CN114492944A - 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质 - Google Patents

基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质 Download PDF

Info

Publication number
CN114492944A
CN114492944A CN202111658462.9A CN202111658462A CN114492944A CN 114492944 A CN114492944 A CN 114492944A CN 202111658462 A CN202111658462 A CN 202111658462A CN 114492944 A CN114492944 A CN 114492944A
Authority
CN
China
Prior art keywords
short
predicted
day
data
term
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
Application number
CN202111658462.9A
Other languages
English (en)
Inventor
文爽
孙志强
金胜骞
焦晓雷
陈虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Jieyuan Electric Power Technology Development Co ltd
Central South University
Original Assignee
Nanjing Jieyuan Electric Power Technology Development Co ltd
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Jieyuan Electric Power Technology Development Co ltd, Central South University filed Critical Nanjing Jieyuan Electric Power Technology Development Co ltd
Priority to CN202111658462.9A priority Critical patent/CN114492944A/zh
Publication of CN114492944A publication Critical patent/CN114492944A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

Abstract

本发明公开了一种基于TLBO‑Elman的光伏电站短期发电功率预测方法、装置及存储介质，根据预测日的气象数据、天气类型获取与其相似度最高的历史日；将该历史日的光伏发电功率数据进行分解处理，将得到的表示短期规律的IMF分量叠加作为短期预测中频数据；将预测日的气象数据及短期预测中频数据归一化处理，输入与预测日天气类型对应的发电功率预测模型，以预测预测日光伏发电短期预测功率；发电功率预测模型为基于历史发电日的气象数据及光伏发电功率数据分别对Elman神经网络进行训练得到，且Elman神经网络的初始权值和阈值采用TLBO优化算法得到。本发明可以实现不同气象条件下光伏发电短期功率的有效预测。

Description

基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及 存储介质
技术领域
本发明涉及光伏发电功率预测技术领域，尤其涉及一种基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质。
背景技术
进入新世纪后，环境保护和能源危机日趋严峻，太阳能发电凭借其清洁、可再生和易于分布式推广等优点在全球范围内得到广泛应用。随着碳达峰、碳中和战略的提出，我国光伏发电产业将迎来一个新的发展良机，光伏发电量占总发电量的比重将显著上升。然而，光伏发电功率与气象因素紧密相关，其具有很强的间歇性、波动性和随机性，大规模的光伏发电并网不仅对电网造成强烈冲击而且影响电能质量，还对电力系统的稳定运行和有效调度造成不利影响。光伏发电功率的合理预测，可有效减小因并网对电网造成的冲击，提高电站运行的稳定性，提升主网对光伏的接纳能力。因此，有效预测光伏发电功率对推动太阳能发电应用及整个电网的安全、高效、经济运行具有重要的意义。
现有光伏发电功率预测方法主要分为间接预测法和直接预测法两类。间接预测法是基于光伏发电系统的物理模型建立的，其模型复杂且对气象信息精度要求较高，当光伏电站组件参数变化时，预测结果精度显著降低。直接预测法基于气象信息和光伏电站历史发电信息建立，其模型较为简单且不需考虑电站组件参数，具有较高的精度和较强的适应性。但现有的大多直接预测技术由于初始权值和阈值的随机性导致其易陷入局部最优，且在气象突变情形下的预测能力较差。因此，研究高精度光伏电站短期电功率预测技术十分必要。
发明内容
本发明提供了一种基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质，以解决常规的光伏电站短期发电功率预测方法估计结果精度不高的问题。
第一方面，提供了一种基于TLBO-Elman的光伏电站短期发电功率预测方法，包括：
获取预测日的气象数据，并确定预测日所属天气类型；
根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日；
将相似度最高的历史日的光伏发电功率数据进行分解处理，将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频数据；
将预测日的气象数据及短期预测中频数据进行归一化处理，然后输入与预测日天气类型对应的发电功率预测模型，得到归一化的光伏发电预测功率；其中，各天气类型对应的发电功率预测模型为基于各天气类型的历史发电日的气象数据及光伏发电功率数据分别对Elman神经网络进行训练得到，且Elman神经网络的初始权值和阈值采用TLBO优化算法得到；
对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
进一步地，所述各天气类型对应的发电功率预测模型通过如下方法得到：
根据天气类型，从历史日提取各天气类型对应的历史日构建训练样本集，训练样本集中每个样本包括该历史日的气象特征向量、短期预测中频数据及光伏发电功率数据；其中，气象特征向量基于气象数据得到；
将每个样本的气象特征向量、短期预测中频数据及光伏发电功率数据进行归一化处理；
以归一化处理后的气象特征向量、短期预测中频数据作为输入，以归一化处理后的光伏发电功率数据作为输出，基于各天气类型对应的训练样本集分别对Elman神经网络进行训练，分别得到各天气类型对应的发电功率预测模型；
其中，Elman神经网络的初始权值和阈值采用TLBO优化算法得到。
进一步地，所述Elman神经网络的承接层、隐含层、输出层可通过下式计算：
承接层：
xc(k)＝αxc(k-1)+h(k-1)
隐含层：
h(k)＝f(w1X(k-1)+w3xc(k)+b1)
输出层：
Y(k)＝g(w2x(k)+b2)
其中，X(k)为输入层在k时刻的输入；xc(k)为承接层在k时刻的输出；h(k)为隐含层在k时刻的输出；Y(k)为输出层在k时刻的输出；g(·)为输出层神经元传递函数；f(·)为隐含层神经元传递函数；b1为隐含层阈值；b2为输出层阈值；α为自连接反馈增益因子；w1为输入层与隐含层间的权值；w2为隐含层与输出层之间的权值；w3为隐含层与承接层间的权值；
由计算输出Y(k)与真实值y(k)计算得到网络误差E：
Figure BDA0003446689290000021
式中，N表示预测数据总长度；
隐含层与输出层之间权值w2的修正量△w2通过下式计算：
Figure BDA0003446689290000022
式中，η表示学习率；i＝1,2,…,m；j＝1,2,…,n，m、n分别表示输出层和隐含层的节点数；g'(·)为输出层神经元传递函数g(·)的导数；
输入层与隐含层之间权值w1的修正量△w1通过下式计算：
Figure BDA0003446689290000031
式中，q＝1,2,…,r，r表示输入层的节点数；f'(·)为隐含层神经元传递函数f(·)的导数；
承接层与隐含层之间权值w3的修正量△w3通过下式计算：
Figure BDA0003446689290000032
Figure BDA0003446689290000033
式中，l＝1,2,…,n；
训练过程中，若网络误差E小于设定误差ε或达到最大训练步骤，则终止迭代。
进一步地，采用TLBO优化算法得到Elman神经网络的初始权值和阈值，具体包括：
通过模仿老师的教授与学生的学习行为来达到优化Elman神经网络的初始权值和阈值的目的，其主要包括教授和学习两个阶段：
教学阶段：
Li,new＝Li,old+si(Onew-TFOi)
TF＝round[1+round(0,1){2-1}]
式中，Li,new和Li,old表示教学前后学生的能力水平；Onew和Oi表示教师水平和平均水平；TF为教学因子；si为[0,1]之间的随机数；
学习阶段：
Figure BDA0003446689290000034
式中，Li和Lj表示不同的学习者；d(·)为目标函数。
进一步地，所述根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日，具体包括：
根据预测日的天气类型筛选出与预测日的天气类型相同的历史日；
计算基于预测日的气象数据构建的气象特征向量与筛选出的各历史日的气象特征向量间的相似度，选择相似度最高的历史日。
进一步地，所述相似度通过如下公式计算得到：
Figure BDA0003446689290000041
其中，Fi表示预测日与第i个历史日间的相似度；M表示气象特征向量的维度；ωi(k)表示预测日与第i个历史日的第k个气象特性向量分量间的灰色关联系数，其计算公式如下：
Figure BDA0003446689290000042
其中，
Figure BDA0003446689290000043
表示预测日气象特征向量的第k个分量，
Figure BDA0003446689290000044
表示第i个历史日气象特征向量的第k个分量，ρ表示取值为[0,1]之间的分辨系数。
进一步地，所述将相似度最高的历史日的光伏发电功率数据进行分解处理，将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频数据，具体包括：
将相似度最高的历史日的光伏发电功率数据进行EEMD分解，得到多个IMF分量和一个残差分量；
用游程检验法检验计算各IMF分量的最大游程长度和游程数，根据最大游程长度和游程数筛选出中频IMF分量；
将筛选出的中频IMF分量叠加作为短期预测中频数据。
进一步地，所述气象数据包括平均太阳辐照度、最高温度、平均温度、平均湿度和平均风速；所述天气类型包括晴天、雨天和多云。
第二方面，提供了一种基于TLBO-Elman的光伏电站短期发电功率预测装置，包括：
数据获取模块，用于获取预测日的气象数据，并确定预测日所属天气类型；
历史日获取模块，用于根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日；
中频数据获取模块，用于将相似度最高的历史日的光伏发电功率数据进行分解处理，将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频数据；
光伏发电预测模块，用于将预测日的气象数据及短期预测中频数据进行归一化处理，然后输入与预测日天气类型对应的发电功率预测模型，得到归一化的光伏发电预测功率；其中，各天气类型对应的发电功率预测模型为基于各天气类型的历史发电日的气象数据及光伏发电功率数据分别对Elman神经网络进行训练得到，且Elman神经网络的初始权值和阈值采用TLBO优化算法得到；
反归一化模块，用于对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
第三方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于TLBO-Elman的光伏电站短期发电功率预测方法。
有益效果
本发明提出了一种基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质，通过获取的气象数据，并确定天气类型，然后根据气象数据和天气类型利用相似度筛选出相似度最高的历史日，对相似度最高的历史日的光伏发电功率数据进行分解，提取中频分量构建短期预测中频数据，然后将预测日的气象数据及相似度最高的历史日的短期预测中频数据进行归一化处理，然后输入与预测日天气类型对应的发电功率预测模型，进而预测预测日光伏发电短期功率。其中发电功率预测模型为基于各天气类型的历史发电日的气象数据及光伏发电功率数据分别对Elman神经网络进行训练得到，且Elman神经网络的初始权值和阈值采用TLBO优化算法得到。本发明可以实现不同气象条件下光伏发电短期功率的有效预测，对光伏发电并网和电站的稳定运行的拓展研究工作提供基础。。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于TLBO-Elman的光伏电站短期发电功率预测方法流程图。
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，下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
本发明提供了一种基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质，其目的在于解决常规的光伏电站短期发电功率预测方法估计结果精度不高的问题。在对预测日的光伏发电功率进行预测之前，需先构建好各天气类型对应的发电功率预测模型，具体方法如下。
利用辐照表、温度计、湿度计和风速测试仪等仪器对待预测的光伏电站较长一段时期内的太阳辐照强度I、温度T、湿度H风速W和光伏发电功率数据P等数据进行测量记录，采样间隔为5分钟。同时，将所有记录的历史日按晴天、雨天和多云三种天气情形归类。
基于记录的气象数据计算或筛选每个历史日平均太阳辐照度Ia、最高温度Tmax、平均温度Ta、平均湿度Ha和平均风速Wa等信息，并构建气象特征向量X*＝[Ia,Ta,Tmax,Ha,Wa]。
对每个历史日的光伏发电功率数据进行EEMD(集合经验模态分解)分解处理，得到多个IMF分量和一个残差分量。具体过程包括：
将高斯白噪声ei(t)添加到光伏发电功率数据信息序列P(t)中，添加高斯白噪声后的新的混合信号可通过下式表示：
Pi(t)＝P(t)+ei(t)
其中，i表示第几次对原始信号加入高斯白噪声；
利用经验模态分解技术对新序列Pi(t)进行分解，获得V个IMF分量cj(t)和一个残余分量r0(t)：
Figure BDA0003446689290000061
重复上述过程N次，每次都对原始光伏发电功率数据信息序列P(t)添加新的高斯白噪声并求出相应的IMF分量；
对计算得到的IMF分量进行平均化处理，则原光伏发电功率数据信息序列P(t)的IMF分量可以通过如下方程表示：
Figure BDA0003446689290000062
最终原光伏发电功率数据信息序列P(t)被分解为：
Figure BDA0003446689290000063
用游程检验法检验计算光伏发电功率数据分解得到的各IMF分量的最大游程长度和游程数，根据最大游程长度和游程数筛选出中频IMF分量。具体过程为：
对于每一个IMF分量cj(t)，均为一个时间序列，假设用序列{G(t)}(t＝1,2,…,p)表示，其平均值为Ga，则时序符号定义为：
Figure BDA0003446689290000064
式中，i＝1,2,…,p；
连续的1或0均表示一个游程，一个游程内1或0的数量表示游程长度，最大游程长度越大代表数据越稳定，频率越低。进而可根据最大游程长度和游程数与预设阈值进行比较，筛选出能表示光伏发电短期规律的中频IMF分量，将这些IMF分量叠加作为短期预测中频数据。
基于此，可以根据记录的历史日的天气类型，提取出晴天训练样本集、雨天训练样本集和多云训练样本集，且每个样本包括该历史日的气象特征向量、短期预测中频数据及光伏发电功率数据。
以构建晴天对应的发电功率预测模型为例进行说明：
将晴天训练样本集中每个样本的气象特征向量、短期预测中频数据及光伏发电功率数据进行归一化处理；
以归一化处理后的气象特征向量、短期预测中频数据作为输入，以归一化处理后的光伏发电功率数据作为输出，基于晴天训练样本集对Elman神经网络进行训练，得到晴天对应的发电功率预测模型。
更具体地，根据气象特征向量中的分量数和光伏发电功率数据确定Elman神经网络输入层、输出层和隐含层节点数r、m和n，Elman神经网络的输入由气象特征向量和短期预测中频数据组成，其输出为光伏发电功率数据(其为不同时刻发电功率构成的时间序列)，给定Elman神经网络的训练函数、网络学习函数和节点传递函数等参数。Elman神经网络的承接层、隐含层、输出层可通过下式计算：
承接层：
xc(k)＝αxc(k-1)+h(k-1)
隐含层：
h(k)＝f(w1X(k-1)+w3xc(k)+b1)
输出层：
Y(k)＝g(w2x(k)+b2)
其中，X(k)为输入层在k时刻的输入；xc(k)为承接层在k时刻的输出；h(k)为隐含层在k时刻的输出；Y(k)为输出层在k时刻的输出；g(·)为输出层神经元传递函数；f(·)为隐含层神经元传递函数；输出层神经元传递函数和隐含层神经元传递函数可选用Signmoid函数、tansig函数或logsig函数；b1为隐含层阈值；b2为输出层阈值；α为自连接反馈增益因子；w1为输入层与隐含层间的权值；w2为隐含层与输出层之间的权值；w3为隐含层与承接层间的权值；
由计算输出Y(k)与真实值y(k)计算得到网络误差E：
Figure BDA0003446689290000081
式中，N表示预测数据总长度；
隐含层与输出层之间权值w2的修正量△w2通过下式计算：
Figure BDA0003446689290000082
式中，η表示学习率；i＝1,2,…,m；j＝1,2,…,n，m、n分别表示输出层和隐含层的节点数；g'(·)为输出层神经元传递函数g(·)的导数；
输入层与隐含层之间权值w1的修正量△w1通过下式计算：
Figure BDA0003446689290000083
式中，q＝1,2,…,r，r表示输入层的节点数；f'(·)为隐含层神经元传递函数f(·)的导数；
承接层与隐含层之间权值w3的修正量△w3通过下式计算：
Figure BDA0003446689290000084
Figure BDA0003446689290000085
式中，l＝1,2,…,n；
训练过程中，判定网络误差E与设定误差ε之间的关系，若E>ε，则返回到隐含层和输出层计算；否则，终止迭代。若达到最大训练步骤，则终止迭代。
Elman神经网络输入层和输出层的节点数通过输入和输出数据确定，隐含层节点数是由输出层和输入层节点数共同决定，隐含层最佳节点数通常由以下几种方式获得：
Figure BDA0003446689290000086
Figure BDA0003446689290000087
Figure BDA0003446689290000088
式中，C为调节常数，其取值范围为[1,10]。
实施时，采用TLBO优化算法得到Elman神经网络的初始权值和阈值，具体包括：
通过模仿老师的教授与学生的学习行为来达到优化Elman神经网络的初始权值和阈值的目的，其主要包括教授和学习两个阶段：
教学阶段：
Li,new＝Li,old+si(Onew-TFOi)
TF＝round[1+round(0,1){2-1}]
式中，Li,new和Li,old表示教学前后学生的能力水平；Onew和Oi表示教师水平和平均水平；TF为教学因子；si为[0,1]之间的随机数；
学习阶段：
Figure BDA0003446689290000091
式中，Li和Lj表示不同的学习者；d(·)为目标函数。
基于雨天训练样本集和多云训练样本集得到各自对应的发电功率预测模型的过程可参见前述基于晴天训练样本集得到晴天对应的发电功率预测模型，在此不再进行赘述。
在得到上述各天气类型对应的发电功率预测模型的基础上，可进行光伏电站短期发电功率预测，提供了以下实施例进行说明。
实施例1
本实施例提供了一种基于TLBO-Elman的光伏电站短期发电功率预测方法，包括：
S1：获取预测日的气象数据，并确定预测日所属天气类型；
S2：根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日；
S3：将相似度最高的历史日的光伏发电功率数据进行分解处理，将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频数据；
S4：将预测日的气象数据及短期预测中频数据进行归一化处理，然后输入与预测日天气类型对应的发电功率预测模型，得到归一化的光伏发电预测功率；
S5：对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
步骤S2中，所述根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日，具体包括：
根据预测日的天气类型筛选出与预测日的天气类型相同的历史日；
计算基于预测日的气象数据构建的气象特征向量与筛选出的各历史日的气象特征向量间的相似度，选择相似度最高的历史日。
其中，所述相似度通过如下公式计算得到：
Figure BDA0003446689290000092
其中，Fi表示预测日与第i个历史日间的相似度；M表示气象特征向量的维度，本实施例中M为5；ωi(k)表示预测日与第i个历史日的第k个气象特性向量分量间的灰色关联系数，其计算公式如下：
Figure BDA0003446689290000101
其中，
Figure BDA0003446689290000102
表示预测日气象特征向量的第k个分量，
Figure BDA0003446689290000103
表示第i个历史日气象特征向量的第k个分量，ρ表示取值为[0,1]之间的分辨系数。
实施例2
本实施例提供了一种基于TLBO-Elman的光伏电站短期发电功率预测装置，包括：
数据获取模块，用于获取预测日的气象数据，并确定预测日所属天气类型；
历史日获取模块，用于根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日；
中频数据获取模块，用于将相似度最高的历史日的光伏发电功率数据进行分解处理，将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频数据；
光伏发电预测模块，用于将预测日的气象数据及短期预测中频数据进行归一化处理，然后输入与预测日天气类型对应的发电功率预测模型，得到归一化的光伏发电预测功率；
反归一化模块，用于对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
实施例3
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于TLBO-Elman的光伏电站短期发电功率预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于TLBO-Elman的光伏电站短期发电功率预测方法，其特征在于，包括：
获取预测日的气象数据，并确定预测日所属天气类型；
根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日；
将相似度最高的历史日的光伏发电功率数据进行分解处理，将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频数据；
将预测日的气象数据及短期预测中频数据进行归一化处理，然后输入与预测日天气类型对应的发电功率预测模型，得到归一化的光伏发电预测功率；其中，各天气类型对应的发电功率预测模型为基于各天气类型的历史发电日的气象数据及光伏发电功率数据分别对Elman神经网络进行训练得到，且Elman神经网络的初始权值和阈值采用TLBO优化算法得到；
对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
2.根据权利要求1所述的基于TLBO-Elman的光伏电站短期发电功率预测方法，其特征在于，所述各天气类型对应的发电功率预测模型通过如下方法得到：
根据天气类型，从历史日提取各天气类型对应的历史日构建训练样本集，训练样本集中每个样本包括该历史日的气象特征向量、短期预测中频数据及光伏发电功率数据；其中，气象特征向量基于气象数据得到；
将每个样本的气象特征向量、短期预测中频数据及光伏发电功率数据进行归一化处理；
以归一化处理后的气象特征向量、短期预测中频数据作为输入，以归一化处理后的光伏发电功率数据作为输出，基于各天气类型对应的训练样本集分别对Elman神经网络进行训练，分别得到各天气类型对应的发电功率预测模型；
其中，Elman神经网络的初始权值和阈值采用TLBO优化算法得到。
3.根据权利要求2所述的基于TLBO-Elman的光伏电站短期发电功率预测方法，其特征在于，所述Elman神经网络的承接层、隐含层、输出层可通过下式计算：
承接层：
xc(k)＝αxc(k-1)+h(k-1)
隐含层：
h(k)＝f(w1X(k-1)+w3xc(k)+b1)
输出层：
Y(k)＝g(w2x(k)+b2)
其中，X(k)为输入层在k时刻的输入；xc(k)为承接层在k时刻的输出；h(k)为隐含层在k时刻的输出；Y(k)为输出层在k时刻的输出；g(·)为输出层神经元传递函数；f(·)为隐含层神经元传递函数；b1为隐含层阈值；b2为输出层阈值；α为自连接反馈增益因子；w1为输入层与隐含层间的权值；w2为隐含层与输出层之间的权值；w3为隐含层与承接层间的权值；
由计算输出Y(k)与真实值y(k)计算得到网络误差E：
Figure FDA0003446689280000021
式中，N表示预测数据总长度；
隐含层与输出层之间权值w2的修正量△w2通过下式计算：
Figure FDA0003446689280000022
式中，η表示学习率；i＝1,2,…,m；j＝1,2,…,n，m、n分别表示输出层和隐含层的节点数；g'(·)为输出层神经元传递函数g(·)的导数；
输入层与隐含层之间权值w1的修正量△w1通过下式计算：
Figure FDA0003446689280000023
式中，q＝1,2,…,r，r表示输入层的节点数；f'(·)为隐含层神经元传递函数f(·)的导数；
承接层与隐含层之间权值w3的修正量△w3通过下式计算：
Figure FDA0003446689280000024
Figure FDA0003446689280000025
式中，l＝1,2,…,n；
训练过程中，若网络误差E小于设定误差ε或达到最大训练步骤，则终止迭代。
4.根据权利要求2所述的基于TLBO-Elman的光伏电站短期发电功率预测方法，其特征在于，采用TLBO优化算法得到Elman神经网络的初始权值和阈值，具体包括：
通过模仿老师的教授与学生的学习行为来达到优化Elman神经网络的初始权值和阈值的目的，其主要包括教授和学习两个阶段：
教学阶段：
Li,new＝Li,old+si(Onew-TFOi)
TF＝round[1+round(0,1){2-1}]
式中，Li,new和Li,old表示教学前后学生的能力水平；Onew和Oi表示教师水平和平均水平；TF为教学因子；si为[0,1]之间的随机数；
学习阶段：
Figure FDA0003446689280000031
式中，Li和Lj表示不同的学习者；d(·)为目标函数。
5.根据权利要求1所述的基于TLBO-Elman的光伏电站短期发电功率预测方法，其特征在于，所述根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日，具体包括：
根据预测日的天气类型筛选出与预测日的天气类型相同的历史日；
计算基于预测日的气象数据构建的气象特征向量与筛选出的各历史日的气象特征向量间的相似度，选择相似度最高的历史日。
6.根据权利要求5所述的基于TLBO-Elman的光伏电站短期发电功率预测方法，其特征在于，所述相似度通过如下公式计算得到：
Figure FDA0003446689280000032
其中，Fi表示预测日与第i个历史日间的相似度；M表示气象特征向量的维度；ωi(k)表示预测日与第i个历史日的第k个气象特性向量分量间的灰色关联系数，其计算公式如下：
Figure FDA0003446689280000033
其中，
Figure FDA0003446689280000034
表示预测日气象特征向量的第k个分量，
Figure FDA0003446689280000035
表示第i个历史日气象特征向量的第k个分量，ρ表示取值为[0,1]之间的分辨系数。
7.根据权利要求1所述的基于TLBO-Elman的光伏电站短期发电功率预测方法，其特征在于，所述将相似度最高的历史日的光伏发电功率数据进行分解处理，将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频数据，具体包括：
将相似度最高的历史日的光伏发电功率数据进行EEMD分解，得到多个IMF分量和一个残差分量；
用游程检验法检验计算各IMF分量的最大游程长度和游程数，根据最大游程长度和游程数筛选出中频IMF分量；
将筛选出的中频IMF分量叠加作为短期预测中频数据。
8.根据权利要求1所述的基于TLBO-Elman的光伏电站短期发电功率预测方法，其特征在于，所述气象数据包括平均太阳辐照度、最高温度、平均温度、平均湿度和平均风速；所述天气类型包括晴天、雨天和多云。
9.一种基于TLBO-Elman的光伏电站短期发电功率预测装置，其特征在于，包括：
数据获取模块，用于获取预测日的气象数据，并确定预测日所属天气类型；
历史日获取模块，用于根据预测日的气象数据及其所属天气类型，获取与预测日相似度最高的历史日；
中频数据获取模块，用于将相似度最高的历史日的光伏发电功率数据进行分解处理，将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频数据；
光伏发电预测模块，用于将预测日的气象数据及短期预测中频数据进行归一化处理，然后输入与预测日天气类型对应的发电功率预测模型，得到归一化的光伏发电预测功率；其中，各天气类型对应的发电功率预测模型为基于各天气类型的历史发电日的气象数据及光伏发电功率数据分别对Elman神经网络进行训练得到，且Elman神经网络的初始权值和阈值采用TLBO优化算法得到；
反归一化模块，用于对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于TLBO-Elman的光伏电站短期发电功率预测方法。
CN202111658462.9A 2021-12-30 2021-12-30 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质 Pending CN114492944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111658462.9A CN114492944A (zh) 2021-12-30 2021-12-30 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111658462.9A CN114492944A (zh) 2021-12-30 2021-12-30 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114492944A true CN114492944A (zh) 2022-05-13

Family

ID=81508049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111658462.9A Pending CN114492944A (zh) 2021-12-30 2021-12-30 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114492944A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117117859A (zh) * 2023-10-20 2023-11-24 华能新能源股份有限公司山西分公司 基于神经网络的光伏发电功率预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117117859A (zh) * 2023-10-20 2023-11-24 华能新能源股份有限公司山西分公司 基于神经网络的光伏发电功率预测方法及系统
CN117117859B (zh) * 2023-10-20 2024-01-30 华能新能源股份有限公司山西分公司 基于神经网络的光伏发电功率预测方法及系统

Similar Documents

Publication Publication Date Title
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
CN109214575B (zh) 一种基于小波长短期记忆网络的超短期风电功率预测方法
Liang et al. A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN111667098B (zh) 一种基于多模型组合优化的风力电站输出功率预测方法
CN111144644B (zh) 基于变分异方差高斯过程回归的短期风速预测方法
CN111898828A (zh) 一种基于极限学习机的水力发电预测方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN111553510A (zh) 一种短期风速预测方法
CN112508244B (zh) 一种用户级综合能源系统多元负荷预测方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN112925824A (zh) 针对极端天气类型的光伏功率预测方法及系统
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
CN112906987A (zh) 基于卷积神经网络和二维气象矩阵的光伏功率预测方法
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
CN112100911A (zh) 一种基于深度bisltm的太阳辐射预测方法
CN113283577A (zh) 一种基于元学习和生成对抗网络的工业平行数据生成方法
CN114492944A (zh) 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质
CN111242353A (zh) 风电功率组合预测建模和预测方法
Reddy et al. Hybrid approach for short term wind power forecasting
CN113111592A (zh) 一种基于emd-lstm的短期风电功率预测方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
Zhou et al. A transfer learning method for forecasting masked-load with behind-the-meter distributed energy resources
CN115392387B (zh) 一种低压分布式光伏发电出力预测方法

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