CN112906995A - 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 - Google Patents
基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 Download PDFInfo
- Publication number
- CN112906995A CN112906995A CN202110440928.1A CN202110440928A CN112906995A CN 112906995 A CN112906995 A CN 112906995A CN 202110440928 A CN202110440928 A CN 202110440928A CN 112906995 A CN112906995 A CN 112906995A
- Authority
- CN
- China
- Prior art keywords
- predicted
- sequence
- photovoltaic power
- prediction
- error
- 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 31
- 238000012937 correction Methods 0.000 title claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000010248 power generation Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000009131 signaling function Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为基于EMD‑FE‑LSTM及迭代误差修正的光伏功率短期预测方法,该方法首先通过模糊熵(FE)对不同的天气类型进行量化,提取与待预测日相近的相似日,以相似日的光伏序列利用长短期记忆网络进行误差迭代,同时对历史相似日的光伏功率序列进行经验模态分解(EMD),再利用长短期记忆网络进行预测,再以迭代误差对预测结果进行修正,实现间接预测和直接预测的结合,提高了预测的精度。此外还对经验模态分解后的所有的IMF分量进行Hurst分析,根据Hurst指数的规律性进行多尺度重构,对重构的分量再分别运用长短期记忆网络(LSTM)进行预测,进一步降低了误差,提高了预测的准确性。
Description
技术领域
本发明属于光伏发电领域,具体涉及一种基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法。根据光伏功率的历史数据,应用本文提出的预测方法对未来数小时得到光伏电站功率进行预测。
背景技术
光伏发电已经成为当今中国能源系统重要的一环,如今光伏发电技术已经足够成熟,对光伏功率准确的预测是电网安全调度等的重要依据,对电网安全调度具有重要意义。
光伏发电功率预测主要分为间接预测和直接预测两种方式。间接预测方法是根据光伏发电输入条件构造信息特征来进行预测,如光照强度、太阳辐射强度、风速、温度、天气状态等外部条件。直接预测方式是将历史发电输出功率作为研究对象以建立功率预测模型。但由于受天气状况的影响,当外部条件变化时,功率预测的精度和稳定性将会下降。
文献《阳霜,罗滇生,何洪英,等.基于EMD-LSSVM的光伏发电系统功率预测方法研究[J].太阳能学报,2016,37(6):1387-1395.》直接使用相似日获得的EMD分解结果,将其作为LSSVM的输入,为直接预测方式,且每一个分解后的IMF分量都会产生一个误差,对IMF分量进行叠加,也会对误差进行一个叠加,准确性有待提高。
发明内容
本发明的目的在于,提出了一种基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法。该方法首先通过模糊熵(FE)对不同的天气类型进行量化,提取与待预测日相近的相似日,以相似日的光伏序列利用长短期记忆网络进行误差迭代,同时对历史相似日的光伏功率序列进行经验模态分解(EMD),再利用长短期记忆网络进行预测,再以迭代误差对预测结果进行修正,实现间接预测和直接预测的结合,提高了预测的精度。此外还对经验模态分解后的所有的IMF分量进行Hurst分析,根据Hurst指数的规律性进行多尺度重构,对重构的分量再分别运用长短期记忆网络(LSTM)进行预测,进一步降低了误差,提高了预测的准确性。
为实现上述目的,本发明的技术方案是:
一种基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法,其特征在于,该方法包括以下内容;
确定待预测日的相似日,以相似日的光伏发电功率计算模糊熵FE,将所有相似日的光伏发电功率按照时间顺序合成一个基于相似日的光伏发电序列X(1);
以基于相似日的光伏发电序列X(1)作为训练样本,以X(1)中的光伏点和待预测日的模糊熵作为输入,以一级误差序列X(e1)作为输出,训练一级误差LSTM网络模型;一级误差为每个对应时刻点的预测发电功率值与真实值的差;
以一级误差序列X(e1)作为训练样本,以X(e1)中的一级误差和待预测日的模糊熵作为输入,以二级误差序列X(e2)作为输出,训练二级误差LSTM网络模型;二级误差为每个对应时刻点的预测误差值与一级误差序列X(e1)中的一级误差的差;
以基于相似日的光伏发电序列X(1)进行经验模态分解EMD获得多个IMF分量,
再以IMF分量和待预测日的模糊熵FE作为输入,训练相应分量的光伏预测LSTM网络模型;
将所有分量的预测值相加后获得待预测日的预测输出序列y1;
预测输出y1加上对应时刻获得的一级误差和二级误差作为迭代误差修正后的待预测日的光伏功率预测值y,即y=y1+X(e1)+X(e2)。
所述相似日为选择天气类型相近的3-4个临近日。
一级误差LSTM网络模型的训练过程是:从基于相似日的光伏功率序列X(1)起始端选取3个连续时刻数据点对下一时刻的光伏发电功率进行预测,直到预测得到最后一个时刻点的发电功率值,将每个对应时刻点的预测值与真实值进行比较后,得到一级误差序列X(e1)。
以基于相似日的光伏发电序列X(1)进行经验模态分解EMD获得多个IMF分量后,若IMF分量的个数大于3,需要进行多尺度重构,计算出每个IMF分量的Hurst指数,将Hurst指数小于0.5的IMF分量叠加重构为微尺度子序列,将Hurst指数大于0.5且小于0.99的IMF分量叠加重构为中尺度子序列,将Hurst指数接不小于0.99的IMF分量叠加重构为宏尺度子序列;
此时,将模糊熵分别与重构后的三种子序列分别输入到三个光伏预测LSTM网络模型中进行训练,获得三个子序列的相应预测值;将所有子序列的预测值相加后获得待预测日的预测输出序列y1。
与现有方法相比,本发明的有益效果在于:
(1)本发明提出运用EMD-FE-LSTM进行光伏功率预测,将间接预测和直接预测相结合,使得输入条件参与输出功率预测,提高了预测的准确度。
(2)本发明对所有选取的相似日组合后的光伏功率序列构造两级迭代误差序列,同时对相同时刻点的两级误差序列进行预测,最后将预测出来的两级误差加到由相似日组合后的光伏功率序列进行经验模态分解后再进行预测的结果上,从而减小预测误差,提高预测精度。
(3)本发明中考虑了不同的天气类型,实际中某一天可能具有晴天和多云或者雨雪的共同特征,单纯使用一种天气类型表征是不够的,因此引入了模糊熵的概念把天气类型量化,也可理解为一种模糊化,数据的不同表征了天气类型的差别,数据的接近又能反应不同天气的相近因素,更现实具体的代表了天气的特征。本发明将天气类型分成了四类,即晴天、多云、突变天气以及雨雪天气,将量化后的天气类型即模糊熵作为每个LSTM网络的输入,进一步降低了天气的影响。
(4)本发明中还引入Hurst指数,对所有IMF分量进行Hurst分析,多尺度重构,防止对于大数据样本时由于IMF分量的过多在最后叠加时造成的每个IMF分量误差的叠加,进而加大了整体预测的误差的问题发生。
附图说明
图1为本发明基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法的流程图。
图2EMD分解图。
图3多尺度重构后获得的各子序列的图。
具体实施方式
下面结合实施例及附图进一步解释本发明,但并不以此作为对本申请保护范围的限定。
本发明基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法,该方法包括下述步骤:
步骤一:模糊熵原理量化天气类型,
本文考虑到不同天气类型是影响光伏发电功率的重要因素,将天气分为晴天、阴天、多云、雨雪和突变天气,量化后作为输入LSTM神经网络的特征向量。实际中某一天可能具有晴天和多云或者阴天和雨雪的共同特征,单纯使用一种天气类型表征是不够的,模糊熵的概念是把天气类型量化,也可理解为一种模糊化,数据的不同表征了天气类型的差别,数据的接近又能反应不同天气的相近因素,更现实具体的代表了天气的特征。以计算2月19日(晴)、2月11日(雨雪)、2月26日(多云)、3月8日(突变天气)的模糊熵为例,选择天气类型相近的3个临近日(临近日提取方法为现有技术)的光伏发电功率序列计算模糊熵,并作为LSTM神经网络的输入特征向量。结果见表1。
本申请中临近日就是相似度最高的日期,临近日的数量一般选择3-4个,临近日数量如果太多会使并不太相近的日期加入进来从而影响误差,太少会使样本数不足。
表1不同天气类型下的模糊熵
确定待预测日的相似日,以相似日的光伏发电功率计算模糊熵FE,将所有相似日的光伏发电功率按照时间顺序合成一个基于相似日的光伏发电序列X(1),例如对于待预测日为2月19日,则基于相似日的光伏发电序列X(1)为2月1日、2月2日、2月3日的所有相应时刻点的光伏发电功率值按照时间顺序依次摆出而形成的。模糊熵确定后天气类型即可确定。
步骤二:对基于相似日的光伏发电序列X(1)进行EMD分解
EMD方法在基于信号原本局部特征时间尺度的基础上,对复杂的信号函数进行分解,得到有限的本征模态函数(Inirinsic Mode Function,IMF)之和,信号经EMD分解使瞬时频率有了物理意义。EMD分解后的图像如图2所示。通过对每个IMF进行Hilbert变换,可求出每个IMF伴随时间变化的瞬时频率和瞬时幅值,进而可以得到完整的非平稳信号的时频分布。设原始的信号函数为x(t),则进行EMD后信号x(t)会分解为频率由大至小排列的n个IMF分量ci(t)与一个剩余趋势量r(t)之和,如式(1)所示。
IMF分量间的相互影响被隔离开来,尽可能地减小非平稳行为对预测的影响。这些IMF能够更加突出原始数据的局部特征,使对历史数据变化规律的发掘更加有利。
本文通过对3个临近日的光伏功率序列(即基于相似日的光伏发电序列X(1))进行经验模态分解得到一组IMF,更加清晰明显地分析出历史功率的细节与趋势项。
本实施例中每2min采一个点,图2中为1000个数据,经过EMD分解后获得的IMF分量的结果。数据量比较大,得到了7个IMF分量。
步骤三、对所有IMF分量进行Hurst分析,并进行多尺度重构
对所有IMF分量进行Hurst分析,表2列出了每个IMF分量Hurst指数。由表2结果可看出,前3个分量的Hurst指数小于0.5,表明这3个分量具有反持续性行为特征,呈现随机游走状态。IMF6及IMF7的Hurst指数接近于1,呈现出一个明显的线性关系,代表了光伏功率在动力学上的宏观稳定性。IMF4和IMF5分量呈现明显的两个线性关系并且其Hurst指数大于0.5,代表着该分量具有较强的正持续性特征。由上述分析可知,应用EMD分解光伏功率时间序列得到的分量具有不同的持续性特征。
表2每一个IMF分量的Hurst指数
基于上述分析结论,将分量IMF1~3叠加重构为微尺度子序列,分量IMF4和IMF5叠加重构为中尺度子序列,分量IMF6与分量IMF7叠加重构为宏尺度子序列,重构幅值结果如图3所示。即本申请中将Hurst指数小于0.5的IMF分量叠加重构为微尺度子序列,将呈现明显的线性关系并且其Hurst指数大于0.5且小于0.99的IMF分量叠加重构为中尺度子序列,将Hurst指数接近于1(Hurst指数不小于0.99认为接近1)呈现出一个明显的线性关系的IMF分量叠加重构为宏尺度子序列。本申请若经过分解获得的IMF分量的个数不大于3的话可以不进行重构。
将模糊熵分别与重构后的三种子序列分别输入到三个光伏预测LSTM网络模型中进行训练,获得三个子序列的相应预测值;
步骤四:LSTM神经网络训练
LSTM由循环神经网络(recurrent neural net-work,RNN)发展而来,目前被广泛应用于时间序列预测。RNN本身具有跨多时间步长传递信息的能力,RNN具有较强记忆性且图灵完备。在实际应用中,RNN模型能体现变量点序列之间的时间依赖关系,使得其对于具有关联性的点序列输入具有较好的预测效果。在传统RNN模型的应用过程中,处理长时间尺度依赖时,由于求导的链式法则会发生梯度消失或梯度膨胀的问题。为了解决RNN模型的这个问题,引入了LSTM模型,在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人工神经元。这些记忆单元包含一个具有权重值为1的自连接4节点,也就保证了梯度可以跨越多个时间步长传递,避免梯度消失或梯度膨胀。LSTM通过门结构来删除或者增加信息,实现记忆单元的遗忘和记忆功能。一个LSTM单元有3个门结构,分别是遗忘门(forgetgate)、输入门(inputgate)及输出门(outputgate)。LSTM模型在每个时间步长内进行一系列的计算,求取内部状态及其他单元内状态量的值,具体计算如下:
ft=σ(Wf[ht-1,xt]+bf) (2)
it=σ(Wi[ht-1,xt]+bi) (3)
ot=σ(Wo[ht-1,xt]+bo) (6)
ht=ottanh(Ct) (7)
式中:σ为激活函数,一般是sigmoid函数;Wf,bf分别为遗忘门连接权重及偏移值;Wi,bi分别为输入门连接权重及偏移值;Wo,bo分别为输出门连接权重及偏移值;为临时状态。LSTM在电力能源预测领域具有以下优势:(1)能够有效刻画光伏出力时间序列的复杂时间关联性;(2)能够对不同时间跨度的信息进行传递;(3)解决了RNN模型梯度消失或膨胀的问题。
本申请中涉及多个LSTM网络模型,每个LSTM网络模型的架构相同,但是所训练的样本不同,且每个模型中均以模糊熵作为一个输入。
步骤五:构建迭代误差序列
以基于相似日的光伏发电序列X(1)作为训练样本,以X(1)中的光伏点和待预测日的模糊熵作为输入,以一级误差序列X(e1)作为输出,训练一级误差LSTM网络模型;一级误差为每个对应时刻点的预测发电功率值与真实值的差;
训练过程是:从基于相似日的光伏发电序列X(1)起始端选取3个连续时刻数据点对下一时刻的光伏发电功率进行预测,直到预测得到最后一个时刻点的发电功率值,将每个对应时刻点的预测值与真实值进行比较后,得到一级误差序列X(e1),即一级误差为预测发电功率值与真实值的差;
同样以一级误差序列X(e1)作为训练样本,以X(e1)中的一级误差和待预测日的模糊熵作为输入,以二级误差序列X(e2)作为输出,训练二级误差LSTM网络模型;二级误差为每个对应时刻点的预测误差值与一级误差序列X(e1)中的一级误差的差;
训练过程是:在一级误差序列X(e1)中选取前三个连续时刻数据点对下一时刻的误差进行预测,得到每个对应时刻点的预测误差值,将预测误差值与所述的对应时刻点的一级误差序列X(e1)中的相应真实一级误差进行比较,得到二级误差序列X(e2),即二级误差为预测误差值与一级误差的差。
一级误差序列X(e1)和二级误差序列X(e2)即为迭代误差序列。
步骤六:整体预测模型
光伏发电功率值是模型的目标输出,受到众多不确定因素的影响而呈现出非平稳波动,所以只分解光伏发电功率序列。通过引入Hurst指数,将光伏功率序列分解并重构为三种不同的模态分量。对每个重构后的IMF分量结合模糊熵分别输入各自的LSTM中进行训练,得到三个光伏预测LSTM网络模型,即微尺度LSTM模型、中尺度LSTM模型、宏尺度LSTM模型;
从三个重构后的IMF分量的各自起始端选取3个连续时刻数据点分别输入各自的光伏预测LSTM网络模型中对下一时刻的光伏发电功率进行预测,分别得到微尺度子序列预测值、中尺度子序列预测值、宏尺度子序列预测值,将微尺度子序列预测值、中尺度子序列预测值和宏尺度子序列预测值这三个预测值相加后即为待预测日的光伏发电功率的预测输出序列y1;
将预测输出序列y1加上对应时刻获得的一级误差和二级误差作为迭代误差修正后的待预测日的光伏功率预测值y,即y=y1+X(e1)+X(e2)。
本实施例以某光伏电站为研究对象,因为夜晚辐照度几乎为零,因此选取8点至18点30时段的数据,每两分钟一个点共330个点,每个临近日均按照这个时刻点进行采样,所有临近日的数据构成历史数据,对同天气类型的待预测日进行预测,预测的结果也是待预测日在上述采样时刻点的相应功率值。用本发明所提出的EMD-Hurst-LSTM-模糊熵-迭代误差预测方法分别与EMD-LSTM、EMD-LSTM-模糊熵以及EMD-Hurst-LSTM-模糊熵进行对比。天气状况分别为晴天、多云、雨雪和突变天气,预测误差的比较如表3所示。
表3预测误差比较
由表3可知本发明所提出的方法对比其他方法在不同天气的预测精度上都有了很大的提高,证明了本发明所提出的方法的有效性。
本发明未述及之处适用于现有技术。
Claims (4)
1.一种基于EMD-FE-LSTM及迭代误差修正的光伏功率短期预测方法,其特征在于,该方法包括以下内容;
确定待预测日的相似日,以相似日的光伏发电功率计算模糊熵FE,将所有相似日的光伏发电功率按照时间顺序合成一个基于相似日的光伏发电序列X(1);
以基于相似日的光伏发电序列X(1)作为训练样本,以X(1)中的光伏点和待预测日的模糊熵作为输入,以一级误差序列X(e1)作为输出,训练一级误差LSTM网络模型;一级误差为每个对应时刻点的预测发电功率值与真实值的差;
以一级误差序列X(e1)作为训练样本,以X(e1)中的一级误差和待预测日的模糊熵作为输入,以二级误差序列X(e2)作为输出,训练二级误差LSTM网络模型;二级误差为每个对应时刻点的预测误差值与一级误差序列X(e1)中的一级误差的差;
以基于相似日的光伏发电序列X(1)进行经验模态分解EMD获得多个IMF分量,
再以IMF分量和待预测日的模糊熵FE作为输入,训练相应分量的光伏预测LSTM网络模型;
将所有分量的预测值相加后获得待预测日的预测输出序列y1;
预测输出y1加上对应时刻获得的一级误差和二级误差作为迭代误差修正后的待预测日的光伏功率预测值y,即y=y1+X(e1)+X(e2)。
2.根据权利要求1所述的预测方法,其特征在于,所述相似日为选择天气类型相近的3-4个临近日。
3.根据权利要求1所述的预测方法,其特征在于,一级误差LSTM网络模型的训练过程是:从基于相似日的光伏功率序列X(1)起始端选取3个连续时刻数据点对下一时刻的光伏发电功率进行预测,直到预测得到最后一个时刻点的发电功率值,将每个对应时刻点的预测值与真实值进行比较后,得到一级误差序列X(e1)。
4.根据权利要求1所述的预测方法,其特征在于,以基于相似日的光伏发电序列X(1)进行经验模态分解EMD获得多个IMF分量后,若IMF分量的个数大于3,需要进行多尺度重构,计算出每个IMF分量的Hurst指数,将Hurst指数小于0.5的IMF分量叠加重构为微尺度子序列,将Hurst指数大于0.5且小于0.99的IMF分量叠加重构为中尺度子序列,将Hurst指数接不小于0.99的IMF分量叠加重构为宏尺度子序列;
此时,将模糊熵分别与重构后的三种子序列分别输入到三个光伏预测LSTM网络模型中进行训练,获得三个子序列的相应预测值;将所有子序列的预测值相加后获得待预测日的预测输出序列y1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440928.1A CN112906995A (zh) | 2021-04-23 | 2021-04-23 | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440928.1A CN112906995A (zh) | 2021-04-23 | 2021-04-23 | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906995A true CN112906995A (zh) | 2021-06-04 |
Family
ID=76108892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110440928.1A Pending CN112906995A (zh) | 2021-04-23 | 2021-04-23 | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906995A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018209A (zh) * | 2022-08-08 | 2022-09-06 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种数字化电能计量系统运行误差长期预测方法及设备 |
CN116050187A (zh) * | 2023-03-30 | 2023-05-02 | 国网安徽省电力有限公司电力科学研究院 | 秒级光伏功率预测的ts模糊异常值自修正方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN112668611A (zh) * | 2020-12-08 | 2021-04-16 | 湖南工业大学 | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 |
-
2021
- 2021-04-23 CN CN202110440928.1A patent/CN112906995A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN112668611A (zh) * | 2020-12-08 | 2021-04-16 | 湖南工业大学 | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 |
Non-Patent Citations (3)
Title |
---|
余向阳等: "基于VMD-SE-LSSVM和迭代误差修正的光伏发电功率预测", 《太阳能学报》 * |
文孝强 等: "基于EMD分解的风力机功率特性分析与预测建模", 《太阳能学报》 * |
朱玥等: "基于EMD-LSTM的光伏发电预测模型", 《电力工程技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018209A (zh) * | 2022-08-08 | 2022-09-06 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种数字化电能计量系统运行误差长期预测方法及设备 |
CN115018209B (zh) * | 2022-08-08 | 2022-11-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种数字化电能计量系统运行误差长期预测方法及设备 |
CN116050187A (zh) * | 2023-03-30 | 2023-05-02 | 国网安徽省电力有限公司电力科学研究院 | 秒级光伏功率预测的ts模糊异常值自修正方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Application of hybrid model based on empirical mode decomposition, novel recurrent neural networks and the ARIMA to wind speed prediction | |
Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
CN112906995A (zh) | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
Chen et al. | An innovative method-based CEEMDAN–IGWO–GRU hybrid algorithm for short-term load forecasting | |
Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization | |
CN116258269A (zh) | 一种基于负荷特征分解的超短期负荷动态预测方法 | |
CN115169742A (zh) | 一种短期风力发电功率预测方法 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN117748501B (zh) | 一种储能辅助黑启动的风功率预测方法和系统 | |
Sen | Time Series Prediction based on Improved Deep Learning | |
CN114065807A (zh) | 基于变分模态分解和贝叶斯神经网络的月径流预测方法 | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
Sani Salisu et al. | A wavelet based solar radiation prediction in Nigeria using adaptive neuro-fuzzy approach | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
Dong et al. | An improved prediction approach on solar irradiance of photovoltaic Power Station | |
Phan et al. | Application of a new Transformer-based model and XGBoost to improve one-day-ahead solar power forecasts | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
CN116995670A (zh) | 基于多模式分解和多分支输入的光伏功率超短期预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |