CN112686445A - 一种基于arima-lstm-dbn的光伏发电预测方法 - Google Patents
一种基于arima-lstm-dbn的光伏发电预测方法 Download PDFInfo
- Publication number
- CN112686445A CN112686445A CN202011605395.XA CN202011605395A CN112686445A CN 112686445 A CN112686445 A CN 112686445A CN 202011605395 A CN202011605395 A CN 202011605395A CN 112686445 A CN112686445 A CN 112686445A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- dbn
- photovoltaic power
- residual
- 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- Withdrawn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 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于光伏发电领域，涉及一种光伏发电预测方法，特别涉及一种基于ARIMA‑LSTM‑DBN的光伏发电预测方法。光伏发电由于天气因素的不稳定随机变化和四季的交替，导致光伏出力的不确定性。目前缺少精确预测光伏发电量的方法。本发明提供了一种基于ARIMA‑LSTM‑DBN的光伏发电预测方法。首先建立ARIMA时间序列预测模型，使用ARIMA时间序列预测模型捕捉时间序列中的线性成分，输出ARIMA预测模型的预测值后与实际历史光伏发电功率直接计算残差，生成残差序列。将残差序列输入LSTM‑DBN光伏发电残差功率预测模型，使用历史气象数据对光伏发电残差功率进行预测。将LSTM‑DBN光伏发电残差功率预测模型预测出的残差值修正ARIMA时间序列预测模型预测出的发电功率大小，提高预测精度。
Description
技术领域
本发明属于光伏发电领域，涉及一种光伏发电预测方法，特别涉及一种基于ARIMA-LSTM-DBN的光伏发电预测方法。
背景技术
目前，随着光伏产业科技方面的快速进步，越来越多的行业开始引进光伏产业，光伏得到了大规模的发展与应用。国家将光伏发电作为新能源发电的核心，越来越多的光伏电站开始纳入了电网。太阳能随处可取且不受束缚，光伏发电可以就近原则供电，减少了电能远距离传输的损耗。这对推进国家电网公司“三型两网，世界一流”战略提供了强大的技术支撑。光伏发电是一把双刃剑，有利有弊。由于天气因素的不稳定随机变化和四季的交替，导致光伏出力的不确定性。光伏发电具有间歇性和波动性，光伏电站输出的光伏发电量不稳定，随着天气的变化而变化，对电力系统稳定运行不利。因此，对光伏发电量进行及时准确的预测，对电网的稳定运行有着极大的好处，减少了主电网受到光伏发电并网的冲击，使电力系统可以安全稳定的运行。也有利于相关部门制定发电、调峰、调度计划，保证实时平衡，减少电网的经济浪费实现收益最大化。只有精准的预测出光伏发电量，光伏产业才能大规模投资以及推广。
发明内容
1、所要解决的技术问题：
光伏发电由于天气因素的不稳定随机变化和四季的交替，导致光伏出力的不确定性。对光伏发电量进行及时准确的预测，对电网的稳定运行有着极大的好处，减少了主电网受到光伏发电并网的冲击，目前缺少精确预测光伏发电量的方法。
2、技术方案：
为了解决以上问题，本发明提供了一种基于ARIMA-LSTM-DBN的光伏发电预测方法，包括以下步骤：步骤一：:数据预处理，数据归一化；步骤二：划分训练样本和测试样本；步骤三：建立ARIMA时间序列预测模型，得到ARIMA时间序列预测数据；步骤四：得到ARIMA的残差数据；步骤五：分别单独建立LSTM神经网络和DBN神经网络，输入训练数据分别进行训练，通过调整参数使训练误差最小化，获得训练好的LSTM-DBN模型；步骤六：将测试样本数据输入训练完成的LSTM-DBN光伏发电残差功率预测模型，得到测试样本残差预测值；步骤七：使用残差预测值修正中得到的ARIMA时间序列预测数据，得出预测结果数据；步骤八：将预测数据与实际数据对比，用相对误差和均方根误差两种误差指标对预测数据进行评价。
3、有益效果：
本发明提供的方法将LSTM-DBN光伏发电残差功率预测模型预测出的残差值修正ARIMA时间序列预测模型预测出的发电功率大小，提高了预测精度。
附图说明
图1为本发明步骤流程图；
图2为DBN神经网络训练过程示意图。
图3为LSTM-DBN光伏发电残差功率预测模型。
具体实施方式
下面结合附图来对本发明进行详细说明。
如图1所示，本发明提供了一种基于ARIMA-LSTM-DBN的光伏发电预测方法，包括以下步骤：步骤一：:数据预处理，数据归一化。
本专利是基于ARIMA-LSTM-DBN的光伏发电功率预测模型，所使用数据来自于中国南京(32°02'N、118°46'E)某分布式光伏发电站采集到的每日96个时间点瞬时内光伏发电功率和该时间点采集到的平均大气干球温度、最高大气干球温度、最低大气干球温度、平均相对湿度、平均风速和日太阳总辐射6种历史气象数据。
因为输入数据间单位不一致，所以需要对数据进行标准化处理，标准化处理公式如下式所示：
式中：bi为i指标的实际数据；bi.max为i指标的最大值；bi.min为i指标的最小值。
步骤二：划分训练样本和测试样本。
将归一化的数据划分成训练样本数据和测试样本数据。
步骤三：建立ARIMA时间序列预测模型，得到ARIMA时间序列预测数据。
建立ARIMA时间序列预测模型，将历史数据中采集到的每日96个时间点瞬时内光伏发电功率和历史时间序列对应输入ARIMA时间序列预测模型，得到ARIMA时间序列预测数据。将预测值和实际值相减得到ARIMA的残差数据。
步骤四：得到ARIMA的残差数据。
步骤五：分别单独建立LSTM神经网络和DBN神经网络，输入训练数据分别进行训练，通过调整参数使训练误差最小化，获得训练好的LSTM-DBN模型。
如图3所示，使用步骤四中的残差数据和该时间点采集到的平均大气干球温度、最高大气干球温度、最低大气干球温度、平均相对湿度、平均风速和日太阳总辐射6种历史气象数据对LSTM神经网络进行训练；如图2所示，使用步骤四中的残差数据对DBN网络进行训练，通过调整参数使训练误差最小化，获得训练好的LSTM-DBN模型。
所述DBN神经网络训练过程为：输入训练样本数据和待预测样本数据，对样本数据进行预处理，然后底层RBM的逐层训练和学习，模型参数更新，重构误差比较，如果不满足误差条件，回到底层RBM的逐层训练和学习，如果满足误差条件，进行顶层BP算法拟合优化，DBN模型训练完成。
步骤六：将测试样本数据输入训练完成的LSTM-DBN光伏发电残差功率预测模型，得到测试样本残差预测值。
将测试样本数据，即测试样本中残差数据和该时间点采集到的平均大气干球温度、最高大气干球温度、最低大气干球温度、平均相对湿度、平均风速和日太阳总辐射6种历史气象数据输入LSTM-DBN光伏发电残差功率预测模型，得到测试样本残差预测值。
步骤七：使用残差预测值修正中得到的ARIMA时间序列预测数据，得出预测结果数据；步骤八：将预测数据与实际数据对比，用相对误差和均方根误差两种误差指标对预测数据进行评价。
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (9)
1.一种基于ARIMA-LSTM-DBN的光伏发电预测方法，包括以下步骤：步骤一：:数据预处理，数据归一化；步骤二：划分训练样本和测试样本；步骤三：建立ARIMA时间序列预测模型，得到ARIMA时间序列预测数据；步骤四：得到ARIMA的残差数据；步骤五：分别单独建立LSTM神经网络和DBN神经网络，输入训练数据分别进行训练，通过调整参数使训练误差最小化，获得训练好的LSTM-DBN模型；步骤六：将测试样本数据输入训练完成的LSTM-DBN光伏发电残差功率预测模型，得到测试样本残差预测值；步骤七：使用残差预测值修正中得到的ARIMA时间序列预测数据，得出预测结果数据；步骤八：将预测数据与实际数据对比，用相对误差和均方根误差两种误差指标对预测数据进行评价。
2.如权利要求1所述的方法，其特征在于：步骤一中，所述数据来自分布式光伏发电站采集到的每日96个时间点瞬时内光伏发电功率和该时间点采集到的平均大气干球温度、最高大气干球温度、最低大气干球温度、平均相对湿度、平均风速和日太阳总辐射6种历史气象数据。
3.如权利要求1所述的方法，其特征在于：步骤一中，所述数据归一化处理公式为：
式中：bi为i指标的实际数据；bi.max为i指标的最大值；bi.min为i指标的最小值。
4.如权利要求1所述的方法，其特征在于：步骤二中，所述建立ARIMA时间序列预测模型，将历史数据中采集到的每日96个时间点瞬时内光伏发电功率和历史时间序列对应输入ARIMA时间序列预测模型，得到ARIMA时间序列预测数据。
5.如权利要求4所述的方法，其特征在于：步骤四中，ARIMA的残差数据为将所述预测数据和实际数据相减的差。
6.如权利要求1所述的方法，其特征在于：步骤五中，分别单独建立LSTM神经网络和DBN神经网络，是为了建立LSTM-DBN光伏发电残差功率预测模型，使用步骤四中的残差数据和该时间点采集到的平均大气干球温度、最高大气干球温度、最低大气干球温度、平均相对湿度、平均风速和日太阳总辐射6种历史气象数据对LSTM神经网络进行训练；使用步骤四中的残差数据对DBN网络进行训练，通过调整参数使训练误差最小化，获得训练好的LSTM-DBN模型。
7.如权利要求6所述的方法，其特征在于；所述DBN神经网络训练过程为：输入训练样本数据和待预测样本数据，对样本数据进行预处理，然后底层RBM的逐层训练和学习，模型参数更新，重构误差比较，如果不满足误差条件，回到底层RBM的逐层训练和学习，如果满足误差条件，进行顶层BP算法拟合优化，DBN模型训练完成。
8.如权利要求1所述的方法，其特征在于：步骤六中的具体方法为：将测试样本数据，即测试样本中残差数据和该时间点采集到的平均大气干球温度、最高大气干球温度、最低大气干球温度、平均相对湿度、平均风速和日太阳总辐射6种历史气象数据输入LSTM-DBN光伏发电残差功率预测模型，得到测试样本残差预测值。
9.如权利要求8所述的方法，其特征在于：在步骤七中，使用步骤六中测试样本残差预测值修正步骤三中得到的ARIMA时间序列预测数据，将修正完成的数据作为发电功率预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011605395.XA CN112686445A (zh) | 2020-12-30 | 2020-12-30 | 一种基于arima-lstm-dbn的光伏发电预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011605395.XA CN112686445A (zh) | 2020-12-30 | 2020-12-30 | 一种基于arima-lstm-dbn的光伏发电预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686445A true CN112686445A (zh) | 2021-04-20 |
Family
ID=75455296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011605395.XA Withdrawn CN112686445A (zh) | 2020-12-30 | 2020-12-30 | 一种基于arima-lstm-dbn的光伏发电预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686445A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449847A (zh) * | 2021-06-17 | 2021-09-28 | 江苏方天电力技术有限公司 | 考虑秒级时间序列风速变化的海上风电功率滚动预测方法 |
| CN113705114A (zh) * | 2021-10-28 | 2021-11-26 | 中南大学 | 一种数据预测方法及装置 |
| CN114648178A (zh) * | 2022-05-12 | 2022-06-21 | 武汉格蓝若智能技术有限公司 | 一种基于ddpg算法的电能计量装置运维策略优化方法 |
-
2020
- 2020-12-30 CN CN202011605395.XA patent/CN112686445A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449847A (zh) * | 2021-06-17 | 2021-09-28 | 江苏方天电力技术有限公司 | 考虑秒级时间序列风速变化的海上风电功率滚动预测方法 |
| CN113705114A (zh) * | 2021-10-28 | 2021-11-26 | 中南大学 | 一种数据预测方法及装置 |
| CN114648178A (zh) * | 2022-05-12 | 2022-06-21 | 武汉格蓝若智能技术有限公司 | 一种基于ddpg算法的电能计量装置运维策略优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686445A (zh) | 一种基于arima-lstm-dbn的光伏发电预测方法 | |
| CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
| CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
| CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
| CN104299173B (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
| CN109214713B (zh) | 含有分布式电源的主动配电网规划方法 | |
| CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
| CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
| CN110112779B (zh) | 基于多状态概率分布的电采暖消纳风电测算模型 | |
| CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
| CN101989743A (zh) | 基于直流潮流的节能发电调度优化方法 | |
| CN116540545A (zh) | 一种基于伊藤过程的光伏发电制氢集群随机优化调度方法 | |
| CN116544951A (zh) | 一种水电调峰灵活性量化与调度方法 | |
| CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| CN110991748A (zh) | 一种城市电网短期负荷预测方法 | |
| CN110717694B (zh) | 基于新能源消纳期望值的储能配置随机决策方法及装置 | |
| CN106786800A (zh) | 基于大数据处理含光伏发电的电力系统经济调度分析方法 | |
| CN112686443A (zh) | 一种基于人工智能的光伏发电预测方法 | |
| CN111178593A (zh) | 一种光伏系统输出功率预测方法及装置 | |
| Chen et al. | Short-Term Photovoltaic Power Prediction Algorithm Based on Improved BP Neural Network | |
| CN112749792B (zh) | 一种基于bp算法的风速预测方法 | |
| CN115809810A (zh) | 一种基于低碳经济性的设备改造选型方法及终端 | |
| CN112906928B (zh) | 一种风电场集群有功功率预测方法及系统 | |
| CN116644843A (zh) | 一种耦合气象数据的燃煤电厂煤耗预测方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210420 |
|
| WW01 | Invention patent application withdrawn after publication |