CN113919232A - 一种基于循环神经网络的光伏电站功率预测方法及系统 - Google Patents
一种基于循环神经网络的光伏电站功率预测方法及系统 Download PDFInfo
- Publication number
- CN113919232A CN113919232A CN202111241506.8A CN202111241506A CN113919232A CN 113919232 A CN113919232 A CN 113919232A CN 202111241506 A CN202111241506 A CN 202111241506A CN 113919232 A CN113919232 A CN 113919232A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- meteorological
- output power
- historical
- 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
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 24
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 21
- 230000005855 radiation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
Abstract
本发明涉及一种基于循环神经网络的光伏电站功率预测方法及系统，获取光伏电站记录的历史输出功率数据以及气象预报数据；进行数据处理，得到历史输出功率数据时间序列和对应的历史气象数据的时间序列，并进行归一化处理和分割形成样本数据集；构建循环神经网络模型并训练。采集一段时间内的输出功率数据，进行数据处理输入循环神经网络模型；循环神经网络模型输出预测结果，获取对应的输出功率数据作为光伏电站功率预测值。本发明通过结合光伏电站历史数据和NWP气象预报数据，训练基于循环神经网络模型的光伏功率预测模型，预测未来24小时的光伏发电功率，提高预测精度。
Description
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种基于循环神经网络的光伏电站功率预测方法及系统。
背景技术
近年来，随着经济快速增长，越来越多的环境问题随之出现，二氧化碳温室气体猛增，对生命系统形成威胁。在这一背景下，世界各国以全球协约的方式减排温室气体。为实现这一伟大目标，各地应积极调整能源结构，优化产业布局，发展新能源产业，坚持绿色低碳发展。电力行业作为碳排重点，必须大力发展光伏等新能源发电产业，不断优化电力结构，所谓光伏发电是将太阳辐射能通过光伏电池组件直接转换成直流电能，并通过功率变换装置与电网连接在一起，向电网输送有功功率和无功功率的发电系统，因此如何更好的将光伏电站并入电网，充分发挥新能源优势，成为研究的重点，这也对光伏功率预测的精度和时长提出了更高的要求。
目前，通常采用光伏电站本身的历史发电信息和当地的历史天气信息，利用机器学习训练出反映两者对应关系的模型，并结合未来天气预报的信息预测光伏电站的发电状况。如果没有这个电站本身发电的历史数据，也可以基于本地区其它电站的发电信息或者地区发电数据，预测该电站的发电状况。进一步地获得足量的光伏系统的底层物理信息，比如设计参数、组件类型、安装倾角等等，从而更加准确高效的预测光伏系统在某种气象条件和地形条件下的发电状况。但是，目前预测精度仍然主要受限于区域气象和环境信息的预测精度，亟待提高。
卫星遥感具有时空分辨率高、覆盖范围广、数据传输准确高效等诸多优点，能够定量获得区域气象和环境信息。在光伏预测系统中，引入高精度的卫星遥感数据，反演得到准确的云和气溶胶等大气成份的理化光学参数和变化趋势，结合地面和探空气象数据，开展短时气象环境预报，可以有效支撑辐射传输模型法以提高不同时空条件地表下行短波辐射的计算精度，从而提升预测精度、提高光伏并网容量，以达到电网要求。
根据预测流程的不同，光伏预测方法可分为直接预测和间接预测方法。直接预测法使用历史光伏功率数据和气象、辐射数据来预测未来的光伏功率；间接预测法是首先使用气象数据和卫星云图预测太阳短波辐射，然后使用太阳辐射和相关的环境变量计算光电转换率，最后得到预测的光伏功率。根据预测时长的不同，可分为超短期预测(1小时以内)、短期预测(1～6小时) 和中长期预测(6小时～2天，2天以上)。根据预测空间范围的不同，可分为单场预测和区域预测。单场预测是指单个光伏电站的功率预测，区域预测是指对某个区域范围内的多个光伏电站总出力的预测。
现有方法中，单场的直接预测法是最常用的类型，以光伏电站的历史记录数据作为样本，训练时间序列预测模型(如循环神经网络)，得到未来短期的光伏功率预测结果。但此类方法的外推能力有限，通常仅能在1～4小时有较高的精度，超过4小时后精度快速衰减，因此光伏功率预测的精度和有效时长都有待提高。
发明内容
针对现有技术中存在的问题，本发明提供一种基于循环神经网络的光伏电站功率预测方法及系统，通过结合光伏电站历史数据和NWP气象预报数据，训练基于循环神经网络的光伏功率预测模型，预测未来24小时的光伏发电功率，提高预测精度。
为达到上述目的，本发明提供了一种基于循环神经网络的光伏电站功率预测方法，包括：
获取光伏电站记录的历史输出功率数据以及气象预报数据；
确定单个样本的历史输入长度p和预测长度q；
分别对历史输出功率数据以及气象数据进行数据处理，得到历史输出功率数据时间序列和对应的气象数据的时间序列，并进行归一化处理和分割形成样本数据集；
构建循环神经网络模型；
由所述样本数据集中选择样本，训练所述循环神经网络，直至输出的预测结果满足精度要求；
采集一段时间内的输出功率数据，获取当前时刻前p个时刻的气象数据以及未来q个时刻的气象预报数据，进行数据处理，得到输出功率数据时间序列和气象数据及气象预报数据形成的时间序列，进行归一化处理后输入所述循环神经网络模型；
所述循环神经网络模型输出预测结果，获取对应的输出功率数据作为光伏电站功率预测值。
进一步地，对历史输出功率数据以及气象预报数据进行数据处理，包括：
对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值，对所述气象预报数据按照所述历史输出功率数据的时间间隔进行重采样，对所述气象预报数据和所述历史输出功率数据添加时间变量，形成时间上对应的历史输出功率数据时间序列和气象预报数据的时间序列。进一步地，所述时间变量包括月、日、小时、分钟、星期和儒略日。
进一步地，所述分割包括采用滑动窗口来生成样本，滑动窗口步长为1，窗口长度为p；
每个样本数据的长度为L＝p+q；前p个时刻数据作为历史输入，后q个时刻的气象预报数据和时间变量作为未来输入，功率数据作为标签；
每个样本的历史输入维度为p×M1，M1包括历史输出功率数据、历史气象数据和时间变量；每个样本的未来输入维度为q×M2，M2包括未来q个时刻的气象预报数据和时间变量；每个样本的标签维度为q×1，即未来q个时刻的输出功率。
进一步地，所述循环神经网络模型包括编码层、双向LSTM层和最后的全连接层；
所述编码层包括L个编码单元依次输入为：p个输出功率数据xt-(p-1),…,xt以及q个气象数据xt+1,…,xt+q；
双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元；第i个前向LSTM单元的输入为第i个编码单元输出以及第i-1个前向LSTM单元的输出；第i个后向LSTM单元的输入为第i个编码单元输出以及第i+1个后向 LSTM单元的输出；
后q个前向LSTM单元及后向LSTM单元的输出至所述全连接层，所述全连接层输出q个时刻的预测结果。
进一步地，通过网格搜索确定循环神经网络的结构参数最优的参数组合，采用最优的参数组合设置所述循环神经网络的结构参数，采用MSE作为的损失函数，优化器选择Adam优化器；
将样本数据集划分为训练集、验证集和测试集；分别对训练集、验证集和测试集中训练样本、验证样本和测试样本；
训练步骤包括：选择训练样本对所述循环神经网络训练，当满足训练要求后，进入验证步骤；
验证步骤包括：选择验证样本输入所述循环神经网络进行验证，计算模型精度；返回训练步骤，并调整模型结构参数；
比较不同模型结构参数对应的模型精度，选择模型精度最高的模型作为最优模型，选择最优模型固定模型结构参数；
测试步骤包括：选择测试样本输入所述循环神经网络进行测试，评价精度。
进一步地，将所采集一段时间内的输出功率数据，当前时刻前T小时的气象数据以及未来T小时内的气象预报数据进行归一化处理后，还包括存输入数据库，作为新的测试样本，加入训练数据集；对所述循环神经网络进行增量训练。
进一步地，计算决定系数R2和平均绝对误差MAPE作为精度评价指标：
其中m为样本数量，yi为第i个真实值，
为第i个预测值，
为真实值的均值。
另一方面提供一种基于循环神经网络的光伏电站功率预测系统，包括：
数据获取模块，采集一段时间内的输出功率数据，获取当前时刻前p个时刻的气象数据以及未来q个时刻内的气象预报数据；
数据处理模块，对一段时间内的输出功率数据、当前时刻前p个时刻的气象数据以及未来q个时刻内的气象预报数据，进行数据处理，得到输出功率数据时间序列和气象数据及气象预报数据形成的时间序列，进行归一化处理后输入预测模块；
所述预测模块内置循环神经网络模型，输出预测结果；
后处理模块，基于所述预测结果获取对应的输出功率数据作为光伏电站功率预测值；
所述卷积神经网络模型训练包括：
获取光伏电站记录的历史输出功率数据以及气象预报数据；
分别对历史输出功率数据以及气象数据进行数据处理，得到历史输出功率数据时间序列和对应的气象数据的时间序列，并进行归一化处理和分割形成样本数据集；
由所述样本数据集中选择样本，训练所述循环神经网络，直至输出的预测结果满足精度要求。
进一步地，所述数据处理模块，对历史输出功率数据以及气象预报数据进行数据处理，包括：
对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值，对所述气象预报数据按照所述历史输出功率数据的时间间隔进行重采样，对所述气象预报数据和所述历史输出功率数据添加时间变量，形成时间上对应的历史输出功率数据时间序列和气象预报数据的时间序列。进一步地，所述时间变量包括月、日、小时、分钟、星期和儒略日。
进一步地，所述循环神经网络模型包括编码层、双向LSTM层和最后的全连接层；
所述编码层包括L个编码单元依次输入为：p个输出功率数据xt-(p-1),…,xt以及q个气象数据xt+1,…,xt+q；L＝p+q；
双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元；第i个前向LSTM单元的输入为第i个编码单元输出以及第i-1个前向LSTM单元的输出；第i个后向LSTM单元的输入为第i个编码单元输出以及第i+1个后向 LSTM单元的输出；
后q个前向LSTM单元及后向LSTM单元的输出输入到所述全连接层，所述全连接层输出q个时刻的预测结果。
本发明的上述技术方案具有如下有益的技术效果：
(1)本发明通过结合光伏电站历史数据和NWP气象预报数据，训练基于循环神经网络模型的光伏功率预测模型，预测未来24小时的光伏发电功率，提高预测精度。
(2)本发明构建基于双向LSTM的循环神经网络模型，输入序列中前向传播和反向传播，提供额外的上下文，能够更快，更充分的学习。
(3)考虑气候变化、光伏板效率衰退等的影响，本发明补充新的样本定期更新模型，保持较高的预测精度。
(4)本发明实现了光伏发电功率的准确预测，在碳达峰、碳中和的减排目标下，进行光伏发电预测技术创新，进一步加速光伏发电技术的推广和应用。
附图说明
图1是光伏电站功率预测流程图；
图2为光伏电站功率预测原理示意图；
图3为样本生成过程示意图；
图4为循环神经网络模型结构示意图；
图5为4小时平均功率预测精度及误差分布图；
图6为24小时平均功率预测精度及误差分布；
图7为晴空预测结果示例1；
图8为晴空预测结果示例2；
图9为多云预测结果示例1；
图10为多云预测结果示例2；
图11为基于循环神经网络的光伏电站功率预测系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
提供一种基于循环神经网络的光伏电站功率预测方法，结合图1-2，包括如下步骤：
(1)获取光伏电站记录的历史输出功率数据以及气象预报数据。
在一个实施例中，光伏电站记录的历史输出功率(MW)，时间间隔为15 分钟，作为待预测的目标变量。此外，还包括光伏电站的小型气象站记录的气象变量，包括辐射值(W/m2)，风速(m/s)，气温(℃)，气压(KPa)和相对湿度(％)，时间间隔为5分钟。
运行NWP(Numerical Weather Prediction)得到光伏电站所有历史预测时刻未来24小时内逐小时的气象预报数据，包括气温(℃)、相对湿度(％)、风速uv分量(m/s)、大气云覆盖率(％)和下行短波辐射(W/m2)。NWP预报数据的加入有助于提高4小时之后的预测精度。
(2)分别对历史输出功率数据以及气象数据进行数据处理，得到时间上历史输出功率数据时间序列和对应的历史气象数据的时间序列，并进行归一化处理和分割形成样本数据集。具体包括如下步骤：
2-1由于原始数据中存在缺失值，并且功率数据和气象数据的时间分辨率不一致，功率数据的时间间隔为15分钟，气象站历史数据间隔为5分钟， NWP气象预报数据间隔为1小时，因此需要对原始数据做一些预处理。首先将功率数据和气象数据中缺失的时刻进行线性插值补全，避免数据中出现无效值。
2-2将气象数据在时间上做重采样，计算每15分钟的平均值，得到时间分辨率一致的功率数据和气象数据的时间序列。
光伏发电功率在时间上呈周期性变化，为了使预测模型可以学习到此规律，输入变量中除了气象特征外，还增加了一些时间变量，包括月、日、小时、分钟、星期和儒略日。这些时间变量都加入到输入数据中了，作为样本数据的一部分。
2-3由于不同类型的输入变量的物理意义和数值范围不同，差异过大会导致不同特征对模型参数的影响不同，甚至模型无法收敛，因此在输入模型之前需要对各个特征单独做归一化。最常用的数据归一化方法由最大最小值归一化和均值方差归一化。在一个实施例中采用最大最小值归一化。首先统计各个变量的直方图分布情况，单独确定最大和最小值，然后使用如下公式进行归一化：
Vnorm＝(V-Vmin)/(Vmax-Vmin) (1)
其中V为归一化之前的值，Vmin和Vmax为最小值和最大值，Vnorm为归一化之后的值。
2-4在得到完整且一致的时间序列数据后，需要根据模型输入的时间窗和输出的长度来进行样本分割，生成样本数据集，具体流程如图3所示。原始的时间序列数据维度为T×M，T为时间序列长度，M为特征数量，包括上述提及的光伏功率、气象变量以及时间变量。输入时间窗的长度为p，预测长度为q，则每个样本数据的长度为L＝p+q。在划分样本时从原始的时间序列数据中以L为长度，步长为1进行滑动窗口来生成样本。在生成的样本中，气象数据的前p时间段的数据为历史观测，后q时间段的数据为气象预报；功率数据的前p时间段的数据为历史观测，后q时间段的数据为标签，通过最小化标签与模型输出建立的代价函数来训练预测模型。最终生成的每个样本的历史输入维度为p×M1，M1包括光伏功率、历史气象数据和时间变量；未来输入维度为q×M2，M2包括气象预报数据和时间变量，标签的维度为q×1，表示未来q个时刻的实际功率。
一个样本的总长度是L＝p+q，前p个时刻为历史输入，包括功率、气象和时间变量，后q个时刻的未来输入包括气象预报和时间变量，后q个时刻的功率为标签，p和q都取值为96。相邻时刻间隔为15分钟，总长24小时。
(3)构建循环神经网络模型。
模型结构如图4所示，包括编码层、双向LSTM层和最后的全连接层。首先是输入层，包括前p个时刻的历史输入变量xt-(p-1),…,xt和未来q个时刻的输入变量xt+1,…,xt+q，将每个时刻的输入变量输入单独的编码层，得到相同维度的隐藏变量；将隐藏变量输入到双向LSTM层中，将LSTM未来q个时刻的输出ht+1,…,ht+q输入到全连接层，最后得到的输出yt+1,…,yt+q即为后q个时刻的预测结果。
双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元；第i个前向LSTM单元的输入为第i个编码单元输出以及第i-1个前向LSTM单元的输出；第i个后向LSTM单元的输入为第i个编码单元输出以及第i+1个后向 LSTM单元的输出。
后q个前向LSTM单元及后向LSTM单元输出ht+1,…,ht+q，输入到所述全连接层，全连接层输出q个时刻的预测结果。
(4)由所述样本数据集中选择样本，训练所述循环神经网络，直至输出的预测结果满足精度要求。
为了提高预测精度，需要多次调整模型的超参数和结构，并迭代训练，对比得到最优的模型。使用预先设定的多种超参数组合，通过网格搜索确定最优的参数组合。可以调整的参数包括：输出和输出长度，隐藏层数量，batch 大小，学习率，dropout概率，epoch数量，代价函数，优化器等。其中，MSE (Mean Square Error)是回归模型最常用的损失函数，优化器选择Adam (Adaptive moment estimation)优化器。
将样本数据集划分为训练集、验证集和测试集；分别对训练集、验证集和测试集中训练样本、验证样本和测试样本；
训练步骤包括：选择训练样本对所述循环神经网络训练，当满足训练要求后，进入验证步骤；训练要求例如为训练50轮次，或者损失函数不再降低。
验证步骤包括：选择验证样本输入所述循环神经网络进行验证，计算精度，返回训练步骤，并调整模型结构参数。直至完成所有模型结构参数的验证。
比较不同模型结构参数对应的精度，选择精度最高的模型作为最优模型，选择最优模型对应的模型结构参数。例如可以使用随机搜索方法，比较不同参数设置下的模型精度，得到精度最优的参数设置。
测试步骤包括：选择测试样本输入所述循环神经网络进行测试，评价模型精度。
在一个实施例中，将样本集按照时间分为训练集、验证集和测试集，占比分别为70％，15％，15％。训练集和验证集用来训练和优化模型参数，测试集的用来做最后的精度评价。
本模型为回归预测问题，因此选择决定系数R2和均方根误差RMSE作为精度评价指标，来为训练过程中的参数选择和最终的精度评价提供依据。R2越接近1，RMSE越小，表示精度越高，误差越小，两者的计算公式分别为：
其中m为样本数量，yi为真实值，
为预测值，
为真实值的均值。
(5)采集一段时间内的输出功率数据，获取当前时刻前p个时刻的气象数据以及未来q个时刻内的气象预报数据，进行数据处理，得到输出功率数据时间序列和气象数据及气象预报数据形成的时间序列，进行归一化处理后输入所述循环神经网络模型。
在模型训练完成后，需要搭建定时预测服务，以满足实际应用中对实时功率预测结果的需求。
对采集数据的处理和历史数据的处理类似。在一个实施例中，包括如下步骤：
5-1获取光伏电站当前时刻前24小时的历史功率数据和气象数据，并运行NWP获得未来24小时的气象预报数据。
5-2按照数据集构造部分中的步骤构造模型预测所需的输入数据，其中归一化过程中使用的最大最小值需要与训练数据集保持一致。
5-3初始化模型，读取训练好的参数文件并恢复模型。
5-4将步骤5-2的结果输入模型得到输出结果。
(6)所述循环神经网络模型输出预测结果，获取对应的输出功率数据作为光伏电站功率预测值。
对循环神经网络模型输出预测结果进行逆向归一化，即公式(1)的逆运算，得到未来24小时的光伏功率预测值。
将光伏功率预测值或预测结果通过接口服务返回到光伏电站。
将步骤(5)、(6)部署为定时运行的预测服务，定时输出预测结果。
进一步地，由于气候变化、光伏板效率衰退等的影响，随着时间的推移，用历史数据训练的模型精度可能会出现退化，因此需要隔一段时间将新增的历史数据加入训练数据集，对模型进行增量训练，更新模型，保持较高的预测精度，这一步对于预测服务的持续稳定运行是必要的。因此在步骤(5)将所采集一段时间内的输出功率数据，当前时刻前p个时刻的气象数据以及未来q个时刻内的气象预报数据进行归一化处理后，还包括存输入数据库，作为新的测试样本，加入训练数据集；对所述循环神经网络进行增量训练。
以浙江省桐乡市洲泉镇的一块光伏电站为研究区，此区域光伏装机量为 20MWp，占地面积约560亩。使用2019和2020年的历史数据，按照数据集构造部分中的步骤，得到训练集、验证集和测试集。其中训练和验证集的时间范围为2019.1～2020.6，测试集的时间范围为2020.7～2020.12。将测试集的样本输入模型进行预测，验证模型的总体精度，从4小时和24小时这两个时长的平均功率进行评价，具体流程为：
初始化模型，读取训练好的参数文件并恢复模型。将测试集中的样本输入已恢复的模型，得到所有测试样本未来24小时的功率预测结果，并分别计算4小时和24小时的平均预测功率。
将测试样本在4小时和24小时的平均预测功率与真实的平均功率比较，按照公式(2)和公式(3)计算R2和MAPE，并计算所有样本预测值的绝对误差(即预测值减去真实值)。
将所有样本4小时和24小时的平均预测值与真实值作为数据点，并统计误差分布，得到图5和图6所示的散点图和误差分布图。未来4小时平均功率的预测值的R2为0.92，RMSE为0.97MW，且误差几种分布在0MW附近，少数样本的误差绝对值大于2MW。未来24小时平均功率的预测结果R2为 0.78，RMSE为0.61MW，相比4小时的精度有降低，误差分布在-1到1MW 之间。
以浙江省某一光伏试验站为例，预测了晴空和多云两种情况下的示例样本，结果如图7到图10所示。其中，晴空下的预测结果几乎与真实的观测值一致，多云条件下的预测结果误差高一点，未捕捉到云覆盖影响导致的功率波动，但整体趋势的一致性较好，可以满足4小时以上的预测精度要求。
另一方面提供一种基于循环神经网络的光伏电站功率预测系统，结合图 11，包括数据获取模块、数据处理模块、预测模块以及后处理模块。
数据获取模块，采集一段时间内的输出功率数据，获取当前时刻前p个时刻的气象数据以及未来q个时刻内的气象预报数据；
数据处理模块，对一段时间内的输出功率数据、当前时刻前p个时刻的气象数据以及未来q个时刻内的气象预报数据，进行数据处理，得到输出功率数据时间序列和气象数据及气象预报数据形成的时间序列，进行归一化处理后输入预测模块。
所述预测模块内置循环神经网络模型，输出预测结果。
后处理模块，基于所述预测结果获取对应的输出功率数据作为光伏电站功率预测值。
所述卷积神经网络模型训练包括：
获取光伏电站记录的历史输出功率数据以及气象预报数据；
分别对历史输出功率数据以及历史气象数据进行数据处理，得到历史输出功率数据时间序列和对应的历史气象数据的时间序列，并进行归一化处理和分割形成样本数据集；
由所述样本数据集中选择样本，训练所述循环神经网络，直至输出的预测结果满足精度要求。
所述数据处理模块，对历史输出功率数据以及气象预报数据进行数据处理，包括：
对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值，对所述气象预报数据按照所述历史输出功率数据的时间间隔进行重采样，对所述气象预报数据和所述历史输出功率数据添加时间变量，形成时间上对应的历史输出功率数据时间序列和气象预报数据的时间序列。进一步地，所述时间变量包括月、日、小时、分钟、星期和儒略日。
所述循环神经网络模型包括编码层、双向LSTM层和最后的全连接层；
所述编码层包括L个编码单元依次输入为：p个输出功率数据xt-(p-1),…,xt以及q个气象数据xt+1,…,xt+q；L＝p+q；
双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元；第i个前向LSTM单元的输入为第i个编码单元输出以及第i-1个前向LSTM单元的输出；第i个后向LSTM单元的输入为第i个编码单元输出以及第i+1个后向 LSTM单元的输出；
后q个后向LSTM单元的输出至所述全连接层，所述全连接层输出q个时刻的预测结果。
综上所述，本发明涉及一种基于循环神经网络的光伏电站功率预测方法及系统，获取光伏电站记录的历史输出功率数据以及气象预报数据；进行数据处理，得到历史输出功率数据时间序列和对应的历史气象数据的时间序列，并进行归一化处理和分割形成样本数据集；构建循环神经网络模型并训练。采集一段时间内的输出功率数据，进行数据处理输入循环神经网络模型；循环神经网络模型输出预测结果，获取对应的输出功率数据作为光伏电站功率预测值。本发明通过结合光伏电站历史数据和NWP气象预报数据，训练基于循环神经网络模型的光伏功率预测模型，预测未来24小时的光伏发电功率，提高预测精度。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于循环神经网络的光伏电站功率预测方法，其特征在于，包括：
获取光伏电站记录的历史输出功率数据以及气象预报数据；
确定单个样本的历史输入长度p和预测长度q；
分别对历史输出功率数据以及气象数据进行数据处理，得到历史输出功率数据时间序列和对应的气象数据的时间序列，并进行归一化处理和分割形成样本数据集；
构建循环神经网络模型；
由所述样本数据集中选择样本，训练所述循环神经网络，直至输出的预测结果满足精度要求；
采集一段时间内的输出功率数据，获取当前时刻前p个时刻的气象数据以及未来q个时刻的气象预报数据，进行数据处理，得到输出功率数据时间序列和气象数据及气象预报数据形成的时间序列，进行归一化处理后输入所述循环神经网络模型；
所述循环神经网络模型输出预测结果，获取对应的输出功率数据作为光伏电站功率预测值。
2.根据权利要求1所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，对历史输出功率数据以及气象预报数据进行数据处理，包括：
对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值，对所述气象预报数据按照所述历史输出功率数据的时间间隔进行重采样，对所述气象预报数据和所述历史输出功率数据添加时间变量，形成时间上对应的历史输出功率数据时间序列和气象预报数据的时间序列。进一步地，所述时间变量包括月、日、小时、分钟、星期和儒略日。
3.根据权利要求2所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，所述分割包括采用滑动窗口来生成样本，滑动窗口步长为1，窗口长度为p；
每个样本数据的长度为L＝p+q；前p个时刻数据作为历史输入，后q个时刻的气象预报数据和时间变量作为未来输入，功率数据作为标签；
每个样本的历史输入维度为p×M1，M1包括历史输出功率数据、历史气象数据和时间变量；每个样本的未来输入维度为q×M2，M2包括未来q个时刻的气象预报数据和时间变量；每个样本的标签维度为q×1，即未来q个时刻的输出功率。
4.根据权利要求3所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，所述循环神经网络模型包括编码层、双向LSTM层和最后的全连接层；
所述编码层包括L个编码单元依次输入为：p个输出功率数据xt-(p-1)，...，xt以及q个气象数据xt+1，...，xt+q；
双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元；第i个前向LSTM单元的输入为第i个编码单元输出以及第i-1个前向LSTM单元的输出；第i个后向LSTM单元的输入为第i个编码单元输出以及第i+1个后向LSTM单元的输出；
后q个前向LSTM单元及后向LSTM单元的输出至所述全连接层，所述全连接层输出q个时刻的预测结果。
5.根据权利要求2或3所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，通过网格搜索确定循环神经网络的结构参数最优的参数组合，采用最优的参数组合设置所述循环神经网络的结构参数，采用MSE作为的损失函数，优化器选择Adam优化器；
将样本数据集划分为训练集、验证集和测试集；分别对训练集、验证集和测试集中训练样本、验证样本和测试样本；
训练步骤包括：选择训练样本对所述循环神经网络训练，当满足训练要求后，进入验证步骤；
验证步骤包括：选择验证样本输入所述循环神经网络进行验证，计算模型精度；返回训练步骤，并调整模型结构参数；
比较不同模型结构参数对应的模型精度，选择模型精度最高的模型作为最优模型，选择最优模型固定模型结构参数；
测试步骤包括：选择测试样本输入所述循环神经网络进行测试，评价精度。
6.根据权利要求5所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，将所采集一段时间内的输出功率数据，当前时刻前T小时的气象数据以及未来T小时内的气象预报数据进行归一化处理后，还包括存输入数据库，作为新的测试样本，加入训练数据集；对所述循环神经网络进行增量训练。
7.根据权利要求2或3所述的基于循环神经网络的光伏电站功率预测方法，其特征在于，计算决定系数R2和平均绝对误差MAPE作为精度评价指标：
其中m为样本数量，yi为第i个真实值，
为第i个预测值，
为真实值的均值。
8.一种基于循环神经网络的光伏电站功率预测系统，其特征在于，包括：
数据获取模块，采集一段时间内的输出功率数据，获取当前时刻前p个时刻的气象数据以及未来q个时刻内的气象预报数据；
数据处理模块，对一段时间内的输出功率数据、当前时刻前p个时刻的气象数据以及未来q个时刻内的气象预报数据，进行数据处理，得到输出功率数据时间序列和气象数据及气象预报数据形成的时间序列，进行归一化处理后输入预测模块；
所述预测模块内置循环神经网络模型，输出预测结果；
后处理模块，基于所述预测结果获取对应的输出功率数据作为光伏电站功率预测值；
所述卷积神经网络模型训练包括：
获取光伏电站记录的历史输出功率数据以及气象预报数据；
分别对历史输出功率数据以及气象数据进行数据处理，得到历史输出功率数据时间序列和对应的气象数据的时间序列，并进行归一化处理和分割形成样本数据集；
由所述样本数据集中选择样本，训练所述循环神经网络，直至输出的预测结果满足精度要求。
9.根据权利要求8所述的基于循环神经网络的光伏电站功率预测系统，其特征在于，所述数据处理模块，对历史输出功率数据以及气象预报数据进行数据处理，包括：
对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值，对所述气象预报数据按照所述历史输出功率数据的时间间隔进行重采样，对所述气象预报数据和所述历史输出功率数据添加时间变量，形成时间上对应的历史输出功率数据时间序列和气象预报数据的时间序列。进一步地，所述时间变量包括月、日、小时、分钟、星期和儒略日。
10.根据权利要求9所述的基于循环神经网络的光伏电站功率预测系统，其特征在于，所述循环神经网络模型包括编码层、双向LSTM层和最后的全连接层；
所述编码层包括L个编码单元依次输入为：p个输出功率数据xt-(p-1)，…，xt以及q个气象数据xt+1，…，xt+q；L＝p+q；
双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元；第i个前向LSTM单元的输入为第i个编码单元输出以及第i-1个前向LSTM单元的输出；第i个后向LSTM单元的输入为第i个编码单元输出以及第i+1个后向LSTM单元的输出；
后q个LSTM单元的输出输入到所述全连接层，所述全连接层输出q个时刻的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111241506.8A CN113919232A (zh) | 2021-10-25 | 2021-10-25 | 一种基于循环神经网络的光伏电站功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111241506.8A CN113919232A (zh) | 2021-10-25 | 2021-10-25 | 一种基于循环神经网络的光伏电站功率预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113919232A true CN113919232A (zh) | 2022-01-11 |
Family
ID=79242606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111241506.8A Pending CN113919232A (zh) | 2021-10-25 | 2021-10-25 | 一种基于循环神经网络的光伏电站功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113919232A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118634A (zh) * | 2022-01-26 | 2022-03-01 | 深圳大学 | 一种土壤水分预测方法和装置 |
| CN114330934A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
| CN114611799A (zh) * | 2022-03-15 | 2022-06-10 | 南方电网数字电网研究院有限公司 | 发电功率预测方法、装置、设备、存储介质和程序产品 |
| CN114819391A (zh) * | 2022-05-19 | 2022-07-29 | 中山大学 | 基于历史数据集时间跨度优化的光伏发电功率预测方法 |
| CN115049171A (zh) * | 2022-08-17 | 2022-09-13 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏功率预测方法及系统 |
| CN115189356A (zh) * | 2022-09-13 | 2022-10-14 | 国能日新科技股份有限公司 | 基于大气环流稳定状态的风、光功率预测订正方法及装置 |
| CN116109018A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率预测方法、装置及相关设备 |
| CN116342077A (zh) * | 2023-05-30 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 |
| CN116388279A (zh) * | 2023-05-23 | 2023-07-04 | 安徽中超光电科技有限公司 | 太阳能光伏发电系统中的电网并网控制方法及其控制系统 |
| CN116432874A (zh) * | 2023-06-14 | 2023-07-14 | 青岛鼎信通讯科技有限公司 | 一种基于特征功率的分布式光伏功率预测方法 |
| CN116565966A (zh) * | 2023-06-29 | 2023-08-08 | 国能青海黄河玛尔挡水电开发有限公司 | 智能水力发电双微机自动同步控制系统 |
| CN117057416A (zh) * | 2023-10-11 | 2023-11-14 | 中国科学技术大学 | 一种次日光伏发电预测方法及系统 |
| CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
| CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
| CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
| CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN111860785A (zh) * | 2020-07-24 | 2020-10-30 | 中山大学 | 基于注意力机制循环神经网络的时间序列预测方法及系统 |
| CN112396234A (zh) * | 2020-11-20 | 2021-02-23 | 国网经济技术研究院有限公司 | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 |
| CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学（武汉） | 一种基于季节性循环神经网络的空气质量预测方法 |
| CN113484882A (zh) * | 2021-06-24 | 2021-10-08 | 武汉大学 | 多尺度滑动窗口lstm的gnss序列预测方法及系统 |
-
2021
- 2021-10-25 CN CN202111241506.8A patent/CN113919232A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
| CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
| CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
| CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
| CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN111860785A (zh) * | 2020-07-24 | 2020-10-30 | 中山大学 | 基于注意力机制循环神经网络的时间序列预测方法及系统 |
| CN112396234A (zh) * | 2020-11-20 | 2021-02-23 | 国网经济技术研究院有限公司 | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 |
| CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学（武汉） | 一种基于季节性循环神经网络的空气质量预测方法 |
| CN113484882A (zh) * | 2021-06-24 | 2021-10-08 | 武汉大学 | 多尺度滑动窗口lstm的gnss序列预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 吴文涛等: "基于混合神经网络的实体和事件联合抽取方法", 《中文信息学报》 * |
| 徐先峰等: "基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测", 《工业仪表与自动化装置》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118634A (zh) * | 2022-01-26 | 2022-03-01 | 深圳大学 | 一种土壤水分预测方法和装置 |
| CN114330934A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
| CN114611799B (zh) * | 2022-03-15 | 2023-09-19 | 南方电网数字电网研究院有限公司 | 基于监督学习的时序神经网络新能源出力多步预测方法 |
| CN114611799A (zh) * | 2022-03-15 | 2022-06-10 | 南方电网数字电网研究院有限公司 | 发电功率预测方法、装置、设备、存储介质和程序产品 |
| CN114819391A (zh) * | 2022-05-19 | 2022-07-29 | 中山大学 | 基于历史数据集时间跨度优化的光伏发电功率预测方法 |
| CN115049171A (zh) * | 2022-08-17 | 2022-09-13 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏功率预测方法及系统 |
| CN115049171B (zh) * | 2022-08-17 | 2022-10-28 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏功率预测方法及系统 |
| CN115189356A (zh) * | 2022-09-13 | 2022-10-14 | 国能日新科技股份有限公司 | 基于大气环流稳定状态的风、光功率预测订正方法及装置 |
| CN116109018A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率预测方法、装置及相关设备 |
| CN116388279A (zh) * | 2023-05-23 | 2023-07-04 | 安徽中超光电科技有限公司 | 太阳能光伏发电系统中的电网并网控制方法及其控制系统 |
| CN116388279B (zh) * | 2023-05-23 | 2024-01-23 | 安徽中超光电科技有限公司 | 太阳能光伏发电系统中的电网并网控制方法及其控制系统 |
| CN116342077A (zh) * | 2023-05-30 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 |
| CN116342077B (zh) * | 2023-05-30 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 |
| CN116432874A (zh) * | 2023-06-14 | 2023-07-14 | 青岛鼎信通讯科技有限公司 | 一种基于特征功率的分布式光伏功率预测方法 |
| CN116565966A (zh) * | 2023-06-29 | 2023-08-08 | 国能青海黄河玛尔挡水电开发有限公司 | 智能水力发电双微机自动同步控制系统 |
| CN116565966B (zh) * | 2023-06-29 | 2023-10-24 | 国能青海黄河玛尔挡水电开发有限公司 | 智能水力发电双微机自动同步控制系统 |
| CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
| CN117057416A (zh) * | 2023-10-11 | 2023-11-14 | 中国科学技术大学 | 一种次日光伏发电预测方法及系统 |
| CN117057416B (zh) * | 2023-10-11 | 2024-02-09 | 中国科学技术大学 | 一种次日光伏发电预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
| Hassan et al. | Ultra-short-term exogenous forecasting of photovoltaic power production using genetically optimized non-linear auto-regressive recurrent neural networks | |
| CN108388956B (zh) | 考虑辐射衰减的光伏功率预测方法 | |
| Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
| US20200057175A1 (en) | Weather dependent energy output forecasting | |
| Ren et al. | Ensemble methods for wind and solar power forecasting—A state-of-the-art review | |
| Tao et al. | Forecasting power output for grid-connected photovoltaic power system without using solar radiation measurement | |
| Yadav et al. | A novel GA-ANFIS hybrid model for short-term solar PV power forecasting in Indian electricity market | |
| CN111815027A (zh) | 一种光伏场站发电功率预测方法及系统 | |
| CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
| CN111985678A (zh) | 一种光伏功率短期预测方法 | |
| Kumar et al. | Artificial neural network based model for short term solar radiation forecasting considering aerosol index | |
| CN115237896A (zh) | 一种基于深度学习预报空气质量的数据前处理方法及系统 | |
| CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| El Alani et al. | Short term solar irradiance forecasting using artificial neural network for a semi-arid climate in Morocco | |
| 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 | |
| Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
| Eniola et al. | Validation of genetic algorithm optimized hidden Markov model for short-term photovoltaic power prediction | |
| Cao et al. | Development of short-term wind power forecasting methods | |
| CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
| Deng et al. | A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| Rao Kasagani et al. | Modeling of solar photovoltaic power using a two-stage forecasting system with operation and weather parameters | |
| KR20230072219A (ko) | 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220111 |