CN112949913A - 光伏出力预测方法及终端设备 - Google Patents
光伏出力预测方法及终端设备 Download PDFInfo
- Publication number
- CN112949913A CN112949913A CN202110171532.1A CN202110171532A CN112949913A CN 112949913 A CN112949913 A CN 112949913A CN 202110171532 A CN202110171532 A CN 202110171532A CN 112949913 A CN112949913 A CN 112949913A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic output
- influence factors
- principal component
- prediction
- determining
- 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 45
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 6
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明适用于光伏发电技术领域,提供了一种光伏出力预测方法及终端设备,上述方法包括:获取历史光伏出力值及对应的多个影响因素的数值,并根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;根据各个影响因素之间的关联关系,确定多个目标主成分分量;基于预先建立的光伏出力预测模型,根据多个目标主成分分量及历史光伏出力值预测得到目标光伏出力值。本发明考虑多影响因素的复杂性,充分考虑各个影响因素之间的关联关系,对光伏出力进行预测,预测精度高,更符合实际应用需求。同时本发明确定主成分分量对影响因素进行降维,简化计算过程,提高了预测效率。
Description
技术领域
本发明属于光伏发电技术领域,尤其涉及一种光伏出力预测方法及终端设备。
背景技术
全球能源消费强劲增长,供需矛盾不断恶化。太阳能分布广泛、蕴藏丰富、环境友好,光伏发电作为利用太阳能的主要途径,有着极具潜力的商业化研究前景。然而,光伏输出功率的间歇性和波动性严重影响了并网后电力系统安全稳定运行,提高短期光伏出力的预测精度是实现光伏发电并网后电网系统安全稳定运行的重要技术支撑和保障,对光伏发电以及能源发展有着深远的意义
现有技术中,多采用统计方法对光伏短期出力进行预测,但由于光伏短期出力的影响因素较多,传统的统计方法预测准确率较低,不能满足实际应用需求。
发明内容
有鉴于此,本发明实施例提供了一种光伏出力预测方法及终端设备,以解决现有技术中光伏处理影响因素较多,传统统计方法预测准确率低,不能满足实际应用需求的问题。
本发明实施例的第一方面提供了一种光伏出力预测方法,包括:
获取历史光伏出力值及对应的多个影响因素的数值,并根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;
根据各个影响因素之间的关联关系,确定多个目标主成分分量;
基于预先建立的光伏出力预测模型,根据多个目标主成分分量及历史光伏出力值预测得到目标光伏出力值。
本发明实施例的第二方面提供了一种光伏出力预测装置,包括:
关联关系确定模块,用于获取历史光伏出力值及对应的多个影响因素的数值,并根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;
主成分分析模块,用于根据各个影响因素之间的关联关系,确定多个目标主成分分量;
预测模块,用于基于预先建立的光伏出力预测模型,根据多个目标主成分分量及历史光伏出力值预测得到目标光伏出力值。
本发明实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如本发明实施例第一方面提供的光伏出力预测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如本发明实施例第一方面提供的光伏出力预测方法的步骤。
本发明实施例提供了一种光伏出力预测方法,包括:获取历史光伏出力值及对应的多个影响因素的数值,并根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;根据各个影响因素之间的关联关系,确定多个目标主成分分量;基于预先建立的光伏出力预测模型,根据多个目标主成分分量及历史光伏出力值预测得到目标光伏出力值。本发明实施例考虑多影响因素的复杂性,充分考虑各个影响因素之间的关联关系,对光伏出力进行预测,预测精度高,更符合实际应用需求。同时本发明计算主成分分量对影响因素进行降维,简化计算过程,提高了预测效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种光伏出力预测方法的系统结构示意图;
图2是本发明实施例提供的协方差矩阵的示意图;
图3是图2对应的相同参数的互信息矩阵的示意图;
图4是本发明实施例提供的光伏出力预测模型的第一层隐藏层维数选取不同值时的预测误差图;
图5是本发明实施例提供的光伏出力预测模型的第二层隐藏层维数选取不同值时的预测误差图;
图6是本发明实施例提供的两种光伏出力预测方法的预测结果与光伏实际出力的对比图;
图7是本发明实施例提供的一种光伏出力预测装置的示意图;
图8是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
参考图1,本发明实施例提供了一种光伏出力预测方法,包括:
步骤S101:获取历史光伏出力值及对应的多个影响因素的数值,并根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;
步骤S102:根据各个影响因素之间的关联关系,确定多个目标主成分分量;
步骤S103:基于预先建立的光伏出力预测模型,根据多个目标主成分分量及历史光伏出力值预测得到目标光伏出力值。
光伏出力受多种影响因素的影响,例如,温度、湿度、辐照度、风向及风速等,各因素之间相互作用及影响,共同影响光伏出力。本发明实施例充分考虑各个影响因素之间的关联关系,采用主成分分析法对影响因素进行降维处理,据多个目标主成分分量及历史光伏出力值预测得到目标光伏出力值,有效提高了预测精度及预测效率,更符合实际应用需求。
一些实施例中,步骤S101可以包括:
步骤S1011:根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素的边缘概率分布及多个影响因素中任意两个影响因素之间的联合概率分布;
步骤S1012:根据各个影响因素的边缘概率分布及多个影响因素中任意两个影响因素之间的联合概率分布,确定多个影响因素中任意两个影响因素之间的互信息,并组成互信息矩阵。
一些实施例中,步骤S102可以包括:
步骤S1021:将互信息矩阵作为主成分分析法中的协方差矩阵得到改进的主成分分析法,并基于改进的主成分分析法得到多个主成分分量及对应的主成分贡献率;
步骤S1022:将主成分贡献率按照从大到小的顺序进行累加,当累加的主成分贡献率的和在预设范围内时,将累加的各个主成分贡献率对应的各个主成分分量均作为目标主成分分量。
一些实施例中,预设范围可以为85%~95%。
互信息(Mutual Information,MI)是变量间相互依赖性的量度,度量两个事件集合之间的相关性,不同于相关系数,互信息并不局限于变量之间的线性关系,而是从信息度量的角度,应用信息论理论,能更全面的反应变量之间的相关性。
两个变量X、Y之间的互信息的计算公式为:
其中,p(x,y)为两变量的联合概率分布,p(x)为变量X的边缘概率分布,p(y)变量Y的边缘概率分布。
当变量X、Y完全无关即相互独立时,意味着两变量之间不存在重叠的信息,互信息最小,值为0;反之,互信息值越大,两者包含的相同信息越多,相互依赖性越强。
在互信息矩阵∑IXY中,对角线元素被称为变量的自信息,非对角线元素表征对应两个变量的互信息,且为非负实数,两变量无关,互信息为0,∑IXY满足对称性,从而∑IXY为非负实数对称阵,其特征值为实数,Λ是实数对角阵,特征向量两两正交,B为正交矩阵。例如,图2为协方差矩阵图,图3为相同参数时计算得到的互信息矩阵图。
互信息矩阵∑IXY可以表示为:
B′∑IXYB=Λ
其中,B是特征向量组成的矩阵,Λ是特征值组成的对角阵。
z=B′x
其中,z是主成分分量,σk为第k个主成分的贡献率,μk为主成分σk包含的信息量。
计算前l个主成分的累计贡献率δl的公式为:
选择累计贡献率δl在预设范围内的前l个主成分分量作为目标主成分分量。
传统主成分分析法(Principal Component Analysis,PCA)中通过计算变量之间的协方差来反映变量之间的关联性,但该方法只能反映变量之间的线性相关性,无法反映非线性关系,因此,本发明实施例中确定各变量之间的互信息,并形成互信息矩阵,用互信息矩阵代替原主成分分析法中的协方差,采用互信息矩阵-主成分分析法(简称“MIPCA”)得到多个目标主成分分量,能更准确的反应各个影响因素之间的相互影响,在降维的同时能保留更多的原始数据信息并避免信息冗余,从而使得预测精度更高,更贴近实际应用。例如,参考表1。
表1传统主成分分析与互信息矩阵-主成分分析
一些实施例中,目标光伏出力值的计算公式为:
y(t)=f(y(t-1),…y(t-i),…,y(t-n),x1(t),
x2(t),…,xj(t),…,xm(t))
t为当前预测时刻,y(t)为t时刻的光伏出力值,y(t-i)为t时刻前i个时刻的光伏出力值;xj(t)为t时刻的第j个目标主成分分量;i=1,2,…,n,n为时刻个数;j=1,2,…,m,m为目标主成分分量的个数。
一些实施例中,光伏出力预测模型为门控循环单元神经网络模型。
一些实施例中,在步骤S103之前,光伏出力预测方法还可以包括:
步骤S104:建立光伏出力预测模型;
步骤S105:根据光伏出力预测模型的初始权重系数计算得到各个训练样本的初始预测结果,确定各个训练样本的初始预测结果与实际值的误差;
步骤S106:根据各个训练样本的初始预测结果与实际值的误差构建损失函数,根据损失函数采用梯度下降算法对初始权重系数进行调整,得到新的初始权重系数,并跳转至根据光伏出力预测模型的初始权重系数计算得到各个训练样本的初始预测结果,确定各个训练样本的初始预测结果与实际值的误差的步骤循环执行,直至各个训练样本的初始预测结果与实际值的误差满足预设条件。
本发明实施例中,为提高模型的性能,采用门控循环单元神经网络模型(GateRecurrent Unit,GRU)对光伏处理进行预测,GRU是LSTM(Long Short-Term Memory,长短期记忆网络)的一个变体,GRU保持了LSTM的效果同时又使结构更加简单,能够达到LSTM相当的效果,同时更加容易训练。
表2GUR与LSTM的性能对比
由表2可知,GRU相对于LSTM,准确度基本无异,但训练时间明显缩小。
模型参数对门控循环单元神经网络模型的预测性能有至关重要的影响。
例如,时间步长代表输入网络模型的历史光伏数据长度,较长的时间步长能够充分发挥门控循环单元的长时序数据依赖特性,提高预测精度,参考表3。
由表3可知,步长越长,预测精度越高。但时间步长过长则会增加模型复杂度,增加模型训练时间。
再例如,参考图4和图5,隐藏层维数对预测误差也会产生一定的影响。随着隐藏层维数的增加,误差先降低后变大。
表3不同时间步长的误差对比
门控循环单元神经模型凭借自身在时间序列数据处理方面的优势,通过优化模型参数能够有效提高模型预测精度。模型参数可以包括:输入层维数、时间步长、隐藏层层数、隐藏层宽度、输出层维数。本发明实施例中采用误差前向传播和误差后向传播对模型参数进行优化,选取最优的模型参数,使得模型预测精度达到最佳。
图6示出了采用PCA与GRU时、采用MICPA与GRU时的光伏出力预测值与实际光伏出力值的对比图。由图6可知,本发明实施例中提供的采用互信息矩阵代替主成分分析法中的协方差矩阵,同时结合门控循环单元神经模型对光伏出力进行预测,预测精度较高,非常贴近光伏实际出力,实际应用效果好。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上述光伏出力预测方法,参考图7,本发明实施例还提供了一种光伏出力预测装置,包括:
关联关系确定模块21,用于获取历史光伏出力值及对应的多个影响因素的数值,并根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;
主成分分析模块22,用于根据各个影响因素之间的关联关系,确定多个目标主成分分量;
预测模块23,用于基于预先建立的光伏出力预测模型,根据多个目标主成分分量及历史光伏出力值预测得到目标光伏出力值。
一些实施例中,关联关系确定模块21可以包括:
概率分布确定单元211,用于根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素的边缘概率分布及多个影响因素中任意两个影响因素之间的联合概率分布;
互信息矩阵确定单元212,用于根据各个影响因素的边缘概率分布及多个影响因素中任意两个影响因素之间的联合概率分布,确定多个影响因素中任意两个影响因素之间的互信息,并组成互信息矩阵。
一些实施例中,主成分分析模块22可以包括:
第一主成分分析单元221,用于将互信息矩阵作为主成分分析法中的协方差矩阵得到改进的主成分分析法,并基于改进的主成分分析法得到多个主成分分量及对应的主成分贡献率;
第二主成分分析单元222,用于将主成分贡献率按照从大到小的顺序进行累加,当累加的主成分贡献率的和在预设范围内时,将累加的各个主成分贡献率对应的各个主成分分量均作为目标主成分分量。
一些实施例中,目标光伏出力值的计算公式为:
y(t)=f(y(t-1),…y(t-i),…,y(t-n),x1(t),
x2(t),…,xj(t),…,xm(t))
t为当前预测时刻,y(t)为t时刻的光伏出力值,y(t-i)为t时刻前i个时刻的光伏出力值;xj(t)为t时刻的第j个目标主成分分量;i=1,2,…,n,n为时刻个数;j=1,2,…,m,m为目标主成分分量的个数。
一些实施例中,光伏出力预测模型为门控循环单元神经网络模型。
一些实施例中,光伏出力预测装置还可以包括:
模型建立模块24,用于建立光伏出力预测模型;
前向传播模块25,用于根据光伏出力预测模型的初始权重系数计算得到各个训练样本的初始预测结果,确定各个训练样本的初始预测结果与实际值的误差;
误差反向传播模块26,用于根据各个训练样本的初始预测结果与实际值的误差构建损失函数,根据损失函数采用梯度下降算法对初始权重系数进行调整,得到新的初始权重系数,并跳转至根据光伏出力预测模型的初始权重系数计算得到各个训练样本的初始预测结果,确定各个训练样本的初始预测结果与实际值的误差的步骤循环执行,直至各个训练样本的初始预测结果与实际值的误差满足预设条件。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将终端设备的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图8是本发明一实施例提供的终端设备的示意框图。如图8所示,该实施例的终端设备4包括:一个或多个处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个光伏出力预测方法实施例中的步骤,例如图1所示的步骤S101至S103。或者,处理器40执行计算机程序42时实现上述光伏出力预测装置实施例中各模块/单元的功能,例如图7所示模块21至23的功能。
示例性地,计算机程序42可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器41中,并由处理器40执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序42在终端设备4中的执行过程。例如,计算机程序42可以被分割成关联关系确定模块21、主成分分析模块22及预测模块23。
关联关系确定模块21,用于获取历史光伏出力值及对应的多个影响因素的数值,并根据历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;
主成分分析模块22,用于根据各个影响因素之间的关联关系,确定多个目标主成分分量;
预测模块23,用于基于预先建立的光伏出力预测模型,根据多个目标主成分分量及历史光伏出力值预测得到目标光伏出力值。
其它模块在此不再赘述。
终端设备4包括但不仅限于处理器40、存储器41。本领域技术人员可以理解,图8仅仅是终端设备的一个示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备4还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器41也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序42以及终端设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的终端设备和方法,可以通过其它的方式实现。例如,以上所描述的终端设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种光伏出力预测方法,其特征在于,包括:
获取历史光伏出力值及对应的多个影响因素的数值,并根据所述历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;
根据所述各个影响因素之间的关联关系,确定多个目标主成分分量;
基于预先建立的光伏出力预测模型,根据所述多个目标主成分分量及所述历史光伏出力值预测得到目标光伏出力值。
2.如权利要求1所述的光伏出力预测方法,其特征在于,所述根据所述历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系,包括:
根据所述历史光伏出力值及对应的多个影响因素的数值确定各个影响因素的边缘概率分布及所述多个影响因素中任意两个影响因素之间的联合概率分布;
根据所述各个影响因素的边缘概率分布及所述多个影响因素中任意两个影响因素之间的联合概率分布,确定所述多个影响因素中任意两个影响因素之间的互信息,并组成互信息矩阵。
3.如权利要求2所述的光伏出力预测方法,其特征在于,所述根据所述各个影响因素之间的关联关系,确定多个目标主成分分量,包括:
将所述互信息矩阵作为主成分分析法中的协方差矩阵得到改进的主成分分析法,并基于所述改进的主成分分析法得到多个主成分分量及对应的主成分贡献率;
将主成分贡献率按照从大到小的顺序进行累加,当累加的主成分贡献率的和在预设范围内时,将累加的各个主成分贡献率对应的各个主成分分量均作为所述目标主成分分量。
4.如权利要求1所述的光伏出力预测方法,其特征在于,所述目标光伏出力值的计算公式为:
y(t)=f(y(t-1),…y(t-i),…,y(t-n),x1(t),
x2(t),…,xj(t),…,xm(t))
t为当前预测时刻,y(t)为t时刻的光伏出力值,y(t-i)为t时刻前i个时刻的光伏出力值;xj(t)为t时刻的第j个目标主成分分量;i=1,2,…,n,n为时刻个数;j=1,2,…,m,m为所述目标主成分分量的个数。
5.如权利要求1至4任一项所述的光伏出力预测方法,其特征在于,所述光伏出力预测模型为门控循环单元神经网络模型。
6.如权利要求5所述的光伏出力预测方法,其特征在于,在所述基于预先建立的光伏出力预测模型,根据所述多个目标主成分分量及所述历史光伏出力值预测得到目标光伏出力值之前,所述光伏出力预测方法还包括:
建立光伏出力预测模型;
根据所述光伏出力预测模型的初始权重系数计算得到各个训练样本的初始预测结果,确定所述各个训练样本的初始预测结果与实际值的误差;
根据所述各个训练样本的初始预测结果与实际值的误差构建损失函数,根据所述损失函数采用梯度下降算法对所述初始权重系数进行调整,得到新的初始权重系数,并跳转至所述根据所述光伏出力预测模型的初始权重系数计算得到各个训练样本的初始预测结果,确定所述各个训练样本的初始预测结果与实际值的误差的步骤循环执行,直至所述各个训练样本的初始预测结果与实际值的误差满足预设条件。
7.一种光伏出力预测装置,其特征在于,包括:
关联关系确定模块,用于获取历史光伏出力值及对应的多个影响因素的数值,并根据所述历史光伏出力值及对应的多个影响因素的数值确定各个影响因素之间的关联关系;
主成分分析模块,用于根据所述各个影响因素之间的关联关系,确定多个目标主成分分量;
预测模块,用于基于预先建立的光伏出力预测模型,根据所述多个目标主成分分量及所述历史光伏出力值预测得到目标光伏出力值。
8.如权利要求7所述的光伏出力预测装置,其特征在于,所述关联关系确定模块,包括:
概率分布确定单元,用于根据所述历史光伏出力值及对应的多个影响因素的数值确定各个影响因素的边缘概率分布及所述多个影响因素中任意两个影响因素之间的联合概率分布;
互信息矩阵确定单元,用于根据所述各个影响因素的边缘概率分布及所述多个影响因素中任意两个影响因素之间的联合概率分布,确定所述多个影响因素中任意两个影响因素之间的互信息,并组成互信息矩阵。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述的光伏出力预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的光伏出力预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110171532.1A CN112949913A (zh) | 2021-02-08 | 2021-02-08 | 光伏出力预测方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110171532.1A CN112949913A (zh) | 2021-02-08 | 2021-02-08 | 光伏出力预测方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949913A true CN112949913A (zh) | 2021-06-11 |
Family
ID=76244081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110171532.1A Pending CN112949913A (zh) | 2021-02-08 | 2021-02-08 | 光伏出力预测方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949913A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896871A (zh) * | 2022-04-22 | 2022-08-12 | 国网江苏省电力有限公司电力科学研究院 | 一种基于最小互信息的光伏出力分解方法 |
CN115099606A (zh) * | 2022-06-21 | 2022-09-23 | 厦门亿力吉奥信息科技有限公司 | 一种电网调度模型的训练方法及终端 |
CN115223271A (zh) * | 2022-06-28 | 2022-10-21 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
CN115099606B (zh) * | 2022-06-21 | 2024-06-07 | 厦门亿力吉奥信息科技有限公司 | 一种电网调度模型的训练方法及终端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
-
2021
- 2021-02-08 CN CN202110171532.1A patent/CN112949913A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
Non-Patent Citations (1)
Title |
---|
周恒俊等: ""基于MIPCA 与GRU 网络的光伏出力短期预测方法"", 《电力系统及其自动化学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896871A (zh) * | 2022-04-22 | 2022-08-12 | 国网江苏省电力有限公司电力科学研究院 | 一种基于最小互信息的光伏出力分解方法 |
CN114896871B (zh) * | 2022-04-22 | 2023-12-22 | 国网江苏省电力有限公司电力科学研究院 | 一种基于最小互信息的光伏出力分解方法 |
CN115099606A (zh) * | 2022-06-21 | 2022-09-23 | 厦门亿力吉奥信息科技有限公司 | 一种电网调度模型的训练方法及终端 |
CN115099606B (zh) * | 2022-06-21 | 2024-06-07 | 厦门亿力吉奥信息科技有限公司 | 一种电网调度模型的训练方法及终端 |
CN115223271A (zh) * | 2022-06-28 | 2022-10-21 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
CN115223271B (zh) * | 2022-06-28 | 2024-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN112949913A (zh) | 光伏出力预测方法及终端设备 | |
US20190370914A1 (en) | Method and Device for Determining Energy System Operating Scenario | |
CN112488396A (zh) | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 | |
Xu et al. | GoodFloorplan: Graph convolutional network and reinforcement learning-based floorplanning | |
CN112257928A (zh) | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 | |
CN114240019A (zh) | 适用新能源电力系统的灵活资源价值评估方法及装置 | |
CN112907062A (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
Liu et al. | Short‐term load forecasting based on LSTNet in power system | |
Guo et al. | Support vector machine model in electricity load forecasting | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
US20240144004A1 (en) | Trained Models for Discovering Target Device Presence | |
CN109034497A (zh) | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN113298329A (zh) | 训练、策略生成方法、系统、计算机装置及存储介质 | |
CN111461377B (zh) | 用于能源总需求量的预测方法/系统、存储介质及设备 | |
CN116561696B (zh) | 基于多维度的用户可调节负荷快速聚合方法及其系统 | |
CN117175664B (zh) | 基于使用场景的储能充电设备输出功率自适应调节系统 | |
CN113408837B (zh) | 用能控制策略生成方法、系统、装置、发配能系统及介质 | |
Yang et al. | Hybrid data and model‐driven joint identification of distribution‐network topology and parameters | |
CN115238465B (zh) | 电磁暂态仿真中列降阶模型的执行时间计算方法和装置 | |
CN116415741B (zh) | 一种基于深度学习的燃煤电厂用煤量预测方法及系统 | |
Kollu et al. | Comparative analysis of cloud resources forecasting using deep learning techniques based on VM workload traces |
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: 20210611 |
|
RJ01 | Rejection of invention patent application after publication |