CN112862630A - 基于天气类型指数区间的光伏功率预测方法、终端及介质 - Google Patents
基于天气类型指数区间的光伏功率预测方法、终端及介质 Download PDFInfo
- Publication number
- CN112862630A CN112862630A CN202110249670.7A CN202110249670A CN112862630A CN 112862630 A CN112862630 A CN 112862630A CN 202110249670 A CN202110249670 A CN 202110249670A CN 112862630 A CN112862630 A CN 112862630A
- Authority
- CN
- China
- Prior art keywords
- weather
- index
- weather type
- photovoltaic power
- type
- 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 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 17
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 8
- 238000010248 power generation Methods 0.000 description 24
- 239000010410 layer Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 238000010219 correlation analysis Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000486761 Chilobrachys Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于天气类型指数区间的光伏功率预测方法、终端及介质,包括:获取天气类型数据,并转化为天气类型指数;将所述天气类型指数划分为多个指数区间,其中每一个指数区间分别对应不同的日类型;将历史数据根据每小时天气类型指数分别归入对应的指数区间内,形成多个日类型子集;利用不同的日类型子集分别训练不同的深度神经网络,得到对应的分类预测子模型;将影响光伏出力的气象和功率特征作为所述分类预测子模型的输入,利用所述分类预测子模型预测不同天气类型下的光伏功率。本发明在非晴天天气下可以有效利用输入特征,具备识别剧烈变化天气下光伏输出功率突变的能力,从而提升预测精度。
Description
技术领域
本发明涉及光伏发电技术领域的一种功率预测技术,具体地,涉及一种基于天气类型指数区间划分的光伏功率预测方法、终端及介质。
背景技术
为解决传统能源带来的各类问题,太阳能光伏发电技术迅速发展。光伏发电的随机性和间歇性为电网稳定可靠运行带来显著影响,精准的短期光伏输出功率预测愈发重要,目前已有较多相关研究成果。光伏出力预测按照预测过程可以分为间接预测和直接预测。其中,直接预测将历史发电量和天气数据进行建模,具备建模过程简单、无需测量太阳辐射强度的优势。以神经网络为主流的元启发式学习算法由于非线性表达能力强等优势在直接光伏功率预测领域得到广泛应用。光伏出力的直接预测基于历史出力和气象预报数据,由于大气环境复杂,天气类型的变化成为日前光伏功率预测精度下降的主要原因之一。当原始数据样本少且天气预报类型分散时,神经网络学习效率下降,复杂规律将被遮盖。将样本分类筛选进而建立各类对应的预测子模型,可以提升神经网络学习效率,针对性地学习规律一致的样本。当原始数据不充足时,进行分类训练有利于网络对特征规律的学习,从而降低由于规律遮蔽现象产生的误差。
经过检索发现:
文献“陈昌松,段善旭,殷进军.基于神经网络的光伏阵列发电预测模型的设计[J].电工技术学报,2009,24(9):153-158.”提供了一种按季节类型划分历史数据,并建立预测子模型的技术,该技术将日类型和气温作为BP神经网络的输入进行训练和预测。文献“袁晓玲,施俊华,徐杰彦.计及天气类型指数的光伏发电短期出力预测[J].中国电机工程学报,2013,33(34):57-64.”提供了一种建立不同天气类型的通用预测模型的技术,该技术将天气对应功率映射得到的天气类型指数作为BP神经网络的输入。这两种方法均采用基本的BP神经网络,预测误差较大。
文献“张倩,马愿,李国丽,等.频域分解和深度学习算法在短期负荷及光伏功率预测中的应用[J].中国电机工程学报,2019,39(8):2221-2230.”,利用辐照度、风速和板温数据划分天气类型为晴天和多云,结合LSTM神经网络实现出力预测,考虑了功率序列的时间相关性,预测精度较高。文献“王飞,米增强,甄钊,等.基于天气状态模式识别的光伏发电站发电功率分类预测方法[J].中国电机工程学报,2013,33(34):75-82.”提出了一种解决天气类型历史数据缺失问题的方法,基于太阳辐照度特征建立了SVM天气类型辨识模型。这两种方法均实现了一种高精度预测模型,但是,在构建高精度预测模型时要求原始数据包含辐照度数据,然而考虑实际情况,辐照预报数据较难获取。
综上所述,在现有技术中,仍然存在在缺乏辐照数据的实际情况下,天气类型变化导致短期光伏功率预测精度显著下降的问题。目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种基于天气类型指数区间划分的光伏功率日前预测方法、终端及介质。
根据本发明的一个方面,提供了一种光伏功率预测方法,包括:
获取天气类型数据,并转化为天气类型指数;
将所述天气类型指数划分为多个指数区间,其中每一个指数区间分别对应不同的日天气类型;
将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内,形成多个日天气类型子集;
利用不同的日天气类型子集分别训练深度神经网络,得到对应的分类预测子模型;
将影响光伏出力的气象和功率特征作为所述分类预测子模型的输入,利用所述分类预测子模型预测不同天气类型下的光伏功率。
优选地,所述获取天气类型数据,并转化为天气类型指数的方法,包括:
获取气象预报中的每小时天气类型数据量化为天气类型指数;其中,所述每小时天气类型数据与天气类型指数之间的映射关系为:
优选地,所述日天气类型与所述指数区间之间的对应关系为:
优选地,所述将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内,形成多个日天气类型子集,包括:
当某日每小时天气类型数据对应的天气类型指数均落在相应区间内,则将该日气象与功率数据归入对应的指数区间,并形成相应的日天气类型子集。
优选地,所述利用不同的日天气类型子集分别训练深度神经网络,包括:
设置各个深度神经网络的超参数初始值;
利用日天气类型子集分别训练对应的深度神经网络;
利用测试集分别对深度神经网络的训练效果进行测试;
若满足精度要求,则停止训练,得到的深度神经网络模型即为对应的分类预测子模型;若不满足精度要求,则在线性或对数尺度上获取更优超参数值,重复训练和测试的步骤,直至满足精度要求。
优选地,所述深度神经网络采用LSTM神经网络模型。
优选地,所述影响光伏出力的气象和功率特征的确定方法,包括:
获取与光伏出力相关的因素,并计算各相关因素之间的Pearson相关系数;
根据所述Pearson相关系数,分析各相关因素之间的耦合度及其对光伏出力的影响程度,并选择相互耦合度低于设定阈值且与光伏出力相关度高于设定阈值的因素作为影响光伏出力的气象和功率特征。
优选地,所述与光伏出力相关的因素,包括:温度、露点、湿度、风速、可见度、大气压、天气类型指数、雾霾、降雨、降雪、雷电和历史光伏功率。
优选地,所述影响光伏出力的气象和功率特征,包括:历史光伏功率、温度、湿度和天气类型指数。
根据本发明的第二个方面,提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于执行上述任一项所述的方法。
根据本发明的第三个方面,提供了一种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可用于执行上述任一项所述的方法。
由于采用了上述技术方案,本发明与现有技术相比,具有如下至少一项的有益效果:
本发明提供的基于天气类型指数区间的光伏功率预测方法、终端及介质,充分考虑与光伏出力相关的各类因素,并对气象预报和光伏发电历史功率信息进行了可视化相关性分析,初步筛选原始数据中的有效信息,有助于合理选取预测模型输入特征,降低输入特征维度。
本发明提供的基于天气类型指数区间的光伏功率预测方法、终端及介质,根据天气类型指数区间对光伏发电系统的逐日记录数据进行划分,建立了高效、可靠的分类预测模型,在无辐照数据的日前光伏预测问题中,显著改善了非晴天天气下的预测效果。
本发明提供的基于天气类型指数区间的光伏功率预测方法、终端及介质,可以采用LSTM深度神经网络进行训练和预测,能够捕捉光伏功率序列的长期依赖特性,相比传统浅层机器学习神经网络具有更高精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例提供的基于天气类型指数区间的光伏功率预测方法流程图。
图2为气象因素相关性对比图。
图3为天气类型分布图。
图4为基于天气类型指数区间的LSTM分类预测建模流程图。
图5为LSTM层结构示意图。
图6为晴天天气下测试集随机三日的预测结果对比图。
图7为多云天气下测试集随机三日的预测结果对比图。
图8为阴雨天气下测试集随机三日的预测结果对比图。
图9为不同天气下完整测试集的预测误差对比图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
图1为本发明一实施例提供的基于天气类型指数区间的光伏功率预测方法流程图。
该实施例提供的光伏功率预测方法,是一种考虑天气类型指数区间划分的光伏功率预测方法,该方法首先分析了光伏发电功率的关键影响因素及其内在相关性,提供了一种由气象预报数据到天气类型指数的映射方法,为选取模型输入特征提供依据。然后,通过划分天气类型指数区间来分割数据集,基于长短期记忆(Long Short Term Memory,LSTM)神经网络,分别建立晴天、多云和阴雨天气下的分类预测模型,实现按日天气类型分类预测。该实施例提供的光伏功率预测方法,在非晴天天气下可以有效利用输入特征,具备识别剧烈变化天气下光伏输出功率突变的能力,从而提升预测精度。
如图1所示,该实施例提供的基于天气类型指数区间的光伏功率日前预测方法,可以包括如下步骤:
S100,获取天气类型数据,并转化为天气类型指数;
S200,将天气类型指数划分为多个指数区间,其中每一个指数区间分别对应不同的日天气类型;
S300,将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内,形成多个日天气类型子集;
S400,利用不同的日天气类型子集分别训练深度神经网络,得到对应的分类预测子模型;
S500,将影响光伏出力的气象和功率特征作为分类预测子模型的输入,利用分类预测子模型预测不同天气类型下的光伏功率。
在该实施例的S100中,作为一优选实施例,获取天气类型数据,并转化为天气类型指数的方法,可以包括:
获取气象预报中的每小时天气类型数据量化为天气类型指数;其中,每小时天气类型数据与天气类型指数之间的映射关系可以为:
在该实施例的S200中,作为一优选实施例,日天气类型与指数区间之间的对应关系可以为:
在该实施例的S300中,作为一优选实施例,将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内,形成多个日天气类型子集,可以包括:
当某日每小时天气类型数据对应的天气类型指数均落在相应区间内,则将该日的气象与光伏功率数据归入对应的指数区间,并形成相应的日天气类型子集。
在该实施例的S400中,作为一优选实施例,利用不同的日天气类型子集分别训练不同的深度神经网络,可以包括:
S401,设置各个深度神经网络的超参数初始值;
S402,利用日天气类型子集分别训练对应的深度神经网络;
S403,利用测试集分别对深度神经网络的训练效果进行测试;
S404,若满足精度要求,则停止训练,得到的深度神经网络模型即为对应的分类预测子模型;若不满足精度要求,则在线性或对数尺度上获取更优超参数值,重复训练和测试的步骤,直至满足精度要求。
在该实施例的一具体应用实例中,深度神经网络采用LSTM神经网络模型。
在该实施例的S500中,作为一优选实施例,影响光伏出力的气象和功率特征的确定方法,可以包括:
S501,获取与光伏出力相关的因素,并计算各相关因素之间的Pearson相关系数;
S502,根据Pearson相关系数,分析各相关因素之间的耦合度及其对光伏出力的影响,并选择相互耦合度低于设定阈值且与光伏出力相关度高于设定阈值的因素作为影响光伏出力的气象和功率特征。
在该实施例的S500中,作为一优选实施例,与光伏出力相关的因素,可以包括:温度、露点、湿度、风速、可见度、大气压、天气类型指数、雾霾、降雨、降雪、雷电和历史光伏功率。
在该实施例的S500中,作为一优选实施例,影响光伏出力的气象和功率特征,可以包括:历史光伏功率、温度、湿度和天气类型指数。
下面结合具体数据以及附图,对本发明上述实施例所提供的技术方案进一步详细描述如下。
1、光伏出力影响因素及相关性分析
分析各种内外因素对光伏出力的影响以及不同特征之间的关联性有助于对信息源有效利用,进而合理选择光伏预测模型的输入特征。由于光伏功率序列呈现出较高的自相关性,且反映了光伏发电系统的内部物理电气特性,直接预测模型通常将历史功率信息作为一个重要输入特征。影响光伏出力的外部因素包括太阳辐照度、温度、天气类型等繁多复杂的气象因素。
1.1、气象因素
太阳辐照度是光伏出力的主要影响因素。式(1)给出了单位面积光伏发电功率的数学模型:
P=ηSRa[1-0.005×(T-25)] (1)
式中:P为光伏输出有功功率;η为光伏板转换效率;S为光伏阵列面积;Ra为斜面太阳辐照度;T为光伏板周围环境温度。
在缺乏辐照数据时,可考虑将与太阳辐照度相关的大气透明度作为预测模型的一个关键输入特征。此外,精细化的天气类型预报能够大致反映云量的大小和变化规律,间接反映了太阳辐照度的衰减情况。将气象预报中的常见天气类型文本数据按辐射衰减程度量化,如表1所示。天气类型指数将天气类型由文本数据转换为数值型数据,适于神经网络的输入,且便于制定样本集分割规则,进而实现分类预测。
表1天气类型指数映射关系
其中,天气类型指数是按照不同天气类型对太阳辐射的衰减程度量化,便于神经网络模型输入和后续区间划分。关于天气类型与量化指数之间的映射关系,可以参考“于佳弘.基于深度学习的太阳能光伏发电短期预测方法[D].杭州:浙江大学,2018.”;“孙翰墨,申烛,郭宗军,等.不同天气类型对光伏电站理论发电量影响的研究[J].太阳能,2017,(6):38-42.”。
由式(1)可知,温度也是影响光伏发电系统的一个关键因素。此外,诸如湿度、露点、风速等其他气象因素对光伏发电功率也有一定影响。湿度与露点对光伏出力的影响在于空气中的水雾会吸收太阳辐射,使得光伏组件接收到的太阳辐照度削弱,光伏出力将随湿度增大而减少。风速通过光伏电池板温度大小和清洁程度对光伏出力产生影响,风可以降低光伏板表面温度,减小板面灰尘堆积量以降低光伏发电系统的出力损失。
1.2、相关性分析
不同因素对光伏功率的影响程度不同,且由于大气环境复杂,各种气象因素之间存在耦合,因此需要对光伏功率和其影响因素的相关性进行分析。为进行全年相关性分析,可如下计算Pearson相关系数:
图2为由北美某家庭光伏发电系统2015年实测数据计算得到的不同气象特征之间年相关系数对比图。其中第i行第j列展示了特征i与特征j之间的相关性,i,j=1,2,…,11。特征1~11分别为温度、露点、湿度、风速、可见度、大气压、天气类型指数、雾霾、降雨、降雪、雷电。由图可知,不同气象因素之间存在着一定相关性,其中天气类型指数和降雪、可见度呈现较强负相关关系,而温度和露点呈现一定的正相关规律。对于相关性较强的气象特征可只取对光伏功率贡献最大的特征作为预测模型输入,以缩减输入矩阵维度。
光伏发电功率与影响因素之间的年相关系数见表2。其中历史光伏功率指预测日前一天的实测光伏发电功率。
表2光伏功率与影响因素之间的年相关系数
由表2可以看出,对日前光伏发电功率预测贡献最大的影响因素为历史光伏功率,其与预测日光伏输出功率相关系数高至0.872。气象因素中,温度、露点、湿度、天气类型指数和降雪的系数值达到0.1以上,对光伏输出功率影响较大。同时,考虑到图2所显示的气象因素耦合度,即天气类型指数与降雪、温度与露点之间耦合性较强,可考虑将相互耦合度低的历史光伏功率、温度、湿度和天气类型指数作为神经网络输入特征。
2、划分天气类型指数区间的分类预测方法
2.1、天气类型指数区间划分方法
天气类型是某地区特定时间内各种气象因素的综合体现,对光伏出力有显著的影响作用。
在进行短期光伏出力预测时,为突出不同天气类型下光伏功率曲线的特有变化趋势,可依据天气类型指数作区间划分,对原始分散的数据样本集做分割归类,进而实现分类预测,提高模型预测精度。为保证神经网络有效学习数据规律,划分的区间数量不宜太多,且遵循尽量使样本子集均分的原则,避免天气类型指数落在子区间内的数据样本过少而训练样本不足的问题。因此,原始数据不同可针对性制定不同的划分规则。本实施例可以使用的原始数据集包括北美100个分散的家庭光伏发电系统,随机选取其中1用户集统计全年天气类型分布情况如图3所示。
图中天气类型编号1~10分别代表雪、雨夹雪、暴风雨、雨、雾、霾、多云、大部多云、局部多云、晴。为简化繁多的天气类型数据,将原始数据中局部多云、大部多云和多云统一看作多云天气,雨、暴风雨看作雨天,雨夹雪和雪看作雪天,可对应表1量化为天气类型指数。根据文献“王飞,米增强,甄钊,等.基于天气状态模式识别的光伏发电站发电功率分类预测方法[J].中国电机工程学报,2013,33(34):75-82.”,光伏功率的变化规律在晴、多云和阴雨三种日类型下有明显差异,因此将原始数据划分为这三种典型日类型。可以看出,天气预报为晴的全年小时占比最多,多云和霾次之,雨雪天气占比最少。针对图3分布情况划分天气类型指数区间如表3所示。当某日每小时天气类型指数都落在相应区间内,则将该日数据归入表3对应指数区间,并形成对应的日类型子集。实验对比显示,这种日类型划分结果的子集数据量相当可观,能够保证训练样本充足。
表3天气类型指数区间划分规则
2.2、LSTM神经网络建模方法
基于LSTM神经网络建立按天气类型指数区间划分的分类预测模型流程如图4所示。
图4中,初始化部分主要是数据清洗与预处理工作,依据天气类型指数区间划分原始数据集的具体方法参照之前章节。LSTM模型参数的初始设置方法于2.2.2节介绍,在模型训练与测试阶段进行对比实验,直到满足预测精度要求。
2.2.1、LSTM模型
长短期记忆(Long-Short Term Memory,LSTM)神经网络是1997年提出的循环神经网络(Recurrent Neural Network,RNN)的一种变体,独特的结构使其适于处理延迟较长的时间序列预测问题。现有的LSTM细胞模型有多种结构,都设置了输入门、遗忘门和输出门。多个LSTM细胞按时间顺序首尾连接成一层LSTM神经网络,如图5所示。
图5中t时刻输入门it、遗忘门ft、输出门ot、细胞状态ct、细胞输出ht为[20]:
式中:σ和tanh分别是sigmoid函数和双曲正切函数;W为权重系数矩阵;b为偏置向量。
将前一层的输出h作为下一层的输入x,可以构建多隐含层的深度LSTM神经网络模型。
2.2.2、LSTM参数
深度学习神经网络涉及到的超参数众多,包括神经网络层数、每层神经元个数、学习率、训练轮数、批训练数据大小和激活函数等。在调参过程中先根据经验随机给定几组可能的值,进而在对数或线性尺度上进行超参数搜索,找到最适合该模型的值。
一种根据经验确定隐含层神经元个数的方法为:
式中:nhidden为隐含层神经元个数;nin和nout为分别为输入和输出层神经元个数;a为1~10的常数。
常用的激活函数包括sigmoid函数、tanh函数和relu函数。分类问题的输出层激活函数多用sigmoid函数,而对于光伏功率预测等典型回归问题,输出层可以使用relu激活函数或不使用激活函数。sigmoid、tanh和relu三种激活函数表达式如下:
3、算例分析
本算例可以利用马萨诸塞大学安姆斯特分校提供的北美家庭光伏发电系统2015年实测光伏发电数据和气象数据,验证划分天气类型指数区间的光伏功率分类预测方法的有效性。为提高数据质量,先通过剔除异常值和填充缺失值清洗原始数据。采用基于Python语言开发的Pytorch工具包搭建LSTM神经网络,在晴、多云和阴雨三类样本集下分别进行调参和训练。主要超参数设置为:隐含层采用单层LSTM神经网络,神经元数为96;输出层激活函数采用relu函数;步长为24;学习率为0.01。
是否划分天气类型进行分类预测在晴天都能够达到较高预测精度,而分类预测模型精度更佳,随机选取3日的测试结果如图6所示。
随机抽取测试集中多云和阴雨各3天进行日前预测结果对比如图7及图8所示。观察可知,未分类的统一预测方法得到的功率曲线较为平滑,在实际功率突变处呈现结果不佳。这是由于神经网络使用的训练样本分散、规律特点不清晰,难以学习到特殊天气的特征规律。而按照所提天气类型指数区间划分方法分割数据集,并对神经网络进行分类训练,可以使神经网络充分学习经过预归类的样本集,更有效地学习某类天气下的特征规律,辨识出恶劣天气造成的某些偶然因素,进而识别出光伏功率序列的突然变化,使得预测精度大大提升。
采用均方根误差(RMSE)和平均绝对误差(MAE)评估分类预测模型的精度,见式(8)、(9)。测试集百分比误差统计结果如图9所示。
图9中虚线包围区域为目前短期光伏功率预测误差平均水平,基本在5%到25%之间[5],而无辐照数据时的预测模型精度更低,在多云和阴雨等极端天气下误差可达30%以上。观察图9可知,本实施例提出的基于天气类型指数区间划分的光伏功率预测方法有效提升了无辐照数据光伏功率日前预测精度,在晴天天气下的RMSE达到5%以内,多云和阴雨天气下达到10%~20%左右。
该算例验证了所提分类预测方法的有效性,在多云和阴雨等极端天气下显著提高无辐照度数据短期光伏功率预测的精度,实现功率突变情况的有效辨识。
本发明上述实施例提供的基于天气类型指数区间的光伏功率预测方法,考虑划分天气类型指数区间,通过将气象预报中的每小时天气类型数据量化为天气类型指数,进而通过划分指数区间将历史数据分为晴天、多云和阴雨子集,利用不同天气类型子集的数据训练LSTM子模型,实现分类预测。在多云和阴雨等极端天气下显著提高无辐照度数据短期光伏功率预测的精度,实现功率突变情况的有效辨识。
本发明另一实施例提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时可用于执行本发明上述实施例中任一项的方法。
可选地,存储器,用于存储程序;存储器,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
本发明另一实施例提供了一种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可用于执行本发明上述实施例中任一项的方法。
本发明上述实施例提供的基于天气类型指数区间的光伏功率预测方法、终端及介质,分析了与光伏出力相关的各类因素,并对气象预报和光伏发电历史功率信息进行了可视化相关性分析,初步筛选原始数据中的有效信息,有助于合理选取预测模型输入特征,降低输入特征维度。根据天气类型指数区间对光伏发电系统的逐日记录数据进行划分,建立了高效、可靠的分类预测模型,在无辐照数据的日前光伏预测问题中,显著改善了非晴天天气下的预测效果。可以采用LSTM深度神经网络进行训练和预测,能够捕捉光伏功率序列的长期依赖特性,相比传统浅层机器学习神经网络具有更高精度。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种基于天气类型指数区间的光伏功率预测方法,其特征在于,包括:
获取天气类型数据,并转化为天气类型指数;
将所述天气类型指数划分为多个指数区间,其中每一个指数区间分别对应不同的日天气类型;
将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内,形成多个日天气类型子集;
利用不同的日天气类型子集分别训练深度神经网络,得到对应的分类预测子模型;
将影响光伏出力的气象和功率特征作为所述分类预测子模型的输入,利用所述分类预测子模型预测不同天气类型下的光伏功率。
4.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法,其特征在于,所述将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内,形成多个日天气类型子集,包括:
当某日每小时天气类型数据对应的天气类型指数均落在相应区间内,则将该日的气象与光伏功率数据归入对应的指数区间,并形成相应的日天气类型子集。
5.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法,其特征在于,所述利用不同的日天气类型子集分别训练深度神经网络,包括:
设置深度神经网络的超参数初始值;
利用日天气类型子集分别训练对应的深度神经网络;
利用测试集分别对深度神经网络的训练效果进行测试;
若满足精度要求,则停止训练,得到的深度神经网络模型即为对应的分类预测子模型;若不满足精度要求,则在线性或对数尺度上获取更优超参数值,重复训练和测试的步骤,直至满足精度要求。
6.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法,其特征在于,所述深度神经网络采用LSTM神经网络模型。
7.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法,其特征在于,所述影响光伏出力的气象和功率特征的确定方法,包括:
获取与光伏出力相关的因素,并计算各相关因素之间的Pearson相关系数;
根据所述Pearson相关系数,分析各相关因素之间的耦合度及其对光伏出力的影响程度,并选择相互耦合度低于设定阈值且与光伏出力相关度高于设定阈值的因素作为影响光伏出力的气象和功率特征。
8.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法,其特征在于,所述与光伏出力相关的因素,包括:温度、露点、湿度、风速、可见度、大气压、天气类型指数、雾霾、降雨、降雪、雷电和历史光伏功率;
所述影响光伏出力的气象和功率特征,包括:历史光伏功率、温度、湿度和天气类型指数。
9.一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可用于执行权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时可用于执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249670.7A CN112862630B (zh) | 2021-03-08 | 2021-03-08 | 基于天气类型指数区间的光伏功率预测方法、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249670.7A CN112862630B (zh) | 2021-03-08 | 2021-03-08 | 基于天气类型指数区间的光伏功率预测方法、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862630A true CN112862630A (zh) | 2021-05-28 |
CN112862630B CN112862630B (zh) | 2024-03-22 |
Family
ID=75994681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110249670.7A Active CN112862630B (zh) | 2021-03-08 | 2021-03-08 | 基于天气类型指数区间的光伏功率预测方法、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862630B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418243A (zh) * | 2022-03-28 | 2022-04-29 | 南方电网数字电网研究院有限公司 | 分布式新能源云端网格预测方法与系统 |
CN114626622A (zh) * | 2022-03-23 | 2022-06-14 | 国网北京市电力公司 | 一种光伏功率预测方法、系统、装置及存储介质 |
CN115168478A (zh) * | 2022-09-06 | 2022-10-11 | 深圳市明源云科技有限公司 | 数据类型转换方法、电子设备及可读存储介质 |
CN115186923A (zh) * | 2022-07-27 | 2022-10-14 | 正泰电气股份有限公司 | 光伏发电功率的预测方法、装置及电子设备 |
CN116721356A (zh) * | 2023-08-10 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN116881743A (zh) * | 2023-09-06 | 2023-10-13 | 国网上海市电力公司 | 一种用于光伏功率预测的气象转折天气识别方法和系统 |
CN117200199A (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种基于天气分型的光伏功率预测方法和系统 |
CN117390419A (zh) * | 2023-08-25 | 2024-01-12 | 国网四川省电力公司营销服务中心 | 一种适用于新能源配网的异常用电行为检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
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 |
US20200057175A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Weather dependent energy output forecasting |
CN110991689A (zh) * | 2019-10-17 | 2020-04-10 | 国网河南省电力公司鹤壁供电公司 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
-
2021
- 2021-03-08 CN CN202110249670.7A patent/CN112862630B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
US20200057175A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Weather dependent energy output forecasting |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
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 |
CN110991689A (zh) * | 2019-10-17 | 2020-04-10 | 国网河南省电力公司鹤壁供电公司 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
Non-Patent Citations (3)
Title |
---|
朱?;顾洁;孟璐;: "基于EMD-LSTM的光伏发电预测模型", 电力工程技术, no. 02, pages 58 - 65 * |
袁晓玲;施俊华;徐杰彦;: "计及天气类型指数的光伏发电短期出力预测", 中国电机工程学报, no. 34, pages 37 - 39 * |
黄亚峰;何威;吴光琴;李丹;: "基于K-means++和LSTM网络的光伏功率预测研究", 电气自动化, no. 05, pages 29 - 31 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626622A (zh) * | 2022-03-23 | 2022-06-14 | 国网北京市电力公司 | 一种光伏功率预测方法、系统、装置及存储介质 |
CN114418243A (zh) * | 2022-03-28 | 2022-04-29 | 南方电网数字电网研究院有限公司 | 分布式新能源云端网格预测方法与系统 |
CN115186923A (zh) * | 2022-07-27 | 2022-10-14 | 正泰电气股份有限公司 | 光伏发电功率的预测方法、装置及电子设备 |
CN115168478A (zh) * | 2022-09-06 | 2022-10-11 | 深圳市明源云科技有限公司 | 数据类型转换方法、电子设备及可读存储介质 |
CN115168478B (zh) * | 2022-09-06 | 2022-11-29 | 深圳市明源云科技有限公司 | 数据类型转换方法、电子设备及可读存储介质 |
CN116721356A (zh) * | 2023-08-10 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN116721356B (zh) * | 2023-08-10 | 2023-11-24 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN117390419A (zh) * | 2023-08-25 | 2024-01-12 | 国网四川省电力公司营销服务中心 | 一种适用于新能源配网的异常用电行为检测方法 |
CN116881743A (zh) * | 2023-09-06 | 2023-10-13 | 国网上海市电力公司 | 一种用于光伏功率预测的气象转折天气识别方法和系统 |
CN117200199A (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种基于天气分型的光伏功率预测方法和系统 |
CN116881743B (zh) * | 2023-09-06 | 2024-01-19 | 国网上海市电力公司 | 一种用于光伏功率预测的气象转折天气识别方法和系统 |
CN117200199B (zh) * | 2023-09-06 | 2024-04-02 | 国网上海市电力公司 | 一种基于天气分型的光伏功率预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112862630B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862630B (zh) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 | |
Gao et al. | Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks | |
Malvoni et al. | Forecasting of PV Power Generation using weather input data‐preprocessing techniques | |
Jebli et al. | Prediction of solar energy guided by pearson correlation using machine learning | |
Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN116911806B (zh) | 基于互联网+的电力企业能源信息管理系统 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN113052469A (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
CN115238948A (zh) | 小水电发电量预测方法及装置 | |
CN114676622A (zh) | 基于自编码器深度学习模型的短期光伏功率预测方法 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 |
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 |