CN112926772A - 一种基于lstm-gpr混合模型的光能预测方法 - Google Patents

一种基于lstm-gpr混合模型的光能预测方法 Download PDF

Info

Publication number
CN112926772A
CN112926772A CN202110199256.XA CN202110199256A CN112926772A CN 112926772 A CN112926772 A CN 112926772A CN 202110199256 A CN202110199256 A CN 202110199256A CN 112926772 A CN112926772 A CN 112926772A
Authority
CN
China
Prior art keywords
light energy
gpr
lstm
model
prediction
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
Application number
CN202110199256.XA
Other languages
English (en)
Inventor
孙雯
孙立
苏志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Liyang Research Institute of Southeast University
Original Assignee
Southeast University
Liyang Research Institute of Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University, Liyang Research Institute of Southeast University filed Critical Southeast University
Priority to CN202110199256.XA priority Critical patent/CN112926772A/zh
Publication of CN112926772A publication Critical patent/CN112926772A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种基于LSTM‑GPR混合模型的光能预测方法，包括以下步骤：S1：对从公共数据库中采集的历史光能数据进行预处理；S2：基于预处理的数据确定光能输出影响因素；S3：基于确定的影响因素确定光能预测模型的输入输出变量，建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM‑GPR；S4：基于训练数据集对建立的LSTM‑GPR混合模型进行参数学习，获取准确的光能预测模型；S5：利用独立的测试数据集进行光能预测，验证LSTM‑GPR混合模型的可行性与有效性；S6：建立评价指标，对测试结果进行评价。本发明提供的光能预测方法，弥补了单一模型的不足，可同时获取光能输出的高精度点估计与可靠的不确定性范围估计。

Description

一种基于LSTM-GPR混合模型的光能预测方法
技术领域
本发明涉及光能预测的方法，特别是涉及一种基于LSTM-GPR混合模型的光能预测方法。
背景技术
光能具有清洁、经济和可再生的特点，在解决能源困境和气候变化问题中发挥着越来越重要的作用。它应用于分布式和并网系统中，为家用电器、工商设备等供电。然而随着高比例光能的接入，光能本身所具有的不确定性与间歇性对整个电力系统的日常安全运行产生重大的负面影响，这为光能融入智能电网带来了严峻的挑战。因此，获得光能高精度的点预测和可靠的区间范围预测成为能源管理系统中的一个关键问题。
目前应用在光能预测上的方法主要包括物理法、统计学法和机器学习法。物理法需要建立复杂的物理数学模型，计算复杂且抗扰能力差；统计学法虽然较物理法简单，但是不适用于动态随机的光能数据预测；目前机器学习法在光能预测问题上得到广泛研究与关注，主要有人工神经网络、支持向量机、高斯过程回归等。神经网络利用大量数据对网络进行训练，有强大的非线性拟合能力。传统神经网络如BP神经网络、RBF神经网络只能获取输入变量与输出变量之间的静态拟合关系，这限制了其在时间序列数据的应用。深度学习如LSTM(Long Short-Term Memory，长短期记忆神经网络)因适用于处理动态时间序列问题而广泛应用于光能预测问题。目前的研究大多关注优化参数、简化LSTM结构，但只能小幅提升点估计预测性能或减少训练时间，无法获取光能的不确定性范围估计。GPR(GaussianProcess Regression，高斯过程回归)作为一种概率预测模型，适用于处理高维的非线性问题，可获取光能的不确定性范围估计，因此在光能预测问题上也有很多研究。目前混合模型已经建立并应用在光能预测问题上，并有文献证明混合模型对于单一模型的优势。
除预测模型的建立，目前光能的预测主要依靠于当地气象局提供的天气预报信息的支持。根据天气预报信息、预期人类活动、历史光能数据等可预测未来几小时至几天的光能输出。
发明内容
本发明所要解决的技术问题是提供一种基于LSTM-GPR混合模型的光能预测方法，既保留了LSTM处理时间序列的优势，又实现了GPR不确定性范围的预测，弥补了单一模型的不足，可同时获取光能输出的高精度点估计与可靠的区间范围估计。
为了解决以上技术问题，本发明采用以下技术方案：
本发明所述的基于LSTM-GPR混合模型的光能预测方法，包括以下步骤：
S1、对从公共数据库中采集的历史光能数据进行预处理；
S2、基于步骤S1中预处理的数据确定光能输出影响因素；
S3、基于步骤S2中确定的影响因素确定光能预测模型的输入输出变量，建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM-GPR；
S4、基于训练数据集对建立的LSTM-GPR混合模型进行参数学习，获取准确的LSTM-GPR光能预测模型；
S5、基于步骤S4中获取的LSTM-GPR光能预测模型，利用独立的测试数据集进行光能预测，验证LSTM-GPR混合模型的可行性与有效性；
S6、建立评价指标，对测试结果进行评价。
进一步，所述步骤S1中，采集的历史光能数据包括时间、8种天气属性和光能输出数据，采样时间为1小时；所述8种天气属性包括：云覆盖、可见度、温度、露点、湿度、风速、压力和高度。
进一步，所述步骤S1具体包括以下步骤：
S101：选取日出至日落之间的光能样本数据，剔除夜间零光能输出数据；
S102：将选取的历史光能数据进行归一化处理。
进一步，所述步骤S2中，具体是依据采样数据中8种天气属性和时间因素进行与光能输出的相关性分析，确定对光能输出的影响因素。
进一步，所述步骤S3具体包括以下步骤：
S301：确定光能预测模型的输入输出变量，具体为：8种天气属性和时间因素作为模型输入变量，相应时刻的光能输出作为输出变量；
S302：建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM-GPR，其中：
LSTM-GPR混合模型的结构具体为：将8种天气属性和时间因素作为长短期记忆神经网络LSTM输入变量，相应时刻的实际光能输出作为输出变量；由LSTM获取的光能第一次预测值作为高斯过程回归模型GPR的输入变量，相应时刻的实际光能输出作为GPR的输出变量；
LSTM-GPR混合模型的预测流程具体为：利用由8种天气属性、时间因素和相应时刻的实际光能输出组成的训练数据集训练LSTM；将训练数据集和测试数据集的8种天气属性、时间因素分别输入训练好的LSTM模型，获取训练数据集和测试数据集光能的一次预测值；将该训练数据集的光能一次预测值作为GPR模型的输入，与该一次预测值相应的实际光能输出作为GPR模型的输出训练GPR；将测试数据集的光能一次预测值输入训练好的GPR模型获取测试数据集的光能二次预测值，该二次预测值即为LSTM-GPR混合模型最终的预测值。
进一步，所述的光能一次预测值只包含点估计结果，光能的二次预测值包含点估计与区间范围估计结果。
进一步，所述步骤S4具体包括以下步骤：
S401：利用已知的天气属性、时间因素、相应时刻的光能数据对建立的LSTM-GPR混合模型进行参数学习；
S402：根据训练好的模型,确定最优参数，获取准确的LSTM-GPR混合模型。
进一步，所述步骤S6具体包括以下步骤：
S601：分别建立点估计与区间估计的评价指标；点估计评价指标具体为：均方根误差RMSE、平均绝对误差MAE、平均绝对百分数误差MAPE；区间估计评价指标具体为：覆盖率CR、平均区间宽度MIW、平均区间宽度与覆盖率的比MC；评价指标计算公式为：
Figure BDA0002947500730000031
Figure BDA0002947500730000032
Figure BDA0002947500730000033
Figure BDA0002947500730000034
Figure BDA0002947500730000035
MC＝MIW/CR (6)
其中，yk与Yk分别为光能的预测值与真实值；n为测试数据集的总样本数；nc为预测区间范围内测试数据集的样本数；upk与downk分别为预测区间的上下界；
S602：利用评价指标对LSTM-GPR混合模型的预测结果进行评价，并将LSTM模型与BP神经网络预测结果进行对比分析，将LSTM-GPR混合模型的预测结果与单一LSTM、GPR的预测结果进行对比分析。
本发明采用以上技术方案，与现有技术相比所具有的技术效果如下：
本发明建立了基于LSTM与GPR的混合模型，既保留了LSTM处理时间序列的优势，又实现了GPR不确定性范围的预测，弥补了单一模型的不足，可同时实现光能的高精度点估计与可靠的区间预测。
附图说明
图1为本发明具体实施方式中光能日分布图；
图2为本发明具体实施方式中LSTM-GPR混合模型预测流程图；
图3(a)为本发明具体实施方式中数据集1单一LSTM模型光能预测结果图；
图3(b)为本发明具体实施方式中数据集1LSTM-GPR混合模型光能预测结果图；
图3(c)为本发明具体实施方式中数据集1单一GPR模型光能预测结果图；
图4(a)为本发明具体实施方式中数据集2单一LSTM模型光能预测结果图；
图4(b)为本发明具体实施方式中数据集2LSTM-GPR混合模型光能预测结果图；
图4(c)为本发明具体实施方式中数据集2单一GPR模型光能预测结果图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于LSTM-GPR混合模型的光能预测方法，包括以下步骤：
S1、对从公共数据库中采集的历史光能数据进行预处理；
S2、基于步骤S1中预处理的数据确定光能输出影响因素；
S3、基于步骤S2中确定的影响因素确定光能预测模型的输入输出变量，建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM-GPR；
S4、基于训练数据集对建立的LSTM-GPR混合模型进行参数学习，获取准确的LSTM-GPR光能预测模型；
S5、基于步骤S4中获取的LSTM-GPR光能预测模型，利用独立的测试数据集进行光能预测，验证LSTM-GPR混合模型的可行性与有效性；
S6、建立评价指标，对测试结果进行评价。
步骤S1中，采集的历史光能数据包括时间、8种天气属性和光能输出数据，采样时间为1小时；所述8种天气属性包括：云覆盖、可见度、温度、露点、湿度、风速、压力和高度。为防止夜间零光能输出引起更大的协方差误差，从而影响模型精度，对采集的数据进行预处理。步骤S1具体包括以下步骤：
S101：选取日出至日落之间的光能样本数据，剔除夜间零光能输出数据；
S102：将选取的历史光能数据进行归一化处理。
步骤S2中，计算8种天气属性与光能输出的相关性系数并对时间因素进行相关性分析。表1计算了8种天气属性与光能输出的相关性系数。从表1可看出，所采集数据中8种天气属性均与光能输出具有不同程度的相关性，温度、可见度与光能输出呈中度正相关，云覆盖、湿度与光能输出呈中度负相关，其他相关性较弱的天气属性不可忽略，均对光能输出具有一定的相关性。图1为光能日分布图，选取代表四季的1月、5月、7月、10月中10日至20日的光能数据。从图1可以看出光能输出的日规律性，从日出开始慢慢上升至中午12：00最高峰，再缓慢降至日落(除天气突变引起的光能输出扰动)，验证了光能的时刻相关性。
表1天气属性与光能输出的相关性系数
天气属性 单位 相关性系数
云覆盖 ％ -0.2604
可见度 Miles 0.3311
温度 ℃ 0.3038
露点 ℃ 0.0819
湿度 ％ -0.4150
风速 Mph 0.0408
压力 inchHg 0.0999
高度 inchHg 0.0801
步骤S3具体包括以下步骤：
S301：确定光能预测模型的输入输出变量，具体为：8种天气属性和时间因素作为模型输入变量，相应时刻的光能输出作为输出变量；
S302：由于LSTM处理时间序列的优势，采用LSTM进行光能的预测。但LSTM的预测结果只可提供点估计结果，无法提供光能的不确定性范围预测，因此采用GPR的二次预测获取光能区间范围预测。因此建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM-GPR，其中：
LSTM-GPR混合模型的结构具体为：将8种天气属性和时间因素作为长短期记忆神经网络LSTM输入变量，相应时刻的实际光能输出作为输出变量；由LSTM获取的光能第一次预测值作为高斯过程回归模型GPR的输入变量，相应时刻的实际光能输出作为GPR的输出变量；
LSTM-GPR混合模型的预测流程见图2。利用由8种天气属性、时间因素和相应时刻的实际光能输出组成的训练数据集
Figure BDA0002947500730000061
训练LSTM；将训练数据集和测试数据集的8种天气属性、时间因素数据
Figure BDA0002947500730000062
和
Figure BDA0002947500730000063
分别输入训练好的LSTM模型，获取训练数据集和测试数据集光能的一次预测值
Figure BDA0002947500730000064
和
Figure BDA0002947500730000065
将该训练数据集的光能一次预测值
Figure BDA0002947500730000066
作为GPR模型的输入，与该一次预测值相应的实际光能输出
Figure BDA0002947500730000067
作为GPR模型的输出训练GPR；将测试数据集的光能一次预测值
Figure BDA0002947500730000068
输入训练好的GPR模型获取测试数据集的光能二次预测值
Figure BDA0002947500730000069
该二次预测值即为LSTM-GPR混合模型最终的预测值。
步骤S302中，所述的光能一次预测值只包含点估计结果，光能的二次预测值包含点估计与区间范围估计结果。
步骤S4具体包括以下步骤：
S401：利用已知的天气属性、时间因素、相应时刻的光能数据对建立的LSTM-GPR混合模型进行参数学习；
S402：根据训练好的模型,确定最优参数，获取准确的LSTM-GPR混合模型。
步骤S5中，具体实施方案为：选取两个不同样本数的数据集，每个数据集的最后两天光能输出作为测试数据，验证LSTM-GPR混合模型的可行性与有效性。
步骤S6具体包括以下步骤：
S601：分别建立点估计与区间估计的评价指标；点估计评价指标具体为：均方根误差RMSE、平均绝对误差MAE、平均绝对百分数误差MAPE；区间估计评价指标具体为：覆盖率CR、平均区间宽度MIW、平均区间宽度与覆盖率的比MC；评价指标计算公式为：
Figure BDA00029475007300000610
Figure BDA00029475007300000611
Figure BDA00029475007300000612
Figure BDA0002947500730000071
Figure BDA0002947500730000072
MC＝MIW/CR (6)
其中，yk与Yk分别为光能的预测值与真实值；n为测试数据集的总样本数；nc为预测区间范围内测试数据集的样本数；upk与downk分别为预测区间的上下界；
S602：利用评价指标对LSTM-GPR混合模型的预测结果进行评价，并将LSTM模型与BP神经网络预测结果进行对比分析，将LSTM-GPR混合模型的预测结果与单一LSTM、GPR的预测结果进行对比分析。
数据集1中单一LSTM模型、LSTM-GPR混合模型、单一GPR模型预测结果见图3(a)、图3(b)、图3(c)；数据集2中单一LSTM模型、LSTM-GPR混合模型、单一GPR模型预测结果见图4(a)、图4(b)、图4(c)；数据集1与数据集2的评价指标计算见表2。
从预测结果图和评价指标计算中可以看出，在点估计方面，LSTM模型优于BP神经网络，适用于处理时间序列问题；所建立的LSTM-GPR混合模型相对于单一LSTM、GPR模型获得更高精度的点预测结果。在区间预测方面，数据集1中，LSTM-GPR混合模型与单一GPR模型具有相同的覆盖率，但LSTM-GPR混合模型的平均区间宽度远小于单一GPR模型的预测宽度；数据集2中，LSTM-GPR混合模型的预测区间宽度小，但覆盖率较低。因此引入平均区间宽度与覆盖率的比MC对模型进行评价，而LSTM-GPR混合模型的MC远小于单一GPR模型的预测。
综上所述，所建立的LSTM-GPR混合模型可同时获取高精度的点估计与可靠的区间范围预测，验证了该混合模型的可行性与有效性。
表2评价指标计算
Figure BDA0002947500730000073
Figure BDA0002947500730000081
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种基于LSTM-GPR混合模型的光能预测方法，其特征在于，包括以下步骤：
S1、对从公共数据库中采集的历史光能数据进行预处理；
S2、基于步骤S1中预处理的数据确定光能输出影响因素；
S3、基于步骤S2中确定的影响因素确定光能预测模型的输入输出变量，建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM-GPR；
S4、基于训练数据集对建立的LSTM-GPR混合模型进行参数学习，获取准确的LSTM-GPR光能预测模型；
S5、基于步骤S4中获取的LSTM-GPR光能预测模型，利用独立的测试数据集进行光能预测，验证LSTM-GPR混合模型的可行性与有效性。
2.根据权利要求1所述的基于LSTM-GPR混合模型的光能预测方法，其特征在于：所述步骤S1中，采集的历史光能数据包括时间、8种天气属性和光能输出数据，采样时间为1小时；所述8种天气属性包括：云覆盖、可见度、温度、露点、湿度、风速、压力和高度。
3.根据权利要求1所述的基于LSTM-GPR混合模型的光能预测方法，其特征在于：所述步骤S1具体包括以下步骤：
S101：选取日出至日落之间的光能样本数据，剔除夜间零光能输出数据；
S102：将选取的历史光能数据进行归一化处理。
4.根据权利要求2所述的基于LSTM-GPR混合模型的光能预测方法，其特征在于：所述步骤S2中，具体是依据采样数据中8种天气属性和时间因素进行与光能输出的相关性分析，确定对光能输出的影响因素。
5.根据权利要求2所述的基于LSTM-GPR混合模型的光能预测方法，其特征在于：所述步骤S3具体包括以下步骤：
S301：确定光能预测模型的输入输出变量，具体为：8种天气属性和时间因素作为模型输入变量，相应时刻的光能输出作为输出变量；
S302：建立基于长短期记忆神经网络与高斯过程回归的混合模型LSTM-GPR，其中：
LSTM-GPR混合模型的结构具体为：将8种天气属性和时间因素作为长短期记忆神经网络LSTM输入变量，相应时刻的实际光能输出作为输出变量；由LSTM获取的光能第一次预测值作为高斯过程回归模型GPR的输入变量，相应时刻的实际光能输出作为GPR的输出变量；
LSTM-GPR混合模型的预测流程具体为：利用由8种天气属性、时间因素和相应时刻的实际光能输出组成的训练数据集训练LSTM；将训练数据集和测试数据集的8种天气属性、时间因素分别输入训练好的LSTM模型，获取训练数据集和测试数据集光能的一次预测值；将该训练数据集的光能一次预测值作为GPR模型的输入，与该一次预测值相应的实际光能输出作为GPR模型的输出训练GPR；将测试数据集的光能一次预测值输入训练好的GPR模型获取测试数据集的光能二次预测值，该二次预测值即为LSTM-GPR混合模型最终的预测值。
6.根据权利要求1所述的基于LSTM-GPR混合模型的光能预测方法，其特征在于：所述步骤S4具体包括以下步骤：
S401：利用已知的天气属性、时间因素、相应时刻的光能数据对建立的LSTM-GPR混合模型进行参数学习；
S402：根据训练好的模型,确定最优参数，获取准确的LSTM-GPR混合模型。
7.根据权利要求1所述的基于LSTM-GPR混合模型的光能预测方法，其特征在于：还包括步骤S6：建立评价指标，对测试结果进行评价；具体包括以下步骤：
S601：分别建立点估计与区间估计的评价指标；点估计评价指标具体为：均方根误差RMSE、平均绝对误差MAE、平均绝对百分数误差MAPE；区间估计评价指标具体为：覆盖率CR、平均区间宽度MIW、平均区间宽度与覆盖率的比MC；评价指标计算公式为：
Figure FDA0002947500720000021
Figure FDA0002947500720000022
Figure FDA0002947500720000023
Figure FDA0002947500720000024
Figure FDA0002947500720000025
MC＝MIW/CR (6)
其中，yk与Yk分别为光能的预测值与真实值；n为测试数据集的总样本数；nc为预测区间范围内测试数据集的样本数；upk与downk分别为预测区间的上下界；
S602：利用评价指标对LSTM-GPR混合模型的预测结果进行评价，并将LSTM模型与BP神经网络预测结果进行对比分析，将LSTM-GPR混合模型的预测结果与单一LSTM、GPR的预测结果进行对比分析。
CN202110199256.XA 2021-02-22 2021-02-22 一种基于lstm-gpr混合模型的光能预测方法 Pending CN112926772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110199256.XA CN112926772A (zh) 2021-02-22 2021-02-22 一种基于lstm-gpr混合模型的光能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110199256.XA CN112926772A (zh) 2021-02-22 2021-02-22 一种基于lstm-gpr混合模型的光能预测方法

Publications (1)

Publication Number Publication Date
CN112926772A true CN112926772A (zh) 2021-06-08

Family

ID=76170234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110199256.XA Pending CN112926772A (zh) 2021-02-22 2021-02-22 一种基于lstm-gpr混合模型的光能预测方法

Country Status (1)

Country Link
CN (1) CN112926772A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414446A (zh) * 2021-12-29 2022-04-29 中国科学院空天信息创新研究院 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备
CN115291509A (zh) * 2022-06-24 2022-11-04 东南大学溧阳研究院 基于混合深度学习模型的燃气轮机动态参数在线辨识方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701572A (zh) * 2016-01-13 2016-06-22 国网甘肃省电力公司电力科学研究院 一种基于改进高斯过程回归的光伏短期出力预测方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701572A (zh) * 2016-01-13 2016-06-22 国网甘肃省电力公司电力科学研究院 一种基于改进高斯过程回归的光伏短期出力预测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHENDONG ZHANG 等: "Wind speed prediction method using Shared Weight Long Short-Term Memory Network and Gaussian Process Regression", 《APPLIED ENERGY》, pages 270 - 284 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414446A (zh) * 2021-12-29 2022-04-29 中国科学院空天信息创新研究院 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备
CN114414446B (zh) * 2021-12-29 2023-10-20 中国科学院空天信息创新研究院 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备
CN115291509A (zh) * 2022-06-24 2022-11-04 东南大学溧阳研究院 基于混合深度学习模型的燃气轮机动态参数在线辨识方法

Similar Documents

Publication Publication Date Title
Liu et al. Prediction of short-term PV power output and uncertainty analysis
Zhang et al. A solar time based analog ensemble method for regional solar power forecasting
Liu et al. Forecasting power output of photovoltaic system using a BP network method
Lai et al. Daily clearness index profiles cluster analysis for photovoltaic system
CN111932402B (zh) 一种基于相似日和lstm的短期电力负荷双向组合预测方法
Mu et al. Short-term load forecasting using improved similar days method
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
Melzi et al. Hourly solar irradiance forecasting based on machine learning models
Monfared et al. Fuzzy predictor with additive learning for very short-term PV power generation
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN112926772A (zh) 一种基于lstm-gpr混合模型的光能预测方法
CN111612244B (zh) 基于qra-lstm的日前光伏功率非参数概率预测方法
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN106600060A (zh) 基于相似日晴朗系数修正的太阳辐照量预测方法
CN115829105A (zh) 基于历史数据特征搜索的光伏功率预测方法
CN116029419A (zh) 基于深度学习的长期新能源日均发电功率预测方法及系统
Omar et al. Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN110852492A (zh) 一种基于马氏距离找相似的光伏功率超短期预测方法
CN113920349A (zh) 基于密度峰值-fcm的含气象数据的风光典型场景构造方法
Chen et al. Short interval solar power prediction for energy harvesting with low computation cost on edge computation network
Haghdadi et al. Clustering-based optimal sizing and siting of photovoltaic power plant in distribution network
Kou et al. Prediction intervals for wind power forecasting: using sparse warped Gaussian process
CN115860797B (zh) 一种适应新电价改革形势的电量需求预测方法
Guo et al. A new approach for interval forecasting of photovoltaic power based on generalized weather classification

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