位置更新公式为:
式中:ω为惯性权重;c1和c2为加速因子;V、X分别为粒子速度和位置,Pi和Pg分别为个体极值和群体极值;i和d分别代表第i个粒子的第d个维度;m为当前迭代次数;r1和r2为分布于[0,1]之间随机数。
(9)误差评价函数。采用平均绝对百分比误差(Mean Absolute PercentageError,MAPE)、均方根误差(root mean square error,RMSE)和R2系数来评价模型的预测性能。
本发明以某光伏电站2016年8月1日-2018年4月30日的每日光伏功率数据进行验证,采集时间为5min一次。气象数据包括相对湿度、温度、全球水平辐射、漫反射水平辐射、风速、风向和降雨量。清洗后的数据总共630天,取前600天的数据作为训练集,后30天数据作为测试集,每15min采集一次。以预测日前一天的光伏数据和主要气象因素作为模型输入I,通过IPSO-GRU训练输出预测日的光伏功率。
相关程序均在Python3.7以及Tensorflow2.0的框架下搭建完成,英特尔酷睿i5-4200处理器2.5GHz,4GB内存计算机上运行完成。
对光伏功率时间序列进行VMD分解,通过图2可以看到,不同模态数K对应的残差相关系数。当K=10时,残差相关系数Rk最小,光伏功率时间序列完全分解,分解结果如图3。
对气象数据进行大数据Spearman和Pearson相关系数分析。由表1可知,降雨量、相对湿度和风向与光伏功率的相关系数小于0,属于负相关。温度、风速、全球水平辐射和漫反射水平辐射与光伏功率的相关系数大于0,成正相关。其中风向、风速和降雨量与光伏功率相关性绝对值都小于0.1,属于弱相关。因此,温度、相对湿度、全球水平辐射和漫反射水平辐射作为影响光伏出力的主要影响因素。
表1 Spearman和Pearson相关系数分析
本发明分别采用10种不同的模型对测试集30天的光伏功率进行预测。在测试集选取三天不同天气状况的预测结果进行对比分析。表2列出了每天7:00—19:00时刻不同模型的MAPE、RMSE和R2的对比结果,图4-图6为10种不同模型不同天气状况下的预测曲线。
表2不同模型的预测误差对比
从表2和图4可以看出天气状况相对稳定,数据比较平稳,各模型基本能预测出光伏出力的趋势。其中VMD-IPSO-GRU的均方根误差和平均绝对百分比误差都为最小,分别为0.6247和0.0088,同时R2系数可以达到0.9999,说明VMD-IPSO-GRU模型能够更好的拟合出天气状况比较平稳时的光伏出力。
从表2和图5可以看出天气状况明显波动的情况下,BP、PSO-BP和IPSO-BP不能很好的拟合光伏出力的波动情况,其他模型的基本可以较好的拟合出光伏出力的波动情况。其中VMD-IPSO-GRU的均方根误差和平均绝对百分比误差都是最小,且R2系数最高,说明在天气状况出现明显波动的情况下,VMD-IPSO-GRU模型相比较其他模型的预测精度更高,且更加稳定。
从表2和图6可以看出天气情况出现剧烈波动情况下,光伏出力极其不稳定,BP、PSO-BP、IPSO-BP完全不能拟合出光伏出力的波动情况,整体表现较差;LSTM和GRU虽能基本拟合出光伏出力的波动情况,但是精度较差;其他五种模型基本可以拟合出光伏出力变化的趋势。其中VMD-IPSO-GRU的预测精度依然最高,绝对百分比误差可以达到0.0639,均方根误差也是最小,且R2系数可以达到0.9956,整体表现较其他模型更好。
综上所述,VMD-IPSO-GRU无论天气状况平稳还是剧烈波动的情况下,都可以很好地拟合出光伏出力的数据。经过IPSO优化的模型的预测效果明显优于PSO优化和未被优化的模型,其中IPSO-LSTM和IPSO-GRU整体预测精度相差不大,但是IPSO-LSTM模型训练时间较长,用时为7860秒,而IPSO-GRU用时仅为6049秒,较IPSO-LSTM时间上缩短了23.04%。因此,无论天气状况较好还是较差,VMD-IPSO-GRU都能较好的拟合出光伏出力情况,准确度较其他传统模型都很高。
此实施例仅为本发明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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于VMD-IPSO-GRU的短期光伏功率预测方法,其特征在于,包括:
步骤1:对原始光伏时间序列以及多维气象数据进行数据清洗,补全缺失值以及剔除异常值数据;
步骤2:通过Spearman和Pearson相关性系数筛选相关性较高的气象因素Q=(q1,q2,…,ql);
步骤3:获得最佳分解模态数K,将光伏时间序列f(t)进行VMD分解,得到K个不同中心频率的模态uk=(u1,u2,…,uK);将VMD分解后的子序列与降维后的气象因素Q结合,作为输入向量Ik=(uk,q1,q2,…,ql),同时划分训练集和测试集;
步骤4:IPSO参数初始化;
步骤5:构建GRU神经网络,将GRU的网络参数个数作为粒子的维数分量,GRU的网络参数POP=(pop1,pop2,pop3,pop4)T编码为粒子位置各维度的位置向量Xij=(Xi1,Xi2,Xi3,Xi4)T,pop1-pop4分别对应第一层隐含层的神经元个数、第二层隐含层的神经元个数、GRU的迭代次数以及学习率,Xij代表第i个粒子在4维空间中的第j位置;pop1,pop2∈[0,300],pop3∈[100,1000],pop4∈[0.001,0.01],其中pop1、pop2、pop3都是整数;
步骤6:确定粒子的适应度函数;
步骤7:计算粒子的适应度值,并更新粒子的个体极值以及全局极值,同历史最优值进行比较筛选;判断是否找到最优解或达到最大迭代次数,若符合条件,则迭代终止,反之继续迭代寻优;
步骤9:评价模型的预测性能。
5.根据权利要求1所述的基于VMD-IPSO-GRU的短期光伏功率预测方法,其特征在于,所述步骤4中IPSO参数的最大迭代次数mmax=10、种群规模N=10、惯性权重ωmax=0.9和ωmin=0.4、学习因子c1max=c2max=2,c1min=c2min=0.6。
6.根据权利要求1所述的基于VMD-IPSO-GRU的短期光伏功率预测方法,其特征在于,所述步骤5中GRU神经网络采用四层神经网络的结构,其中
输入层:将VMD分解的子序列uk和降维后的主要气象因素Q作为模型的输入I;
隐含层:两层GRU层,对输入层数据进行训练学习,同时引入Dropout权重约束防止网络过拟合,多次实验后,该值设置为0.2;计算公式如下:
式中zt代表更新门,主要进行遗忘和记忆两个步骤;rt为重置门,用于确定是否要结合当前状态与先前的信息;xt为当前输入、ht-1为上一节点状态信息以及表示xt和ht-1的汇总,σ和tanh为激活函数;Wz、Wr分别为更新门和重置门的连接权重;
输出层:采用全连接层,激活函数选择RELU函数,公式如下:
yt=RELU(Wo·ht+bo)
式中,yt表示第t时刻的输出,Wo表示输出层权重,bo表示偏差向量;
GRU网络的损失函数采用均方差函数(Mean Squared Error,MSE),
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011263017.8A CN112348271B (zh) | 2020-11-12 | 2020-11-12 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011263017.8A CN112348271B (zh) | 2020-11-12 | 2020-11-12 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348271A true CN112348271A (zh) | 2021-02-09 |
CN112348271B CN112348271B (zh) | 2024-01-30 |
Family
ID=74362738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011263017.8A Active CN112348271B (zh) | 2020-11-12 | 2020-11-12 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348271B (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906979A (zh) * | 2021-03-19 | 2021-06-04 | 上海电机学院 | 一种发电功率预测方法 |
CN113126489A (zh) * | 2021-03-29 | 2021-07-16 | 华北电力大学 | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 |
CN113221458A (zh) * | 2021-05-17 | 2021-08-06 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
CN113283492A (zh) * | 2021-05-19 | 2021-08-20 | 清华大学 | 基于Catboost算法的光伏出力场景生成方法及场景生成装置 |
CN113283155A (zh) * | 2021-03-22 | 2021-08-20 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、系统、存储介质及设备 |
CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113591957A (zh) * | 2021-07-21 | 2021-11-02 | 国网上海市电力公司 | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 |
CN113591401A (zh) * | 2021-08-24 | 2021-11-02 | 华北电力大学(保定) | 一种基于时间序列分解的电力变压器数据清洗方法 |
CN113627658A (zh) * | 2021-07-23 | 2021-11-09 | 西安理工大学 | 基于广义互相关熵门控循环单元的短期售电量预测方法 |
CN113673788A (zh) * | 2021-09-23 | 2021-11-19 | 国网天津市电力公司 | 基于分解误差修正和深度学习的光伏发电功率预测方法 |
CN113705094A (zh) * | 2021-08-27 | 2021-11-26 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
CN113722375A (zh) * | 2021-08-10 | 2021-11-30 | 国网浙江省电力有限公司电力科学研究院 | 一种基于多算法优化的双层混合光伏预测方法及计算机设备 |
CN113722970A (zh) * | 2021-09-01 | 2021-11-30 | 河海大学常州校区 | 一种光伏功率超短期在线预测方法 |
CN113761777A (zh) * | 2021-08-26 | 2021-12-07 | 上海电力大学 | 一种基于hp-ovmd的超短期光伏功率预测方法 |
CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
CN113962440A (zh) * | 2021-09-26 | 2022-01-21 | 国家电投集团综合智慧能源科技有限公司 | 一种融合dpc和gru的光伏预测方法和系统 |
CN113988391A (zh) * | 2021-10-19 | 2022-01-28 | 华北电力大学(保定) | 一种基于相似日理论和神经网络的光伏发电功率预测方法 |
CN114004424A (zh) * | 2021-12-21 | 2022-02-01 | 南方电网科学研究院有限责任公司 | 一种光伏功率预测方法、系统、设备及存储介质 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN114822025A (zh) * | 2022-04-20 | 2022-07-29 | 合肥工业大学 | 一种交通流量组合预测方法 |
CN114970952A (zh) * | 2022-04-14 | 2022-08-30 | 楚能新能源股份有限公司 | 一种考虑环境因素的光伏出力短期预测方法及系统 |
CN115310711A (zh) * | 2022-08-23 | 2022-11-08 | 国网安徽省电力有限公司马鞍山供电公司 | 一种新能源光伏发电功率预测方法 |
CN115345207A (zh) * | 2022-10-13 | 2022-11-15 | 南京信息工程大学 | 一种自适应的多气象要素预测方法 |
CN115358137A (zh) * | 2022-07-22 | 2022-11-18 | 电子科技大学 | 一种基于cnn-gru算法的轴承金属温度预测方法 |
CN115412671A (zh) * | 2022-08-29 | 2022-11-29 | 特斯联科技集团有限公司 | 一种监视移动物体的摄像机快门人工智能调整方法及系统 |
CN115630726A (zh) * | 2022-09-01 | 2023-01-20 | 华能江苏综合能源服务有限公司 | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 |
WO2023020257A1 (zh) * | 2021-08-17 | 2023-02-23 | 北京沃东天骏信息技术有限公司 | 数据预测方法、装置及存储介质 |
CN116167508A (zh) * | 2023-01-16 | 2023-05-26 | 南通电力设计院有限公司 | 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 |
CN116776134A (zh) * | 2023-08-16 | 2023-09-19 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
CN116776935A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进micn的光伏功率预测方法 |
CN117111540A (zh) * | 2023-10-25 | 2023-11-24 | 南京德克威尔自动化有限公司 | 一种用于io远程控制总线模块的环境监测预警方法及系统 |
CN117669995A (zh) * | 2024-02-01 | 2024-03-08 | 大唐东北电力试验研究院有限公司 | 一种综合能源系统的多元负荷优化调度方法、系统和平台 |
CN113988391B (zh) * | 2021-10-19 | 2024-05-28 | 华北电力大学(保定) | 一种基于相似日理论和神经网络的光伏发电功率预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919421A (zh) * | 2019-01-23 | 2019-06-21 | 华南理工大学 | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
US20190354836A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Dynamic discovery of dependencies among time series data using neural networks |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
-
2020
- 2020-11-12 CN CN202011263017.8A patent/CN112348271B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190354836A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Dynamic discovery of dependencies among time series data using neural networks |
CN109919421A (zh) * | 2019-01-23 | 2019-06-21 | 华南理工大学 | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
Non-Patent Citations (1)
Title |
---|
LISHU WANG等: "Short-Term PV Power Prediction Based on Optimized VMD and LSTM", 《IEEE ACCESS》, vol. 8, pages 165849 - 165862, XP011809783, DOI: 10.1109/ACCESS.2020.3022246 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906979A (zh) * | 2021-03-19 | 2021-06-04 | 上海电机学院 | 一种发电功率预测方法 |
CN113283155A (zh) * | 2021-03-22 | 2021-08-20 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、系统、存储介质及设备 |
CN113283155B (zh) * | 2021-03-22 | 2024-04-09 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、系统、存储介质及设备 |
CN113126489B (zh) * | 2021-03-29 | 2024-01-26 | 华北电力大学 | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 |
CN113126489A (zh) * | 2021-03-29 | 2021-07-16 | 华北电力大学 | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 |
CN113221458A (zh) * | 2021-05-17 | 2021-08-06 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
CN113221458B (zh) * | 2021-05-17 | 2023-04-07 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
CN113283492A (zh) * | 2021-05-19 | 2021-08-20 | 清华大学 | 基于Catboost算法的光伏出力场景生成方法及场景生成装置 |
CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113537582B (zh) * | 2021-07-02 | 2022-05-24 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
CN113591957B (zh) * | 2021-07-21 | 2023-10-27 | 国网上海市电力公司 | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 |
CN113591957A (zh) * | 2021-07-21 | 2021-11-02 | 国网上海市电力公司 | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 |
CN113627658A (zh) * | 2021-07-23 | 2021-11-09 | 西安理工大学 | 基于广义互相关熵门控循环单元的短期售电量预测方法 |
CN113722375A (zh) * | 2021-08-10 | 2021-11-30 | 国网浙江省电力有限公司电力科学研究院 | 一种基于多算法优化的双层混合光伏预测方法及计算机设备 |
CN113722375B (zh) * | 2021-08-10 | 2023-10-17 | 国网浙江省电力有限公司电力科学研究院 | 一种基于多算法优化的双层混合光伏预测方法及计算机设备 |
CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
WO2023020257A1 (zh) * | 2021-08-17 | 2023-02-23 | 北京沃东天骏信息技术有限公司 | 数据预测方法、装置及存储介质 |
CN113591401B (zh) * | 2021-08-24 | 2023-10-20 | 华北电力大学(保定) | 一种基于时间序列分解的电力变压器数据清洗方法 |
CN113591401A (zh) * | 2021-08-24 | 2021-11-02 | 华北电力大学(保定) | 一种基于时间序列分解的电力变压器数据清洗方法 |
CN113761777A (zh) * | 2021-08-26 | 2021-12-07 | 上海电力大学 | 一种基于hp-ovmd的超短期光伏功率预测方法 |
CN113761777B (zh) * | 2021-08-26 | 2023-09-26 | 上海电力大学 | 一种基于hp-ovmd的超短期光伏功率预测方法 |
CN113705094A (zh) * | 2021-08-27 | 2021-11-26 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
CN113705094B (zh) * | 2021-08-27 | 2024-01-23 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
CN113722970B (zh) * | 2021-09-01 | 2023-09-15 | 河海大学常州校区 | 一种光伏功率超短期在线预测方法 |
CN113722970A (zh) * | 2021-09-01 | 2021-11-30 | 河海大学常州校区 | 一种光伏功率超短期在线预测方法 |
CN113673788A (zh) * | 2021-09-23 | 2021-11-19 | 国网天津市电力公司 | 基于分解误差修正和深度学习的光伏发电功率预测方法 |
CN113962440A (zh) * | 2021-09-26 | 2022-01-21 | 国家电投集团综合智慧能源科技有限公司 | 一种融合dpc和gru的光伏预测方法和系统 |
CN113988391B (zh) * | 2021-10-19 | 2024-05-28 | 华北电力大学(保定) | 一种基于相似日理论和神经网络的光伏发电功率预测方法 |
CN113988391A (zh) * | 2021-10-19 | 2022-01-28 | 华北电力大学(保定) | 一种基于相似日理论和神经网络的光伏发电功率预测方法 |
CN114004424A (zh) * | 2021-12-21 | 2022-02-01 | 南方电网科学研究院有限责任公司 | 一种光伏功率预测方法、系统、设备及存储介质 |
CN114970952A (zh) * | 2022-04-14 | 2022-08-30 | 楚能新能源股份有限公司 | 一种考虑环境因素的光伏出力短期预测方法及系统 |
CN114822025A (zh) * | 2022-04-20 | 2022-07-29 | 合肥工业大学 | 一种交通流量组合预测方法 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN114662807B (zh) * | 2022-05-26 | 2022-10-14 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN115358137A (zh) * | 2022-07-22 | 2022-11-18 | 电子科技大学 | 一种基于cnn-gru算法的轴承金属温度预测方法 |
CN115310711A (zh) * | 2022-08-23 | 2022-11-08 | 国网安徽省电力有限公司马鞍山供电公司 | 一种新能源光伏发电功率预测方法 |
CN115310711B (zh) * | 2022-08-23 | 2024-02-09 | 国网安徽省电力有限公司马鞍山供电公司 | 一种新能源光伏发电功率预测方法 |
CN115412671A (zh) * | 2022-08-29 | 2022-11-29 | 特斯联科技集团有限公司 | 一种监视移动物体的摄像机快门人工智能调整方法及系统 |
CN115412671B (zh) * | 2022-08-29 | 2023-04-07 | 特斯联科技集团有限公司 | 一种监视移动物体的摄像机快门人工智能调整方法及系统 |
CN115630726B (zh) * | 2022-09-01 | 2024-01-30 | 华能江苏综合能源服务有限公司 | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 |
CN115630726A (zh) * | 2022-09-01 | 2023-01-20 | 华能江苏综合能源服务有限公司 | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 |
CN115345207A (zh) * | 2022-10-13 | 2022-11-15 | 南京信息工程大学 | 一种自适应的多气象要素预测方法 |
CN116167508A (zh) * | 2023-01-16 | 2023-05-26 | 南通电力设计院有限公司 | 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 |
CN116167508B (zh) * | 2023-01-16 | 2024-03-15 | 南通电力设计院有限公司 | 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 |
CN116776935A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进micn的光伏功率预测方法 |
CN116776935B (zh) * | 2023-06-09 | 2024-02-23 | 淮阴工学院 | 一种基于改进micn的光伏功率预测方法 |
CN116776134B (zh) * | 2023-08-16 | 2023-10-24 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
CN116776134A (zh) * | 2023-08-16 | 2023-09-19 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
CN117111540B (zh) * | 2023-10-25 | 2023-12-29 | 南京德克威尔自动化有限公司 | 一种用于io远程控制总线模块的环境监测预警方法及系统 |
CN117111540A (zh) * | 2023-10-25 | 2023-11-24 | 南京德克威尔自动化有限公司 | 一种用于io远程控制总线模块的环境监测预警方法及系统 |
CN117669995A (zh) * | 2024-02-01 | 2024-03-08 | 大唐东北电力试验研究院有限公司 | 一种综合能源系统的多元负荷优化调度方法、系统和平台 |
Also Published As
Publication number | Publication date |
---|---|
CN112348271B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348271B (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
Adedeji et al. | Wind turbine power output very short-term forecast: A comparative study of data clustering techniques in a PSO-ANFIS model | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN112182709A (zh) | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN114781723A (zh) | 一种基于多模型融合的短期光伏出力预测方法 | |
CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN114692956A (zh) | 基于多层优化核极限学习机的充电设施负荷预测方法及系统 | |
CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN113205214A (zh) | 一种基于并行树突状神经网络的光伏功率超短期预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |