CN113469426A - 基于改进bp神经网络的光伏输出功率预测方法及系统 - Google Patents
基于改进bp神经网络的光伏输出功率预测方法及系统 Download PDFInfo
- Publication number
- CN113469426A CN113469426A CN202110699962.0A CN202110699962A CN113469426A CN 113469426 A CN113469426 A CN 113469426A CN 202110699962 A CN202110699962 A CN 202110699962A CN 113469426 A CN113469426 A CN 113469426A
- Authority
- CN
- China
- Prior art keywords
- neural network
- power prediction
- photovoltaic
- output power
- meteorological data
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000010248 power generation Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification 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
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了基于改进BP神经网络的光伏输出功率预测方法及系统,所述方案包括:获取光伏电站的历史气象数据,并对所述历史气象数据进行降维;根据天气类型对所述历史气象数据进行分类;根据分类结果选择预训练的不同天气类型下的光伏功率预测模型,将所述历史气象数据作为模型输入,获得光伏输出功率预测结果;所述方案利用主成分分析法对原始数据进行筛选,降低数据维数和复杂程度;然后,使用粒子群算法对BP神经网络的权值和阈值进行优化,弥补了传统BP神经网络训练时间长、易陷入局部极值点的不足,有效提高了光伏预测精度和效率。
Description
技术领域
本公开属于光伏发电技术领域,尤其涉及基于改进BP神经网络的光伏输出功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
光伏发电具有间歇性和随机性的固有缺点,随着大量光伏发电接入电网,势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻的挑战,因此光伏发电输出功率预测成为解决这一问题的有效途径之一;发明人发现,现有技术的预测精度不高,存在较多预测误差,并且模型训练时间较长。传统神经网络还存在易陷入局部极值点、收敛速度慢的问题。由于光伏出力的随机性和波动性较强,会对电网的安全运行和调峰调度带来挑战,其必然也会引入预测误差,增加预测结果的不确定性,进而较大程度的限制可再生能源的消纳;同时,现有方法并未考虑不同天气类型对光伏发电的影响,无法对不同天气类型下的光伏输出功率进行精准预测。
发明内容
本公开为了解决上述问题,提供了基于改进BP神经网络的光伏输出功率预测方法及系统,所述方案利用主成分分析法对原始数据进行筛选,降低数据维数和复杂程度;然后,使用粒子群算法对BP神经网络的权值和阈值进行优化,弥补了传统BP神经网络训练时间长、易陷入局部极值点的不足,有效提高了光伏预测精度和效率。
根据本公开实施例的第一个方面,提供了基于改进BP神经网络的光伏输出功率预测方法,包括:
获取光伏电站的历史气象数据,并对所述历史气象数据进行降维;
根据天气类型对所述历史气象数据进行分类;
根据分类结果选择预训练的不同天气类型下的光伏功率预测模型,将所述历史气象数据作为模型输入,获得光伏输出功率预测结果;
其中,所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型,同时,利用PSO算法对所述光伏功率预测模型进行优化处理。
进一步的,所述光伏功率预测模型采用BP神经网络模型,其中,所述利用PSO算法对所述BP神经网络模型进行优化处理,具体为:利用PSO算法对所述BP神经网络模型的初始阈值、权值进行优化,结合PSO全局搜索的能力和BP局部优化的特点,进行光伏输出功率的精准预测。
进一步的,所述利用PSO算法对所述BP神经网络模型的初始阈值、权值进行优化,具体包括:
用PSO算法中的粒子表示为BP神经网络待优化参数集合,每个粒子的维度等于BP网络中的权值和阈值的个数;将适应度函数定义为训练样本的均方误差,迭代求解粒子群在n次迭代中经历过的种群最优位置,将最优位置粒子的参数集合赋值给BP神经网络连接权值,实现BP神经网络权值和阈值的训练。
根据本公开实施例的第二个方面,提供了基于改进BP神经网络的光伏输出功率预测系统,包括:
数据获取单元,其用于获取光伏电站的历史气象数据,并对所述历史气象数据进行降维;
数据分类单元,其用于根据天气类型对所述历史气象数据进行分类;
功率预测单元,其用于根据分类结果选择预训练的不同天气类型下的光伏功率预测模型,将所述历史气象数据作为模型输入,获得光伏输出功率预测结果;
其中,所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型,同时,利用PSO算法对所述光伏功率预测模型进行优化处理。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于改进BP神经网络的光伏输出功率预测方法。
根据本公开实施例的第四个方面,提供了一种非暂态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实现所述的基于改进BP神经网络的光伏输出功率预测方法。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案基于各时刻的气象条件、历史出力等数据,采用主成分分析法对样本数据进行降维处理,降低数据的复杂度,筛选出的主成分能反映原始变量的大部分信息,简化了输入矩阵维数,减少了计算量,提高了光伏预测模型的训练效率和预测效率。
(2)本公开所述方案运用PSO算法对BP神经网络的初始阈值、权值进行优化,结合PSO全局搜索和BP局部优化的特点,建立PSO优化BP神经网络光伏功率预测模型来进行光伏输出功率预测,相比较传统的单一预测模型而言,在不同天气条件下显著提高了光伏功率预测的预测精度。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的光伏输出功率预测方法流程图;
图2为本公开实施例一中所述方法与现有方法光伏输出功率预测的评估指标误差对比图;
图3(a)为本公开实施例一中所述方案在晴天天气的预测结果示意图;
图3(b)为本公开实施例一中所述方案在多云天气的预测结果示意图;
图3(c)为本公开实施例一中所述方案基于阴天天气的预测结果示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供基于改进BP神经网络的光伏输出功率预测方法。
基于改进BP神经网络的光伏输出功率预测方法,包括:
获取光伏电站的历史气象数据,并对所述历史气象数据进行降维;
根据天气类型对所述历史气象数据进行分类;
根据分类结果选择预训练的不同天气类型下的光伏功率预测模型,将所述历史气象数据作为模型输入,获得光伏输出功率预测结果;
其中,所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型,同时,利用PSO算法对所述光伏功率预测模型进行优化处理。
具体的,为了便于理解,以下结合附图对本公开所述方案进行详细说明:
如图1所示,展示了本公开所述方案的光伏输出功率预测方法流程图,所述方法包括:
步骤一:获取光伏电站的原始气象数据,并根据天气类型对原始历史气象数据进行分类。其中,所述天气类型至少包括为晴天、多云和阴天天气。历史气象数据包括:总辐射、直辐射、散辐射、大气温度、环境温度、气压、环境湿度七个气象因素。
步骤二:利用主成分分析法(PCA)对所述气象数据进行降维处理。
步骤三:构建BP神经网络光伏功率预测模型。
步骤四:利用粒子群算法(PSO)对BP神经网络光伏功率预测模型进行优化处理,并将气象历史数据和光伏功率历史数据带入模型进行训练。
步骤五:将PCA处理后的数据集输入训练后的PSO-BP神经网络预测模型,得到光伏输出功率的预测值。
步骤六:利用标准化平均绝对百分比误差(NMAPE)和标准化均方根误差(NRMSE)来评估单一预测模型和混合预测模型的预测精度。
其中,单一预测模型是指仅用BP神经网络来进行预测,混合预测模型是PSO-BP神经网络预测模型和PCA-PSO-BP预测模型;通过预测结果可知,加入主成分分析和粒子群优化算法后的混合预测模型的预测精度更高。
进一步的,所述主成分分析的具体过程如下:
原始变量的样本为m,每个样本中有n个观测值,则原始变量矩阵X的表达式为:
对原始变量进行标准化处理,消除原始变量差异大的影响。得到矩阵Y的表达式为:
ymn的表达式为:
建立矩阵Y的相关系数矩阵A,其表达式为:
amn的表达式为:
其中,Ytm为第t个样本中第m个指标的观测值的标准化计算结果。
计算矩阵A的特征值λ1≥λ2≥…≥λj≥0及对应的特征向量为:
bm=(bm1,bm2,…,bmp)T,(m=1,2,…,j)
选择主成分的个数。主成分是以特征向量为系数的线性组合,它们互不相关。主成分的累积贡献率为:
主成分表达式为:
其中,ecj为原始变量矩阵的第c个特征值所对应的j维特征向量;(x1,x2,…xj)T为j维初始输入向量。
BP神经网络预测模型包括输入层、隐含层和输出层;设BP网络的输入层有i个节点,隐含层有h个节点,输出层有o个节点,输入向量x1=(x11,x21,…,xi1)T,期望输出xo1。输入层与隐含层之间的权值为wki,隐含层阈值为bk,记为V=(wki,bk)。隐含层与输出层之间的权值为wjk,输出层阈值为bj,记为W=(wjk,bj)(k=1,2,…,h;i=1,2,…,i;j=1,2,…,o)。样本数据个数p=1,2,…,N。隐含层单元的传递函数采用sigmoid,输出单元的传递函数采用purelin。
在粒子群算法中,每个粒子的运动方向及运动距离由该粒子的速度决定,通过目标函数求解适应值,根据个体与全局的最优位置来更新自己位置,以达到最佳状态。其具体数学模型如下:
在一个D维的目标搜索空间中,有N个粒子组成一个群落,其中第i个粒子表示一个D维的向量:
Xi=(xi1,xi2,…,xiD),i=1,2,…,N
第i个粒子的“飞行”速度是一个D维的向量:
Vi=(vi1,vi2,…,viD),i=1,2,…,N
第i个粒子迄今为止搜索到的最优位置为个体极值:
pbest=(pi1,pi2,…,piD),i=1,2,…,N
整个粒子群迄今为止搜索到的最优位置为全局极值,记为
gbest=(pg1,pg2,…,pgD)
在找到这两个最优值时,粒子根据公式来更新自己的位置和速度:
vid=w*vid+c1r1(pid-xid)+c2r2(pgd-xid)
xid=xid+vid
其中,c1、c2为学习因子,也称加速常数;r1、r2为[0,1]范围内的均匀随机数。
主成分分析法处理后的数据作为神经网络模型的输入层,光伏输出功率的预测值为神经网络模型的输出层。
预测模型的评估指标为标准化平均绝对百分比误差(normalized mean absolutepercentage error,NMAPE)和标准化均方根误差(normalized root mean squared error,NRMSE):
进一步的,如图3(a)-图3(c)所示,为本公开所述方案在不同天气状况下与其他现有模型间光伏输出功率预测的对比结果,从中可以看出,本公开所述方案的预测结果更接近实际情况。
进一步的,本公开运用PSO算法全局寻优能力,对BP神经网络的初始权值、阈值进行了优化,其中,所述优化过程具体包括:
BP神经网络在识别、分类、预测等问题上有着广泛的应用,但是其权值与偏置的选取影响着神经网络训练的结果,因此需要采用寻优算法寻找到更好的神经网络初始参数。本文用粒子群算法来寻优BP神经网络的初始参数,最后对光伏功率进行预测。PSO优化BP神经网络时,将BP神经网络的权值和偏置作为PSO算法中的粒子,结合神经网络正向传播计算方式计算出粒子适应度,比较适应度的大小并确定个体极值与全局极值,不断更新粒子的速度、位置。直至达到迭代要求为止,得到的最优粒子作为BP神经网络的初始权值与偏置。此时粒子的适应度为神经网络中的目标函数,选取输出层节点的误差平方和作为神经网络的目标函数,其表达公式如下:
其中,y0为系统的实际值,y1为系统输出。
假设目标搜索空间D维,粒子群落中有m个无质量和体积的粒子。利用粒子群优化BP网络的权值,将每个粒子视为BP网络,粒子的维度等于BP网络中的权值和阈值的个数。设适应度函数为fitness,将fitness定义为训练样本的均方误差,表示第i个粒子在n次迭代中经历过的最优位置,表示粒子群在n次迭代中经历过的种群最优位置。通过粒子寻找种群最优位置,将赋值给BP连接权,训练BP的权值和阈值。
所述优化过程的详细步骤如下:
具体优化步骤如下:
步骤1首先初始化模型各参数,BP结构初始化、粒子群算法初始化。
步骤2将归一化后的历史气象训练数据作为神经网络的输入,根据正向传播的计算方式计算出各粒子的初始适应度值,根据适应度值确定全局极值,此时个体极值为个体本身。
步骤3利用下式更新粒子的速度和位置,计算新的适应度。
vid=w*vid+c1r1(pid-xid)+c2r2(pgd-xid)
xid=xid+vid
步骤4将新适应度与对应的当前适应度比较,若新适应度小于对应的当前适应度,将新适应度对应的位置向量作为新个体极值;找到最小的新适应度并与当前最小适应度进行比较,若小于当前适应度,将新适应度对应的位置向量作为新全局极值,将其作为全局最优解。
步骤5判断迭代结果是否满足寻优条件或是否达到迭代次数,若达到要求迭代停止,否则重复步骤(3)~步骤(5)。
步骤6将粒子群算法优化后的参数作为BP神经网络的初始权值、偏置参数。将最后得到的神经网络模型对气象数据和光伏功率进行训练与预测。
通过运用PSO算法对BP神经网络的优化弥补了BP神经网络的初始值随机确定、网络学习容易陷入局部最优以及训练时间长等不足。
通过对气象要素进行分析,建立了粒子群神经网络光伏发电量预测模型,并运用该模型和BP网络模型对3个典型天气的发电量进行预测;经过PSO优化后的BP神经网络,缩短了预测时间,具有较好的收敛速度;提高了预测精度,具有良好的训练效果。在不同天气类型下,其预测精度都比单一的BP神经网络要高,验证了其优化效果。在光伏功率预测下,单独的BP神经网络预测往往不能满足预测精度的要求,且由于BP神经网络学习易陷入局部最优解的特点,其预测结果不稳定,存在每次预测精度差别较大的情况。加入粒子群算法之后,预测结果更加稳定,每次结果的预测精度更高且差别较小。
进一步的,为了解决在光伏预测过程中,BP神经网络训练过程收敛速度慢或者是容易陷入局部最优的问题,本实施例进行了如下改进:
对于神经网络模型,不同隐含层节点数的优化结果有着较大差异,数量过少,神经网络缺少学习信息不能很好的解决问题;数量过多,则增加训练时间,易出现“过拟合”现象。因此,合理选择隐含层节点数就至关重要。针对这一问题,目前往往通过不同的经验公式进行解决。
h=log2i (2)
其中,h为隐含层节点数,i为输入层节点数,o为输出层节点数,c为1~10之间的常数。
经验公式虽然可以得到结果,但耗时耗力。对公式(1)(2)(3)联立求解,可以得到一个关于隐含层节点数的取值范围,这个区间包含着隐含层节点数的最优取值。对其进行逐一求解,可以最终确定最优解;或采用“三分法”来进行搜索。本文采用“三分法”来对隐含层节点数求解。
“三分法”是在二分法查找数据的基础上做的改进,该方法可以一次筛选掉三分之二的数据。三分法适用于区间存在最优解,且误差模型近似为抛物线。通过验证,本文基本符合要求,可以采用三分法来大致判断最优解的位置。本文采用粒子群算法对BP神经网络进行优化,当粒子适应度满足规定要求后,将最优的个体极值和全局极值赋给BP神经网络,并采用“三分法”对隐含层节点数进行确定,从而进行PSO-BP神经网络的训练和预测。
在本实施例中,根据“三分法”选择隐含层的节点数为7个;粒子群算法参数设置:粒子数目20个;学习因子c1、c2取1.5;惯性权重wmax=0.9,wmin=0.4。
实施例二:
本实施例的目的是基于改进BP神经网络的光伏输出功率预测系统。
基于改进BP神经网络的光伏输出功率预测系统,包括:
数据获取单元,其用于获取光伏电站的历史气象数据,并对所述历史气象数据进行降维;
数据分类单元,其用于根据天气类型对所述历史气象数据进行分类;
功率预测单元,其用于根据分类结果选择预训练的不同天气类型下的光伏功率预测模型,将所述历史气象数据作为模型输入,获得光伏输出功率预测结果;
其中,所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型,同时,利用
PSO算法对所述光伏功率预测模型进行优化处理。
进一步的,所述光伏功率预测模型采用BP神经网络模型,其中,所述利用PSO算法对所述BP神经网络模型进行优化处理,具体为:利用PSO算法对所述BP神经网络模型的初始阈值、权值进行优化,结合PSO全局搜索的能力和BP局部优化的特点,进行光伏输出功率的精准预测。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列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。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,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公开的范围。
上述实施例提供的基于改进BP神经网络的光伏输出功率预测方法及系统可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于改进BP神经网络的光伏输出功率预测方法,其特征在于,包括:
获取光伏电站的历史气象数据,并对所述历史气象数据进行降维;
根据天气类型对所述历史气象数据进行分类;
根据分类结果选择预训练的不同天气类型下的光伏功率预测模型,将所述历史气象数据作为模型输入,获得光伏输出功率预测结果;
其中,所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型,同时,利用PSO算法对所述光伏功率预测模型进行优化处理。
2.如权利要求1所述的基于改进BP神经网络的光伏输出功率预测方法,其特征在于,所述光伏功率预测模型采用BP神经网络模型,其中,所述利用PSO算法对所述BP神经网络模型进行优化处理,具体为:利用PSO算法对所述BP神经网络模型的初始阈值、权值进行优化,结合PSO全局搜索的能力和BP局部优化的特点,进行光伏输出功率的精准预测。
3.如权利要求2所述的基于改进BP神经网络的光伏输出功率预测方法,其特征在于,所述利用PSO算法对所述BP神经网络模型的初始阈值、权值进行优化,具体包括:用PSO算法中的粒子表示为BP神经网络待优化参数集合,每个粒子的维度等于BP网络中的权值和阈值的个数;将适应度函数定义为训练样本的均方误差,迭代求解粒子群在若干次迭代中经历过的种群最优位置,将最优位置粒子的参数集合赋值给BP神经网络连接权值,实现BP神经网络权值和阈值的训练。
4.如权利要求2所述的基于改进BP神经网络的光伏输出功率预测方法,其特征在于,所述BP神经网络包括输入层、隐含层和输出层。
5.如权利要求1所述的基于改进BP神经网络的光伏输出功率预测方法,其特征在于,所述对所述历史气象数据进行降维采用主成分分析法,筛选出反映气象数据主要特征的成分。
6.如权利要求1所述的基于改进BP神经网络的光伏输出功率预测方法,其特征在于,所述天气类型包括晴天、多云和阴天,所述历史气象数据包括:总辐射、直辐射、散辐射、大气温度、环境温度、气压、环境湿度。
7.基于改进BP神经网络的光伏输出功率预测系统,其特征在于,包括:
数据获取单元,其用于获取光伏电站的历史气象数据,并对所述历史气象数据进行降维;
数据分类单元,其用于根据天气类型对所述历史气象数据进行分类;
功率预测单元,其用于根据分类结果选择预训练的不同天气类型下的光伏功率预测模型,将所述历史气象数据作为模型输入,获得光伏输出功率预测结果;
其中,所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型,同时,利用PSO算法对所述光伏功率预测模型进行优化处理。
8.如权利要求8所述的基于改进BP神经网络的光伏输出功率预测系统,其特征在于,所述光伏功率预测模型采用BP神经网络模型,其中,所述利用PSO算法对所述BP神经网络模型进行优化处理,具体为:利用PSO算法对所述BP神经网络模型的初始阈值、权值进行优化,结合PSO全局搜索的能力和BP局部优化的特点,进行光伏输出功率的精准预测。
9.一种电子设备,包括存储器、处理器及存储在存储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实现如权利要求1-6任一项所述的基于改进BP神经网络的光伏输出功率预测方法。
10.一种非暂态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实现如权利要求1-6任一项所述的基于改进BP神经网络的光伏输出功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699962.0A CN113469426A (zh) | 2021-06-23 | 2021-06-23 | 基于改进bp神经网络的光伏输出功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699962.0A CN113469426A (zh) | 2021-06-23 | 2021-06-23 | 基于改进bp神经网络的光伏输出功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469426A true CN113469426A (zh) | 2021-10-01 |
Family
ID=77872535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110699962.0A Pending CN113469426A (zh) | 2021-06-23 | 2021-06-23 | 基于改进bp神经网络的光伏输出功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469426A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048896A (zh) * | 2021-10-27 | 2022-02-15 | 国核自仪系统工程有限公司 | 光伏发电数据的预测方法、系统、设备及介质 |
CN114091316A (zh) * | 2021-11-16 | 2022-02-25 | 国网甘肃省电力公司电力科学研究院 | 一种区域光伏发电量计算方法 |
CN116128150A (zh) * | 2023-03-02 | 2023-05-16 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN117010283A (zh) * | 2023-10-07 | 2023-11-07 | 中国矿业大学(北京) | Pba车站钢管柱结构变形预测方法、系统 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
CN117154682A (zh) * | 2023-06-14 | 2023-12-01 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于神经网络的光伏系统功率预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657881A (zh) * | 2019-01-14 | 2019-04-19 | 南京国电南自电网自动化有限公司 | 一种适用于小样本的神经网络光伏发电预测方法及系统 |
CN110852902A (zh) * | 2019-11-14 | 2020-02-28 | 合肥工业大学 | 一种基于bas-bp的光伏发电功率预测方法 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
-
2021
- 2021-06-23 CN CN202110699962.0A patent/CN113469426A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657881A (zh) * | 2019-01-14 | 2019-04-19 | 南京国电南自电网自动化有限公司 | 一种适用于小样本的神经网络光伏发电预测方法及系统 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN110852902A (zh) * | 2019-11-14 | 2020-02-28 | 合肥工业大学 | 一种基于bas-bp的光伏发电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
张佳伟: "基于PSO-BP神经网络的短期光伏系统发电预测", 可再生能源, pages 2 * |
王嵘冰: "BP神经网络隐含层节点数确定方法研究", 计算机技术与发展, 5 December 2017 (2017-12-05), pages 1 - 5 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048896A (zh) * | 2021-10-27 | 2022-02-15 | 国核自仪系统工程有限公司 | 光伏发电数据的预测方法、系统、设备及介质 |
CN114091316A (zh) * | 2021-11-16 | 2022-02-25 | 国网甘肃省电力公司电力科学研究院 | 一种区域光伏发电量计算方法 |
CN114091316B (zh) * | 2021-11-16 | 2024-04-05 | 国网甘肃省电力公司电力科学研究院 | 一种区域光伏发电量计算方法 |
CN116128150A (zh) * | 2023-03-02 | 2023-05-16 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN117154682A (zh) * | 2023-06-14 | 2023-12-01 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于神经网络的光伏系统功率预测方法及装置 |
CN117010283A (zh) * | 2023-10-07 | 2023-11-07 | 中国矿业大学(北京) | Pba车站钢管柱结构变形预测方法、系统 |
CN117010283B (zh) * | 2023-10-07 | 2023-12-29 | 中国矿业大学(北京) | Pba车站钢管柱结构变形预测方法、系统 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
CN117117859B (zh) * | 2023-10-20 | 2024-01-30 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及系统 | |
CN108564192B (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
CN113282122B (zh) | 一种商用建筑能耗预测优化方法及系统 | |
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 | |
CN113051769B (zh) | 基于非对称损失与混合智能优化算法的功率曲线建模方法 | |
CN109359833B (zh) | 一种基于abc-brann模型的海洋平台燃爆风险分析方法 | |
CN113326969A (zh) | 基于改进鲸鱼算法优化elm的短期风速预测方法及系统 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN114362175B (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及系统 | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN110705794A (zh) | 一种基于支持向量机算法预测窗户状态的方法 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN116720620A (zh) | 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法 | |
CN113868765A (zh) | 基于近似模型的船舶主尺度参数优化方法 | |
CN117439053A (zh) | 一种Stacking集成模型电量预测方法、装置、存储介质 | |
CN113610665B (zh) | 一种基于多延迟输出回声状态网的风力发电功率预测方法 | |
CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN111582567B (zh) | 一种基于递阶集成的风电功率概率预测方法 | |
CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
Zhang et al. | Temperature prediction and analysis based on improved GA-BP neural network | |
CN114266186A (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 |
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 |