CN114004424A - 一种光伏功率预测方法、系统、设备及存储介质 - Google Patents
一种光伏功率预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114004424A CN114004424A CN202111566541.7A CN202111566541A CN114004424A CN 114004424 A CN114004424 A CN 114004424A CN 202111566541 A CN202111566541 A CN 202111566541A CN 114004424 A CN114004424 A CN 114004424A
- Authority
- CN
- China
- Prior art keywords
- particles
- data
- formula
- particle
- photovoltaic
- 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 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 144
- 150000001875 compounds Chemical class 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 241000189662 Calla Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 101100066307 Neisseria gonorrhoeae farA gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010792 warming 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (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
本发明公开了一种光伏功率预测方法、系统、设备及存储介质,方法包括通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据;对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据;基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO‑BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果;将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果。本发明能够应对光伏出力的随机性和波动性,具有收敛速度快、预测精度高、性能优越的优点。
Description
技术领域
本发明涉及电力系统技术领域,尤其是涉及一种光伏功率预测方法、系统、设备及存储介质。
背景技术
随着全球能源供应紧张局面的进一步加剧以及化石能源利用对气候升温与环境污染的影响作用日益突显,世界各国正积极寻求自身能源结构的转型。随着煤电装机在电力总装机比重的下降和可再生能源发电比例的提高,为保证电力系统的安全稳定运行,对电网供需两侧功率保持实时平衡的能力提出了更大的挑战,而我国电源结构单一(2019年火电占比59.2%),缺少调峰、调频机组,储能技术由于经济性限制尚未大规模应用,电网灵活性不足,弃风、弃光现象经常发生。同时,随着我国用电负荷的稳步增长,全国多省市地区夏季尖峰负荷连年创下新高,峰谷差不断较大,为平衡持续时间很短的尖峰负荷,须配套大量调节资源,造成电网投资和运行效率未充分利用和发挥。由此可见,仅靠传统调节资源来调控电网的难度不断增加,传统调节资源的调度空间越来越小。
随着能源电力网络互联互通,以及“大云物移智链”等先进信息、网络、控制技术的广泛应用,各类负荷终端装置的技术水平大幅提升,使得对末端负荷的互联感知和可测可控成为可能。在这个背景下,虚拟电厂技术应运而生。虚拟电厂能够实现分布式电源、储能系统、可控负荷、电动汽车等分布式资源的聚合和协调优化,以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。
楼宇建筑作为城市电网用电的基础组成,随着信息技术、智能终端、自动化技术的发展,城市楼宇正在向着智能化、节能化发展。同时,电动汽车、分布式光伏、储能等电网新兴元素正在越来越多地配置到城市电网楼宇建筑,形成新兴智能楼宇。面向新兴智能楼宇的虚拟电厂能有效聚合调控各类楼宇资源,进一步起到促进资源合理利用的作用。对屋顶光伏系统功率的准确预测有助于充分挖掘楼宇资源的调节潜力,将为电网运行提供可观的系统灵活性资源。
发明内容
本发明提供一种光伏功率预测方法、系统、设备及存储介质,能够应对光伏出力的随机性和波动性,具有收敛速度快、预测精度高、性能优越的优点。
为了解决上述技术问题,本发明实施例提供了一种光伏功率预测方法,包括以下步骤:
通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据;
对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据;
基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果;
将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果。
作为优选方案,所述通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据,包括:
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表,并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件;
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据;
获取电网光伏历史功率之间的皮尔逊相关系数,选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据;其中,s为小于U的正实数。
作为优选方案,所述数据预处理为消除数据维数和量纲不同影响的归一化处理。
作为优选方案,所述预设的PSO算法,包括:
迭代过程中速度的更新公式:
迭代过程中位置的更新公式:
式中,w为惯性权重,取值范围为[0.4,0.9];k为当前迭代次数;、为学习因子,取值范围为[0.4,0.9];和为分布于[0,1]之间的随机数;为粒子i第k次迭代时在Z维空间中的位置;为粒子i第k次迭代时在Z维空间中的速度;为粒子i在第k次迭代时的当前最优位置;为第k次迭代整个种群目前搜索到的最优解;
在Z维空间中,第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式:
对惯性权重进行动态调整的表达式为:
对学习因子动态调整的表达式为:
引入自适应变异,通过以下两个条件判断粒子是否集中于极小区域:
满足:
若满足上式两条件之一,则粒子陷入局部最优;
利用粒子与全局最优粒子的欧氏距离大小决定其变异概率p,表达式为:
作为优选方案,所述基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果,包括:
1)确定BPNN模型的网络拓扑结构,初始化BPNN权值、阈值并进行参数设置;
2)对BPNN权值、阈值编码确定粒子维数D,建立粒子群位置维数与BPNN权值和阈值的映射,公式为:
式中,M为BPNN输入层节点数目;Q为BPNN隐含层节点数目;N为BPNN输出层节点数目;
3)初始化粒子群位置和速度并进行参数设置,将BPNN训练误差作为适应度函数以对粒子进行评价,表达式为:
4)根据所述将BPNN训练误差作为适应度函数以对粒子进行评价的表达式计算适应度,以确定个体和群体的最优位置;
5)根据所述在Z维空间中,第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式计算每个粒子的欧氏距离,将种群划分为界内区域和界外区域;
6)判断种群是否陷入极小区域,若是执行变异操作,转到步骤8),否则继续执行步骤7);
7)根据所述惯性权重进行动态调整的表达式、所述学习因子动态调整的表达式计算粒子的惯性权重和学习因子;
8)根据所述迭代过程中速度的更新公式、所述迭代过程中位置的更新公式更新粒子的位置和速度;
9)判断算法是否满足结束条件,不满足转入步骤4),以满足解码获得BPNN最优初始权值和阈值;
10)进行BPNN训练,网络训练结束进行仿真预测。
作为优选方案,所述将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果,包括:
利用重构公式将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果,所述重构公式包括:
本发明实施例还提供一种光伏功率预测系统,包括:
输入数据选择模块,用于通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据;
输入数据处理模块,用于对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据;
模型计算模块,用于基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果;
模型预测模块,用于将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果。
作为优选方案,所述输入数据选择模块,还用于:
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表,并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件;
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据;
获取电网光伏历史功率之间的皮尔逊相关系数,选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据;其中,s为小于U的正实数。
本发明实施例还提供一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的光伏功率预测方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的光伏功率预测方法。
相比于现有技术,本发明实施例的有益效果在于,光伏功率预测方法,包括通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据;对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据;基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果;将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果,本发明能够应对光伏出力的随机性和波动性,具有收敛速度快、预测精度高、性能优越的优点。
附图说明
图1是本发明实施例中的光伏功率预测方法的流程步骤图;
图2是本发明实施例中的光伏功率预测方法的小波分解示意图;
图3是本发明实施例中的光伏功率预测方法的BPNN结构示意图;
图4是本发明实施例中的光伏功率预测方法的流程图。
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技术方案进行清楚、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,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1和图4,本发明实施例提供了一种光伏功率预测方法,包括以下步骤:
S1通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据;
S2、对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据;
S3、基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果;
S4、将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果。
在本发明实施例中,所述步骤S1、通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据,包括:
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表,并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件;
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据;
获取电网光伏历史功率之间的皮尔逊相关系数,选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据;其中,s为小于U的正实数。
具体说明如下:
影响光伏出力的因素有很多,为定量评价各种气象数据对实际光伏出力的影响,选择合理的输入数据集,提升功率预测精度,引入皮尔逊相关系数:
式中:X,Y表示随机变量;为X,Y的协方差;和为X,Y的有限方差;E表示有限期望。某光伏电站全年历史输出功率与气象数据的皮尔逊相关系数如表1所示。皮尔逊相关系数越大,表明数据间的相关性越高。因此选定太阳辐射强度、湿度、温度以及风速构建光伏功率预测输入数据集。
表1 光伏输出功率与气象数据的皮尔逊相关系数表
风速 | 太阳辐射 | 风向 | 温度 | 气压 | 湿度 | |
光伏出力 | 0.3218 | 0.9419 | 0.0184 | 0.4684 | 0.0368 | -0.7027 |
光伏历史输出功率之间也存在一定的关联性,增加历史数据作为预测模型的输入,在气象条件一致的情况下,保证输出功率的时间连续性。如预测第U天t时刻的功率输出,虽然我们无法获得第U-1天U-2等前t时刻的实际功率,但是我们可以得到第U-1天、U-2天等t时刻的历史功率数据。将光伏历史功率数据与气象数据共同作为预测模型的输入在一定程度上可以纠正由气象数据本身的误差所导致的模型预测误差,从而提高预测精度。光伏历史输出功率之间的皮尔逊相关系数如表2所示。可以理解的是,此时t表示输入数据的t时刻。
表2 光伏输出功率与历史功率的皮尔逊相关系数表
(U-1,t) | (U-2,t) | (U-3,t) | (U-4,t) | (U-5,t) | |
光伏出力 | 0.9286 | 0.9016 | 0.9050 | 0.9075 | 0.9099 |
由表2可知,由于光伏出力的日特性比较明显,蒙东电网光伏历史功率之间的皮尔逊相关系数基本维持在0.9左右,因此选择(U-1,t)和(U-2,t)的历史功率数据也作为光伏功率预测输入数据。
在本发明实施例中,所述步骤S2、对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据,具体为:
光伏出力具有很强的波动性、随机性,其时间序列又具有一定的周期性、相关性。小波分析克服了傅里叶变换时间信息丢失以及对非平稳信号分析困难的问题,可以实现给定时间序列中的时域信息和频域信息的提取,在时域和频域都有很强的信号表征能力。因此,将小波分析技术引入屋顶光伏的出力预测。
式中*表示共轭复数。
实际中常用二进制动态采样网络,取离散化参数:a 0 =2,b 0 =1,对任意函数f(t)的离散小波变换为:
采用“mallat”算法可表示为:
此外,为提高BPNN的训练速度与泛化能力,消除数据维数和量纲不同影响,除风向外各变量通过式(8)对输入数据进行归一化处理:
在本发明实施例中,所述步骤S3、基于预设的PSO算法和BP神经网络算法为改进标准PSO算法和BP神经网络算法:
(1)BP算法的改进
BP神经网络(Back Propagation Neural Network,BPNN)是指基于误差反向传播算法的多层前向神经网络,因其具有非线性映射、自适应学习、泛化能力强以及分布式并行处理的优点,在多个领域得到了广泛应用。图3为三层BPNN结构示意图。
BP算法本身存在一些不足。标准的BPNN权值、阈值的初始化通常是根据经验随机给定,缺乏合理性,对网络进行训练后,可能会产生使网络不能收敛到全局最小,收敛速度慢等问题,最终影响预测精度。粒子群算法(Particle Swarm Optimization,PSO)具有全局搜索能力强且性能优越的特点,可以很好地弥补BP算法的不足,因此引入PSO算法对BPNN进行优化。
(2)PSO算法的改进
粒子群优化算法是一种模拟鸟群觅食行为的群体智能优化算法,基于迭代原理通过搜索当前个体的局部最优解从而找到全局最优解,在迭代过程中速度和位置更新公式分别为:
迭代过程中速度的更新公式:
迭代过程中位置的更新公式:
式中,w为惯性权重,取值范围为[0.4,0.9];k为当前迭代次数;、为学习因子,取值范围为[0.4,0.9];和为分布于[0,1]之间的随机数;为粒子i第k次迭代时在Z维空间中的位置;为粒子i第k次迭代时在Z维空间中的速度;为粒子i在第k次迭代时的当前最优位置;为第k次迭代整个种群目前搜索到的最优解;
标准PSO算法存在容易“早熟”收敛、搜索速度慢和后期迭代效率不高的问题,通过引入欧氏距离的区域划分在以下几个方面对标准PSO算法进行改进:
在Z维空间中,第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式:
对惯性权重进行动态调整的表达式为:
对学习因子动态调整的表达式为:
(3)引入自适应变异,通过自适应变异进一步加强粒子的动态寻优性能,避免算法在参数寻优过程中陷入局部最优,通过以下两个条件判断粒子是否集中于极小区域:
满足:
若满足上式两条件之一,则粒子陷入局部最优;
利用粒子与全局最优粒子的欧氏距离大小决定其变异概率p,表达式为:
在本发明实施例中,所述基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果,包括:
用改进的PSO算法,即区域划分自适应变异粒子群算法(Regional-segmentationSelf-adapting Variation Particle Swarm Optimization,RSVPSO)优化BPNN的初始权值和阈值,并对分解后的子序列分别进行训练和预测。请参见图3,RSVPSO-BPNN算法具体步骤为:
1)确定BPNN模型的网络拓扑结构,初始化BPNN权值、阈值并进行参数设置;
2)对BPNN权值、阈值编码确定粒子维数D,建立粒子群位置维数与BPNN权值和阈值的映射,公式为:
式中,M为BPNN输入层节点数目;Q为BPNN隐含层节点数目;N为BPNN输出层节点数目;
3)初始化粒子群位置和速度并进行参数设置,将BPNN训练误差作为适应度函数以对粒子进行评价,表达式为:
4)根据所述将BPNN训练误差作为适应度函数以对粒子进行评价的表达式计算适应度,以确定个体和群体的最优位置;
5)根据所述在Z维空间中,第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式计算每个粒子的欧氏距离,将种群划分为界内区域和界外区域;
6)判断种群是否陷入极小区域,若是执行变异操作,转到步骤8),否则继续执行步骤7);
7)根据所述惯性权重进行动态调整的表达式(12)、所述学习因子动态调整的表达式(13)(14)计算粒子的惯性权重和学习因子;
8)根据所述迭代过程中速度的更新公式、所述迭代过程中位置的更新公式更新粒子的位置和速度;
9)判断算法是否满足结束条件,不满足转入步骤4),以满足解码获得BPNN最优初始权值和阈值;
10)进行BPNN训练,网络训练结束进行仿真预测。
在本发明实施例中,所述步骤S4、将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果,包括:
利用重构公式将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果,所述重构公式包括:
对于任意的函数的连续小波变换如式(4)所示,式中*表示共轭复数,其对应的重构公式为:
在实际运用中,连续小波必须离散化,常用二进制动态采样网络,取离散化参数:a 0 =2,b 0 =1,对任意函数f(t)的离散小波变换为式(6),采用“mallat”算法可表示为式(7),其对应的重构公式为:
本发明实施例还提供一种光伏功率预测系统,包括:
输入数据选择模块,用于通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据;
输入数据处理模块,用于对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据;
模型计算模块,用于基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果;
模型预测模块,用于将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果。
作为优选方案,所述输入数据选择模块,还用于:
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表,并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件;
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据;
获取电网光伏历史功率之间的皮尔逊相关系数,选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据;其中,s为小于U的正实数。
本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述的光伏功率预测方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器301也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,终端设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的光伏功率预测方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种光伏功率预测方法,其特征在于,包括以下步骤:
通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据;
对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据;
基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果;
将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果。
2.如权利要求1所述的光伏功率预测方法,其特征在于,所述通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据,包括:
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表,并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件;
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据;
获取电网光伏历史功率之间的皮尔逊相关系数,选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据;其中,s为小于U的正实数。
3.如权利要求1所述的光伏功率预测方法,其特征在于,所述数据预处理为消除数据维数和量纲不同影响的归一化处理。
4.如权利要求1所述的光伏功率预测方法,其特征在于,所述预设的PSO算法,包括:
迭代过程中速度的更新公式:
迭代过程中位置的更新公式:
式中,w为惯性权重,取值范围为[0.4,0.9];k为当前迭代次数;、为学习因子,取值范围为[0.4,0.9];和为分布于[0,1]之间的随机数;为粒子i第k次迭代时在Z维空间中的位置;为粒子i第k次迭代时在Z维空间中的速度;为粒子i在第k次迭代时的当前最优位置;为第k次迭代整个种群目前搜索到的最优解;
在Z维空间中,第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式:
对惯性权重进行动态调整的表达式为:
对学习因子动态调整的表达式为:
引入自适应变异,通过以下两个条件判断粒子是否集中于极小区域:
满足:
若满足上式两条件之一,则粒子陷入局部最优;
利用粒子与全局最优粒子的欧氏距离大小决定其变异概率p,表达式为:
5.如权利要求4所述的光伏功率预测方法,其特征在于,所述基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果,包括:
1)确定BPNN模型的网络拓扑结构,初始化BPNN权值、阈值并进行参数设置;
2)对BPNN权值、阈值编码确定粒子维数D,建立粒子群位置维数与BPNN权值和阈值的映射,公式为:
式中,M为BPNN输入层节点数目;Q为BPNN隐含层节点数目;N为BPNN输出层节点数目;
3)初始化粒子群位置和速度并进行参数设置,将BPNN训练误差作为适应度函数以对粒子进行评价,表达式为:
4)根据所述将BPNN训练误差作为适应度函数以对粒子进行评价的表达式计算适应度,以确定个体和群体的最优位置;
5)根据所述在Z维空间中,第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式计算每个粒子的欧氏距离,将种群划分为界内区域和界外区域;
6)判断种群是否陷入极小区域,若是执行变异操作,转到步骤8),否则继续执行步骤7);
7)根据所述惯性权重进行动态调整的表达式、所述学习因子动态调整的表达式计算粒子的惯性权重和学习因子;
8)根据所述迭代过程中速度的更新公式、所述迭代过程中位置的更新公式更新粒子的位置和速度;
9)判断算法是否满足结束条件,不满足转入步骤4),以满足解码获得BPNN最优初始权值和阈值;
10)进行BPNN训练,网络训练结束进行仿真预测。
7.一种光伏功率预测系统,其特征在于,包括:
输入数据选择模块,用于通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据;
输入数据处理模块,用于对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理,得到模型输入数据;
模型计算模块,用于基于预设的PSO算法和BP神经网络算法,根据所述模型输入数据集构建多个RSVPSO-BPNN模型对分解后的子序列分别进行训练和预测,得到各子序列预测结果;
模型预测模块,用于将所述各子序列预测结果进行小波重构,输出屋顶光伏功率预测结果。
8.如权利要求7所述的光伏功率预测系统,其特征在于,所述输入数据选择模块,还用于:
获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表,并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件;
从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据;
获取电网光伏历史功率之间的皮尔逊相关系数,选择若干第U-s天的t时刻的历史功率数据作为光伏历史输出功率数据;其中,s为小于U的正实数。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的光伏功率预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的光伏功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566541.7A CN114004424A (zh) | 2021-12-21 | 2021-12-21 | 一种光伏功率预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566541.7A CN114004424A (zh) | 2021-12-21 | 2021-12-21 | 一种光伏功率预测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004424A true CN114004424A (zh) | 2022-02-01 |
Family
ID=79931907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111566541.7A Pending CN114004424A (zh) | 2021-12-21 | 2021-12-21 | 一种光伏功率预测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004424A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN115271253A (zh) * | 2022-09-05 | 2022-11-01 | 中国长江三峡集团有限公司 | 一种水风光发电功率预测模型构建方法、装置及存储介质 |
CN116167508A (zh) * | 2023-01-16 | 2023-05-26 | 南通电力设计院有限公司 | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 |
CN116307291A (zh) * | 2023-05-22 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种基于小波分解的分布式光伏发电预测方法及预测终端 |
CN116307287A (zh) * | 2023-05-19 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种光伏发电有效时段的预测方法、系统及预测终端 |
CN116388865A (zh) * | 2023-06-05 | 2023-07-04 | 深圳市飞思卓科技有限公司 | 一种基于pon光模块光功率异常的自动筛选方法 |
CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
CN116776134A (zh) * | 2023-08-16 | 2023-09-19 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
CN116776935A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进micn的光伏功率预测方法 |
CN117293826A (zh) * | 2023-11-27 | 2023-12-26 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165770A (zh) * | 2018-07-09 | 2019-01-08 | 江苏大学 | 基于AFSA-Elman的新型光伏功率预测方法 |
CN109840629A (zh) * | 2019-01-21 | 2019-06-04 | 南京邮电大学 | 基于小波变换-树突状神经元模型的光伏功率预测方法 |
CN112348271A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
-
2021
- 2021-12-21 CN CN202111566541.7A patent/CN114004424A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165770A (zh) * | 2018-07-09 | 2019-01-08 | 江苏大学 | 基于AFSA-Elman的新型光伏功率预测方法 |
CN109840629A (zh) * | 2019-01-21 | 2019-06-04 | 南京邮电大学 | 基于小波变换-树突状神经元模型的光伏功率预测方法 |
CN112348271A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
Non-Patent Citations (1)
Title |
---|
徐国强: "蒙东电网新能源消纳能力评估与消纳措施研究", 《中国优秀博硕士论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN115271253B (zh) * | 2022-09-05 | 2023-07-14 | 中国长江三峡集团有限公司 | 一种水风光发电功率预测模型构建方法、装置及存储介质 |
CN115271253A (zh) * | 2022-09-05 | 2022-11-01 | 中国长江三峡集团有限公司 | 一种水风光发电功率预测模型构建方法、装置及存储介质 |
CN116167508A (zh) * | 2023-01-16 | 2023-05-26 | 南通电力设计院有限公司 | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 |
CN116167508B (zh) * | 2023-01-16 | 2024-03-15 | 南通电力设计院有限公司 | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 |
CN116307287B (zh) * | 2023-05-19 | 2023-08-01 | 国网信息通信产业集团有限公司 | 一种光伏发电有效时段的预测方法、系统及预测终端 |
CN116307287A (zh) * | 2023-05-19 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种光伏发电有效时段的预测方法、系统及预测终端 |
CN116307291B (zh) * | 2023-05-22 | 2023-08-29 | 国网信息通信产业集团有限公司 | 一种基于小波分解的分布式光伏发电预测方法及预测终端 |
CN116307291A (zh) * | 2023-05-22 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种基于小波分解的分布式光伏发电预测方法及预测终端 |
CN116388865A (zh) * | 2023-06-05 | 2023-07-04 | 深圳市飞思卓科技有限公司 | 一种基于pon光模块光功率异常的自动筛选方法 |
CN116388865B (zh) * | 2023-06-05 | 2023-09-15 | 深圳市飞思卓科技有限公司 | 一种基于pon光模块光功率异常的自动筛选方法 |
CN116404645B (zh) * | 2023-06-07 | 2023-08-25 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
CN116776935B (zh) * | 2023-06-09 | 2024-02-23 | 淮阴工学院 | 一种基于改进micn的光伏功率预测方法 |
CN116776935A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进micn的光伏功率预测方法 |
CN116776134A (zh) * | 2023-08-16 | 2023-09-19 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
CN116776134B (zh) * | 2023-08-16 | 2023-10-24 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
CN117293826A (zh) * | 2023-11-27 | 2023-12-26 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
CN117293826B (zh) * | 2023-11-27 | 2024-04-05 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114004424A (zh) | 一种光伏功率预测方法、系统、设备及存储介质 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
Wang et al. | The study and application of a novel hybrid forecasting model–A case study of wind speed forecasting in China | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
CN110556820B (zh) | 用于确定能量系统操作场景的方法和设备 | |
CN111210082A (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
Guo et al. | An ensemble solar power output forecasting model through statistical learning of historical weather dataset | |
Verma et al. | Data analysis to generate models based on neural network and regression for solar power generation forecasting | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN112052913B (zh) | 一种分布式光伏电站功率数据虚拟采集方法 | |
Liang et al. | A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
CN113177673B (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN111709109A (zh) | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 | |
Zhang et al. | Photovoltaic power prediction based on hybrid modeling of neural network and stochastic differential equation | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
Zhang et al. | Prediction of building energy consumption based on PSO-RBF neural network | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
CN114862023A (zh) | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 | |
CN116822672A (zh) | 一种空调冷负荷预测优化方法、系统 | |
Zhong et al. | PV power short-term forecasting model based on the data gathered from monitoring network |
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: 20220201 |