CN113962441A - 一种基于历史数据分析的短期辐照度预测方法及预测系统 - Google Patents
一种基于历史数据分析的短期辐照度预测方法及预测系统 Download PDFInfo
- Publication number
- CN113962441A CN113962441A CN202111129776.XA CN202111129776A CN113962441A CN 113962441 A CN113962441 A CN 113962441A CN 202111129776 A CN202111129776 A CN 202111129776A CN 113962441 A CN113962441 A CN 113962441A
- Authority
- CN
- China
- Prior art keywords
- data
- irradiance
- prediction
- neural network
- weather
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000007405 data analysis Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000001932 seasonal effect Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 8
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于历史数据分析的短期辐照度预测方法及预测系统,属于光伏发电技术领域。预测方法包括:S10、历史数据获取;S20、数据预处理,将S10获取的太阳辐照度数据划分为春季、夏季、秋季及冬季四类季节数据序列,然后将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列;S30、训练数据匹配,根据天气预报获取目标预测日天气类型数据,然后其所对应季节的对应天气数据序列作为训练及测试数据;S40、预测,将S30匹配的数据序列输入LSTM神经网络模型,预测目标预测日24小时的太阳辐照度。本发明的预测方法,利用LSTM神经网络擅长追踪辐照度的波动性,对其训练数据进行预处理,在不采用多种耦合预测模型方法的基础上有效提高了预测精度。
Description
技术领域
本发明属于光伏发电技术领域,更具体地说,涉及一种基于历史数据分析的短期辐照度预测方法及预测系统。
背景技术
光伏发电、水力发电作为清洁、成熟的可再生能源发电形式越来越受人们关注,据国际可再生能源机构统计,2019年全球光伏总装机容量增加了580GW,水电总装机容量达1308GW。精准的径流预测能给水电站调度,水库防洪等提供重要的参考数据,由于光伏输出功率呈现间歇性和波动性,增加了其并网的难度,而辐照度对光伏输出功率的影响最大,因此精准的辐照度预测,对光伏发电有效利用、安全并网有着至关重要的作用。
目前,辐照度预测有多种方法,如,利用BiLSTM和CNN等预测模型进行预测,但太阳辐照度随季节和天气的变化较大,常规的单种预测方法很难准确预测气象条件下的辐照度,为解决此缺陷,很多学者提出耦合预测的方法,将多种预测方法进行组合,从而提高辐照度预测精度,如,先用LSTM、BP等神经网络模型进行预测,再用其他方法对预测结果进行修正;又如,采用结合卷积神经网络(CNN)和长短时记忆(LSTM)网络的混合深度学习框架预测太阳辐照度,通过验证预测结果表明,耦合预测的方法确能提高预测精度,但耦合预测的方法大多步骤复杂,且计算量大,工作量大。
经检索,中国专利公开号:CN 112434891 A;公开日:2021年3月2日;公开了一种基于WCNN-ALSTM的太阳辐照度时间序列的预测方法,包括以下步骤:1)采集某地区一年的太阳辐照度数据,按时间顺序依次记录辐照度数值,得到的时间序列数据;2)使用小波变换WT的方法对时间序列数据进行分解,得到频率不同的多个子序列;3)将各个子序列输入CNN-ALSTM深度学习网络模型进行训练,所述CNN-ALSTM深度学习网络模型结合卷积神经网络CNN、长短记忆神经网络LSTM以及Attention机制;4)根据误差评价指标调节模型迭代次数和CNN以及LSTM的内部参数,得到WCNN-ALSTM深度学习网络模型;5)对太阳辐照度进行预测,具体为:将采集的辐照度数据使用小波变换进行分解,得到频率不同的多个子序列,然后输入CNN-ALSTM深度学习网络模型中,将每个子序列进行叠加输出最终的预测结果。该申请案的方法能有效提高辐照度预测精度,但需要预测多组数据并进行叠加,预测步骤复杂,工作量大。
发明内容
为了解决上述技术问题至少之一,根据本发明的一方面,提供了一种基于历史数据分析的短期辐照度预测方法,包括如下步骤:
S10、历史数据获取,获取目标地区历史一年度的太阳辐照度数据;
S20、数据预处理,
先将S10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列;
然后根据S10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列;
S30、训练数据匹配,根据天气预报获取目标预测日的天气类型数据,然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据;
S40、预测,将S30匹配的数据序列输入LSTM神经网络模型,预测目标预测日24小时的太阳辐照度。
根据本发明实施例的基于历史数据分析的短期辐照度预测方法,可选地,所述步骤S20中,季节数据序列分类方法为:
3~5月的数据划分为春季数据序列;6~8月的数据划分为夏季数据序列;9~11月的数据划分为秋季数据序列;12~2月份的数据序列划分为冬季数据序列。
根据本发明实施例的基于历史数据分析的短期辐照度预测方法,可选地,所述步骤S20中,天气数据序列分类方法为:
获取历史一年度内每个自然日的日平均辐照度;
然后对每个季节数据序列下的日平均辐照度按从大到小进行排序;
将排序三等分,按从大到小依次划分为对应季节的晴天、阴天和雨天天气数据序列。
根据本发明实施例的基于历史数据分析的短期辐照度预测方法,可选地,所述步骤S40中,LSTM神经网络模型包括:
遗忘门ft,
ft=sigm(WfxtUfht-1+bf);
输入门it,
it=sigm(WixtUiht-1+bi);
激活函数gt,
gt=tanh(Wfxt+Ufht-1+bf);
当前时刻记忆单元状态ct,
ct=ft·ct-1+it·gt;
输出门ot,
ot=sigm(Woxt+Uo ht-1+bo);
LSTM神经网络模型输出ht,
ht=ot·tanh(ct)
其中,Wf为上一时刻遗忘门输入权重,Uf为上一时刻遗忘门输出权重,bf为上一时刻遗忘门偏置项,Wi为上一时刻输入门输入权重,Ui为上一时刻输入门输出权重,bi为上一时刻输入门偏置项,ct-1为上一时刻记忆单元状态,Wo为上一时刻输出门输入权重,Uo为上一时刻输出门输出权重,bo为上一时刻输出门偏置项,xt为当前输入的数据,ht-1为上一时刻的输出值。
根据本发明实施例的基于历史数据分析的短期辐照度预测方法,可选地,所述步骤S40具体包括:
S41、将匹配数据序列做为训练数据dtrain,用于训练LSTM神经网络模型;
S42、对训练数据dtrain做标准化处理,得到标准化处理后的训练数据dstrain;
S43、创建LSTM神经网络模型;
S44、在trainNetwork函数中输入标准化处理后的训练数据序列及LSTM神经网络模型,训练LSTM神经网络;
S45、用训练好的LSTM神经网络模型预测目标预测日24小时的太阳辐照度,得到预测数据dspred,并对预测数据dspred去标准化。
根据本发明实施例的基于历史数据分析的短期辐照度预测方法,可选地,所述步骤S42的标准化处理步骤如下:
S421、获取平均值μ,
其中N为训练数据dtrain的总个数;
S422、获取标准差σ,
S423、获取dstrain,
dstrain=(dtrain-μ)/σ。
根据本发明实施例的基于历史数据分析的短期辐照度预测方法,可选地,所述步骤S45的去标准化处理采用如下计算模型:
dpred=dspred·σ+μ。
根据本发明的另一方面,提供了一种基于历史数据分析的短期辐照度预测系统,该系统包括:
数据采集模块,其用于获取目标地区历史年度的太阳辐照数据;
分类模块,其用于将指定一年度的太阳辐照数据按预设时间段划分为春季、夏季、秋季及冬季四类季节数据序列,并根据辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列;
数据匹配模块,其用于获取目标预测日天气预报中的天气类型及目标预测日所处季节,并匹配筛选出对应季节及对应天气类型下的天气数据序列;
训练模块,其上搭载有LSTM神经网络模型,用于接收数据匹配模块筛选出的天气数据序列,并对LSTM神经网络模型进行训练;
预测模块,其用于利用完成训练的LSTM神经网络模型预测目标预测日24小时的太阳辐照度。
根据本发明的又一方面,提供了一种计算机可读存储介质,用于存储非暂时性计算机可读命令,当非暂时性计算机可读命令由计算机执行时,实现本发明的基于历史数据分析的短期辐照度预测方法。
本发明的基于历史数据分析的短期辐照度预测方法,利用LSTM神经网络擅长追踪辐照度的波动性,对其训练数据进行预处理,将辐照度历史数据分成几组数据序列分别对应不同的天气类型,再用与预测日类似的天气类型数据序列作为LSTM的输入数据进行预测,使其训练数据与预测数据的波动性相似,在不采用多种耦合预测模型方法的基础上有效提高了预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1示出了春季三种天气类型的辐照度数据序列;
图2示出了夏季三种天气类型的辐照度数据序列;
图3示出了秋季三种天气类型的辐照度数据序列;
图4示出了冬季三种天气类型的辐照度数据序列;
图5示出了本发明的LSTM神经网络模型的单元示意图;
图6示出了本发明的基于历史数据分析的短期辐照度预测系统原理框图;
图7示出了实施例2的晴天预测数据序列与实际数据序列波动性对比图;
图8示出了本发明方法预测、传统LSTM方法预测及实际晴天辐照度对比图;
图9示出了本发明方法预测、传统LSTM方法预测及实际阴天辐照度对比图;
图10示出了本发明方法预测、传统LSTM方法预测及实际雨天辐照度对比图;
图11示出了本发明的基于历史数据分析的短期辐照度预测方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
现有的短期辐照度预测方法中,有利用BiLSTM和CNN等预测模型进行预测,但由于太阳辐照度随季节和天气的变化较大,常规的单种预测方法很难准确预测气象条件下的辐照度,于是提出了耦合预测的方法,将多种预测方法进行组合,从而提高辐照度预测精度,如,先用LSTM、BP等神经网络模型进行预测,再用其他方法对预测结果进行修正,又如,采用结合卷积神经网络CNN和长短时记忆LSTM网络的混合深度学习框架预测太阳辐照度,虽然确能提高预测精度,但耦合预测的方法步骤复杂,且运算量大,工作量大,针对此,本申请提出一种基于历史数据分析的短期辐照度预测方法,利用LSTM神经网络擅长追踪辐照度的波动性,对其训练数据进行预处理,将辐照度历史数据分成几组数据序列分别对应不同的天气类型,再用与预测日类似的天气类型数据序列作为LSTM的输入数据进行预测,使其训练数据与预测数据的波动性相似,在不采用多种耦合预测模型方法的基础上有效提高了预测精度。
实施例1
本实施例的基于历史数据分析的短期辐照度预测方法,如图11所示,包括如下步骤:
S10、历史数据获取,
获取目标地区历史一年度的太阳辐照度数据;
S20、数据预处理,
先将S10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列,其中,3~5月的数据划分为春季数据序列;6~8月的数据划分为夏季数据序列;9~11月的数据划分为秋季数据序列;12~2月份的数据序列划分为冬季数据序列;
然后根据S10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列,分别得到了春季三类天气数据序列如图1所示,夏季三类天气数据序列如图2所示,秋季三类天气数据序列如图3所示,冬季三类天气数据序列如图4所示;
进行天气数据序列分类的方法具体为,以春季数据序列为例,先计算出对应历史年度每日的日平均辐照度,将3~5月各日的日平均辐照度按从大到小进行排序,并将排序后的日期三等分,将排序最靠前的一份的各日期划分为晴天,其对应的辐照度数据划分至晴天天气数据序列中,将排序中间一份的各日期划分为阴天,其对应的辐照度数据划分至阴天天气数据序列中,将排序最靠后的一份的各日期划分为雨天,其对应的辐照度数据划分至雨天天气数据序列,由此完成春季中各天气数据序列的划分,夏季、秋季及冬季对应天气数据序列划分同理;
S30、训练数据匹配,
根据天气预报获取目标预测日的天气类型数据,然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据;
S40、预测,
将S30匹配的数据序列输入LSTM神经网络模型,预测目标预测日24小时的太阳辐照度。
S40预测时的具体步骤为:
S41、将匹配数据序列做为训练数据dtrain,用于训练LSTM神经网络模型;
S42、对训练数据dtrain做标准化处理,得到标准化处理后的训练数据dstrain;
标准化处理如下,
S421、获取平均值μ,
其中N为训练数据dtrain的总个数;
S422、获取标准差σ,
S423、获取dstrain,
dstrain=(dtrain-μ)/σ;
S43、创建LSTM神经网络模型;
传统人工神经网络在数据序列中缺乏对时间相关性的考虑,因而无法捕捉到数据与时间的关系,而循环神经网络通过神经元的周期性连接实现输入,输出数据之间的映射关系,使每次输入对下一个输出有影响,从而保持了对数据特性的“记忆”,然而,循环神经网络不同网络层都共享一组权重和偏差,容易导致梯度“消失”或“爆炸”,因此,本实施例采用了LSTM神经网络预测模型,作为循环神经网络的一种变种结构,LSTM既有对短期输入敏感的状态h,又增加了保存长期的单元状态c,本实施例的LSTM神经网络模型的单元示意图如图5所示,LSTM内部主要有忘记阶段,选择记忆阶段和输出阶段,分别由遗忘门ft,输入门it和输出门ot控制,具体如下:
遗忘门ft,
ft=sigm(WfxtUfht-1+bf);
在忘记阶段,遗忘门的激活向量ft由值域为(0,1)的sigmoid激活函数计算,如果值为1,则保留,如果值为0,则忘记上一个时刻中不重要的信息;
输入门it,
it=sigm(Wixt Uiht-1+bi);
激活函数gt,
gt=tanh(Wfxt+Ufht-1+bf);
在选择记忆阶段,主要对输入xt进行选择记忆,激活函数gt和输入门it决定哪些值保存到当前时刻记忆单元状态ct;
当前时刻记忆单元状态ct,
ct=ft·ct-1+it·gt;
输出门ot,
ot=sigm(Woxt+Uo ht-1+bo);
在输出阶段,输出门决定当前时刻记忆单元状态的输出值,由此得到LSTM神经网络模型的输出ht;
LSTM神经网络模型输出ht,
ht=ot·tanh(ct);
其中,Wf为上一时刻遗忘门输入权重,Uf为上一时刻遗忘门输出权重,bf为上一时刻遗忘门偏置项,Wi为上一时刻输入门输入权重,Ui为上一时刻输入门输出权重,bi为上一时刻输入门偏置项,ct-1为上一时刻记忆单元状态,Wo为上一时刻输出门输入权重,Uo为上一时刻输出门输出权重,bo为上一时刻输出门偏置项,xt为当前输入的数据,ht-1为上一时刻的输出值;
本实施例在Matlab中创建LSTM神经网络,输入、输出均为一维,隐含层单元个数设置为n,设置最大迭代次数为m次,初始学习率为r,迭代m1次后降低学习率,学习下降因子为f,梯度阈值为g;
S44、在trainNetwork函数中输入标准化处理后的训练数据序列及LSTM神经网络模型,训练LSTM神经网络,按照标准化处理后的训练数据序列中日期时间先后顺序,依次采用各时间下的dstrain对LSTM神经网络进行训练,直到各dstrain均迭代完毕,即为完成对LSTM神经网络的训练;
S45、用训练好的LSTM神经网络模型预测目标预测日24小时的太阳辐照度,得到预测数据dspred,并对预测数据dspred采用如下计算模型去标准化:
dpred=dspred·σ+μ;
dpred即为预测的目标预测日24小时的太阳辐照度。
实施例2
本实施例的基于历史数据分析的短期辐照度预测方法,如图11所示,包括如下步骤:
S10、历史数据获取,
获取目标地区历史一年度的太阳辐照度数据;
S20、数据预处理,
先将S10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列,其中,3~5月的数据划分为春季数据序列;6~8月的数据划分为夏季数据序列;9~11月的数据划分为秋季数据序列;12~2月份的数据序列划分为冬季数据序列;
然后根据S10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列,分别得到了春季三类天气数据序列,夏季三类天气数据序列,秋季三类天气数据序列,冬季三类天气数据序列;
进行天气数据序列分类的方法具体为,以春季数据序列为例,先计算出对应历史年度每日的日平均辐照度,将3~5月各日的日平均辐照度按从大到小进行排序,并将排序后的日期三等分,将排序最靠前的一份的各日期划分为晴天,其对应的辐照度数据划分至晴天天气数据序列中,将排序中间一份的各日期划分为阴天,其对应的辐照度数据划分至阴天天气数据序列中,将排序最靠后的一份的各日期划分为雨天,其对应的辐照度数据划分至雨天天气数据序列,由此完成春季中各天气数据序列的划分,夏季、秋季及冬季对应天气数据序列划分同理;
S30、训练数据匹配,
根据天气预报获取目标预测日的天气类型数据,然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据;
S40、预测,
将S30匹配的数据序列输入LSTM神经网络模型,预测目标预测日24小时的太阳辐照度。
S40预测时的具体步骤为:
S410、将匹配数据序列的前95%做为训练数据dtrain,用于训练,后5%做为测试数据dtest,用于测试;
S420、对训练数据dtrain做标准化处理,得到标准化处理后的训练数据dstrain;
标准化处理如下,
S421、获取平均值μ,
其中N为训练数据dtrain的总个数;
S422、获取标准差σ,
S423、获取dstrain,
dstrain=(dtrain-μ)/σ;
S43、创建LSTM神经网络模型;
传统人工神经网络在数据序列中缺乏对时间相关性的考虑,因而无法捕捉到数据与时间的关系,而循环神经网络通过神经元的周期性连接实现输入,输出数据之间的映射关系,使每次输入对下一个输出有影响,从而保持了对数据特性的“记忆”,然而,循环神经网络不同网络层都共享一组权重和偏差,容易导致梯度“消失”或“爆炸”,因此,本实施例采用了LSTM神经网络预测模型,作为循环神经网络的一种变种结构,LSTM既有对短期输入敏感的状态h,又增加了保存长期的单元状态c,本实施例的LSTM神经网络模型的单元示意图如图5所示,LSTM内部主要有忘记阶段,选择记忆阶段和输出阶段,分别由遗忘门ft,输入门it和输出门ot控制,具体如下:
遗忘门ft,
ft=sigm(WfxtUfht-1+bf);
在忘记阶段,遗忘门的激活向量ft由值域为(0,1)的sigmoid激活函数计算,如果值为1,则保留,如果值为0,则忘记上一个时刻中不重要的信息;
输入门it,
it=sigm(WixtUiht-1+bi);
激活函数gt,
gt=tanh(Wfxt+Ufht-1+bf);
在选择记忆阶段,主要对输入xt进行选择记忆,激活函数gt和输入门it决定哪些值保存到当前时刻记忆单元状态ct;
当前时刻记忆单元状态ct,
ct=ft·ct-1+it·gt;
输出门ot,
ot=sigm(Woxt+Uo ht-1+bo);
在输出阶段,输出门决定当前时刻记忆单元状态的输出值,由此得到LSTM神经网络模型的输出ht;
LSTM神经网络模型输出ht,
ht=ot·tanh(ct);
其中,Wf为上一时刻遗忘门输入权重,Uf为上一时刻遗忘门输出权重,bf为上一时刻遗忘门偏置项,Wi为上一时刻输入门输入权重,Ui为上一时刻输入门输出权重,bi为上一时刻输入门偏置项,ct-1为上一时刻记忆单元状态,Wo为上一时刻输出门输入权重,Uo为上一时刻输出门输出权重,bo为上一时刻输出门偏置项,xt为当前输入的数据,ht-1为上一时刻的输出值;
本实施例在Matlab中创建LSTM神经网络,输入、输出均为一维,隐含层单元个数设置为n,设置最大迭代次数为m次,初始学习率为r,迭代m1次后降低学习率,学习下降因子为f,梯度阈值为g;
S440、在trainNetwork函数中输入标准化处理后的训练数据序列及LSTM神经网络模型,训练LSTM神经网络,按照标准化处理后的训练数据序列中日期时间先后顺序,依次采用各时间下的dstrain对LSTM神经网络进行训练,直到各dstrain均迭代完毕,即为完成对LSTM神经网络的训练;
S450、用训练好的LSTM神经网络模型预测测试组预测日24小时的太阳辐照度,得到预测数据d′spred,并对预测数据d′spred采用如下计算模型去标准化:
d′pred=d′spred·σ+μ;
d′pred即为预测的测试组预测日24小时的太阳辐照度;
S460、以测试数据dtest所处的某日期24h的太阳辐照度数据为实际数据,采用均方根误差RMSE和平均绝对误差MAE评估d′pred与实际数据的误差,
当预测天气类型为晴天时,若RMSE≤0.6%且MAE≤0.4%,则用S440训练好的LSTM神经网络模型预测目标预测日24小时的太阳辐照度,否则,重新选一历史年度的太阳辐照度数据,进行S10~S460的步骤;
当预测天气类型为阴天时,若RMSE≤1.8%且MAE≤1.1%,则用S440训练好的LSTM神经网络模型预测目标预测日24小时的太阳辐照度,否则,重新选一历史年度的太阳辐照度数据,进行S10~S460的步骤;
当预测天气类型为雨天时,若RMSE≤1.3%且MAE≤0.7%,则用S440训练好的LSTM神经网络模型预测目标预测日24小时的太阳辐照度,否则,重新选一历史年度的太阳辐照度数据,进行S10~S460的步骤。
进一步地,根据均方根误差RMSE和平均绝对误差MAE,可以对LSTM模型建立时的最大迭代次数、初始学习率等参数进行调整,以对LSTM模型进行优化。
实施例3
本实施例利用实施例2的方法对某地区某日天气进行预测,对某地区春季辐照度进行分类,将预测日对应天气类型数据序列的共20日,20×24h=480h的数据序列作为LSTM训练及测试数据预测目标日24h的太阳辐照度,前19天为训练数据,最后一天为测试数据,并与目标日实际太阳辐照度数据序列比较。
本实施例的LSTM神经网络中,隐含层单元个数n=96*3,最大迭代次数m=250次,m1=125,初始学习率r=0.005,学习下降因子为f=0.2,梯度阈值g=1。
由图7可以看出晴天类型辐照度数据序列波动幅度比实际数据序列小,且与预测日辐照度数据的波动性相似。
进一步地,本实施例分别对晴天、阴天和雨天三种天气类型的辐照度均进行预测,并与传统单LSTM模型预测及实际数据进行比对,如图8、图9和图10所示,本方法预测的晴天、阴天、雨天辐照度曲线比直接用单LSTM模型预测的更接近实际值。
进一步地,本实施例采用均方根误差RMSE和平均绝对误差MAE评估日前辐照度预测的误差水平。
三种天气状况本方法与传统单LSTM方法的具体预测误差如表1所示。
表1.传统LSTM与本方法辐照度预测结果比较
本方法预测的晴天RMSE和MAE分别为0.57%和0.31%,阴天分别为1.76%和1.09%,雨天分别为1.26%和0.68%,均比传统LSTM预测误差小。因此,本方法预测精度更高。
实施例4
本实施例的基于历史数据分析的短期辐照度预测系统,包括:
数据采集模块,其用于获取目标地区历史年度的太阳辐照数据;
分类模块,其用于将指定一年度的太阳辐照数据按预设时间段划分为春季、夏季、秋季及冬季四类季节数据序列,并根据辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列;
数据匹配模块,其用于获取目标预测日天气预报中的天气类型及目标预测日所处季节,并匹配筛选出对应季节及对应天气类型下的天气数据序列;
训练模块,其上搭载有LSTM神经网络模型,用于接收数据匹配模块筛选出的天气数据序列,并对LSTM神经网络模型进行训练;
预测模块,其用于利用完成训练的LSTM神经网络模型预测目标预测日24小时的太阳辐照度。
本实施例的基于历史数据分析的短期辐照度预测系统,如图6所示,用于实现实施例1的基于历史数据分析的短期辐照度预测方法。
实施例5
本实施例的计算机可读存储介质,用于存储非暂时性计算机可读命令,当非暂时性计算机可读命令由计算机执行时,实现本发明的基于历史数据分析的短期辐照度预测方法。
本实施例所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
本发明所述实例仅仅是对本发明的优选实施方式进行描述,并非对本发明构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围。
Claims (9)
1.一种基于历史数据分析的短期辐照度预测方法,其特征在于,包括如下步骤:
S10、历史数据获取,获取目标地区历史一年度的太阳辐照度数据;
S20、数据预处理,
先将S10获取的太阳辐照度数据按其所处时间段划分为春季、夏季、秋季及冬季四类季节数据序列;
然后根据S10获取的太阳辐照度数据的辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列;
S30、训练数据匹配,根据天气预报获取目标预测日的天气类型数据,然后将目标预测日所对应季节的对应天气数据序列作为训练及测试数据;
S40、预测,将S30匹配的数据序列输入LSTM神经网络模型,预测目标预测日24小时的太阳辐照度。
2.根据权利要求1所述的一种基于历史数据分析的短期辐照度预测方法,其特征在于,所述步骤S20中,季节数据序列分类方法为:
3~5月的数据划分为春季数据序列;6~8月的数据划分为夏季数据序列;9~11月的数据划分为秋季数据序列;12~2月份的数据序列划分为冬季数据序列。
3.根据权利要求2所述的一种基于历史数据分析的短期辐照度预测方法,其特征在于:所述步骤S20中,天气数据序列分类方法为:
计算历史一年度内每个自然日的日平均辐照度;
然后对每个季节数据序列下的日平均辐照度按从大到小进行排序;
将排序三等分,按从大到小依次划分为对应季节的晴天、阴天和雨天天气数据序列。
4.根据权利要求3所述的一种基于历史数据分析的短期辐照度预测方法,其特征在于,所述步骤S40中,LSTM神经网络模型包括:
遗忘门ft,
ft=sigm(WfxtUfht-1+bf);
输入门it,
it=sigm(WixtUiht-1+bi);
激活函数gt,
gt=tanh(Wfxt+Ufht-1+bf);
当前时刻记忆单元状态ct,
ct=ft·ct-1+it·gt;
输出门ot,
ot=sigm(Woxt+Uoht-1+bo);
LSTM神经网络模型输出ht,
ht=ot·tanh(ct);
其中,Wf为上一时刻遗忘门输入权重,Uf为上一时刻遗忘门输出权重,bf为上一时刻遗忘门偏置项,Wi为上一时刻输入门输入权重,Ui为上一时刻输入门输出权重,bi为上一时刻输入门偏置项,ct-1为上一时刻记忆单元状态,Wo为上一时刻输出门输入权重,Uo为上一时刻输出门输出权重,bo为上一时刻输出门偏置项,xt为当前输入的数据,ht-1为上一时刻的输出值。
5.根据权利要求4所述的一种基于历史数据分析的短期辐照度预测方法,其特征在于,所述步骤S40具体包括:
S41、将匹配数据序列做为训练数据dtrain,用于训练LSTM神经网络模型;
S42、对训练数据dtrain做标准化处理,得到标准化处理后的训练数据dstrain;
S43、创建LSTM神经网络模型;
S44、在trainNetwork函数中输入标准化处理后的训练数据序列及LSTM神经网络模型,训练LSTM神经网络;
S45、用训练好的LSTM神经网络模型预测目标预测日24小时的太阳辐照度,得到预测数据dspred,并对预测数据dspred去标准化。
7.根据权利要求5所述的一种基于历史数据分析的短期辐照度预测方法,其特征在于,所述步骤S45的去标准化处理采用如下计算模型:
dpred=dspred·σ+μ。
8.一种基于历史数据分析的短期辐照度预测系统,其特征在于,包括:
数据采集模块(1),其用于获取目标地区历史年度的太阳辐照数据;
分类模块(2),其用于将指定一年度的太阳辐照数据按预设时间段划分为春季、夏季、秋季及冬季四类季节数据序列,并根据辐照度大小将各类季节数据序列均划分为晴天、阴天及雨天三类天气数据序列;
数据匹配模块(3),其用于获取目标预测日天气预报中的天气类型及目标预测日所处季节,并匹配筛选出对应季节及对应天气类型下的天气数据序列;
训练模块(4),其上搭载有LSTM神经网络模型,用于接收数据匹配模块(3)筛选出的天气数据序列,并对LSTM神经网络模型进行训练;
预测模块(5),其用于利用完成训练的LSTM神经网络模型预测目标预测日24小时的太阳辐照度。
9.一种计算机可读存储介质,用于存储非暂时性计算机可读命令,其特征在于,当非暂时性计算机可读命令由计算机执行时,实现如权利要求1~7任意一项所述的基于历史数据分析的短期辐照度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129776.XA CN113962441A (zh) | 2021-09-26 | 2021-09-26 | 一种基于历史数据分析的短期辐照度预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129776.XA CN113962441A (zh) | 2021-09-26 | 2021-09-26 | 一种基于历史数据分析的短期辐照度预测方法及预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962441A true CN113962441A (zh) | 2022-01-21 |
Family
ID=79462276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111129776.XA Pending CN113962441A (zh) | 2021-09-26 | 2021-09-26 | 一种基于历史数据分析的短期辐照度预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962441A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
CN117151303A (zh) * | 2023-09-12 | 2023-12-01 | 河海大学 | 一种基于混合模型的超短期太阳辐照度预测方法及系统 |
CN117151303B (zh) * | 2023-09-12 | 2024-05-31 | 河海大学 | 一种基于混合模型的超短期太阳辐照度预测方法及系统 |
-
2021
- 2021-09-26 CN CN202111129776.XA patent/CN113962441A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
CN117151303A (zh) * | 2023-09-12 | 2023-12-01 | 河海大学 | 一种基于混合模型的超短期太阳辐照度预测方法及系统 |
CN117151303B (zh) * | 2023-09-12 | 2024-05-31 | 河海大学 | 一种基于混合模型的超短期太阳辐照度预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
Cui et al. | An algorithm for forecasting day-ahead wind power via novel long short-term memory and wind power ramp events | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
Sodsong et al. | Short-term solar PV forecasting using gated recurrent unit with a cascade model | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
Mukherjee et al. | Solar irradiance prediction from historical trends using deep neural networks | |
CN113962441A (zh) | 一种基于历史数据分析的短期辐照度预测方法及预测系统 | |
Chen et al. | Short interval solar power prediction for energy harvesting with low computation cost on edge computation network | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
Zhou et al. | A Hybrid Method for Ultrashort‐Term Wind Power Prediction considering Meteorological Features and Seasonal Information | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN116402203A (zh) | 计及天气情况的短时光伏发电量预测方法、系统及介质 | |
Aji et al. | Highly accurate daily solar radiation forecasting using SW-SVR for hybrid power plant in Indonesia | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN112232714B (zh) | 一种基于深度学习的结构参数不完备下配电网风险评估方法 | |
Demir et al. | Performance prediction approach using rainfall based on artificial neural network for PV module |
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 |