CN112561189A - 一种适用于光伏电站发电量预测方法 - Google Patents

一种适用于光伏电站发电量预测方法 Download PDF

Info

Publication number
CN112561189A
CN112561189A CN202011533249.0A CN202011533249A CN112561189A CN 112561189 A CN112561189 A CN 112561189A CN 202011533249 A CN202011533249 A CN 202011533249A CN 112561189 A CN112561189 A CN 112561189A
Authority
CN
China
Prior art keywords
particle
data
weather
power generation
algorithm
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
Application number
CN202011533249.0A
Other languages
English (en)
Inventor
张林森
田永华
孙学书
毕利
王文雅
李立
李维萍
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.)
Ningxia Zhongke Ka New Energy Research Institute Co ltd
Original Assignee
Ningxia Zhongke Ka New Energy Research Institute 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 Ningxia Zhongke Ka New Energy Research Institute Co ltd filed Critical Ningxia Zhongke Ka New Energy Research Institute Co ltd
Priority to CN202011533249.0A priority Critical patent/CN112561189A/zh
Publication of CN112561189A publication Critical patent/CN112561189A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种适用于光伏电站发电量预测方法，本发明的目的是针对光伏电站的发电量预测问题，提供一种多源数据融合的深度学习预测模型，首先，将从天气数据网站爬取到的天气预报、日照时长、日照强度和历史发电量等信息进行综合处理，通过特征工程处理数据并提取出合适的发电量预测模型的输入数据；然后，将预测数据输入长短期记忆网络(LSTM)，输出电量预测值。

Description

一种适用于光伏电站发电量预测方法
技术领域
本发明涉及光伏电站发电量预测领域，具体涉及一种适用于光伏电站发电量预测方法。
背景技术
进入21世纪以后，随着世界经济水平的快速增长与科学技术的日新月异的发展，人们生 产和生活中对能源的需求呈现丼喷式的增长。美国能源部能源信息署(EIA)在2017年发表 的《全球能源展望》中指出：在2000年，全球能源消耗量总量为158亿吨标准煤。而到了 2015年，其增长率超过了50％，消耗量高达239亿吨标准煤。并且能源消耗增长率一直没有 减慢的趦势，据估计到了2040年可能增长为306亿吨标准煤。传统不可再生的化石能源的过 度消耗，以及随之而来的全球变暖及生态环境恶化等问题，给人类带来了很大的生存危机。 因此，大力促进可再生能源的发展，进而改变现有的能源结构是解决能源和环境可持续发展 问题的一种必然的选择。
相对而言，光伏发电是全球发展的趋势，现在光伏发电技术已经得到了快速的发展，同 时分布式光伏发电站在我国所占的比重越来越大。光伏发电固有的间歇性和波动性的特点导 致分布式光伏发电并网对电网的安全、稳定和经济运行造成很大冲击。光伏发电量预测的研 究是光伏电站研究的重点之一。
光伏发电量的精确的预测可以提高电网的稳定性、能够有效帮助电网调度部门做好各类 电源的调度计划，可以帮助光伏电站减少由于限电带来的经济损失，提高光伏电站运营管理 效率。建立根据天气环境因素预测光伏发电量的模型，能够确保地区制定行之有效的用电规 划和策略，充分利用太阳能，提高太阳能资源的利用比例。实现区域能源利用的优化，准确 的光伏发电预测能够为光伏发电并网提供保障，提高电网运行的稳定性和经济效益。
发明内容
本发明针对现有技术存在的问题，提供一种适用于光伏电站发电量预测方法，其应用时 采用了多源数据融合，该技术将各种不同的数据信息进行综合，吸取不同数据源的特点然后 从中提取出统一的、比单一数据更好、更丰富的信息，在本发明中使用了LSTM网络，按照 序列进行预测，在整个电站发电量预测中更加准确，按照时间进行，即考虑了季度。
本发明通过以下技术方案实现：
一种适用于光伏电站发电量预测方法，其特征在于，包括如下步骤：
步骤1数据获取：
收集爬取天气预报信息存到MySQL数据库；
收集爬取某地区一整年的日照时长信息；
收集爬取10-30年内该地区站点太阳辐射通量每月的平均值；
收集爬取逐小时的云量、降水预报信息；
步骤2数据处理：
(1)对收集的数据中以中文形式表示，在训练预测模型时需要将该特征数值化，采用粒 子群算法将天气类型数值化处理；
(2)日照时长数据处理，需要从数据中提取不同日期的日照时长，将数据中的属性“昼 长”转换为数值型，例如10:30:00可转换为10.5；
(3)太阳辐照数据处理；
(4)云量、降水数据处理；
(5)异常日发电量数据处理；
步骤3电量预测：采用深度学习模型LSTM算法预测发电量。
进一步的，一种适用于光伏电站发电量预测方法，所述粒子群算法步骤为：
(1)初始化：首先，我们设置最大迭代次数，目标函数的自变量个数，粒子的最大速度， 位置信息为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置，设置粒子 群规模为M，每个粒子随机初始化一个飞翔速度；
(2)个体极值与全局最优解：定义适应度函数，个体极值为每个粒子找到的最优解，从 这些最优解找到一个全局值，叫做本次全局最优解，再与历史全局最优比较，进行更新；
(3)更新速度和位置的公式：
Figure BDA0002852547910000021
Figure BDA0002852547910000022
Figure BDA0002852547910000023
粒子i在第k次迭代中第d维的速度；
Figure BDA0002852547910000024
粒子i在第k次迭代中第d维的当前位置；
粒子i＝1,2,...,M；M表示种群大小；
ω：惯性权重；c1和c2表示学习因子，合适的c1和c2既可加快收敛速度又不易陷入局部最优；
rand1和rand2是介于[0,1]之间的随机数；
Figure BDA0002852547910000031
表示粒子i在第d维的个体极值点的位置；
Figure BDA0002852547910000032
表示整个粒子群在第d维的全局极值点的位置；
终止条件：达到设定迭代次数；代数之间的差值满足最小界限。
进一步的，一种适用于光伏电站发电量预测方法，所述深度学习模型LSTM算法为：LSTM 是由三个同构单元格组成，该结构能够通过更新内部状态来长时间存储信息，通过使用字母 A表示三个单元具有相同的单元结构，每个单元格由4个主要元素构成：输入门、遗忘门、 输出门和单元状态，用x表示LSTM单元的输入向量；用h表示单元格输出向量；f、i、o分 别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、 tanh激活函数；W和b分别表示权重和偏差矩阵。
进一步的，一种适用于光伏电站发电量预测方法，所述步骤2数据处理中，对收集的数 据中以中文形式表示，如“小雪”、“多云”、“阴”等，在训练预测模型时需要将该特征数值 化，采用粒子群算法将天气类型数值化处理，具体操作为：
Step1：设置粒子群参数迭代次数G＝50，种群大小P＝50，惯性权重w＝0.5，学习因子 c1＝c2＝0.5；
Step2：设置粒子编码，如天气类型有L个，则设置粒子编码为长度为L的向量，每一值 表示对应天气类型的系数；
Step3：设置目标函数，根据天气类型以及对应的粒子编码，即可将中文形式的天气类型 转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与 天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值；
Step4：更新粒子位置，计算粒子的目标函数值；
Step5：算法迭代次数达到最大次数G则终止算法，否则返回step4。
综上所述，本发明的以下有益效果：
1、本发明一种适用于光伏电站发电量预测方法，根据电站所处的地理位置获取相关的外 界数据，大多方法中使用辐照度，然后应对没有电站辐照站的电站而言是不具备预测条件的， 所以本发明中运用到了云量，节省了建设气象站的费用。
2、本发明一种适用于光伏电站发电量预测方法，在数据处理中，采用粒子群算法对天气 类型进行数值处理。根据天气类型以及对应的粒子编码，即可将中文形式的天气类型转换为 数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与天气系 数的皮尔逊相关系数，该相关系数为该粒子的目标值。因为天气系数与发电量的相关系数越 大说明粒子所表示天气类型的系数越准确。
3、本发明一种适用于光伏电站发电量预测方法，采用了多源数据融合，该技术将各种不 同的数据信息进行综合，吸取不同数据源的特点然后从中提取出统一的、比单一数据更好、 更丰富的信息。
4、本发明一种适用于光伏电站发电量预测方法，在本发明中使用了LSTM网络，按照 序列进行预测，在整个电站发电量预测中更加准确，按照时间进行，即考虑了季度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不 构成对本发明实施例的限定。在附图中：
图1为离散粒子群算法的编码与解码部分示意图。
图2为整个算法的流程图。
图3为整个算法的迭代过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明 作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本 发明的限定。
实施例
如图1-3所示，
1、数据获取
(1)从天气预报网站(http://www.tianqihoubao.com/yubao)爬取天气预报信息存到MySQL 数据库，部分数据结构如表1所示；
表1天气预报部分数据
Figure BDA0002852547910000041
(2)从网站(https://richurimo.51240.com/ningxiahuizuzizhiqu__richurimo)爬取宁夏回族自 治区一整年的日照时长信息，部分数据结构如表2所示；
表2日照时长部分数据
日期 日出 日中 日落 昼长
2020年11月01日周日 07:21:49 12:38:32 17:55:15 10:33:26
2020年11月02日周一 07:22:53 12:38:31 17:54:09 10:31:16
2020年11月03日周二 07:23:58 12:38:31 17:53:05 10:29:07
2020年11月04日周三 07:25:03 12:38:32 17:52:01 10:26:58
2020年11月05日周四 07:26:08 12:38:34 17:51:00 10:24:52
(3)从期刊干旱区研究的论文《宁夏太阳辐射逐日、月、年总量的变化特征》获取宁夏 1971年到2000年30年20个站点太阳辐射通量每月的平均值，部分数据结构如表3所示；
表3太阳辐照量部分数据
Figure BDA0002852547910000051
(4)从网站(http://m.weathercn.com/hourly-weather-forecast.do？partner＝NULL&language ＝zh-cn&id＝60334&p_source＝&p_type＝jump)爬取逐小时的云量、降水等预报信息，部分数据 结构如表4所示。
表4云量、降水等部分数据
行政地区编号 行政地区 时间 温度 降水 云量 日期
982206 北寨镇 8 -5.5 7 100 2020-11-21
982206 北寨镇 9 -5.5 7 100 2020-11-21
982206 北寨镇 10 -6.2 7 100 2020-11-21
982206 北寨镇 11 -5.8 7 100 2020-11-21
982206 北寨镇 12 -5.1 10 100 2020-11-21
982206 北寨镇 13 -5.3 70 100 2020-11-21
(5)电站的历史日发电量部分数据如表5所示。
表5日发电量部分数据
Figure BDA0002852547910000052
Figure BDA0002852547910000061
2、数据处理
因为不同渠道获取的数据存在各种差异，需要对数据进行处理。
(1)表1中的天气类型是以中文形式表示，如“小雪”、“多云”、“阴”等，在训练预测模 型时需要将该特征数值化，采用粒子群算法将天气类型数值化处理。具体操作为：
Step1：设置粒子群参数迭代次数G＝50，种群大小P＝50，惯性权重w＝0.5，学习因子 c1＝c2＝0.5。
Step2：设置粒子编码，如天气类型有L个，则设置粒子编码为长度为L的向量，每一值 表示对应天气类型的系数。
Step3：设置目标函数，根据天气类型以及对应的粒子编码，即可将中文形式的天气类型 转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与 天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值。因为天气系数与发电量的相关 系数越大说明粒子所表示天气类型的系数越准确。
Step4：更新粒子位置，计算粒子的目标函数值。
Step5：算法迭代次数达到最大次数G则终止算法，否则返回step4.
(2)日照时长数据处理
需要从表2中提取不同日期的日照时长，将表2中的属性“昼长”转换为数值型，例如 10:30:00可转换为10.5，转换后的部分数据如表6所示：
表6时长数据
日期 昼长 时 分 时长
2020-01-01 09:32:07 9 32 9.533333
2020-01-02 09:32:45 9 32 9.533333
2020-01-03 09:33:29 9 33 9.55
2020-01-04 09:34:14 9 34 9.566667
(3)太阳辐照数据处理
表3中的太阳辐照量是每月的均值，采用均匀插值将辐照量分布到每一日。例如12月的 辐照量为301，1月的辐照量为326.8，将每月的平均辐照量视为该月15号的辐照量，即12 月15日的辐照量为301，1月15号的辐照量为326.8，则每日辐照变化量为(326.8-301)/30＝0.86， 即可得到每日的辐照量，最后对辐照量进行归一化处理可以得到光照系数。部分数据如表7 所示：
表7处理后的关照系数
日期 光照 光照系数
2019年12月15日 301 0
2019年12月16日 301.8333 0.001928971
2019年12月17日 302.6666 0.003857942
2019年12月18日 303.4999 0.005786913
2019年12月19日 304.3332 0.007715884
(4)云量、降水数据处理
表4中云量和降水等信息是一小时为单位存储，在日发电量预测时需要将其转为每日当 日数据。选择每日10点、14点、16点三个时间点的云量和降水，通过遍历行政地区和日期， 可以得到每日三个点的数据。
(5)异常日发电量数据处理
在电量采集的过程中存在采集到异常电量，需要将异常数据替换。替换方法为找到该电 站与当日天气类似的其他日期的发电量。
3、电量预测
将获得的所有数据与发电量做相关性分析，结果如表8所示：
表8相关系数矩阵
Figure BDA0002852547910000071
Figure BDA0002852547910000081
采用深度学习模型LSTM预测发电量，预测输入为天气1、天气2、最高温度、时长系数、光照系数、降水10、降水14、降水18、云量10、云量14、云量18，输出为发电量。需 要对每个特征属性进行归一化处理。如公式所示：
Figure BDA0002852547910000082
式中x*表示归一化后的值，x表示当前数据值，xmin表示数据最小值，xmax表示数据最大 值。
4、结果分析：
图3是电站发电量模型训练的过程，在训练之后均方误差为：0.08606，准确率为91.394％。 其中红色为发电量的预测，蓝色为发电量的真实值，从图像可以得出预测值与真实值曲线大 致相同。
5、本发明预测方法的工作过程：
将对所需的数据进行获取，之后对数据进行处理，数据进入模型进行训练，最后应用到 电站的发电量预测上。业主使用该模型可以得到发电量的预测情况，业主根据结果为光伏发 电并网提供保障，提高电网运行的稳定性和经济效益。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说 明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护 范围，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，均应包含在本 发明的保护范围之内。

Claims (4)

1.一种适用于光伏电站发电量预测方法，其特征在于，包括如下步骤：
步骤1数据获取：
收集爬取天气预报信息存到MySQL数据库；
收集爬取某地区一整年的日照时长信息；
收集爬取10-30年内该地区站点太阳辐射通量每月的平均值；
收集爬取逐小时的云量、降水预报信息；
步骤2数据处理：
(1)对收集的数据中以中文形式表示，在训练预测模型时需要将该特征数值化，采用粒子群算法将天气类型数值化处理；
(2)日照时长数据处理，需要从数据中提取不同日期的日照时长，将数据中的属性“昼长”转换为数值型，例如10:30:00可转换为10.5；
(3)太阳辐照数据处理；
(4)云量、降水数据处理；
(5)异常日发电量数据处理；
步骤3电量预测：采用深度学习模型LSTM算法预测发电量。
2.根据权利要求1所述的一种适用于光伏电站发电量预测方法，其特征在于，所述粒子群算法步骤为：
(1)初始化：首先，我们设置最大迭代次数，目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度；
(2)个体极值与全局最优解：定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解，再与历史全局最优比较，进行更新；
(3)更新速度和位置的公式：
Figure FDA0002852547900000011
Figure FDA0002852547900000012
Figure FDA0002852547900000013
粒子i在第k次迭代中第d维的速度；
Figure FDA0002852547900000014
粒子i在第k次迭代中第d维的当前位置；
粒子i＝1,2,...,M；M表示种群大小；
ω：惯性权重；c1和c2表示学习因子，合适的c1和c2既可加快收敛速度又不易陷入局部最优；
rand1和rand2是介于[0,1]之间的随机数；
Figure FDA0002852547900000021
表示粒子i在第d维的个体极值点的位置；
Figure FDA0002852547900000022
表示整个粒子群在第d维的全局极值点的位置；
终止条件：达到设定迭代次数；代数之间的差值满足最小界限。
3.根据权利要求1所述的一种适用于光伏电站发电量预测方法，其特征在于，所述深度学习模型LSTM算法为：LSTM是由三个同构单元格组成，该结构能够通过更新内部状态来长时间存储信息，通过使用字母A表示三个单元具有相同的单元结构，每个单元格由4个主要元素构成：输入门、遗忘门、输出门和单元状态，用x表示LSTM单元的输入向量；用h表示单元格输出向量；f、i、o分别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、tanh激活函数；W和b分别表示权重和偏差矩阵。
4.根据权利要求1所述的一种适用于光伏电站发电量预测方法，其特征在于，所述步骤2数据处理中，对收集的数据中以中文形式表示，如“小雪”、“多云”、“阴”等，在训练预测模型时需要将该特征数值化，采用粒子群算法将天气类型数值化处理，具体操作为：
Step1：设置粒子群参数迭代次数G＝50，种群大小P＝50，惯性权重w＝0.5，学习因子c1＝c2＝0.5；
Step2：设置粒子编码，如天气类型有L个，则设置粒子编码为长度为L的向量，每一值表示对应天气类型的系数；
Step3：设置目标函数，根据天气类型以及对应的粒子编码，即可将中文形式的天气类型转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值；
Step4：更新粒子位置，计算粒子的目标函数值；
Step5：算法迭代次数达到最大次数G则终止算法，否则返回step4。
CN202011533249.0A 2020-12-23 2020-12-23 一种适用于光伏电站发电量预测方法 Pending CN112561189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011533249.0A CN112561189A (zh) 2020-12-23 2020-12-23 一种适用于光伏电站发电量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011533249.0A CN112561189A (zh) 2020-12-23 2020-12-23 一种适用于光伏电站发电量预测方法

Publications (1)

Publication Number Publication Date
CN112561189A true CN112561189A (zh) 2021-03-26

Family

ID=75032224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011533249.0A Pending CN112561189A (zh) 2020-12-23 2020-12-23 一种适用于光伏电站发电量预测方法

Country Status (1)

Country Link
CN (1) CN112561189A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919606A (zh) * 2021-12-14 2022-01-11 山东建筑大学 一种分布式光伏电站智能选址方法及系统
CN115333170A (zh) * 2022-10-17 2022-11-11 国网浙江省电力有限公司宁波供电公司 一种分布式电源并网调度方法、装置及电网运营系统
CN116581755A (zh) * 2023-07-12 2023-08-11 长江水利委员会水文局 功率预测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913151A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 基于自适应变异粒子群与bp网络光伏电站发电量预测方法
US20180196896A1 (en) * 2015-08-07 2018-07-12 Mitsubishi Electric Corporation Device for predicting amount of photovoltaic power generation, and method for predicting amount of photovoltaic power generation
CN109164343A (zh) * 2018-08-30 2019-01-08 西华大学 基于特征信息量化与加权knn的变压器故障诊断方法
CN109858673A (zh) * 2018-12-27 2019-06-07 南京工程学院 一种光伏发电系统功率预测方法
CN109902874A (zh) * 2019-02-28 2019-06-18 武汉大学 一种基于深度学习的微电网光伏发电短期预测方法
CN111429034A (zh) * 2020-04-21 2020-07-17 国网信通亿力科技有限责任公司 一种配电网故障预测的方法
CN111461284A (zh) * 2020-06-17 2020-07-28 同盾控股有限公司 数据离散化方法、装置、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180196896A1 (en) * 2015-08-07 2018-07-12 Mitsubishi Electric Corporation Device for predicting amount of photovoltaic power generation, and method for predicting amount of photovoltaic power generation
CN105913151A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 基于自适应变异粒子群与bp网络光伏电站发电量预测方法
CN109164343A (zh) * 2018-08-30 2019-01-08 西华大学 基于特征信息量化与加权knn的变压器故障诊断方法
CN109858673A (zh) * 2018-12-27 2019-06-07 南京工程学院 一种光伏发电系统功率预测方法
CN109902874A (zh) * 2019-02-28 2019-06-18 武汉大学 一种基于深度学习的微电网光伏发电短期预测方法
CN111429034A (zh) * 2020-04-21 2020-07-17 国网信通亿力科技有限责任公司 一种配电网故障预测的方法
CN111461284A (zh) * 2020-06-17 2020-07-28 同盾控股有限公司 数据离散化方法、装置、设备及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吴涛: "深度学习在光伏电站中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
李公法 等: "《人工智能与计算智能及其应用》", 30 June 2020 *
杨洁: "光伏系统发电量预测中天气类型的数值化研究", 《吕梁学院学报》 *
田义: "基于深度学习的光伏发电功率预测技术研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
黄滇玲 等: "基于长短时记忆网络的光伏发电功率预测", 《科研信息化技术与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113919606A (zh) * 2021-12-14 2022-01-11 山东建筑大学 一种分布式光伏电站智能选址方法及系统
CN113919606B (zh) * 2021-12-14 2022-03-15 山东建筑大学 一种分布式光伏电站智能选址方法及系统
CN115333170A (zh) * 2022-10-17 2022-11-11 国网浙江省电力有限公司宁波供电公司 一种分布式电源并网调度方法、装置及电网运营系统
CN115333170B (zh) * 2022-10-17 2023-01-24 国网浙江省电力有限公司宁波供电公司 一种分布式电源并网调度方法、装置及电网运营系统
CN116581755A (zh) * 2023-07-12 2023-08-11 长江水利委员会水文局 功率预测方法、装置、设备及存储介质
CN116581755B (zh) * 2023-07-12 2023-09-29 长江水利委员会水文局 功率预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112561189A (zh) 一种适用于光伏电站发电量预测方法
Ho et al. Investigation of solar energy: The case study in Malaysia, Indonesia, Colombia and Nigeria
CN109524993B (zh) 用于中长期优化调度的风电光伏典型周出力场景生成方法
CN108388956B (zh) 考虑辐射衰减的光伏功率预测方法
CN102930358B (zh) 一种光伏电站发电功率的神经网络预测方法
CN105913151A (zh) 基于自适应变异粒子群与bp网络光伏电站发电量预测方法
CN105426956A (zh) 一种超短期光伏预测方法
CN103106544A (zh) 一种基于t-s型模糊神经网络的光伏发电预测系统
CN114511132A (zh) 一种光伏出力短期预测方法及预测系统
Mukhoty et al. Sequence to sequence deep learning models for solar irradiation forecasting
CN112149264A (zh) 一种基于改进哈里斯鹰优化算法的主动配电网规划方法
CN112070311A (zh) 基于相似日聚类和气象因子赋权的日前光功率预测方法
CN102799948A (zh) 一种并网型光伏电站发电系统输出功率预测方法
CN111092451A (zh) 一种基于配电网网格的光伏消纳预警方法
CN117374956A (zh) 一种针对综合能源站光伏发电的短期预测方法
CN116128150A (zh) 一种基于两级优化的光伏智能出力预测方法
CN103916071B (zh) 一种风光互补发电的均衡出力智能控制系统和方法
CN110729767A (zh) 一种含水电的地区电网风光容量优化配置方法
Yu et al. Prediction of solar irradiance one hour ahead based on quantum long short-term memory network
Yadav et al. PSO tuned ANFIS model for short term photovoltaic power forecasting
CN108846529A (zh) 一种发电量预测系统
Sahoo et al. Energy forecasting for grid connected MW range solar PV system
Xu et al. Influence of different optimization aalgorithms on prediction accuracy of photovoltaic output power based on BP neural network
CN114282637A (zh) 一种适用于光伏电站发电量预测方法
Vyas et al. Forecasting solar power generation on the basis of predictive and corrective maintenance activities

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326