CN113705876A - 一种基于气象大数据的光伏功率预测模型的构建方法及装置 - Google Patents
一种基于气象大数据的光伏功率预测模型的构建方法及装置 Download PDFInfo
- Publication number
- CN113705876A CN113705876A CN202110953627.9A CN202110953627A CN113705876A CN 113705876 A CN113705876 A CN 113705876A CN 202110953627 A CN202110953627 A CN 202110953627A CN 113705876 A CN113705876 A CN 113705876A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- data
- photovoltaic power
- prediction model
- matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims description 87
- 238000012549 training Methods 0.000 claims description 55
- 230000005855 radiation Effects 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000000513 principal component analysis Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- HESCAJZNRMSMJG-KKQRBIROSA-N epothilone A Chemical compound C/C([C@@H]1C[C@@H]2O[C@@H]2CCC[C@@H]([C@@H]([C@@H](C)C(=O)C(C)(C)[C@@H](O)CC(=O)O1)O)C)=C\C1=CSC(C)=N1 HESCAJZNRMSMJG-KKQRBIROSA-N 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011522 transarterial infusion chemotherapy Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/045—Combinations of 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种基于气象大数据的光伏功率预测模型的构建方法及装置,所述方法通过光伏功率物理模型提取气象大数据的关键气象特征数据,并将关键气象特征数据和气象大数据整合经过PCA主成分分析和KNN聚类分析,得到关键气象特征数据矩阵,将所述关键气象特征数据矩阵平移数据点获得训练数据集,将所述训练数据集输入CNN神经网络训练,获得初步预测模型,对初步预测模型进行误差反馈,经过多次误差迭代,获得误差分布收敛较好的光伏功率预测数据。所述方法采用CNN卷积神经网络预测模型,光伏功率预测涉及的气象特征数据全面,预测结果精准度高。
Description
方法领域
本发明涉及电力资源新能源预测方法领域,具体涉及到一种基于气象大数据的光伏功率预测模型的构建方法及装置。
背景方法
现有方法方案将物理方法和统计方法有机结合,实现两种算法互相取长补短相得益彰的效果。但是光伏建模简化,一些关键的天气条件可能被忽略,得到的光伏预测结果准确性不足。
发明内容
本发明旨在克服现有方法的不足,提供一种基于气象大数据的光伏功率预测模型的构建方法及装置,所述方法通过CNN卷积神经网络,充分考虑了一些关键气象特征数据,经过多次误差迭代,获得误差分布收敛好的光伏功率预测模型,光伏功率预测准确。
本发明提供一种基于气象大数据的光伏功率预测模型的构建方法,所述预测方法包括:
通过光伏发电模型整理出光伏功率物理表达式,在历史数据取一组数据作为测试数据,根据光伏功率物理表达式提取关键气象特征量,将提取的关键气象特征量整合到历史数据中,构建气象特征数据矩阵;
将所述气象特征数据矩阵通过PCA主成分分析得到主成分气象特征数据矩阵;将所述主成分气象特征数据矩阵通过KNN聚类分析得到关键气象特征数据矩阵;
将所述关键气象特征数据矩阵通过平移数据点获得训练数据集,并将所述训练数据集输入到CNN卷积神经网络进行训练,获得初步预测模型;
将测试数据的关键气象特征矩阵,输入到初步预测模型,获得预测结果,对预测结果进行误差分析统计,在初步预测模型上叠加误差反馈,得到误差反馈模型;
将所述训练数据集输入到误差反馈模型中的CNN卷积神经网络进行训练,进行误差迭代补偿,构建光伏功率预测模型。
所述光伏发电模型包括大气光照模型:
光伏板在光伏功率最大时的输出Pmp表达式为:
Pmp=cSTDEPOA*[1+cT(Tc-T0)];
其中,Pmp为最大光伏功率EPOA是光伏板表面的总光辐射度,cSTD为系数,Tc为光伏板的温度,T0为参考温度,通常为25℃;cT为光伏模块的温度系数;
总光辐射度EPOA和光伏板的温度Tc是两个主要的天气特征;
空间中任一位置的总光辐射度可以分解为阳光直射、地面反射和大气散射三个主要分量:
EPOA=Eb+Eg+Ed;
其中,EPOA指光伏板表面的总光辐射度;Eb为太阳光直射到光伏板上的光辐射;Eg为地面光反射到光伏板上的光辐射;Ed为大气散射的光辐射。
所述太阳光直射的光照分量Eb主要与该时刻未经反射散射的太阳光强及光辐射角有关:
Eb=EDNIcos(θAOI);
其中,Eb为太阳光直射到光伏板上的光辐射,EDNI为直接法向辐照度;θAOI为太阳光辐射角,即太阳光直射方向和光伏阵列之间的夹角;
所述地面反射的光照分量Eg主要与该时刻所有水平照射地面的太阳光强有关:
Eg=cGREGHI;
其中,Eg为地面光反射到光伏板上的光辐射,EGHI为全球水平辐照度;cGR为地面反射系数,由地面反射光的反射率和地面倾斜程度决定;
Ed=cSKYEDHI;
其中,Ed为大气散射的光辐射,EDHI为散射水平辐照度,cSKY为系数,由光伏阵列倾斜角度决定。
所述EGHI可以从气象大数据中直接获得。根据现有研究得到的经验模型,所述EDHI可以由所述EGHI估算得到;
所述全球辐照与散射辐照存在以下关系:
EGHI=EGHI+EDNI cosθAOI=EDHI+Eb;
EPOA=Eb+Eg+Ed=cGREGHI+cSKYEDHI+Eb;
其中,EPOA是光伏板表面的总光辐射度,EGHI为全球水平辐照度,EDNI为直接法向辐照度,EDHI为散射水平辐照度,cGR为地面反射系数,cSKY为系数,Eb为太阳光直射到光伏板上的光辐射,Eg为地面光反射到光伏板上的光辐射,Ed为大气散射的光辐射,θAOI为太阳光辐射角。
所述根据光伏功率物理表达式进行关键气象特征量的提取,包括:
在所述气象大数据中获得基本气象参数EGHI、Eb、EDHI、TA、VW,所述基本气象参数与光伏功率之间的表达式为:
cW0=25W/m2·K;
cW1=6.84W/m3·s·K;
其中,Pmp为光伏功率,EPOA是光伏板表面的总光辐射度,cSTD为系数,Tc为光伏板的温度,T0为参考温度,TA为环境温度,cW0为热传导常数因子,cW1为热对流系数,VW为研究位置的风速。
当得到T个时间点的气象数据参数及其相应的光伏功率时,首先可以围绕EPOA构造出关于三个光辐射分量的特征矩阵。将EGHI、Eb、EDHI、TA表示为一维矩阵Eb,EGHI,EDHI,TA∈RT *1,设:
E=(Eb,EGHI,EDHI)∈RT*3;
其中,Eb为太阳光直射到光伏板上的光辐射,EDHI为散射水平辐照度,EGHI为全球水平辐照度;
设一个列向量:
由此,构建气象特征矩阵XC:
XC=(E,diag(TA)*E,diag(VW2)*E2)∈RT*12;
其中,E2∈RT*6为取于中EPOA 2的高维变量的集合:
E2=(Eb[t]2,EGHI[t]2,EDHI[t]2,Eb[t]EGHI[t],EGHI[t]EDHI[t],EDHI[t]Eb[t]);其中t=(1,2,3…,T)。
所述将气象特征数据矩阵通过PCA主成分分析得到主成分气象特征数据矩阵,包括:
对所述气象特征数据进行PCA主成分分析,得到的新变量按特征量由大到小排列,选取前n列特征向量,作为主成分气象特征数据。
所述将主成分气象特征数据矩阵通过KNN聚类分析得到关键气象特征数据矩阵,包括:
对所述主成分气象特征数据矩阵进行KNN聚类分析,取测试数据的关键气象特征,在历史数据的关键气象特征数据集中逐一比较不同时间的特征与待分析样本的空间距离,筛选出一系列距离历史数据最近的样本,构建关键气象特征数据矩阵。
所述将关键气象特征数据矩阵通过平移数据点获得训练数据集,包括:
将一个整日的关键气象特征数据矩阵往后平移一个数据点,获得另一个关键气象特征数据矩阵,通过多次平移数据点构成训练数据集,将所述训练数据集输入到CNN卷积神经网络进行训练。
所述对预测结果进行误差分析统计,在初步预测模型上叠加误差反馈,得到误差反馈模型;包括:
取若干个连续的功率向量作为该时间段的光伏功率预测结果,将所述预测结果与真实的光伏功率进行比较,得到误差分布,对不同的预测结果生成误差分布图,在原有的预测模型上叠加误差分布图得到新的待测数据模型。
本发明还提供了一种基于气象大数据的光伏功率预测模型的构建装置,所述装置包括:
物理模型分析模块:用于通过光伏发电模型整理出光伏功率物理表达式,在历史数据取一组数据作为测试数据,根据光伏功率物理表达式提取关键气象特征量,将提取的关键气象特征量整合到历史数据中,构建气象特征数据矩阵;
数据处理模块:用于将所述气象特征数据矩阵通过PCA主成分分析和KNN聚类分析,得到关键气象数据矩阵;
统计训练模块:用于将所述关键气象特征数据矩阵通过平移数据点获得训练数据集,并将所述训练数据集输入到CNN卷积神经网络进行训练,获得初步预测模型;
误差反馈模块:用于将测试数据的关键气象特征矩阵,输入到初步预测模型,获得预测结果,对预测结果进行误差分析统计,在初步预测模型上叠加误差反馈,得到误差反馈模型;
误差迭代计算模块:用于将所述训练数据集输入到误差反馈模型中的CNN卷积神经网络进行训练,进行误差迭代补偿,构建光伏功率预测模型。
本发明提供一种基于气象大数据的光伏功率预测模型的构建方法及装置,所述方法通过光伏功率物理模型提取气象大数据的关键气象特征数据,并将所述关键气象特征数据和气象大数据整合经过PCA主成分分析和KNN聚类分析,得到关键气象特征数据矩阵,将所述关键气象特征数据矩阵平移数据点获得训练数据集,将所述训练数据集输入CNN神经网络训练,并将测试数据输入到训练好的CNN神经网络进行光伏功率预测,经过多次误差迭代,获得误差分布收敛较好的光伏功率预测数据。所述光伏功率预测方法通过CNN卷积神经网络,充分考虑了一些关键气象特征数据,经过多次误差迭代,得到精确度高的光伏功率预测结果。
附图说明
图1为本发明实施例的光伏功率预测模型构建方法流程图;
图2为本发明实施例的光伏功率预测模型构建设置流程图;
图3为本发明实施例的光伏功率预测模型构建装置的设置图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的方法方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通方法人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
图1示出了本发明实施例中预测模型构建方法流程图,如图1所示,本发明提供一种基于气象大数据的光伏功率预测模型的构建方法,所述方法包括:
S11:通过光伏发电模型整理出光伏功率物理表达式,在历史数据取一组数据作为测试数据,根据光伏功率物理表达式提取关键气象特征量,将提取的关键气象特征量整合到历史数据中,构建气象特征数据矩阵;
具体的,提取关键气象变量,重点在于变量的乘方、倒数等形式,将提取出的新变量整合加入原有气象数据中。
具体的,所述光伏发电模型包括大气光照模型:
光伏板在光伏功率最大时的输出Pmp表达式为:
Pmp=cSTDEPOA*[1+cT(Tc-T0)];
其中,Pmp为最大光伏功率EPOA是光伏板表面的总光辐射度,cSTD为系数,Tc为光伏板的温度,T0为参考温度,通常为25℃;cT为光伏模块的温度系数;
总光辐射度EPOA和光伏板的温度Tc是两个主要的天气特征。
具体的,空间中任一位置的总光辐射度可以分解为阳光直射、地面反射和大气散射三个主要分量:
EPOA=Eb+Eg+Ed;
其中,EPOA指光伏板表面的总光辐射度;Eb为太阳光直射到光伏板上的光辐射;Eg为地面光反射到光伏板上的光辐射;Ed为大气散射的光辐射。
所述太阳光直射的光照分量Eb主要与该时刻未经反射散射的太阳光强及光辐射角有关:
Eb=EDNIcos(θAOI);
其中,Eb为太阳光直射到光伏板上的光辐射,EDNI为直接法向辐照度;θAOI为太阳光辐射角,即太阳光直射方向和光伏阵列之间的夹角。
所述地面反射的光照分量Eg主要与该时刻所有水平照射地面的太阳光强有关:
Eg=cGREGHI;
其中,Eg为地面光反射到光伏板上的光辐射,EGHI为全球水平辐照度;cGR为地面反射系数,由地面反射光的反射率和地面倾斜程度决定;
Ed=cSKYEDHI;
其中,Ed为大气散射的光辐射,EDHI为散射水平辐照度,cSKY为系数,由光伏阵列倾斜角度决定。
所述EGHI可以从气象大数据中直接获得。根据现有研究得到的经验模型,所述EDHI可以由所述EGHI估算得到;
所述全球辐照与散射辐照存在以下关系:
EGHI=EGHI+EDNI cosθAOI=EDHI+Eb;
EPOA=Eb+Eg+Ed=cGREGHI+cSKYEDHI+Eb;
其中,EPOA是光伏板表面的总光辐射度,EGHI为全球水平辐照度,EDNI为直接法向辐照度,EDHI为散射水平辐照度,cGR为地面反射系数,cSKY为系数,Eb为太阳光直射到光伏板上的光辐射,Eg为地面光反射到光伏板上的光辐射,Ed为大气散射的光辐射,θAOI为太阳光辐射角。
具体的,在所述气象大数据中获得基本气象参数EGHI、Eb、EDHI、TA、VW,所述基本气象参数与光伏功率之间的表达式为:
其中,Pmp为光伏功率,EPOA是光伏板表面的总光辐射度,cSTD为系数,Tc为光伏板的温度,T0为参考温度,TA为环境温度。
具体的,光伏板温度Tc可以由环境温度TA换算得到:
当得到T个时间点的气象数据参数及其相应的光伏功率时,首先可以围绕EPOA构造出关于三个光辐射分量的特征矩阵。将EGHI、Eb、EDHI、TA表示为一维矩阵Eb,EGHI,EDHI,TA∈RT *1,设:
E=(Eb,EGHI,EDHI)∈RT*3;
其中,Eb为太阳光直射到光伏板上的光辐射,EDHI为散射水平辐照度,EGHI为全球水平辐照度;
设一个列向量:
由此,构建气象特征矩阵XC:
XC=(E,diag(TA)*E,diag(VW2)*E2)∈RT*12;
其中,E2∈RT*6为取于中EPOA 2的高维变量的集合:
E2=(Eb[t]2,EGHI[t]2,EDHI[t]2,Eb[t]EGHI[t],EGHI[t]EDHI[t],EDHI[t]Eb[t]);其中t=(1,2,3…,T)。
具体的,将气象特征数据矩阵中光伏功率为零的气象特征数据剔除,减少光伏功率输出为零的气象特征数据,对光伏功率预测结果的影响。
S12:将所述气象特征数据矩阵通过PCA主成分分析得到主成分气象特征数据矩阵;将所述主成分气象特征数据矩阵通过KNN聚类分析得到关键气象特征数据矩阵;
具体的,对所述气象特征数据进行PCA主成分分析,得到的新变量按特征量由大到小排列,选取前n列特征向量,作为主成分气象特征数据。
优选的,所述PCA主成分分析可以根据具体的问题需要,选择信息量最大的几个新变量作为新的特征量,进一步减少一部分数据,降低特征数目,对数据集实现降维,把筛选得到的主成分作为新的自变量代替原来自变量作为回归分析的数据集。
具体的,对所述主成分气象特征数据矩阵进行KNN聚类分析,取测试数据的关键气象特征,在历史数据的关键气象特征数据集中逐一比较不同时间的特征与待分析样本的空间距离,筛选出一系列距离历史数据最近的样本,构建关键气象特征数据矩阵。
具体的,所述KNN聚类分析核心在于,针对一个样本在特征空间中寻找k个最相近的数据样本,当所有样本已经被固定分为若干类别时,统计这些样本中各个类别样本的数目,则数目最多的一个样本就是所取待研究样本分类最合适的一个类别,即该样本最具有此类别中样本的特性。
S13:将所述关键气象特征数据矩阵通过平移数据点获得训练数据集,并将所述训练数据集输入到CNN卷积神经网络进行训练,获得初步预测模型;
具体的,由于卷积神经网络在图像处理方面有巨大的优势,本发明将经过KNN聚类的关键气象特征数据集按一定顺序组合为二维数据组,即将一行为一个时间点的气象数据、一列为一个关键气象特征的数据方阵视作一个图像,输入卷积神经网络进行训练,其训练目标为一列光伏功率对应的向量,即每一个功率值对应一个时间点的气象数据。
所述CNN卷积神经网络与传统BP神经网络相比,增加的第二个维度纵轴,即气象数据随着时间的推移而变化,每一列的气象特征都将受到前一时刻的气象特征影响,连续变化或突变都存在着能够学习的固定模式。
具体的,将一个整日的关键气象特征数据矩阵往后平移一个数据点,获得另一个关键气象特征数据矩阵,通过多次平移数据点构成训练数据集,将所述训练数据集输入到CNN卷积神经网络进行训练。
具体的,根据所述KNN聚类分析的特点,针对每一个测试日,需要相对应的训练数据集重新对CNN神经网络进行训练。
S14:将测试数据的关键气象特征矩阵,输入到初步预测模型,获得预测结果,对预测结果进行误差分析统计,在初步预测模型上叠加误差反馈,得到误差反馈模型;
具体的,取若干个连续的功率向量作为该时间段的光伏功率预测结果,将所述预测结果与真实的光伏功率进行比较,得到误差分布,对不同的预测结果生成误差分布图,在原有的预测模型上叠加误差分布图得到新的待测数据模型。
S15:将所述训练数据集输入到误差反馈模型中的CNN卷积神经网络进行训练,进行误差迭代补偿,构建光伏功率预测模型。
具体的,将所述训练数据集输入到所述误差反馈模型中的CNN卷积神经网络,重新训练CNN卷积神经网络,对新预测模型的预测结果进行误差反馈,经过多次的误差迭代,直到误差收敛效果好,得到光伏功率预测模型。
本发明实施例中的基于气象大数据的光伏功率预测模型的构建方法,通过物理模型获得气象特征数据矩阵,然后通过PCA主成分分析和KNN聚类分析得到关键气象数据矩阵,通过平移数据点获得训练数据训练CNN卷积神经网络,将训练好的CNN神经网络的预测结果经过多次误差迭代,得到误差收敛效果好的光伏预测结果。所述方法能基于气象大数据获取气象基本参数,通过物理模型整理出气象特征数据矩阵,通过CNN卷积网络训练分析,能够学习连续变化和突变的气象特征,光伏功率预测考虑到一些关键的气象特征数据,经过多次的误差迭代,得到准确度高的光伏预测结果,从而完成光伏功率预测模型的构建。
实施例二
图2示出了本发明实施例的光伏功率预测模型构建设置流程图,图3示出了本发明实施例中一种基于气象大数据的光伏功率预测模型构建装置设置示意图,所述装置包括:
物理模型分析模块1:用于通过光伏发电模型整理出光伏功率物理表达式,在历史数据取一组数据作为测试数据,根据光伏功率物理表达式提取关键气象特征量,将提取的关键气象特征量整合到历史数据中,构建气象特征数据矩阵;
具体的,所述物理模型分析模块1基于气象大数据获得气象基本参数,根据光伏发电模型,整理出光伏功率物理表达式,并在所述光伏功率物理表达式中提取关键气象特征量,将所述关键气象特征量整合到气象大数据中,构建气象特征数据矩阵。
具体的,将所述气象数据矩阵中光伏功率输出为零的气象特征数据剔除,减少对光伏功率预测结果的影响。
数据处理模块2:用于将所述气象特征数据矩阵通过PCA主成分分析和KNN聚类分析,得到关键气象数据矩阵;
具体的,通过PCA主成分分析,将所述气象特征数据矩阵进行数据降维,获取主成分气象特征数据矩阵,通过KNN聚类分析获取所述主成分气象特征数据矩阵中,关键气象特征数据,构成关键气象数据特征矩阵。
进一步的,所述PCA主成分分析能够基于初步提取的变量进一步去除重复信息,提取出互不相关的关键特征,分析各个特征包含信息量的比例,实现数据的降维,使得后续网络训练学习更加高效。
进一步的,所述KNN天气类型聚类分析将相似日作为网络的数据集,更有利于学习出更深度的数据关系。
统计训练模块3:用于将所述关键气象特征数据矩阵通过平移数据点获得训练数据集,并将所述训练数据集输入到CNN卷积神经网络进行训练,获得初步预测模型;
具体的,通过将所述关键气象特征数据矩阵往后平移一个数据点,获得新的关键气象数据矩阵,根据CNN卷积神经网络的特性,平移数据点获得的数据不会使神经网络的训练结果出现偏差。通过平移数据点可以获得多组关键数据特征矩阵,进行CNN卷积神经网络的训练。
进一步的,采用CNN卷积神经网络,对二维数据集进行挖掘归纳,在得知某时刻的数值天气预报后能够得到该时刻一个较精确的光伏功率预测值。
误差反馈模块4:用于将测试数据的关键气象特征矩阵,输入到初步预测模型,获得预测结果,对预测结果进行误差分析统计,在初步预测模型上叠加误差反馈,得到误差反馈模型;
具体的,测试数据完成预测时,连缀得到的若干功率向量,作为该时间段的光伏功率预测结果;与真实光伏功率值进行对比统计,得到误差分布,针对不同的预测结果,给出误差分布图;
在原有预测模型上叠加误差反馈,即针对某一时刻预测结果的值,对于该值附近误差分布进行反馈补偿,获得误差反馈的预测数据模型构建为待分析数据。
误差迭代计算模块5:用于将所述训练数据集输入到误差反馈模型中的CNN卷积神经网络进行训练,进行误差迭代补偿,构建光伏功率预测模型。
具体的,将待分析数据重复KNN聚类分析和CNN神经网络的训练,通过训练好的CNN神经网络对所述待分析数据进行光伏功率预测,经过多次误差迭代,直到误差收敛效果好,获得精确度高的光伏预测结果。
具体的,如图2所示,本光伏功率预测装置工作开始时,通过物理模型分析得出光伏功率的物理表达式,合并历史数据与测试数据,根据物理表达式提取关键气象特征数据,剔除光伏功率为零的数据,然后进行PCA主成分分析,将数据以自然日为单位,取其中一个整日的数据进行KNN聚类分析,将K个最邻近日输入CNN神经网络训练,然后获取所述整日数据的光伏预测结果,当所有整日数据完成预测时,对所有结果进行误差分析,然后重复KNN分析和CNN训练预测,直到误差分布收敛效果好,完成光伏功率预测模型的构建。
本发明实施例中的基于气象大数据的光伏功率预测模型构建装置,能基于气象大数据获取气象基本参数,通过物理模型整理出气象特征数据矩阵,通过CNN卷积网络训练分析,能够学习连续变化和突变的气象特征,光伏预测考虑到一些关键的气象特征数据,经过多次的误差迭代,得到准确度高的光伏预测结果,完成光伏功率预测模型的构建。
本领域普通方法人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍,本文中采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般方法人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述方法包括:
通过光伏发电模型整理出光伏功率物理表达式,在历史数据取一组数据作为测试数据,根据光伏功率物理表达式提取关键气象特征量,将提取的关键气象特征量整合到历史数据中,构建气象特征数据矩阵;
将所述气象特征数据矩阵通过PCA主成分分析得到主成分气象特征数据矩阵;将所述主成分气象特征数据矩阵通过KNN聚类分析得到关键气象特征数据矩阵;
将所述关键气象特征数据矩阵通过平移数据点获得训练数据集,并将所述训练数据集输入到CNN卷积神经网络进行训练,获得初步预测模型;
将测试数据的关键气象特征矩阵,输入到初步预测模型,获得预测结果,对预测结果进行误差分析统计,在初步预测模型上叠加误差反馈,得到误差反馈模型;
将所述训练数据集输入到误差反馈模型中的CNN卷积神经网络进行训练,进行误差迭代补偿,构建光伏功率预测模型。
2.如权利要求1所述的一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述光伏发电模型包括大气光照模型:
光伏板在光伏功率最大时的输出Pmp表达式为:
Pmp=cSTDEPOA*[1+cT(Tc-T0)];
其中,Pmp为最大光伏功率EPOA是光伏板表面的总光辐射度,cSTD为系数,Tc为光伏板的温度,T0为参考温度,通常为25℃;cT为光伏模块的温度系数;
总光辐射度EPOA和光伏板的温度Tc是两个主要的天气特征;
空间中任一位置的总光辐射度可以分解为阳光直射、地面反射和大气散射三个主要分量:
EPOA=Eb+Eg+Ed;
其中,EPOA指光伏板表面的总光辐射度;Eb为太阳光直射到光伏板上的光辐射;Eg为地面光反射到光伏板上的光辐射;Ed为大气散射的光辐射。
3.如权利要求2所述的一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述太阳光直射的光照分量Eb主要与该时刻未经反射散射的太阳光强及光辐射角有关:
Eb=EDNIcos(θAOI);
其中,Eb为太阳光直射到光伏板上的光辐射,EDNI为直接法向辐照度;θAOI为太阳光辐射角,即太阳光直射方向和光伏阵列之间的夹角;
所述地面反射的光照分量Eg主要与该时刻所有水平照射地面的太阳光强有关:
Eg=cGREGHI;
其中,Eg为地面光反射到光伏板上的光辐射,EGHI为全球水平辐照度;cGR为地面反射系数,由地面反射光的反射率和地面倾斜程度决定;
Ed=cSKYEDHI;
其中,Ed为大气散射的光辐射,EDHI为散射水平辐照度,cSKY为系数,由光伏阵列倾斜角度决定。
4.如权利要求3所述的一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述EGHI可以从气象大数据中直接获得。根据现有研究得到的经验模型,所述EDHI可以由所述EGHI估算得到;
所述全球辐照与散射辐照存在以下关系:
EGHI=EGHI+EDNIcosθAOI=EDHI+Eb;
EPOA=Eb+Eg+Ed=cGREGHI+cSKYEDHI+Eb;
其中,EPOA是光伏板表面的总光辐射度,EGHI为全球水平辐照度,EDNI为直接法向辐照度,EDHI为散射水平辐照度,cGR为地面反射系数,cSKY为系数,Eb为太阳光直射到光伏板上的光辐射,Eg为地面光反射到光伏板上的光辐射,Ed为大气散射的光辐射,θAOI为太阳光辐射角。
5.如权利要求1所述的一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述根据光伏功率物理表达式进行关键气象特征量的提取,包括:
在所述气象大数据中获得基本气象参数EGHI、Eb、EDHI、TA、VW,所述基本气象参数与光伏功率之间的表达式为:
cW0=25W/m2·K;
cW1=6.84W/m3·s·K;
其中,Pmp为光伏功率,EPOA是光伏板表面的总光辐射度,cSTD为系数,Tc为光伏板的温度,T0为参考温度,TA为环境温度,cW0为热传导常数因子,cW1为热对流系数,VW为研究位置的风速。
当得到T个时间点的气象数据参数及其相应的光伏功率时,首先可以围绕EPOA构造出关于三个光辐射分量的特征矩阵。将EGHI、Eb、EDHI、TA表示为一维矩阵Eb,EGHI,EDHI,TA∈RT*1,设:
E=(Eb,EGHI,EDHI)∈RT*3;
其中,Eb为太阳光直射到光伏板上的光辐射,EDHI为散射水平辐照度,EGHI为全球水平辐照度;
设一个列向量:
由此,构建气象特征矩阵XC:
XC=(E,diag(TA)*E,diag(VW2)*E2)∈RT*12;
其中,E2∈RT*6为取于中EPOA 2的高维变量的集合:
E2=(Eb[t]2,EGHI[t]2,EDHI[t]2,Eb[t]EGHI[t],EGHI[t]EDHI[t],EDHI[t]Eb[t]);
其中t=(1,2,3…,T)。
6.如权利要求1所述的一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述将气象特征数据矩阵通过PCA主成分分析得到主成分气象特征数据矩阵,包括:
对所述气象特征数据进行PCA主成分分析,得到的新变量按特征量由大到小排列,选取前n列特征向量,作为主成分气象特征数据。
7.如权利要求1所述的一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述将主成分气象特征数据矩阵通过KNN聚类分析得到关键气象特征数据矩阵,包括:
对所述主成分气象特征数据矩阵进行KNN聚类分析,取测试数据的关键气象特征,在历史数据的关键气象特征数据集中逐一比较不同时间的特征与待分析样本的空间距离,筛选出一系列距离历史数据最近的样本,构建关键气象特征数据矩阵。
8.如权利要求1所述的一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述将关键气象特征数据矩阵通过平移数据点获得训练数据集,包括:
将一个整日的关键气象特征数据矩阵往后平移一个数据点,获得另一个关键气象特征数据矩阵,通过多次平移数据点构成训练数据集,将所述训练数据集输入到CNN卷积神经网络进行训练。
9.如权利要求1所述的一种基于气象大数据的光伏功率预测模型的构建方法,其特征在于,所述对预测结果进行误差分析统计,在初步预测模型上叠加误差反馈,得到误差反馈模型;包括:
取若干个连续的功率向量作为该时间段的光伏功率预测结果,将所述预测结果与真实的光伏功率进行比较,得到误差分布,对不同的预测结果生成误差分布图,在原有的预测模型上叠加误差分布图得到新的待测数据模型。
10.一种基于气象大数据的光伏功率预测模型构建装置,其特征在于,所述装置包括:
物理模型分析模块:用于通过光伏发电模型整理出光伏功率物理表达式,在历史数据取一组数据作为测试数据,根据光伏功率物理表达式提取关键气象特征量,将提取的关键气象特征量整合到历史数据中,构建气象特征数据矩阵;
数据处理模块:用于将所述气象特征数据矩阵通过PCA主成分分析和KNN聚类分析,得到关键气象数据矩阵;
统计训练模块:用于将所述关键气象特征数据矩阵通过平移数据点获得训练数据集,并将所述训练数据集输入到CNN卷积神经网络进行训练,获得初步预测模型;
误差反馈模块:用于将测试数据的关键气象特征矩阵,输入到初步预测模型,获得预测结果,对预测结果进行误差分析统计,在初步预测模型上叠加误差反馈,得到误差反馈模型;
误差迭代计算模块:用于将所述训练数据集输入到误差反馈模型中的CNN卷积神经网络进行训练,进行误差迭代补偿,构建光伏功率预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110953627.9A CN113705876B (zh) | 2021-08-19 | 2021-08-19 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110953627.9A CN113705876B (zh) | 2021-08-19 | 2021-08-19 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705876A true CN113705876A (zh) | 2021-11-26 |
CN113705876B CN113705876B (zh) | 2022-12-09 |
Family
ID=78653439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110953627.9A Active CN113705876B (zh) | 2021-08-19 | 2021-08-19 | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705876B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
-
2021
- 2021-08-19 CN CN202110953627.9A patent/CN113705876B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
Non-Patent Citations (2)
Title |
---|
刘俊等: "基于多维气象数据和PCA-BP神经网络的光伏发电功率预测", 《电网与清洁能源》 * |
李伟等: "基于气象因子权重相似日的短期光伏功率预测", 《广东电力》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114123200B (zh) * | 2022-01-24 | 2022-04-12 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113705876B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059878B (zh) | 基于cnn lstm光伏发电功率预测模型及其构建方法 | |
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
CN112507793A (zh) | 一种超短期光伏功率预测方法 | |
CN112766199A (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN112906989B (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
CN110674947B (zh) | 基于Stacking集成框架的光谱特征变量选择与优化方法 | |
CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
CN112881306A (zh) | 一种基于高光谱图像的煤炭灰分含量快速检测方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN112508244B (zh) | 一种用户级综合能源系统多元负荷预测方法 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
CN113705876B (zh) | 一种基于气象大数据的光伏功率预测模型的构建方法及装置 | |
CN112418346A (zh) | 一种数值天气预报总辐射系统误差分类计算方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN115912502A (zh) | 一种智能电网运营优化方法及装置 | |
CN114004152B (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
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 | |
CN117439045A (zh) | 综合能源系统多元负荷预测方法 | |
CN117081063A (zh) | 一种基于GCN-Crossformer模型的分布式充电负荷预测方法及系统 | |
Brahma et al. | Visualizing solar irradiance data in ArcGIS and forecasting based on a novel deep neural network mechanism |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |