CN112580876A - 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 - Google Patents
基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 Download PDFInfo
- Publication number
- CN112580876A CN112580876A CN202011521533.6A CN202011521533A CN112580876A CN 112580876 A CN112580876 A CN 112580876A CN 202011521533 A CN202011521533 A CN 202011521533A CN 112580876 A CN112580876 A CN 112580876A
- Authority
- CN
- China
- Prior art keywords
- sequence
- data
- power station
- output
- continuation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010248 power generation Methods 0.000 title claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000007787 long-term memory Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research 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
- 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
- G06N3/08—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
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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
本发明提供了基于改进EMD‑LSTM组合模型的光伏电站发电分频段预测方法，使用改进的数据分解方法对非平稳、非线性的光伏电站出力数据序列进行预处理，有效改善预测精度，采用神经网络对光伏电站出力序列进行延拓并加窗，有效分离出力数据中不同波动特征的分量，采用游程判定法将波动性相近的功率分量进行分组，划分为高中低频三个频段，使得特征更加集中，解决了不同发电工况下自适应分解后分量个数不确定的问题，提高预测速度，将数据分解方法与长短期记忆网络相结合，能够实现发电数据的长期记忆，避免了传统神经网络在预测中的长依赖问题，组合模型更适用于解决长周期、强波动、非线性的光伏电站出力预测问题，具有较好的时序预测效果。
Description
技术领域
本发明主要涉及电力系统中光伏电站发电能力评估及电网调度的技术领域，具体为基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法。
背景技术
由于光伏电站需要使用太阳光资源进行发电，受到气象因素、大气状态及自然环境等诸多不确定因素的影响，到达地面的太阳辐照度通常具有强随机性和波动性的特点，并随之导致电站出力的波动性和间歇性。当光伏电站的并网发电量超过一定比例时，接入电网的出力波动会对电力系统的稳定安全运行和发电质量带来很大威胁，研究表明，当光伏装机容量在电网中占比超过15％时，光伏发电的波动会导致整个电网的瘫痪。电网调度运行中如何充分考虑其不确定性并筹措灵活资源以应对，成为重大的技术挑战，针对这一问题，光伏电站发电能力的预测评估，成为把握电力系统资源特性和出力特性的重要手段，也是调度辅助决策的核心基础。
目前已有的光伏电站出力预测方法主要有统计法和物理法两种，物理法主要通过建立光伏电池的物理模型来进行预测。统计法则依靠大量的历史数据，通过优化算法实现预测。但由于光伏电站出力具有非线性、非平稳性和时序性的特点，且环境影响因素复杂，直接基于原始数据和单一模型进行预测，结果的准确度较差。因此亟需找到数据分解方法来降低出力序列的复杂性，并在此基础上选择合适的时序模型完成预测，满足电网调度所需的准确率和实时性的要求。
本文研究了一种基于改进EMD与LSTM神经网络组合模型的分频段预测方法，通过对传统的经验模态分解方法进行神经网络延拓和加窗改进，解决模态混叠和伪分解问题，降低原始出力序列的非平稳性，并将分解后的各分量根据波动性进行归类重组，优化模型结构实现快速计算，对分组后的各分量使用LSTM长短期记忆网络模型实现时序预测，相较于传统的预测方法，本文提出的组合模型减小了计算量的同时提升了预测精度。
发明内容
本发明主要提供了基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，用以解决上述背景技术中提出的技术问题。
本发明解决上述技术问题采用的技术方案为：
基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法包括三个阶段：
首先对光伏电站出力数据序列进行神经网络延拓和加窗处理，解决EMD分解中存在的模态混叠和伪分解问题，利用BP神经网络对电站出力序列的端信号进行学习，合理地预测出序列极值点，将出力曲线向左右两端各延拓若干个数据点，达到抑制端点发散的目的。进一步对延拓部分的信号加余弦窗函数处理，将延拓序列与余弦窗函数信号相乘，减少信号泄漏。通过延拓与窗函数结合共同抑制端点效应；
接下来对延拓加窗后的新出力数据进行EMD分解，得到若干个IMF分量和一个剩余分量，截取分量中与原始数据对应的数据段，采用游程判定法计算各分量游程数，以此代表出力曲线的波动程度。将变化趋势相近的分量进行组合，划分为高、中、低频三个频段，解决分解后分量数量不确定、模型数量过多的问题；
最后，对三个频段的分量分别建立长短期记忆网络LSTM模型进行时序预测，将三个频段的预测值进行叠加重构，得到最终的光伏电站出力预测结果。
进一步的，基于神经网络的光伏电站出力数据延拓方法；
为了抑制端点效应，需要对原始出力数据进行双向延拓。由于EMD分解的原理基于上下包络线的求取，包络线拟合的优劣直接影响到IMF分量的提取质量，因此根据已有数据变化规律得出端点之外极值点的位置和幅值，即可避免包络线端点的扭曲现象，而无需得到原始数据之外的其他准确数据。BP神经网络通过对端信号进行学习，预测出极值序列的变化规律，实现数据延拓；
BP算法即误差逆向传播算法，多用于训练多层前馈神经网络，单向传播信息，输入层的输出等于其输入，隐层和输出层节点的输入是前一层节点输出的加权和，每一层的激励程度由它的激励函数来决定。BP神经网络最为显著的特点是信号正向传播，误差反向传递，如果输出层没有得到期望输出，则将误差反向传播，根据偏差调整网络权值和阈值，使得预测结果不断逼近期望输出，直到误差减小到可接受范围内或达到学习次数的上限为止；
该方法首先利用原始电站出力数据的端信号训练BP神经网络，然后通过训练好的网络模型对原始序列之外的极值点进行预测，延长上下包络线，从而实现数据的延拓；
由于光伏电站出力数据具有非平稳性，若将整个序列作为训练样本会增大网络误差，同时会增加训练时间。延拓的目的是抑制端点处的极值点不确定问题，因此选取距离端点处最近的第三个极值点至信号端点间的数据段作为训练样本来源，单个训练样本为其中规定长度的连续小段信号，训练预期输出为输入信号段的下一个采样点的值。若假设样本来源长度为N，单个训练样本长度为M，则BP模型的输入层节点数为M，输出层节点数为1，训练样本总数为N-M；
使用上述方法得到X个极大值和极小值后停止计算，将预测结果与原始信号右端进行拼接，对于左端需倒序排列后进行拼接，实现信号的延拓。
进一步的，基于余弦窗函数的加窗方法；
为了更好的解决电站出力序列的端点效应，减少信号泄漏，在序列延拓的基础上，对延拓部分进行加窗处理，选取的窗函数为余弦窗函数，中间部分幅值为1，两端从1到0逐渐平滑衰减；
加窗的主要步骤是将余弦窗函数幅值为1的中间段与原始数据段相乘，两端的延拓数据段与窗函数衰减部分相乘，得到延拓加窗后的新数据序列；将该序列作为EMD分解的对象，得到若干IMF分量和一个剩余分量，并截取各分量中与原始序列对应的中间数据段，得到最终分解结果。与原始时序数据相比，处理后的序列在EMD分解中能有效减轻端点处的发散现象，解决模态混叠和伪分解问题；
进一步的，基于游程判定的频段划分方法；
利用分组预测的思想，使用游程判定法将变化规律和平稳程度相近的功率分量进行归类重组，通过设定游程阈值将其划分为低频、中频、高频三个频段，使得相近的特征信息更加集中，且不同特征的分量互不影响；
首先计算已知IMF分量数据序列的平均值，然后将序列中的观测值与平均值逐个进行比较，大于平均值的标记为+，小于平均值的标记为-，由此对于每个分量可以得到一个符号序列，将每个连续相同符号的标记段为一个游程，统计出每个IMF分量的游程总数；
由此可见游程数量的多少反映了数据序列的波动程度，游程数量越少代表序列越平稳，游程数量越多代表序列波动程度越大，进一步通过人为设定两个游程阈值X和Y，将IMF分量划分为高中低频三组；
对光伏电站出力数据序列进行延拓加窗、EMD分解和频段划分后得到低频、中频、高频三组序列，其中高频序列反映了电站出力的不确定波动项，中频序列反映了电站出力的短期变化趋势，低频序列反映了电站出力的长期变化趋势。
进一步的，LSTM的算法流程主要包括以下步骤：
S1、前向计算每个神经元的输出值；
S2、反向计算每个神经元的误差值，LSTM的误差项反向传播包括两个方向：沿时间方向传播和向上一层传播；
S3、根据误差项计算每个权重的梯度。
与现有技术相比，本发明的有益效果为：
(1)使用改进的数据分解方法对非平稳、非线性的光伏电站出力数据序列进行预处理，提升预测模型输入数据的质量，有效改善预测精度；
(2)采用神经网络对光伏电站出力序列进行延拓并加窗，有效抑制传统EMD分解的端点效应，减少模态混叠和伪分解问题，有效分离出力数据中不同波动特征的分量；
(3)采用游程判定法将波动性相近的功率分量进行分组，划分为高中低频三个频段，使得特征更加集中，减少了预测模型的数量，解决了不同发电工况下自适应分解后分量个数不确定的问题，提高预测速度；
(4)将数据分解方法与长短期记忆网络相结合，能够实现发电数据的长期记忆，避免了传统神经网络在预测中的长依赖问题，组合模型更适用于解决长周期、强波动、非线性的光伏电站出力预测问题，具有较好的时序预测效果。
以下将结合附图与具体的实施例对本发明进行详细的解释说明。
附图说明
图1为本发明的总体框架示意图；
图2为本发明的BP网络结构示意图；
图3为本发明的BP延拓方法流程示意图；
图4为本发明的余弦窗函数示意图；
图5为本发明的游程计算方法示意图；
图6为本发明的游程判定法流程示意图；
图7为本发明的LSTM网络结构示意图；
图8为本发明的LSTM预测模型示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更加全面的描述，附图中给出了本发明的若干实施例，但是本发明可以通过不同的形式来实现，并不限于文本所描述的实施例，相反的，提供这些实施例是为了使对本发明公开的内容更加透彻全面。
实施例一：
基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法包括三个阶段：
首先对光伏电站出力数据序列进行神经网络延拓和加窗处理，解决EMD分解中存在的模态混叠和伪分解问题，利用BP神经网络对电站出力序列的端信号进行学习，合理地预测出序列极值点，将出力曲线向左右两端各延拓若干个数据点，达到抑制端点发散的目的。进一步对延拓部分的信号加余弦窗函数处理，将延拓序列与余弦窗函数信号相乘，减少信号泄漏。通过延拓与窗函数结合共同抑制端点效应；
接下来对延拓加窗后的新出力数据进行EMD分解，得到若干个IMF分量和一个剩余分量，截取分量中与原始数据对应的数据段，采用游程判定法计算各分量游程数，以此代表出力曲线的波动程度。将变化趋势相近的分量进行组合，划分为高、中、低频三个频段，解决分解后分量数量不确定、模型数量过多的问题；
最后，对三个频段的分量分别建立长短期记忆网络LSTM模型进行时序预测，将三个频段的预测值进行叠加重构，得到最终的光伏电站出力预测结果。
1)基于神经网络的光伏电站出力数据延拓方法
为了抑制端点效应，需要对原始出力数据进行双向延拓。由于EMD分解的原理基于上下包络线的求取，包络线拟合的优劣直接影响到IMF分量的提取质量，因此根据已有数据变化规律得出端点之外极值点的位置和幅值，即可避免包络线端点的扭曲现象，而无需得到原始数据之外的其他准确数据。BP神经网络通过对端信号进行学习，预测出极值序列的变化规律，实现数据延拓。
BP算法即误差逆向传播算法，多用于训练多层前馈神经网络，单向传播信息，输入层的输出等于其输入，隐层和输出层节点的输入是前一层节点输出的加权和，每一层的激励程度由它的激励函数来决定。BP神经网络最为显著的特点是信号正向传播，误差反向传递，如果输出层没有得到期望输出，则将误差反向传播，根据偏差调整网络权值和阈值，使得预测结果不断逼近期望输出，直到误差减小到可接受范围内或达到学习次数的上限为止，基本结构如附图2。
该方法首先利用原始电站出力数据的端信号训练BP神经网络，然后通过训练好的网络模型对原始序列之外的极值点进行预测，延长上下包络线，从而实现数据的延拓，具体步骤如附图3。
由于光伏电站出力数据具有非平稳性，若将整个序列作为训练样本会增大网络误差，同时会增加训练时间。延拓的目的是抑制端点处的极值点不确定问题，因此选取距离端点处最近的第三个极值点至信号端点间的数据段作为训练样本来源，单个训练样本为其中规定长度的连续小段信号，训练预期输出为输入信号段的下一个采样点的值。若假设样本来源长度为N，单个训练样本长度为M，则BP模型的输入层节点数为M，输出层节点数为1，训练样本总数为N-M。
使用上述方法得到X个极大值和极小值后停止计算，将预测结果与原始信号右端进行拼接，对于左端需倒序排列后进行拼接，实现信号的延拓。
基于余弦窗函数的加窗方法
为了更好的解决电站出力序列的端点效应，减少信号泄漏，在序列延拓的基础上，对延拓部分进行加窗处理，选取的窗函数为余弦窗函数，中间部分幅值为1，两端从1到0逐渐平滑衰减，该函数如图4。
加窗的主要步骤是将余弦窗函数幅值为1的中间段与原始数据段相乘，两端的延拓数据段与窗函数衰减部分相乘，得到延拓加窗后的新数据序列，将该序列作为EMD分解的对象，得到若干IMF分量和一个剩余分量，并截取各分量中与原始序列对应的中间数据段，得到最终分解结果，与原始时序数据相比，处理后的序列在EMD分解中能有效减轻端点处的发散现象，解决模态混叠和伪分解问题。
3)基于游程判定的频段划分方法
为解决技术问题4)中自适应分解后的分量数量随工况变化以及模型数量过多的问题，利用分组预测的思想，使用游程判定法将变化规律和平稳程度相近的功率分量进行归类重组，通过设定游程阈值将其划分为低频、中频、高频三个频段，使得相近的特征信息更加集中，且不同特征的分量互不影响。
首先计算已知IMF分量数据序列的平均值，然后将序列中的观测值与平均值逐个进行比较，大于平均值的标记为+，小于平均值的标记为-，由此对于每个分量可以得到一个符号序列，将每个连续相同符号的标记段为一个游程，统计出每个IMF分量的游程总数，计算方法如附图5。
由此可见游程数量的多少反映了数据序列的波动程度，游程数量越少代表序列越平稳，游程数量越多代表序列波动程度越大。进一步通过人为设定两个游程阈值X和Y，将IMF分量划分为高中低频三组。游程判定法的主要步骤如附图6。
对光伏电站出力数据序列进行延拓加窗、EMD分解和频段划分后得到低频、中频、高频三组序列，其中高频序列反映了电站出力的不确定波动项，中频序列反映了电站出力的短期变化趋势，低频序列反映了电站出力的长期变化趋势。通过游程判定将不同波动特征的分量进行分组，对每类特征单独建立预测模型，能更有效提取出时序数据映射关系，提高预测精度，同时避免了模型数量过多的问题。
4)LSTM长短期记忆网络模型
长短期记忆网络LSTM是一种特殊的循环神经网络结构，不同于传统的人工神经网络，LSTM通过算法学习得到权重，并用权重来衡量信息的重要性，通过控制遗忘门、输入门和输出门三个门控单元的状态，决定删除或保存信息以及传递信息的比例，这就代表LSTM通过对状态信息的存储和修改，实现长期记忆，不同于传统神经网络只有一种记忆叠加方式，LSTM的网络结构如附图7。
LSTM在传统的神经网络模型中引入具有递归的隐藏层，并在隐藏层中运用记忆单元取代传统的人工神经元，这些记忆单元包含一个具有权重值为1的4节点，保证梯度可以跨越多个时间步长传递，在时序预测中具有明显优势，LSTM的算法流程主要包括三个步骤：
前向计算每个神经元的输出值。
反向计算每个神经元的误差值，LSTM的误差项反向传播包括两个方向：沿时间方向传播和向上一层传播。
根据误差项计算每个权重的梯度。
分别面向高中低频建立三个LSTM预测模型，预测模型的输入样本为各频段分量中长度为N的采样点的出力观测值，预期输出为输入时间段后的下一个采样点的出力值。LSTM的预测流程如附图8。
上述结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的这种非实质改进，或未经改进将本发明的构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。
Claims (5)
1.基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，其特征在于，基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法包括三个阶段：
首先对光伏电站出力数据序列进行神经网络延拓和加窗处理，解决EMD分解中存在的模态混叠和伪分解问题，利用BP神经网络对电站出力序列的端信号进行学习，合理地预测出序列极值点，将出力曲线向左右两端各延拓若干个数据点，达到抑制端点发散的目的，进一步对延拓部分的信号加余弦窗函数处理，将延拓序列与余弦窗函数信号相乘，减少信号泄漏，通过延拓与窗函数结合共同抑制端点效应；
接下来对延拓加窗后的新出力数据进行EMD分解，得到若干个IMF分量和一个剩余分量，截取分量中与原始数据对应的数据段，采用游程判定法计算各分量游程数，以此代表出力曲线的波动程度，将变化趋势相近的分量进行组合，划分为高、中、低频三个频段，解决分解后分量数量不确定、模型数量过多的问题；
最后，对三个频段的分量分别建立长短期记忆网络LSTM模型进行时序预测，将三个频段的预测值进行叠加重构，得到最终的光伏电站出力预测结果。
2.根据权利要求1所述的基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，其特征在于，基于神经网络的光伏电站出力数据延拓方法；
为了抑制端点效应，需要对原始出力数据进行双向延拓，由于EMD分解的原理基于上下包络线的求取，包络线拟合的优劣直接影响到IMF分量的提取质量，因此根据已有数据变化规律得出端点之外极值点的位置和幅值，即可避免包络线端点的扭曲现象，而无需得到原始数据之外的其他准确数据，BP神经网络通过对端信号进行学习，预测出极值序列的变化规律，实现数据延拓；
BP算法即误差逆向传播算法，多用于训练多层前馈神经网络，单向传播信息，输入层的输出等于其输入，隐层和输出层节点的输入是前一层节点输出的加权和，每一层的激励程度由它的激励函数来决定，BP神经网络最为显著的特点是信号正向传播，误差反向传递，如果输出层没有得到期望输出，则将误差反向传播，根据偏差调整网络权值和阈值，使得预测结果不断逼近期望输出，直到误差减小到可接受范围内或达到学习次数的上限为止；
该方法首先利用原始电站出力数据的端信号训练BP神经网络，然后通过训练好的网络模型对原始序列之外的极值点进行预测，延长上下包络线，从而实现数据的延拓；
由于光伏电站出力数据具有非平稳性，若将整个序列作为训练样本会增大网络误差，同时会增加训练时间，延拓的目的是抑制端点处的极值点不确定问题，因此选取距离端点处最近的第三个极值点至信号端点间的数据段作为训练样本来源，单个训练样本为其中规定长度的连续小段信号，训练预期输出为输入信号段的下一个采样点的值，若假设样本来源长度为N，单个训练样本长度为M，则BP模型的输入层节点数为M，输出层节点数为1，训练样本总数为N-M；
使用上述方法得到X个极大值和极小值后停止计算，将预测结果与原始信号右端进行拼接，对于左端需倒序排列后进行拼接，实现信号的延拓。
3.根据权利要求1所述的基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，其特征在于，基于余弦窗函数的加窗方法；
为了更好的解决电站出力序列的端点效应，减少信号泄漏，在序列延拓的基础上，对延拓部分进行加窗处理，选取的窗函数为余弦窗函数，中间部分幅值为1，两端从1到0逐渐平滑衰减；
加窗的主要步骤是将余弦窗函数幅值为1的中间段与原始数据段相乘，两端的延拓数据段与窗函数衰减部分相乘，得到延拓加窗后的新数据序列；将该序列作为EMD分解的对象，得到若干IMF分量和一个剩余分量，并截取各分量中与原始序列对应的中间数据段，得到最终分解结果，与原始时序数据相比，处理后的序列在EMD分解中能有效减轻端点处的发散现象，解决模态混叠和伪分解问题。
4.根据权利要求1所述的基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，其特征在于，基于游程判定的频段划分方法；
利用分组预测的思想，使用游程判定法将变化规律和平稳程度相近的功率分量进行归类重组，通过设定游程阈值将其划分为低频、中频、高频三个频段，使得相近的特征信息更加集中，且不同特征的分量互不影响；
首先计算已知IMF分量数据序列的平均值，然后将序列中的观测值与平均值逐个进行比较，大于平均值的标记为+，小于平均值的标记为-，由此对于每个分量可以得到一个符号序列，将每个连续相同符号的标记段为一个游程，统计出每个IMF分量的游程总数；
由此可见游程数量的多少反映了数据序列的波动程度，游程数量越少代表序列越平稳，游程数量越多代表序列波动程度越大，进一步通过人为设定两个游程阈值X和Y，将IMF分量划分为高中低频三组；
对光伏电站出力数据序列进行延拓加窗、EMD分解和频段划分后得到低频、中频、高频三组序列，其中高频序列反映了电站出力的不确定波动项，中频序列反映了电站出力的短期变化趋势，低频序列反映了电站出力的长期变化趋势。
5.根据权利要求1所述的基于改进EMD-LSTM组合模型的光伏电站发电分频段预测方法，其特征在于，LSTM的算法流程主要包括以下步骤：
S1、前向计算每个神经元的输出值；
S2、反向计算每个神经元的误差值，LSTM的误差项反向传播包括两个方向：沿时间方向传播和向上一层传播；
S3、根据误差项计算每个权重的梯度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011521533.6A CN112580876A (zh) | 2020-12-21 | 2020-12-21 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011521533.6A CN112580876A (zh) | 2020-12-21 | 2020-12-21 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112580876A true CN112580876A (zh) | 2021-03-30 |
Family
ID=75136500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011521533.6A Pending CN112580876A (zh) | 2020-12-21 | 2020-12-21 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580876A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112881914A (zh) * | 2021-01-12 | 2021-06-01 | 常州大学 | 一种锂电池健康状态预测方法 |
| CN113537556A (zh) * | 2021-06-03 | 2021-10-22 | 杭州电子科技大学 | 一种基于状态频率记忆网络的家庭短期负荷预测方法 |
| CN113689045A (zh) * | 2021-08-27 | 2021-11-23 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
| CN114186745A (zh) * | 2021-12-14 | 2022-03-15 | 国网安徽省电力有限公司亳州供电公司 | 一种电站用光纤流量传输速率预测方法及系统 |
| CN117290708A (zh) * | 2023-11-24 | 2023-12-26 | 成都理工大学 | 便于计算暂态冲击量的高低频混叠信号分离方法 |
| CN117335411A (zh) * | 2023-10-27 | 2024-01-02 | 深圳南控新能源有限公司 | 一种光伏电站群的中长期发电量预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104007315A (zh) * | 2014-04-29 | 2014-08-27 | 昆明理工大学 | 一种改进的经验模态分解处理方法 |
| CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
| CN109117784A (zh) * | 2018-08-08 | 2019-01-01 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
| CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
-
2020
- 2020-12-21 CN CN202011521533.6A patent/CN112580876A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104007315A (zh) * | 2014-04-29 | 2014-08-27 | 昆明理工大学 | 一种改进的经验模态分解处理方法 |
| CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
| CN109117784A (zh) * | 2018-08-08 | 2019-01-01 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
| CN110909931A (zh) * | 2019-11-20 | 2020-03-24 | 成都理工大学 | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱玥 等: "基于EMD-LSTM 的光伏发电预测模型", 《电力工程技术》, vol. 39, no. 02, 28 March 2020 (2020-03-28), pages 51 - 57 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112881914A (zh) * | 2021-01-12 | 2021-06-01 | 常州大学 | 一种锂电池健康状态预测方法 |
| CN112881914B (zh) * | 2021-01-12 | 2022-03-25 | 常州大学 | 一种锂电池健康状态预测方法 |
| CN113537556A (zh) * | 2021-06-03 | 2021-10-22 | 杭州电子科技大学 | 一种基于状态频率记忆网络的家庭短期负荷预测方法 |
| CN113689045A (zh) * | 2021-08-27 | 2021-11-23 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
| CN113689045B (zh) * | 2021-08-27 | 2023-06-27 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
| CN114186745A (zh) * | 2021-12-14 | 2022-03-15 | 国网安徽省电力有限公司亳州供电公司 | 一种电站用光纤流量传输速率预测方法及系统 |
| CN117335411A (zh) * | 2023-10-27 | 2024-01-02 | 深圳南控新能源有限公司 | 一种光伏电站群的中长期发电量预测方法 |
| CN117335411B (zh) * | 2023-10-27 | 2024-05-24 | 深圳南控新能源有限公司 | 一种光伏电站群的中长期发电量预测方法 |
| CN117290708A (zh) * | 2023-11-24 | 2023-12-26 | 成都理工大学 | 便于计算暂态冲击量的高低频混叠信号分离方法 |
| CN117290708B (zh) * | 2023-11-24 | 2024-02-09 | 成都理工大学 | 便于计算暂态冲击量的高低频混叠信号分离方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112580876A (zh) | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 | |
| Karakuş et al. | One‐day ahead wind speed/power prediction based on polynomial autoregressive model | |
| CN108256697B (zh) | 一种用于电力系统短期负荷的预测方法 | |
| CN109299430A (zh) | 基于两阶段分解与极限学习机的短期风速预测方法 | |
| Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
| CN110738010A (zh) | 集成深度学习模型的风电场短期风速预测方法 | |
| CN105404939A (zh) | 一种短期电力负荷预测方法 | |
| WO2023221382A1 (zh) | 一种适用于双场量子密钥分发系统的全局相位跟踪预测方法 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| CN111553510A (zh) | 一种短期风速预测方法 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN104794538A (zh) | 基于ieemd-bpnn的电力系统短期负荷预测方法 | |
| CN117239722A (zh) | 一种考虑多元负荷影响的系统风荷短期预测方法 | |
| Niu et al. | De-Trend First, Attend Next: A Mid-Term PV forecasting system with attention mechanism and encoder–decoder structure | |
| Safari et al. | Tidal current and level uncertainty prediction via adaptive linear programming | |
| Cai et al. | Research on short-term wind speed prediction based on EEMD-GRU prediction model | |
| CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 | |
| Tao et al. | A combined model of wavelet and neural network for short term load forecasting | |
| CN105243436A (zh) | 基于秩次集对分析的风电功率实时预测方法 | |
| Zhou et al. | Study on natural gas price forecasting based on prophet-gru nonlinear combination | |
| Zhang et al. | Power Load Forecasting Model Based on LSTM and Prophet algorithm | |
| CN114741952A (zh) | 一种基于长短期记忆网络的短期负荷预测方法 | |
| Dongyang et al. | Wind speed time series forecasting method in wind farm based on EEMD | |
| Bogachev et al. | Application of Recurrent Neural Networks for Adaptive Selection of Parameters of Error-correcting Code in Telemetry Data Transmission Systems | |
| Zhang et al. | Short term water level prediction based on C-Stacking ensemble model |
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 |