CN113988364A - 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 - Google Patents
一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 Download PDFInfo
- Publication number
- CN113988364A CN113988364A CN202111088738.4A CN202111088738A CN113988364A CN 113988364 A CN113988364 A CN 113988364A CN 202111088738 A CN202111088738 A CN 202111088738A CN 113988364 A CN113988364 A CN 113988364A
- Authority
- CN
- China
- Prior art keywords
- scale
- modal
- network
- sampling
- net
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005070 sampling Methods 0.000 title claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 22
- 238000011478 gradient descent method Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000010248 power generation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002156 mixing Methods 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
- 239000002245 particle Substances 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
Abstract
本专利公开了一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法。该方法分别利用基于变分模态分解和多尺度下采样的两种尺度信息,通过变分模态分解获取同一个特征中的不同时间尺度信息,通过下采样获取不同特征的中的相同尺度信息。同时变分模态特征进行模态卷积网络融合,并使用光伏真实值对模态卷积网络进行预训练,对多个尺度信号通过多个尺度卷积网络进行融合,并使用光伏真实值对尺度卷积网络进行预训练,最后通过全连接网络将模态卷积网络和尺度卷积网络进行训练,并采用真实值对整个网络进行训练,从而多尺度信息可以显著提高光伏预测的性能,且具有较强的泛化性能,具有良好的实用性。
Description
技术领域
本发明属于电网运行和调度领域,涉及了一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法。
背景技术
天气、地理位置等外界因素决定了光电具有随机性、间歇性。当光伏发电接入电网后,这种不稳定的特性会给整个电网带来安全隐患、影响电能质量。预测光伏发电功率,提前做好合理的安排与准备,以应对各种随机事件,降低光电并网后带来的不良影响,可以保障电网的安全性、稳定性、和经济性。
目前,可以从物理层面和统计层面进行光伏发电功率预测。站在物理层面主要考虑太阳的辐照时间、辐照强度、气温等气象数据以及地理信息等影响因素,然后根据输出功率曲线计算出光伏电站的输出功率,其过程比较复杂。站在统计层面主要考虑历史数据,基于模型的输入、输出,从数学角度找到内在的统计规律,从而进行预测。其不需要考虑太阳辐照的具体过程和光伏组件的特性原理,简化了预测过程。
利用灰色理论预测光伏发电功率,虽然不需要大量样本、工作量小,但是灰色理论对历史数据依赖性强,而且没有考虑影响因素之间的联系。基于马尔科夫链的光伏并网发电量预测,能够较好的适用光伏发电的随机性和波动性,但是要求历史数据“无后效性”且状态的划分没有完善的理论。采用线性回归模型预测光伏发电功率,能够充分考虑环境等因素的影响而且预测方法简单,在外在环境相对稳定的情况下预测精度比较理想,但是在影响因素波动性较大的时间点预测误差较大。也有采用组合权重相似日、径向基函数神经网络(RBF)、灰色神经网络组合模型等统计法对光伏发电功率进行直接预测,但其过程比较繁琐,而且在预测精度上并没有突出的提高。
以往的研究大多是面向单尺度的光功率预测,本专利从多尺度的角度提升预测精度。事实上,光伏功率在不同的时间尺度上受外界不同时间尺度的因素影响,故多尺度行为对于光伏功率预测至关重要。为了自动学习光伏功率数据中的多尺度信息,本专利提出了一种利用多尺度下采样和模态信息实现光功率预测的方法。该方法分别利用基于变分模态分解和多尺度下采样的两种尺度信息,通过变分模态分解获取同一个特征中的不同时间尺度信息,通过下采样获取不同特征的中的相同尺度信息。同时变分模态特征进行模态卷积网络融合,并使用光伏真实值对模态卷积网络进行预训练,对6个尺度信号通过6个尺度卷积网络进行融合,并使用光伏真实值对尺度卷积网络进行预训练,最后通过全连接网络将模态卷积网络和尺度卷积网络进行训练,并采用真实值对整个网络进行训练,从而多尺度信息可以显著提高光伏预测的性能,且具有较强的泛化性能,具有较好的实用性。
发明内容
有鉴于此,本发明的第一方面的目的是提出一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,从而提高光伏预测的精度。
本发明的目的是通过以下技术方案实现的:
本发明的一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,包括以下步骤:
步骤S1:进行数据准备
对某个历史时刻t0,获取前M个时刻的样本集,M为正整数;其中光伏功率序列为fpower(t),t∈[t-M+1,…,t-2,t-1,t0],相应的,所有序列对应的Label均为fpower(t0+1),样本序列一共有N个;
步骤S2:进行模态信息融合
包括以下子步骤:
步骤S21:进行特征模态分解;
步骤S22:进行模态向量拼接;
步骤S23:构建模态卷积网络netV;
步骤S24:进行模态卷积网络预训练;即以均方误差为损失函数,采用随机梯度下降法训练netV,直至收敛;
步骤S3:进行尺度信息融合,包括:
步骤S31:构建不同尺度采样池序列;
步骤S32:确定下采样尺度数量;
步骤S34:进行尺度卷积网络预训练;
步骤S4:进行模态-尺度信息融合,包括:
步骤S42:构建模态-尺度信息融合,该网络为一个全连接网络netf;
步骤S43:进行网络训练,采用随机梯度下降法训练netf;
步骤S5:包括如下子步骤:
步骤S51:获取实时的样本;
步骤S52:获取前M个时刻的样本的数值;
步骤S53:对前M个时刻的样本的数值进行变分模态分解并拼接成列向量;
步骤S54:将样本以及变分模态分解并拼接成列向量都输入网络即可得到下一个时刻的光伏出力预测值。
进一步的,所述步骤S1中,所述样本包括但不限于温度、云量、雨量、风速、光照、光伏功率的样本,其中温度序列设定为ftemp(t),t∈[t-M+1,…,t-2,t-1,t0],其他样本序列以此类推。
进一步,所述步骤S21中,以温度序列ftemp(t),t∈[t-M+1,…,t-2,t-1,t0]为对象,进行变分模态分解,包括以下子步骤:
步骤S211:设置参数:
最大模态数量K=4;设置阈值ε=0.01
步骤S212:初始化:
步骤S213:计算模态分量频域值:
上述形式为积分形式,可以采用离散求和形式逼近。
步骤S218:反变换:
通过上述步骤如此得到对应的变分模态分解结果:
同理可得其他序列变分模态分解结果。
进一步,所述S22中,是将各样本序列的变分模态分解结果拼接至行向量,然后将各个行向量拼接成矩阵,记为U。
进一步,步骤S23包括以下子步骤:
步骤S231:将U进行Pool1和Pad操作;
步骤S232:对U采用CNN进行融合,记该模态卷积网络为netV,netV两层卷积层和两层全连接层组成;
步骤S233:将第二池化层结果拉直成一维。
进一步,所述步骤S31中,是对历史某个时刻t0,获取前M个时刻的样本集,其中光伏功率序列为fpower(t),t∈[t-M+1,…,t-2,t-1,t0];将所有序列拼接成维数为M×N的总特征矩阵F0(t0),其中N为序列的数量;
令ΔT=1为下采样单位步长,计s为下采样尺度,S为总的下采样尺度数量,对F0(t0)进行尺度s下的下采样操作:
Fs(t0)={F0(t+sΔT),t+sΔT≤t0}。
进一步,所述步骤S32中,采用X个时间尺度足以保证下采样序列具有充分的信息,故取S=X,如此便可得到不同尺度下的采样池序列Fc(t0):
重复直至收敛。
本发明的第二方面的目的是提供一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前所述的方法。
本发明的有益效果是:方法分别利用基于变分模态分解和多尺度下采样的两种尺度信息,通过变分模态分解获取同一个特征中的不同时间尺度信息,通过下采样获取不同特征的中的相同尺度信息。同时变分模态特征进行模态卷积网络融合,并使用光伏真实值对模态卷积网络进行预训练,对多个尺度信号通过对应数目的尺度卷积网络进行融合,并使用光伏真实值对尺度卷积网络进行预训练,最后通过全连接网络将模态卷积网络和尺度卷积网络进行训练,并采用真实值对整个网络进行训练,从而多尺度信息可以显著提高光伏预测的性能,且具有较强的泛化性能,具有良好的实用性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
附图1为下采样环节示意图;
附图2为尺度卷积网络示意图;
附图3为单个特征行向量示意图;
附图4为温度模态分解和拼接示意图;
附图5为模态卷积网络示意图;
附图6为模态卷积网络和尺度卷积网络的融合示意图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
本发明旨在提出一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,从而提高光伏预测的精度。
为了实现上述技术目的,本发明的步骤如下:
为叙述方便,此处先对一些符号和变量做统一说明:本实施例中,一共采用了温度、云量、雨量、风速、光照、光伏功率在内的6个样本,也即是N=6;其中,
记当前时刻为t;
计温度序列为ftemp(t);
云量序列为fcloud(t);
雨量序列为frain(t);
风速序列为fwind(t);
光照序列为flight(t);
光伏功率序列为fpower(t)
本专利的目的是通过上述序列预测下一个时刻的光伏出力fpower(t+1),采用的技术手段如下:
1、预测影响因素选择
光伏发电主要依赖于太阳光照,而不同的地理位置、不同的季节太阳的辐照强度和辐射时间都有很大的不同。所以在预测时应该根据季节特性把整体划分为不同的预测阶段,在每个阶段中,不仅太阳光照条件类似,而且其他的气象条件也都类似。同时,预测阶段的划分和回归模型的理论特性也相吻合,能够在很大程度上提高预测精度。故本专利除了太阳辐照强度外,还有许多影响光伏发电的因素。对观测数据的分析,还选取其中主要的几个因素:风速、温度、云量、降雨量。
2、卷积神经网络
卷积神经网络通过增加网络的层数来模拟人类视觉系统的信息处理过程。从最底层到最顶层逐渐提取图像信息的有效抽象化特征表示,即越高层数上的图像特征具有越强的表征能力。卷积神经网络可以归结为输入层、多个隐含层和输出层,其通过共享网络参数来减少网络间的权重,以此来降低训练样本数量和提高训练速度,为了降低特征维数和避免出现过度拟合(over-fitting),CNNs需要进行池化操作。池化操作可以提高特征描述的鉴别力,常用的池化操作是平均池化(mean-pooling)、最大池化(max-pooling)和随机池化(Stochastic pooling)操作。
3、变分模态分解
变分模态分解的目标是将输入信号分解为离散数量的子模态,其中每个模态在频谱域中具有有限的带宽。即每个模态主要紧凑地围绕中心频率k,其具体方法是:
(1)设对第k个变分模态分量为uk(t),利用希尔伯特变换计算相关的解析信号,以获得单边频谱
其中F(ω)是第k个变分模态分量为uk(t)平移至ωk对应的傅里叶变换,δ(t)是狄拉克分布函数,t是时间,j是复数单位,下标k是第k个变分模态分量,*是卷积算子。本专利中最大模态数K设置为4,以下为叙述方便,记uk(t)为uk。
(2)对于每个模态,通过与调谐到相应估计中心频率的指数混合,将模态的频谱移至“基带”:
其中,F(ω-ωk)是第k个变分模态分量为uk(t)平移至ωk对应的傅里叶变换,ωk为第k个变分模态分量对应的中心频率。
通过解调信号的平滑度估计带宽。由此产生的约束变分问题如下:
将上述等式变换到频域:
进一步的推导可得上述优化问题的解具有如下解析形式:
下采样:对于一个样值序列间隔几个样值取样一次,这样得到新序列就是原序列的下采样。本专利中下需要不同采样率主要是有以下两方面的需求:
(1)降低计算量;
(2)捕获不同特征在尺度上的信息。
综上所述,本专利的光伏预测方法流程如下:
步骤S1:数据准备环节
对历史某个时刻t0,获取前M个时刻的样本集(本专利取M=15):
温度序列为ftemp(t),t∈[t-M+1,…,t-2,t-1,t0];
云量序列为fcloud(t),t∈[t-M+1,…,t-2,t-1,t0];
雨量序列为frain(t),t∈[t-M+1,…,t-2,t-1,t0];
风速序列为fwind(t),t∈[t-M+1,…,t-2,t-1,t0];
光照序列为flight(t),t∈[t-M+1,…,t-2,t-1,t0];
光伏功率序列为fpower(t),t∈[t-M+1,…,t-2,t-1,t0]
相应的,上述6序列对应的Label均为fpower(t0+1)
步骤S2:模态信息融合
步骤S21:进行特征模态分解
对温度序列ftemp(t),t∈[t-M+1,…,t-2,t-1,t0],进行变分模态分解,其计算步骤为:
步骤S211:设置参数:本实施例中,设置最大模态数量K=4;设置阈值ε=0.01
步骤S212:初始化:
步骤S213:计算模态分量频域值:
上述形式为积分形式,可以采用离散求和形式逼近。
步骤S218:反变换:
通过上述步骤如此得到对应的变分模态分解结果:
同理可可得云量序列变分模态分解结果结果;
同理可得雨量序列变分模态分解结果:
同理可得风速列进行变分模态分解结果:
同理可得光照序列变分模态分解结果:
同理可得功率序列变分模态分解结果:
步骤SS2:模态向量拼接
步骤S23:构建模态卷积网络netV:
包括子步骤为:
S231:将U进行Pool1和Pad操作,本实施例中,使其大小为32×32;需要说明的是,此处的大小是可以根据实际情况进行自行设定的。
S232:对U采用CNN(卷积神经网络)进行融合,记该模态卷积网络为netV,netV两层卷积层和两层全连接层组成,具体的结构如下:(需要说明的是,此处的卷积层和全连接层以及具体结构是可以根据实际情况进行自行设定的)
第一卷积层Conv1输入数据:32×32×1。
第一卷积层Conv1滤波器:维度5×5,步长1,填充0,滤波器6个。
第一池化层Pool1输入数据:28×28×6。
第一池化层Pool1滤波器:维度2×2,步长2,填充0。
第二卷积层Conv2输入数据:14×14×6。
第二卷积层Conv2滤波器:维度5×5,步长1,填充0,滤波器16个。
第二池化层Pool2输入数据:10×10×16。
第二池化层Pool2滤波器:维度2×2,步长2,填充0。
S233:将第二池化层结果拉直成一维;其中,
全连接层FC3输入数据:400×1,输出数据120×1
全连接层FC4输入数据:120×1,输出数据84×1
Softmax回归输入数据:84×1,输出数据10×1
步骤S24:模态卷积网络预训练
以fpower(t0+1)为上述网络的Label,并以均方误差为损失函数,采用随机梯度下降法训练netV,直至收敛;
步骤S3:尺度信息融合
步骤S31:构建不同尺度采样池序列:
对历史某个时刻t0,获取前M个时刻的样本集(本专利取M=15):
计温度序列为ftemp(t),t∈[t-M+1,…,t-2,t-1,t0];
云量序列为fcloud(t),t∈[t-M+1,…,t-2,t-1,t0];
雨量序列为frain(t),t∈[t-M+1,…,t-2,t-1,t0];
风速序列为fwind(t),t∈[t-M+1,…,t-2,t-1,t0];
光照序列为flight(t),t∈[t-M+1,…,t-2,t-1,t0];
光伏功率序列为fpower(t),t∈[t-M+1,…,t-2,t-1,t0];
将上述6个序列拼接成维数为M×6的总特征矩阵F0(t0)
令ΔT=1为下采样单位步长,计s为下采样尺度,S为总的下采样尺度数量,对F0(t0)进行尺度s下的下采样操作:
Fs(t0)={F0(t+sΔT),t+sΔT≤t0}
步骤S32:确定下采样尺度数量
光伏预测问题中,一般采样时间为15分钟,故6个时间尺度足以保证下采样序列具有充分的信息,故本专利取S=6,如此便可得到不同尺度下的采样池序列Fc(t0):
步骤S33:尺度卷积网络设计
不同的尺度应该对应不同的网络结构,但不同的网络训练计算量大,收敛性差,故本专利设计了三种不同的卷积神经网络,具体的:
类型 | 滤波器数量 | 滤波器尺寸 | Strip步长 |
卷积层1 | 4 | 7*7 | 2 |
最大池化层1 | 4 | 2*2 | 1 |
卷积层2 | 5 | 7*7 | 1 |
最大池化层2 | 5 | 2*2 | 1 |
全连接层 | 256 | 1*1 | 无 |
类型 | 滤波器数量 | 滤波器尺寸 | Strip步长 |
卷积层1 | 16 | 5*5 | 1 |
最大池化层1 | 4 | 2*2 | 3 |
卷积层2 | 8 | 3*3 | 1 |
最大池化层2 | 4 | 3*3 | 1 |
全连接层 | 64 | 1*1 | 无 |
类型 | 滤波器数量 | 滤波器尺寸 | Strip步长 |
卷积层1 | 5 | 32*32 | 2 |
最大池化层1 | 8 | 2*2 | 1 |
卷积层2 | 6 | 16*16 | 1 |
最大池化层2 | 6 | 8*8 | 1 |
全连接层 | 32 | 1*1 | 无 |
步骤S34:尺度卷积网络预训练:
步骤S35:尺度卷积网络数据拼接:
步骤S4:模态-尺度信息融合
步骤S42:构建模态-尺度信息融合,该网络为一个全连接网络netf,其网络结构为:
类型 | 隐藏节点数 | 是否有BN操作 |
全连接层1 | 32 | 有 |
全连接层2 | 15 | 有 |
全连接层3 | 8 | 无 |
全连接层4 | 1 | 无 |
步骤S43:网络训练
重复直至收敛。
五:在线预测
步骤1:获取实时温度、云量、雨量、风速、光照以及光功率;
步骤2:获取前M个时刻的温度、云量、雨量、风速、光照以及光功率;本实施例中,M取15,即取前15个时刻的温度、云量、雨量、风速、光照以及光功率的数值。
步骤3:对前M个时刻的温度、云量、雨量、风速、光照以及光功率的进行变分模态分解并拼接成列向量;
步骤4:将实时温度、云量、雨量、风速、光照以及光功率以及变分模态分解并拼接成列向量都输入网络即可得到下一个时刻的光伏出力预测值。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的的方法和技术编程时,本发明还包括计算机本身。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,其特征在于:包括以下步骤:
步骤S1:进行数据准备
对某个历史时刻t0,获取前M个时刻的样本集,M为正整数;其中光伏功率序列为fpower(t),t∈[t-M+1,…,t-2,t-1,t0],相应的,所有序列对应的Label均为fpower(t0+1),样本序列一共有N个;
步骤S2:进行模态信息融合
包括以下子步骤:
步骤S21:进行特征模态分解;
步骤S22:进行模态向量拼接;
步骤S23:构建模态卷积网络netV;
步骤S24:进行模态卷积网络预训练;即以均方误差为损失函数,采用随机梯度下降法训练netV,直至收敛;
步骤S3:进行尺度信息融合,包括:
步骤S31:构建不同尺度采样池序列;
步骤S32:确定下采样尺度数量;
步骤S34:进行尺度卷积网络预训练;
步骤S4:进行模态-尺度信息融合,包括:
步骤S42:构建模态-尺度信息融合,该网络为一个全连接网络netf;
步骤S43:进行网络训练,采用随机梯度下降法训练netf;
步骤S5:包括如下子步骤:
步骤S51:获取实时的样本;
步骤S52:获取前M个时刻的样本的数值;
步骤S53:对前M个时刻的样本的数值进行变分模态分解并拼接成列向量;
步骤S54:将样本以及变分模态分解并拼接成列向量都输入网络即可得到下一个时刻的光伏出力预测值。
2.根据权利要求1所述的一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,其特征在于:所述步骤S1中,所述样本包括但不限于温度、云量、雨量、风速、光照、光伏功率的样本,其中温度序列设定为ftemp(t),t∈[t-M+1,…,t-2,t-1,t0],其他样本序列以此类推。
3.据权利要求2所述的一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,其特征在于:所述步骤S21中,以温度序列ftemp(t),t∈[t-M+1,…,t-2,t-1,t0]为对象,进行变分模态分解,包括以下子步骤:
步骤S211:设置参数:
最大模态数量K=4;设置阈值ε=0.01
步骤S212:初始化:
步骤S213:计算模态分量频域值:
上述形式为积分形式,可以采用离散求和形式逼近。
步骤S218:反变换:
通过上述步骤如此得到对应的变分模态分解结果:
同理可得其他序列变分模态分解结果。
4.根据权利要求2所述的一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,其特征在于:所述S22中,是将各样本序列的变分模态分解结果拼接至行向量,然后将各个行向量拼接成矩阵,记为U。
5.根据权利要求4所述的一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,其特征在于:步骤S23包括以下子步骤:
步骤S231:将U进行Pool1和Pad操作;
步骤S232:对U采用CNN进行融合,记该模态卷积网络为netV,netV两层卷积层和两层全连接层组成;
步骤S233:将第二池化层结果拉直成一维。
6.根据权利要求1所述的一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法,其特征在于:所述步骤S31中,是对历史某个时刻t0,获取前M个时刻的样本集,其中光伏功率序列为fpower(t),t∈[t-M+1,…,t-2,t-1,t0];将所有序列拼接成维数为M×N的总特征矩阵F0(t0),其中N为序列的数量;
令ΔT=1为下采样单位步长,计s为下采样尺度,S为总的下采样尺度数量,对F0(t0)进行尺度s下的下采样操作:
Fs(t0)={F0(t+sΔT),t+sΔT≤t0}。
10.一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111088738.4A CN113988364A (zh) | 2021-09-16 | 2021-09-16 | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111088738.4A CN113988364A (zh) | 2021-09-16 | 2021-09-16 | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988364A true CN113988364A (zh) | 2022-01-28 |
Family
ID=79736002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111088738.4A Withdrawn CN113988364A (zh) | 2021-09-16 | 2021-09-16 | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988364A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115347571A (zh) * | 2022-10-17 | 2022-11-15 | 国网江西省电力有限公司电力科学研究院 | 基于迁移学习的光伏发电功率短期预测方法及装置 |
CN116247824A (zh) * | 2023-03-30 | 2023-06-09 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
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 |
-
2021
- 2021-09-16 CN CN202111088738.4A patent/CN113988364A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115347571A (zh) * | 2022-10-17 | 2022-11-15 | 国网江西省电力有限公司电力科学研究院 | 基于迁移学习的光伏发电功率短期预测方法及装置 |
CN116247824A (zh) * | 2023-03-30 | 2023-06-09 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
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 |
---|---|---|
VanDeventer et al. | Short-term PV power forecasting using hybrid GASVM technique | |
Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
Peng et al. | An integrated framework of Bi-directional long-short term memory (BiLSTM) based on sine cosine algorithm for hourly solar radiation forecasting | |
CN113988364A (zh) | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 | |
Díaz–Vico et al. | Deep neural networks for wind and solar energy prediction | |
US10877012B2 (en) | Automatic siting for air quality monitoring stations | |
CN110070183A (zh) | 一种弱标注数据的神经网络模型训练方法及装置 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
Sharma et al. | A sequential ensemble model for photovoltaic power forecasting | |
Castro-Camilo et al. | A spliced gamma-generalized Pareto model for short-term extreme wind speed probabilistic forecasting | |
CN110556820A (zh) | 用于确定能量系统操作场景的方法和设备 | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
CN108596243A (zh) | 基于分级注视图和条件随机场的眼动注视图预测方法 | |
CN116502692A (zh) | 一种模型的训练方法、光伏发电功率的预测方法及设备 | |
Chou et al. | Generating high-resolution climate change projections using super-resolution convolutional LSTM neural networks | |
Dehnavi et al. | Retracted: New Deep Learning-Based Approach for Wind Turbine Output Power Modeling and Forecasting | |
Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
Fu et al. | Multi-step-ahead significant wave height prediction using a hybrid model based on an innovative two-layer decomposition framework and LSTM | |
Zhang et al. | SolarGAN: Synthetic annual solar irradiance time series on urban building facades via Deep Generative Networks | |
Tuyen et al. | A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting | |
Qu et al. | Short-term wind farm cluster power prediction based on dual feature extraction and quadratic decomposition aggregation | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
Toms et al. | Testing the reliability of interpretable neural networks in geoscience using the madden-julian oscillation | |
CN116859488A (zh) | 一种多站点风速预测方法 | |
Sharma et al. | Deep Learning Based Prediction Of Weather Using Hybrid_stacked Bi-Long Short Term Memory |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220128 |
|
WW01 | Invention patent application withdrawn after publication |