CN113487064A - 基于主成分分析和改进lstm的光伏功率预测方法及系统 - Google Patents

基于主成分分析和改进lstm的光伏功率预测方法及系统 Download PDF

Info

Publication number
CN113487064A
CN113487064A CN202110647701.4A CN202110647701A CN113487064A CN 113487064 A CN113487064 A CN 113487064A CN 202110647701 A CN202110647701 A CN 202110647701A CN 113487064 A CN113487064 A CN 113487064A
Authority
CN
China
Prior art keywords
data
photovoltaic power
principal component
component analysis
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
CN202110647701.4A
Other languages
English (en)
Inventor
马慧心
张楚
彭甜
纪捷
夏鑫
张涛
孙伟
李沂蔓
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110647701.4A priority Critical patent/CN113487064A/zh
Publication of CN113487064A publication Critical patent/CN113487064A/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于主成分分析和改进LSTM的光伏功率预测方法及系统，所述方法包括：(1)获取一定时间内光伏功率数据，并使用主成分分析法对原始数据进行降维，提升数据处理的速度；(2)将处理好的数据集分为训练集和测试集；(3)使用莱维飞行和爬山搜索改进正余弦算法，用改进后的正余弦算法优化长短期记忆网络LSTM的隐含层神经元个数和最大训练次数；(4)建立ISCA‑LSTM模型，并使用训练集中数据训练模型；(5)将测试集中数据输入训练好的ISCA‑LSTM模型，得到预测结果，并计算均方误差、平均绝对标度误差，决定系数判断本模型的有效性。本发明与传统预测模型相比，展现出了更为优异的预测精度，能够进一步提高光伏功率预测的准确性。

Description

基于主成分分析和改进LSTM的光伏功率预测方法及系统
技术领域
本发明属于光伏功率预测技术领域，具体涉及一种基于主成分分析和改进LSTM的光伏功率预测方法及系统。
背景技术
随着我国不断发展，化石燃料也在大量的使用，这造成化石能源的短缺以及环境污染越发严重，大力发展可再生的清洁能源是我国目前的主要目标。光伏发电在我国经过一系列发展已经小有规模，但随着光伏发电大容量的并入电网，输出功率的随机性必然会对电网安全稳定运行造成较大的影响。由于光伏电站的功率具有随机性和波动性，若是能准确的对光伏功率进行预测，就能够有效防止电网过载，提高电网运行的稳定性。
目前光伏功率预测有两种主要的方法，一种是间接预测，另一种是直接预测。间接预测需要对光伏系统安装地的太阳辐射进行预测，并将得到的太阳辐射数据导入相应的模型中即可得到光伏系统的功率预测值；直接预测只需要历史光伏功率数据，无需太阳辐射数据就可以预测未来一段时间内的光伏功率。
由于间接预测需要把太阳辐射导入一定模型才能得到光伏功率，此过程中会造成预测精度过低，过程也比较复杂，需要多个设备才能得到结果。本发明只需要历史的光伏功率，不需要其他繁琐的步骤，就能得到良好的预测结果。
发明内容
发明目的：为解决上述技术问题，本发明提供一种基于主成分分析和改进LSTM的光伏功率预测方法及系统，克服现阶段光伏功率预测能力差，精度过低的缺点。
技术方案：本发明提出一种基于主成分分析和改进LSTM的光伏功率预测方法，具体包括以下步骤：
(1)获得预设时间内光伏功率数据，对数据使用主成分分析法进行特征选择并降维处理，将使用主成分分析法处理后的光伏数据作为输入；
(2)将经过步骤(1)降维处理的光伏数据集划分为训练集和测试集；
(3)使用莱维(levy)飞行对正余弦算法的位置更新部分进行改进，使用爬山搜索对正余弦算法局部搜索部分进行改进，利用改进后的正余弦算法ISCA对长短期记忆网络LSTM隐含层神经元个数和最大训练次数进行优化；
(4)建立ISCA-LSTM模型，使用训练集中数据对此模型进行训练，采用训练好ISCA-LSTM模型对测试集样本进行预测，得到测试样本预测值，使用均方误差、平均绝对标度误差，决定系数对预测值和实际值进行误差指标分析，判断本模型的有效性。
进一步地，所述步骤(1)包括以下步骤：
(11)输入原始数据集矩阵X，并去均值；
(12)计算原始数据矩阵的协方差矩阵
Figure BDA0003109816170000021
其中，n为样本数量；
(13)使用特征值分解方法求协方差矩阵的特征值和特征向量；
(14)对特征值进行排序，选择其中特征值最大的y个，将其对应的y个特征向量组成的矩阵Z；
(15)将原始数据集矩阵X右乘特征向量矩阵Z得到新矩阵P，即P＝ZX，得到的矩阵P作为新的输入矩阵。
进一步地，步骤(2)所述的训练集占80％，测试集占20％。
进一步地，所述步骤(3)包括以下步骤：
(31)初始化正余弦算法的种群规模，最大迭代次数以及位置维度；
(32)计算初始位置，将适应度最好的最优个体设为当前位置，更新位置使用的公式为：
Figure BDA0003109816170000022
其中，
Figure BDA0003109816170000023
表示在第t次迭代中个体i的位置；Kj t表示种群的当前最优位置；r2、r3、r4是服从均匀分布的随机数，r2∈[0，2π]，r3∈[－2，2]，r4∈[0，1]，r1是控制参数；并且r1通过式(1)进行调整；
(33)在正余弦算法基础上使用Levy飞行改进控制参数r1，更新公式如下：
Figure BDA0003109816170000024
其中，Levy(β)服从参数为β的Levy分布，0<β<2，μ服从N(0,σ2)分布，ν服从N(0,1)分布，σ可由下式得到：
Figure BDA0003109816170000031
其中，Γ表示Gamma分布函数，本发明中β取1.5；
(34)在正余弦算法的基础上，采用爬山局部搜索对算法的搜索部分进行改进。
进一步地，所述步骤(4)通过以下公式实现：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003109816170000032
Figure BDA0003109816170000033
ot＝σ(Wo·[ht-1,xt]+bo)
zt＝ot×tanh(ct)
其中，ft为遗忘门控，it为输入门控，ot为输出门控；Wf，Wo为权重；bf，Wi，Wc，bo为偏置；σ和tanh为激活函数；xt为t时刻的输入数据，zt为最后的输出结果。
基于相同的发明构思，本发明还提供一种基于主成分分析和改进LSTM的光伏功率预测系统，包括光伏功率数据采集模块、数据主成分分析模块、预测模块和预测性能评价模块；
所述光伏功率数据采集模块，采集历史的光伏功率数据，并对光伏功率数据进行预处理，得到训练集和测试集；
所述数据主成分分析模块，对数据使用主要分析法进行特征选择减少预测数据的输入量，避免对预测精度的影响；
所述光伏功率预测模块，将改进的正余弦算法与长短期记忆网络结合来预测光伏功率；
所述预测性能评价模块，使用均方根误差、决定系数和平均绝对误差进行光伏功率预测性能评估。
有益效果：与现有技术相比，本发明的有益效果：使用主成分分析法能尽可能保留数据原始信息，同时达到简化数据、降低输入维数；levy飞行和爬山搜索能够改进正余弦算法位置更新和搜索部分避免算法陷入局部最优，提高寻优效率；本发明与传统预测模型相比展现出更为优异的预测精度，能够进一步提升光伏功率预测的准确性。
附图说明
图1为基于主成分分析和改进LSTM的光伏功率预测方法的流程图；
图2为采用本发明进行仿真得出的真实值与预测值的对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于主成分分析和改进LSTM的光伏功率预测方法，如图1所示，具体步骤如下：
步骤1：获得预设时间内光伏功率数据，对数据使用主成分分析法进行特征选择并降维处理，将使用主成分分析法处理后的光伏数据作为输入。
本发明以某交通中心2021年4月1日到4月28日，每天5点到18点每5分钟光伏功率数据作为原始数据集，并去除零值。
主成分分析法具体步骤如下：
1)将原始数据的n个样本组成输入矩阵X＝[x1,x2…xn]，并去除均值；
2)计算原始数据矩阵的协方差矩阵
Figure BDA0003109816170000041
3)使用特征值分解方法求协方差矩阵的特征值和特征向量；
4)对特征值进行排序，选择其中特征值最大的y个；然后将其对应的y个特征向量组成矩阵Z；
5)将原始数据集矩阵X右乘特征向量矩阵Z得到新矩阵P，即P＝ZX，得到的矩阵P作为新的输入矩阵；其中，X为数据集；COV(X)为协方差矩阵；n为样本数量；Z为由特征向量组成的数据矩阵；P为新的输入矩阵。
步骤2：将经过步骤(1)降维处理的光伏数据分为互不相交的两部分，一部分是训练集，另一部分是测试集；训练集占到80％，测试集占到数据的20％。判断样本数据集中光伏功率中是否存在的突变点，突变点包括其光伏功率值过大，短期内光伏功率是否急剧增大或减小；若是，则对突变点平滑处理。
步骤3：使用莱维(levy)飞行对正余弦算法的位置更新部分进行改进，使用爬山搜索对正余弦算法局部搜索部分进行改进，利用改进后的正余弦算法(ISCA)对长短期记忆网络(LSTM)隐含层神经元个数和最大迭代次数进行优化。
设置正余弦算法的种群规模N、最大迭代次数M以及位置维度dim，并初始化种群。计算初始位置，将适应度最好的最优个体设为当前位置，更新位置使用的公式为：
Figure BDA0003109816170000051
其中，
Figure BDA0003109816170000052
表示在第t次迭代中个体i的位置；Kj t表示种群的当前最优位置；r2、r3、r4是服从均匀分布的随机数，r2∈[0，2π]，r3∈[－2，2]，r4∈[0，1]，r1是控制参数。并且r1通过式(1)进行调整。
在正余弦算法基础上使用Levy飞行改进控制参数r1，更新公式如下：
Figure BDA0003109816170000053
其中，Levy(β)服从参数为β的Levy分布，0<β<2，μ服从N(0,σ2)分布，ν服从N(0,1)分布，σ可由下式得到：
Figure BDA0003109816170000054
其中，Γ表示Gamma分布函数，本发明中β取1.5。
在正余弦算法的基础上，采用爬山局部搜索对算法的搜索部分进行改进。
步骤4：建立ISCA-LSTM模型，使用训练集中数据对此模型进行训练，采用训练好ISCA-LSTM模型对测试集样本进行预测，得到测试样本预测值。
初始化建立ISCA-LSTM模型，其中长短期记忆网络可以用如下公式表达：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003109816170000061
Figure BDA0003109816170000062
ot＝σ(Wo·[ht-1,xt]+bo)
zt＝ot×tanh(ct)
其中，ft为遗忘门控，it为输入门控，ot为输出门控；Wf，Wo为权重；ct为t时刻细胞状态；bf，Wi，Wc，bo为偏置；σ和tanh为激活函数；xt为t时刻的输入数据，zt为最后的输出结果。
判断模型是否达到最大迭代次数或精度，若达到，则获得最佳位置，即ISCA-LSTM模型的最优训练次数和隐含层神经元个数，否则跳转至步骤3。
由于长短期记忆网络中最大训练次数和隐含层神经元的多少会影响模型预测结果，若是训练次数太少可能会造更新权重不够影响预测精度，若是训练次数太多会造成结果过拟合。所以本发明对上述最大训练次数和隐含层神经元两个参数进行优化，改善预测模型性能。
使用训练集中数据对此模型进行训练，采用训练好ISCA-LSTM模型对测试集样本进行预测，得到测试样本预测值，使用均方根误差、平均绝对标度误差，决定系数对预测值和实际值进行误差指标分析，判断本模型的有效性。
均方根误差(RMSE)
Figure BDA0003109816170000063
决定系数(R2)：
Figure BDA0003109816170000064
平均绝对误差(MAE)：
Figure BDA0003109816170000065
其中，yi为第i个训练样本的真实输出，xi是第i个样本的预测值，
Figure BDA0003109816170000071
是样本的平均值，n是总样本个数。
基于相同的本发明构思，本发明还提供一种基于主成分分析法和ISCA优化LSTM的光伏功率预测系统，包括光伏功率数据采集模块、数据主成分分析模块、预测模块和预测性能评价模块。其中：
光伏功率数据采集模块，采集历史的光伏功率数据，并对光伏功率数据进行预处理，得到训练集和测试集；
数据主成分分析模块，对数据使用主要分析法进行特征选择减少预测数据的输入量，避免对预测精度的影响；
光伏功率预测模块，将改进的正余弦算法与长短期记忆网络结合来预测光伏功率；
预测性能评价模块，使用均方根误差、决定系数和平均绝对误差进行光伏功率预测性能评估。
本发明使用某交通中心2021年4月1日到4月28日，每天5点到18点每5分钟光伏功率数据作为原始数据，具体实验结果如表1所示：
表1本发明和对照组模型的误差指标对比表
Figure BDA0003109816170000072
表1中，ISCA-LSTM为本发明改进的方案，由上可看出ISCA-LSTM模型得到的MSE,MAE,R2等误差指标结果比传统的BP神经网络,粒子群优化BP神经网络(PSO-BP)以及正余弦优化极限学习机(SCA-ELM)得到的结果更好，由此看出本发明的预测精度更高。
图2为基于主成分分析法和ISCA优化LSTM的光伏功率预测模型的预测值与真实值对比图，由图可以看出真实值图线与预测值图线基本重合，说明预测效果良好。

Claims (6)

1.一种基于主成分分析和改进LSTM的光伏功率预测方法，其特征在于，包括以下步骤：
(1)获得预设时间内光伏功率数据，对数据使用主成分分析法进行特征选择并降维处理，将使用主成分分析法处理后的光伏数据作为输入；
(2)将经过步骤(1)降维处理的光伏数据集划分为训练集和测试集；
(3)使用莱维levy飞行对正余弦算法的位置更新部分进行改进，使用爬山搜索对正余弦算法局部搜索部分进行改进，利用改进后的正余弦算法ISCA对长短期记忆网络LSTM隐含层神经元个数和最大训练次数进行优化；
(4)建立ISCA-LSTM模型，使用训练集中数据对此模型进行训练，采用训练好ISCA-LSTM模型对测试集样本进行预测，得到测试样本预测值，使用均方误差、平均绝对标度误差，决定系数对预测值和实际值进行误差指标分析，判断本模型的有效性。
2.根据权利要求1所述基于主成分分析和改进LSTM的光伏功率预测方法，其特征在于，所述步骤(1)包括以下步骤：
(11)输入原始数据集矩阵X，并去均值；
(12)计算原始数据矩阵的协方差矩阵
Figure FDA0003109816160000011
其中，n为样本数量；
(13)使用特征值分解方法求协方差矩阵的特征值和特征向量；
(14)对特征值进行排序，选择其中特征值最大的y个，将其对应的y个特征向量组成的矩阵Z；
(15)将原始数据集矩阵X右乘特征向量矩阵Z得到新矩阵P，即P＝ZX，得到的矩阵P作为新的输入矩阵。
3.根据权利要求1所述基于主成分分析和改进LSTM的光伏功率预测方法，其特征在于，步骤(2)所述的训练集占80％，测试集占20％。
4.根据权利要求1所述基于主成分分析和改进LSTM的光伏功率预测方法，其特征在于，所述步骤(3)包括以下步骤：
(31)初始化正余弦算法的种群规模，最大迭代次数以及位置维度；
(32)计算初始位置，将适应度最好的最优个体设为当前位置，更新位置使用的公式为：
Figure FDA0003109816160000021
其中，
Figure FDA0003109816160000022
表示在第t次迭代中个体i的位置；Kj t表示种群的当前最优位置；r2、r3、r4是服从均匀分布的随机数，r2∈[0，2π]，r3∈[－2，2]，r4∈[0，1]，r1是控制参数；并且r1通过式(1)进行调整；
(33)在正余弦算法基础上使用Levy飞行改进控制参数r1，更新公式如下：
Figure FDA0003109816160000023
其中，Levy(β)服从参数为β的Levy分布，0<β<2，μ服从N(0,σ2)分布，ν服从N(0,1)分布，σ可由下式得到：
Figure FDA0003109816160000024
其中，Γ表示Gamma分布函数，本发明中β取1.5；
(34)在正余弦算法的基础上，采用爬山局部搜索对算法的搜索部分进行改进。
5.根据权利要求1所述基于主成分分析和改进LSTM的光伏功率预测方法，其特征在于，所述步骤(4)通过以下公式实现：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure FDA0003109816160000025
Figure FDA0003109816160000026
ot＝σ(Wo·[ht-1,xt]+bo)
zt＝ot×tanh(ct)
其中，ft为遗忘门控，it为输入门控，ot为输出门控；Wf，Wo为权重；bf，Wi，Wc，bo为偏置；σ和tanh为激活函数；xt为t时刻的输入数据，zt为最后的输出结果。
6.一种采用如权利要求1-5任一所述方法的基于主成分分析和改进LSTM的光伏功率预测系统，其特征在于，包括光伏功率数据采集模块、数据主成分分析模块、预测模块和预测性能评价模块；
所述光伏功率数据采集模块，采集历史的光伏功率数据，并对光伏功率数据进行预处理，得到训练集和测试集；
所述数据主成分分析模块，对数据使用主要分析法进行特征选择减少预测数据的输入量，避免对预测精度的影响；
所述光伏功率预测模块，将改进的正余弦算法与长短期记忆网络结合来预测光伏功率；
所述预测性能评价模块，使用均方根误差、决定系数和平均绝对误差进行光伏功率预测性能评估。
CN202110647701.4A 2021-06-10 2021-06-10 基于主成分分析和改进lstm的光伏功率预测方法及系统 Pending CN113487064A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110647701.4A CN113487064A (zh) 2021-06-10 2021-06-10 基于主成分分析和改进lstm的光伏功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110647701.4A CN113487064A (zh) 2021-06-10 2021-06-10 基于主成分分析和改进lstm的光伏功率预测方法及系统

Publications (1)

Publication Number Publication Date
CN113487064A true CN113487064A (zh) 2021-10-08

Family

ID=77935174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110647701.4A Pending CN113487064A (zh) 2021-06-10 2021-06-10 基于主成分分析和改进lstm的光伏功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN113487064A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN114970952A (zh) * 2022-04-14 2022-08-30 楚能新能源股份有限公司 一种考虑环境因素的光伏出力短期预测方法及系统
CN115017818A (zh) * 2022-06-20 2022-09-06 南京工业职业技术大学 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516844A (zh) * 2019-07-25 2019-11-29 太原理工大学 基于emd-pca-lstm的多变量输入光伏功率预测方法
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN112100911A (zh) * 2020-09-08 2020-12-18 淮阴工学院 一种基于深度bisltm的太阳辐射预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516844A (zh) * 2019-07-25 2019-11-29 太原理工大学 基于emd-pca-lstm的多变量输入光伏功率预测方法
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN112100911A (zh) * 2020-09-08 2020-12-18 淮阴工学院 一种基于深度bisltm的太阳辐射预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LI NNG等: "An improved Sine Cosine Algorithm based on Levy flight", 《PROCEEDINGS OF SPIE》, pages 104204 *

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN114970952A (zh) * 2022-04-14 2022-08-30 楚能新能源股份有限公司 一种考虑环境因素的光伏出力短期预测方法及系统
CN115017818A (zh) * 2022-06-20 2022-09-06 南京工业职业技术大学 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法

Similar Documents

Publication Publication Date Title
CN111353653B (zh) 一种光伏出力短期区间预测方法
CN113487064A (zh) 基于主成分分析和改进lstm的光伏功率预测方法及系统
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN111222674A (zh) 基于长短期记忆神经网络的短期光伏发电量预测方法
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN107679687A (zh) 一种光伏出力建模方法以及发电系统可靠性评估方法
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN114298377A (zh) 一种基于改进极限学习机的光伏发电预测方法
CN116757057A (zh) 基于pso-ga-lstm模型的空气质量预测方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN116341613A (zh) 一种基于Informer encoder和LSTM的超短期光伏功率预测方法
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
CN116151464A (zh) 一种光伏发电功率预测方法、系统及可存储介质
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN117748495A (zh) 一种基于残差神经网络的光伏电站短期发电功率预测方法
CN116167508B (zh) 一种基于气象因素分解的短期光伏出力快速预测方法及系统
CN115392387B (zh) 一种低压分布式光伏发电出力预测方法
CN112949938B (zh) 改善训练样本类别不均衡的风电爬坡事件直接预报方法
CN115481788A (zh) 相变储能系统负荷预测方法及系统
CN115374998A (zh) 基于注意力机制和CNN-BiGRU的负荷预测方法

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