CN112906987A - 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 - Google Patents
基于卷积神经网络和二维气象矩阵的光伏功率预测方法 Download PDFInfo
- Publication number
- CN112906987A CN112906987A CN202110330964.2A CN202110330964A CN112906987A CN 112906987 A CN112906987 A CN 112906987A CN 202110330964 A CN202110330964 A CN 202110330964A CN 112906987 A CN112906987 A CN 112906987A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- photovoltaic power
- neural network
- hour
- dimensional
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010248 power generation Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000005855 radiation Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Databases & Information Systems (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
本发明涉及一种基于卷积神经网络和二维气象矩阵的光伏功率预测方法。该方法提出了一种由一维卷积神经网络和二维卷积神经网络构成的混合卷积神经网络模型,以此模型进行光伏发电功率的预测。以待测小时的气象参数为气象特征值通过灰色关联分析算法在电站的历史数据集中寻找待测小时的相似小时数据。然后将这些数据中的多元气象因素转化为二维气象矩阵,便于卷积神经网络深度挖掘气象因素和光伏功率输出的非线性关系。最后,将这些二维气象矩阵作为模型的输入,预测各个小时的发电功率。本发明能够快速准确对光伏电站的发电功率进行预测。
Description
技术领域
本发明涉及光伏电站短期功率预测技术领域,特别是一种基于卷积神经网络和二维气象矩阵的光伏功率预测方法。
背景技术
随着化石燃料的不断消耗,引发了严重的能源环境问题,大力开发绿色新能源已经成为解决能源和环境问题的一种强有力手段。由于资源丰富,绿色低碳,对环境友好,光伏发电的价值已经获得世界的认可,在可再生能源中发挥重要的作用。然而,环境的不稳定性使得光伏发电的输出具有很强的波动性和间歇性,严重影响了电力系统的稳定运行,提高了光伏发电大规模应用的难度。因此,开展光伏功率预测研究,准确地预测光伏发电输出有利于电力系统稳定运行,有效提高光伏发电的利用率,对光伏发电厂和电力系统都有着重要的经济意义,具有很高的现实意义和学术价值。
目前,光伏电站的功率预测方法主要有统计方法、机器学习方法和深度学习。
统计方法通过光伏发电量与历史发电量数据和其他参数之间的数学映射关系,达到预测的目的。该方法仅利用了历史数据,方法简单,易于实施。随着软计算技术的发展,机器学习方法常被用于光伏发电输出功率预测,比如支持向量机和极限学习机。在没有任何先验假设的情况下数据之间存在非线性且复杂的结合时,机器学习能够表现出较好的预测性能。
近年来,深度学习发展迅速,被广泛应用于光伏发电预测领域。和传统的机器学习相比,深度学习具有更强大的特征提取和处理复杂非线性问题的能力。特别是卷积神经网络,不仅能够自动提取特征,还能从简单特征中提取更复杂特征,从而更好建立输入参数与输出之间的非线性关系。二维卷积神经网络得益强大的特征提取分析能力,在图像、视频处理领域做出了巨大的贡献,一维卷积神经网络在时间序列分析问题上也表现出色的能力。已有大量的应用证明,将卷积神经网络应用在光伏功率预测中,取得了较高的预测性能。
不可否认,气象参数与光伏发电功率之间存在一定的潜在联系,气象参数可以很好地反映光伏功率输出。并且,不同的气象参数之间也会相互影响,从而进一步影响光伏功率输出。因此,本文将多元气象因素构造成二维气象矩阵,包含了参数内部的自相关性和参数之间的互相关性,然后通过二维卷积神经网络提取矩阵中的高级特征,输入到一维卷积神经网络进一步挖掘气象参数与光伏功率输出之间的非线性关系,获得预测输出。在这之前,利用灰色关联分析算法在历史数据集中选取合适的数据集,进一步提高模型的预测性能。
目前,公开发表的文献及专利中尚未见有将混合卷积神经网络和二维气象矩阵应用于光伏电站小时功率预测的研究。
发明内容
本发明的目的在于提供一种基于卷积神经网络和二维气象矩阵的光伏功率预测方法,能够快速准确对光伏电站的发电功率进行预测。
为实现上述目的,本发明的技术方案是:一种基于卷积神经网络和二维气象矩阵的光伏功率预测方法,包括:
对气象参数和光伏发电功率进行相关性分析,以选择模型的输入气象参数;
采集光伏电站历年光伏发电功率以及气象站上的气象参数,得到所需的数据样本;
对数据样本进行归一化处理;
根据待测小时的气象特征值结合灰色关联分析算法确定相似小时和最佳相似小时;
将多元气象参数构造成二维气象矩阵;
构建由一维卷积神经网络和二维卷积神经网络组成的混合神经网络模型,提取二维气象矩阵的高级特征,建立气象参数与光伏发电功率的非线性关系;
将相似小时的数据样本输入到混合神经网络模型进行训练,将最佳相似小时的气象参数输入训练好的混合神经网络模型,得到以5分钟为间隔的待测小时1小时光伏发电功率输出值。
在本发明一实施例中,所述对气象参数和光伏发电功率进行相关性分析,以选择模型的输入气象参数的具体实现过程如下:
采用Pearson相关系数(R2)分析全球水平辐射(GHR)、扩散水平辐射(DHR)、大气温度(T)、相对湿度(RH)和光伏发电功率的相关性;通过分析结果,得到模型输入的气象参数,即全球水平辐射、扩散水平辐射、大气温度、相对湿度;其中,Pearson相关系数(R2)计算公式如下:
式中,x和y分别是多元气象参数和光伏发电功率,n是每天的采样点数。
在本发明一实施例中,所述采集光伏电站历年光伏发电功率以及气象站上的气象参数,即采集光伏电站历年光伏发电功率以及全球水平辐射、扩散水平辐射、大气温度、相对湿度的气象参数。
在本发明一实施例中,所述对数据样本进行归一化处理的具体实现方式为:采用比例压缩法将同一种数据样本的同一个时刻的多组数据映射到区间[0,1]内,映射公式为:
式中,y'表示归一化后得到的数据,Aimax表示数据组A的第i个时刻中的最大值,Aimin表示数据组A的第i个时刻中的最小值,Aki表示第i个时刻数据样本中的第k个5分钟的某个参数样本。
在本发明一实施例中,所述根据待测小时的气象特征值结合灰色关联分析算法确定相似小时和最佳相似小时的具体实现方式如下:
将待测小时的气象特征值记为:
(GMIN,GMEAN,GMAX,TMIN,TMEAN,TMAX)
其中,GMIN,GMEAN,GMAX分别代表待测小时的全球水平辐射的最小值、平均值、最大值,TMIN,TMEAN,TMAX代表待测小时的大气温度的最小值、平均值、最大值;
计算待测小时前预设的日期与其的关联度,将关联度最大的时刻确定为最佳相似小时,剩下关联度较大的前30个时刻确定为相似小时;其中关联度的计算采用下式:
式中,ri表示历史小时i与待预测小时的关联度,k表示特征值个数,ξi表示表示历史小时i与待测小时的关联系数;其中,ξi(k)的计算采用下式:
式中,y(k)表示待预测小时归一化后的气象特征值,xi(k)表示历史小时i归一化后的气象特征值,ρ表示分辨系数,ρ取0.5,k表示特征值个数。
在本发明一实施例中,所述将多元气象参数构造成二维气象矩阵的具体实现方式为:将待测小时的4个气象数据处理成长度相同的列向量,长度为13个数据点,然后,将4个列向量用矩阵连接起来,最终形成二维13×4阵列数据样本的矩阵。
在本发明一实施例中,所述混合神经网络模型由两层二维卷积神经网络、三层一维卷积神经网络、一层池化层和两层全连接层组成。
在本发明一实施例中,将相似小时的数据样本输入到混合神经网络模型进行训练,将最佳相似小时的气象参数输入训练好的混合神经网络模型,得到以5分钟为间隔的待测小时1小时光伏发电功率输出值的具体实现方式如下:
对模型进行训练,测试获得预测结果:将30个相似小时的气象参数构造成二维气象矩阵作为训练样本,最佳相似小时的气象参数作为测试样本,进行预测获得待测小时的光伏发电功率输出;训练中,采用回归模型中最常用的均方误差(MSE)作为损失函数,其定义如下:
式中,Pf,k,Pa,k分别为第k个预测光伏发电功率和实际光伏发电功率,N为训练样本的数量;
此外,为了获得更高的预测性能,采用自适应矩估计(Adam)算法对网络参数进行优化;Adam需确定初始学习率(Lr)和两个指数衰减率(β1和β2),β1和β2设置值应接近于1,使得矩估计的偏差接近于0;在每个训练周期中,CNN中的所有参数都会通过Adam算法更新一次;重复更新操作,直到模型收敛为止。
在本发明一实施例中,所述Adam的初始学习率Lr设置为0.0001,两个指数衰减率β1和β2分别为0.9和0.999。
一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上述所述的方法步骤。
相较于现有技术,本发明具有以下有益效果:
1、本发明能够提前预测光伏电站未来一个小时内以5分钟为间隔的发电功率。
2、本发明将多元气象参数构造成二维气象矩阵,通过二维卷积神经网络更容易提取气象参数影响光伏功率输出的特征。
3、本发明提出一种混合卷积神经网络预测模型,有效提高光伏电站发电功率预测的准确性。以2018年7月15日的9:00-10:00,11:00-12:00,13:00-14:00,15:00-16:00为例,本发明四个小时的平均决定系数为0.9930,均方根误差为1.0587kW,平均绝对百分比误差为0.6154%。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的功率预测结果示意图。
图3为本发明实施例的各个小时预测误差曲线。
图4为多元气象参数构造成二维气象矩阵过程示意图。
图5为混合神经网络结构示意图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于卷积神经网络和二维气象矩阵的光伏功率预测方法,具体包括以下步骤:
步骤S1:对气象参数和光伏发电功率进行相关性分析,对模型的输入进行选择;
步骤S2:采集光伏电站历年发电功率以及气象站上的气象参数,得到所需的数据样本;
步骤S3:对数据样本进行归一化处理;
步骤S4:根据待测小时的气象特征值结合灰色关联分析算法确定相似小时和最佳相似小时;
步骤S5:将多元气象参数构造成二维气象矩阵,便于挖掘气象参数与光伏功率输出的潜在联系;
步骤S6:构建由一维卷积神经网络和二维卷积神经网络组成的混合神经网络,提取二维气象矩阵的高级特征,建立气象参数与光伏功率输出的非线性关系
步骤S7:将相似小时的数据样本输入到步骤5的模型进行训练,最佳相似小时的气象参数输入训练好的模型,得到以5分钟为间隔的1小时输出功率值。
较佳的,本实施例中采集数据所采用的光伏电站是澳大利亚爱丽丝泉YULARA的光伏电站群的随机电站系统,该电站的纬度为22°79′S,经度为东经130°16′E。本文随机选择了其中的电站4,电站由1040个额定值为315W的光伏面板组成,阵列额定值为327.6KW,通过逆变器进行并网发电。
在本实施例中,步骤S1中,气象参数和光伏功率进行相关性分析,选择模型的输入气象参数。采用Pearson相关系数(R2)分析全球水平辐射、扩散水平辐射、大气温度、相对湿度全球水平辐射(GHR)、扩散水平辐射(DHR)、大气温度(T)、相对湿度(RH)和光伏功率输出的相关性。通过分析结果,最终选择以上气象参数作为模型的输入。Pearson相关系数(R2)计算公式如下:
式中,x和y分别是多元气象因素和PV输出功率,n是每天的采样点数。
在本实施例中,步骤S2中,采集光伏电站历年的发电功率,以及模型所需要的全球水平辐射、扩散水平辐射、大气温度、相对湿度气象参数。
在本实施例中,步骤S3中,对参数样本组合进行归一化处理具体为:采用比例压缩法将同一种参数样本的同一个时刻的多组数据映射到区间[0,1]内,映射公式为:
式中,y'表示归一化后得到的数据,Aimax表示数据组A的第i个时刻中的最大值,Aimin表示数据组A的第i个时刻中的最小值,Aki表示第i个时刻数据样本中的第k个5分钟的某个参数样本。
其中,以功率样本P=(P1i,P2i,...Pki,...PNi)为例,具体映射公式为:
式中,Pimax表示数据组P的第i个时刻中的最大值,Pimin表示数据组P的第i个时刻中的最小值。
在本实施例中,步骤S4具体包括以下步骤:
步骤S41:所述的气象特征值记为:
(GMIN,GMEAN,GMAX,TMIN,TMEAN,TMAX)
其中,GMIN,GMEAN,GMAX,分别代表待测小时的全球水平辐射的最小值、平均值、最大值,TMIN,TMEAN,TMAX代表待测小时的大气温度的最小值、平均值、最大值。
步骤S42:计算待预测小时前预设的日期与其的关联度,将关联度最大的时刻确定为最佳相似小时,剩下关联度较大的前30个时刻确定为相似小时。其中关联度的计算采用下式:
式中,ri表示历史小时i与待预测小时的关联度,k表示特征值个数,ξi表示表示历史小时i与待测小时的关联系数;其中,ξi(k)的计算采用下式:
式中,y(k)表示待预测小时归一化后的气象特征值,xi(k)表示历史小时i归一化后的气象特征值,ρ表示分辨系数,ρ取0.5,k表示特征值个数。
在本实施例中,步骤S5中,将多元气象参数构造成二维气象矩阵。小时的4个气象数据被处理成长度相同的列向量(13个数据点),然后,将4个列向量用矩阵连接起来,最终形成二维13×4阵列数据样本的矩阵。构造过程如图4。
在本实施例中,步骤S6中,构建由一维卷积神经网络和二维卷积神经网络组成的混合神经网络结构。该结构由两层二维卷积神经网络、三层一维卷积神经网络、一层池化层和两层全连接层组成,如图5所示。
提出结构的具体参数设置如表1所示:
表1
在本实施例中,步骤S7中,对模型进行训练,测试获得预测结果。将50个相似小时的气象数据按照步骤S5构造成二维气象矩阵作为训练样本,最佳相似小时的气象参数按照步骤S5构造成二维气象矩阵作为测试样本,进行预测获得待测小时的功率输出。训练中,采用回归模型中最常用的均方误差(MSE)作为损失函数,其定义如下:
式中,Pf,k,Pa,k分别为第k个预测PV输出和实际PV输出,N为训练样本的数量。
此外,为了获得更高的预测性能,采用自适应矩估计(Adam)算法对网络参数进行优化。Adam需确定初始学习率(Lr)和两个指数衰减率(β1和β2),β1和β2设置值应接近于1,使得矩估计的偏差接近于0。在每个训练周期中,CNN中的所有参数都会通过Adam算法更新一次。重复更新操作,直到模型收敛为止。本文中,Adam的超参数Lr设置为0.0001,β1和β2分别为0.9和0.999。
特别的,在本实施例中,以2018年7月15日的9:00-10:00,11:00-12:00,13:00-14:00,15:00-16:00为例。首先通过灰色关联分析算法在历史数据集中选择四个待测小时的相似小时和最相似小时,获取相应的多元气象参数和光伏功率输出;而后,对这些气象参数和光伏功率输出进行归一化处理;接着将多元气象参数构造成二维气象矩阵;最后将相似小时的二维气象矩阵作为训练样本对模型进行训练,最佳相似小时的二维气象矩阵作为测试样本呢,进行预测得到待测小时的预测结果。得到的预测结果与实际结果如图2所示。图3为本发明实施例的各个小时预测误差曲线。各个小时的模型误差指标值如表2所示。其中,各小时预测的平均决定系数为0.9930,均方根误差为1.0587kW,平均绝对百分比误差为0.6154%。
表2本实施例模型误差指标
综上,本发明的方法利用灰色关联分析算法在光伏电站的历史数据集中选取合适有利的数据样本,改善模型的性能。将多元气象因素构造成二维气象矩阵,能够更好地探究气象因素的自相关性和互相关性以及对光伏功率输出的影响。提出了一种由二维卷积神经网络和一维卷积神经网络构成的混合卷积神经网络结构,能够从二维气象矩阵中自动提取特征,挖掘气象因素和光伏功率输出之间的深层次非线性关系,可以对光伏功率小时预测进行较准确可靠的预测。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于卷积神经网络和二维气象矩阵的光伏功率预测方法,其特征在于,包括:
对气象参数和光伏发电功率进行相关性分析,以选择模型的输入气象参数;
采集光伏电站历年光伏发电功率以及气象站上的气象参数,得到所需的数据样本;
对数据样本进行归一化处理;
根据待测小时的气象特征值结合灰色关联分析算法确定相似小时和最佳相似小时;
将多元气象参数构造成二维气象矩阵;
构建由一维卷积神经网络和二维卷积神经网络组成的混合神经网络模型,提取二维气象矩阵的高级特征,建立气象参数与光伏发电功率的非线性关系;
将相似小时的数据样本输入到混合神经网络模型进行训练,将最佳相似小时的气象参数输入训练好的混合神经网络模型,得到以5分钟为间隔的待测小时1小时光伏发电功率输出值。
3.根据权利要求1所述的基于卷积神经网络和二维气象矩阵的光伏功率预测方法,其特征在于,所述采集光伏电站历年光伏发电功率以及气象站上的气象参数,即采集光伏电站历年光伏发电功率以及全球水平辐射、扩散水平辐射、大气温度、相对湿度的气象参数。
5.根据权利要求1所述的基于卷积神经网络和二维气象矩阵的光伏功率预测方法,其特征在于,所述根据待测小时的气象特征值结合灰色关联分析算法确定相似小时和最佳相似小时的具体实现方式如下:
将待测小时的气象特征值记为:
(GMIN,GMEAN,GMAX,TMIN,TMEAN,TMAX)
其中,GMIN,GMEAN,GMAX分别代表待测小时的全球水平辐射的最小值、平均值、最大值,TMIN,TMEAN,TMAX代表待测小时的大气温度的最小值、平均值、最大值;
计算待测小时前预设的日期与其的关联度,将关联度最大的时刻确定为最佳相似小时,剩下关联度较大的前30个时刻确定为相似小时;其中关联度的计算采用下式:
式中,ri表示历史小时i与待预测小时的关联度,k表示特征值个数,ξi表示表示历史小时i与待测小时的关联系数;其中,ξi(k)的计算采用下式:
式中,y(k)表示待预测小时归一化后的气象特征值,xi(k)表示历史小时i归一化后的气象特征值,ρ表示分辨系数,ρ取0.5,k表示特征值个数。
6.根据权利要求1所述的基于卷积神经网络和二维气象矩阵的光伏功率预测方法,其特征在于,所述将多元气象参数构造成二维气象矩阵的具体实现方式为:将待测小时的4个气象数据处理成长度相同的列向量,长度为13个数据点,然后,将4个列向量用矩阵连接起来,最终形成二维13×4阵列数据样本的矩阵。
7.根据权利要求1所述的基于卷积神经网络和二维气象矩阵的光伏功率预测方法,其特征在于,所述混合神经网络模型由两层二维卷积神经网络、三层一维卷积神经网络、一层池化层和两层全连接层组成。
8.根据权利要求1所述的基于卷积神经网络和二维气象矩阵的光伏功率预测方法,其特征在于,将相似小时的数据样本输入到混合神经网络模型进行训练,将最佳相似小时的气象参数输入训练好的混合神经网络模型,得到以5分钟为间隔的待测小时1小时光伏发电功率输出值的具体实现方式如下:
对模型进行训练,测试获得预测结果:将30个相似小时的气象参数构造成二维气象矩阵作为训练样本,最佳相似小时的气象参数作为测试样本,进行预测获得待测小时的光伏发电功率输出;训练中,采用回归模型中最常用的均方误差(MSE)作为损失函数,其定义如下:
式中,Pf,k,Pa,k分别为第k个预测光伏发电功率和实际光伏发电功率,N为训练样本的数量;
此外,为了获得更高的预测性能,采用自适应矩估计(Adam)算法对网络参数进行优化;Adam需确定初始学习率(Lr)和两个指数衰减率(β1和β2),β1和β2设置值应接近于1,使得矩估计的偏差接近于0;在每个训练周期中,CNN中的所有参数都会通过Adam算法更新一次;重复更新操作,直到模型收敛为止。
9.根据权利要求1所述的基于卷积神经网络和二维气象矩阵的光伏功率预测方法,其特征在于,所述Adam的初始学习率Lr设置为0.0001,两个指数衰减率β1和β2分别为0.9和0.999。
10.一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-9所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330964.2A CN112906987B (zh) | 2021-03-29 | 2021-03-29 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110330964.2A CN112906987B (zh) | 2021-03-29 | 2021-03-29 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906987A true CN112906987A (zh) | 2021-06-04 |
CN112906987B CN112906987B (zh) | 2023-02-21 |
Family
ID=76109117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110330964.2A Active CN112906987B (zh) | 2021-03-29 | 2021-03-29 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906987B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240217A (zh) * | 2021-07-12 | 2021-08-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于集成预测模型的光伏发电预测方法及装置 |
CN113705876A (zh) * | 2021-08-19 | 2021-11-26 | 广西电网有限责任公司电力科学研究院 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN115587664A (zh) * | 2022-11-02 | 2023-01-10 | 河海大学 | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 |
CN116361713A (zh) * | 2023-04-19 | 2023-06-30 | 湖北交通职业技术学院 | 飞机发动机的性能检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150276980A1 (en) * | 2014-03-31 | 2015-10-01 | Stc.Unm | Apparatus and method for solar energy resource micro-forecasts for solar generation sources and utilities |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
CN111275256A (zh) * | 2020-01-18 | 2020-06-12 | 杭州电子科技大学 | 一种基于图像特征提取的光伏发电功率日前预测方法 |
CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
-
2021
- 2021-03-29 CN CN202110330964.2A patent/CN112906987B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150276980A1 (en) * | 2014-03-31 | 2015-10-01 | Stc.Unm | Apparatus and method for solar energy resource micro-forecasts for solar generation sources and utilities |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
CN111275256A (zh) * | 2020-01-18 | 2020-06-12 | 杭州电子科技大学 | 一种基于图像特征提取的光伏发电功率日前预测方法 |
CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
耿亮等: "基于灰色关联和混合神经网络的光伏功率预测", 《石家庄学院学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240217A (zh) * | 2021-07-12 | 2021-08-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于集成预测模型的光伏发电预测方法及装置 |
CN113705876A (zh) * | 2021-08-19 | 2021-11-26 | 广西电网有限责任公司电力科学研究院 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
CN113705876B (zh) * | 2021-08-19 | 2022-12-09 | 广西电网有限责任公司电力科学研究院 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114123200B (zh) * | 2022-01-24 | 2022-04-12 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN115587664A (zh) * | 2022-11-02 | 2023-01-10 | 河海大学 | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 |
CN115587664B (zh) * | 2022-11-02 | 2023-04-28 | 河海大学 | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 |
CN116361713A (zh) * | 2023-04-19 | 2023-06-30 | 湖北交通职业技术学院 | 飞机发动机的性能检测方法及系统 |
CN116361713B (zh) * | 2023-04-19 | 2023-08-29 | 湖北交通职业技术学院 | 飞机发动机的性能检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112906987B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906987B (zh) | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
CN108667069B (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN106099932B (zh) | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN111797132A (zh) | 考虑时空相关性的多可再生能源电站功率场景生成方法 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN111612648B (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
CN111275238B (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN116663727A (zh) | 一种光伏功率预测方法及系统 | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
CN109840308B (zh) | 一种区域风电功率概率预报方法及系统 | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
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 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及系统 | |
CN114492944A (zh) | 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质 | |
CN113537573A (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
CN117852418B (zh) | 基于地理集成机器学习的海洋中深层流速数据重构方法 |
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 |