CN114970952B - 一种考虑环境因素的光伏出力短期预测方法及系统 - Google Patents
一种考虑环境因素的光伏出力短期预测方法及系统 Download PDFInfo
- Publication number
- CN114970952B CN114970952B CN202210394211.2A CN202210394211A CN114970952B CN 114970952 B CN114970952 B CN 114970952B CN 202210394211 A CN202210394211 A CN 202210394211A CN 114970952 B CN114970952 B CN 114970952B
- Authority
- CN
- China
- Prior art keywords
- environmental factors
- photovoltaic
- output
- photovoltaic output
- data
- 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.)
- Active
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 108010014173 Factor X Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282577 Pan troglodytes Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism 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
- 238000000053 physical method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种考虑环境因素的光伏出力短期预测方法及系统,所述方法包括:获取历史光伏功率数据和对应的区域环境因素数据;通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素;采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列;通过ChOA算法改进ELM神经网络,并构造光伏出力预测模型;根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型;通过训练好的光伏出力预测模型进行光伏出力短期预测。本发明采用CEEMDAN分解算法对关键环境因素进行分解,提取数据在不同时间尺度上的局部特征,在此基础上,采用ChOA算法优化ELM神经网络参数并构造预测模型,可以降低光伏发电功率预测误差。
Description
技术领域
本发明属于光伏发电技术领域,具体涉及一种考虑环境因素的光伏出力短期预测方法及系统。
背景技术
由于化石能源的短缺和环境污染问题,以及国家节能减排的压力加大,太阳能光伏作为可再生能源的一种,在中国得到快速发展。然而由于太阳辐照度、温度等环境因素的影响,光伏的输出功率本质上具有间歇性、波动性等特点,并且在大规模的光伏电源接入发电系统后,影响其稳定运行以及能量管理环节中的光伏的消纳率。
光伏出力预测的研究方法主要可以分为物理方法、统计方法和神经网络。物理预报方法不需要历史数据,需要精确的地理、气象等实测信息和完整的光伏电池信息,但计算时间较长、实用性有待提高。统计预测方法是基于历史数据和目标预测数据之间的映射关系对未来光伏输出功率的预测,但处理动态的非周期性的时间序列数据效果不佳。人工神经网络技术对非线性处理的能力符合光伏电源的变化规律,提高了光伏输出功率的预测精度。
近年来,光伏出力预测研究取得了一些成果。有利用小波变换将光伏历史信号分解为多个频率序列,然后用深度卷积神经网络提取每个频率中的非线性特征进行预测;有加入注意力机制增强提取光伏出力数据时间特征,然后构建了长短期网络和卷积神经网络组合预测模型。上述方法仅依据光伏历史数据建立模型,没有考虑影响光伏出力的环境变量因素。也有提出以综合指标选取相似日,采用L-M算法改进神经网络的参数,获得最优模型。然而由于天气条件的复杂性,上述预测模型可能无法完全提取相应的环境因素非线性特征和时间序列特征导致预测准确度不高。
因此,需要一种有效利用影响光伏出力的关键环境因素来提高光伏功率的预测的精确性的方法。
发明内容
针对现有技术的缺陷,本发明提出了一种考虑环境因素的光伏出力短期预测方法及系统,用于解决由于环境条件变化导致光伏出力预测误差较大的问题。
本发明第一方面,公开一种考虑环境因素的光伏出力短期预测方法,所述方法包括:
获取历史光伏功率数据和对应的区域环境因素数据;
通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素;
采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列;
通过ChOA算法改进ELM神经网络,并构造光伏出力预测模型;
根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型;
通过训练好的光伏出力预测模型进行光伏出力短期预测。
在以上技术方案的基础上,优选的,所述通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键你环境因素具体包括:
将输入的区域环境因素数据X减去各自的平均值,得到去中心化的区域环境因素数据;
计算去中心化的区域环境因素数据的协方差矩阵;
用特征值分解方法求协方差矩阵的特征值与特征向量;
对特征值从大到小排序,选取其中最大的s个特征值;
将最大的s个特征值对应的s个特征向量分别作为行向量组成特征向量矩阵P;
将区域环境因素数据转换到s个特征向量构建的新空间中,即Y=PX,得到关键环境因素。
在以上技术方案的基础上,优选的,所述区域环境因素数据包括太阳辐照度、环境温度、环境相对湿度、风速、降雨量;
所述影响光伏输出功率的关键环境因素包括:太阳辐照度、环境温度、环境相对湿度、风速。
在以上技术方案的基础上,优选的,所述采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列具体包括:
在待分解的关键环境因素中添加第一高斯白噪声得到第一环境因素信号;
对第一环境因素信号通过EMD进行N次分解得到N个本征模态函数,对产生的N个本征模态函数进行集成求均值,得到第一IMF分量;计算分解第一IMF分量后的第一残差序列;
在第一残差序列中继续加入第二高斯白噪声得到第二环境因素信号,对第二环境因素信号进行N次EMD分解,得到第二IMF分量;计算分解第二IMF分量后的第二残差序列;
重复以上添加高斯白噪声、分解、计算步骤直到剩余信号序列为单调函数不能继续分解,得到各个关键环境因素的时间特征序列。
在以上技术方案的基础上,优选的,所述根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型具体包括:
对主要环境因素的时间特征序列和对应的历史光伏功率数据进行归一化处理;
初始化光伏出力预测模型的输入层、隐含层、输出层之间的权重和偏置;
分别以归一化的主要环境因素的时间特征序列的各个IMF分量为输入、以对应的归一化的历史光伏功率数据为输出训练光伏出力预测模型;
以预测值和期望输出值的均方根误差函数作为ChOA算法的适应度函数,以适应度函数最小为目标优化光伏出力预测模型输入层和隐含层之间的权重、隐含层的偏置;
通过优化后的输入层隐含层之间的权重、隐含层的偏置计算输出层权重,得到光伏出力预测模型的参数。
在以上技术方案的基础上,优选的,所述通过优化后的输入层和隐含层之间的权重、隐含层的偏置计算输出层权重具体包括:
设有N个样本(Xi,Ti),其中主要环境因素为Xi=[Xi1,Xi2,…,Xin]T,期望输出为Ti=[Ti1,Ti2,…,Tim]T,则对于一个含有l个隐含层的ELM神经网络的输出表达式为:
式中:ωi、βj分别为输入层与隐含层之间的权重、输出层与隐含层之间的权重;vk为隐含层偏置,k=1,2,…,l;G为激活函数;
ChOA算法优化得到输入层与隐含层之间的权重ωi、隐含层偏置vi的基础上,计算隐含层的输出矩阵H,应用下式求解输出权重β*:
式中:H+是矩阵H的广义摩尔逆。
在以上技术方案的基础上,优选的,所述通过光伏出力预测模型进行光伏出力短期预测具体包括:
获取短期内的关键环境因素的预测数据;
采用CEEMDAN分解算法对关键环境因素的预测数据进行分解,得到关键环境因素的预测数据的各个IMF分量,组成时间特征序列;
将关键环境因素的各个IMF分量分别输入训练好的光伏出力预测模型进行预测;
叠加各个IMF分量对应的预测结果作为光伏出力短期预测结果。
本发明第二方面,公开一种考虑环境因素的光伏出力短期预测系统,所述系统包括:
数据获取模块:用于获取历史光伏功率数据和对应的区域环境因素数据;
因素筛选模块:用于通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素;
因素分解模块:用于采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列;
模型构建模块:用于通过ChOA算法改进ELM神经网络,并构造光伏出力预测模型;根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型;
出力预测模块:用于通过光伏出力预测模型进行光伏出力短期预测。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明采用CEEMDAN分解算法对关键环境因素进行分解,使非平稳数据进行平稳化处理,得到关键环境因素数据在不同时间尺度上的局部特征,并作为光伏出力预测模型的输入,可以减少环境变化对光伏出力预测的准确率影响,使光伏出力预测模型能适应环境多变的天气,降低光伏发电功率预测误差。
2)本发明采用ChOA算法优化ELM神经网络的输入层与隐含层之间的权重及隐含层的偏置,改善ELM神经网络在训练过程中由于参数随机化、训练样本过多带来的易陷入局部最优解的缺点,提高模型预测精度,
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为本发明实施例提供的考虑环境因素的光伏出力短期预测方法流程图;
图2为本发明实施例提供的ELM神经网络结构示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
请参阅图1,本发明提出一种考虑环境因素的光伏出力短期预测方法,所述方法包括:
S1、获取历史光伏功率数据和对应的区域环境因素数据。
具体的,收集光伏电站中的历史光伏功率数据,通过光伏阵区对应的环境监测仪获取得到太阳辐照度、环境温度、环境相对湿度、风速、降雨量这5种区域环境因素数据。
S2、通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素。
步骤S2具体包括如下分步骤:
S21、设输入的关键环境因素的数据集为X={x1,x2,x3,x4,x5},将输入的区域环境因素数据X的每一列减去各自的平均值,得到去中心化的区域环境因素数据;
S23、用特征值分解方法求协方差矩阵的特征值与特征向量;
S24、对特征值从大到小排序,选取其中最大的s个特征值;
S25、将最大的s个特征值对应的s个特征向量分别作为行向量组成特征向量矩阵P;
S26、将区域环境因素数据转换到s个特征向量构建的新空间中,即X'=PX,得到关键环境因素。
本发明用主成分分析法分析区域环境因素数据和历史光伏功率数据之间的相关性,选取关键环境因素。本发明实施例选取太阳辐照度、环境温度、环境相对湿度、风速这4个对光伏出力有很大影响的环境因素作为关键环境因素,基于关键环境因素进行光伏出力预测,剔除无关环境因素,减少运算量。
S3、采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列。
步骤S3具体包括如下分步骤:
S31、对关键环境因素进行数据清洗,以天为单位剔除故障、缺失的环境影响因素数据。
S32、令关键环境因素X'=X(t),在待分解的关键环境因素X(t)中添加第一高斯白噪声e0(t),得到第一环境因素信号X(t)+ζ0e0(t),ζ0为第一高斯白噪声系数;
计算分解第一IMF分量后的第一残差序列R1(t):
S34、在第一残差序列中继续加入第二高斯白噪声E1(e1(t)),得到第二环境因素信号R1(t)+ζ1E1(e1(t)),ζ1为第一高斯白噪声系数。对第二环境因素信号进行N次EMD分解,得到第二IMF分量:
计算分解第二IMF分量后的第二残差序列:
S35、对于k阶迭代,按照步骤S33、S34的计算方式得到k模态分量:
其中Ek-1(ek-1(t))为第k高斯白噪声,ζk-1为第k高斯白噪声系数。
计算得到分解第k IMF分量后的第k残差序列:
S36、重复步骤S35直到剩余信号序列为单调函数不能继续分解,算法结束,得到剩余残差序列:
得到各个关键环境因素的时间特征序列:
本发明通过CEEMDAN算法对关键环境因素数据进行分解,得到每种关键环境因素的IMF分量,以此来突显原始环境序列中不同时间尺度特征;
S4、通过ChOA算法改进ELM神经网络,并构造光伏出力预测模型。
如图2所示,本发明的ELM神经网络结构示意图,包括n节点的输入层、l个节点的隐含层、m个节点的输出层。
本发明通过黑猩猩优化算法(Chimp optimization algorithm,ChOA)算法来优化神经网络的权重,根据改进的ELM神经网络构造光伏出力预测模型,记为ChOA-ELM预测模型,如图1中所示。
S5、根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型。
步骤S5具体包括如下分步骤:
S51、对主要环境因素的时间特征序列和对应的历史光伏功率数据进行归一化处理;
S52、初始化光伏出力预测模型的输入层、隐含层、输出层之间的权重和偏置;
S53、分别以归一化的主要环境因素的时间特征序列的各个IMF分量为输入、以对应的归一化的历史光伏功率数据为输出训练光伏出力预测模型;
S54、以预测值和期望输出值的均方根误差函数作为ChOA算法的适应度函数,以适应度函数最小为目标优化光伏出力预测模型输入层和隐含层之间的权重、隐含层的偏置;
本发明在模型训练过程中,将输入层和隐含层之间的权重以及隐含层的偏置组成向量,作为ChOA算法的个体向量,以预测值和期望输出值的均方根误差函数作为ChOA算法的适应度函数,以适应度最小为目标进行迭代运算,优化ELM神经网络的输入层与隐含层之间的权重及隐含层的偏置,得到优化后的输入层与隐含层之间的权重、隐含层的偏置。通过ChOA算法可以改善ELM神经网络在训练过程中由于参数随机化、训练样本过多带来的易陷入局部最优解的缺点,提高模型预测精度。
S55、通过优化后的输入层与隐含层之间的权重、隐含层的偏置计算输出层权重,得到光伏出力预测模型的参数。
设有Num个样本(Xi,Ti),其中主要环境因素为Xi=[Xi1,Xi2,…,Xin]T,期望输出为Ti=[Ti1,Ti2,…,Tim]T,则对于一个含有l个隐含层的ELM神经网络的输出表达式为:
式中:ωi=[ωi1,ωi2,…,ωin]分别为输入层与隐含层之间的权重矩阵、βj=[βj1,βj2,…,βjm]输出层与隐含层之间的权重矩阵;vk为隐含层偏置,k=1,2,…,l;G为激活函数;
输出层输出可以表示为:
Hβ=T
其中,H为隐含层的输出矩阵。
ChOA算法优化得到输入层与隐含层之间的权重ωi、隐含层偏置vi的基础上,计算隐含层的输出矩阵H:
应用下式求解输出权重β*:
在模型训练过程中,每一轮训练完成后,检验模型精度是否达到要求,若否,继续训练,若是,则测试ChOA-ELM预测模型,进行测试结果对比。
S6、通过训练好的光伏出力预测模型进行光伏出力短期预测。
与步骤S1、S3类似,获取未来短期内的关键环境因素,通过CEEMDAN分解得到关键环境因素的时间序列特征,通过训练好的光伏出力预测模型进行光伏出力短期预测。
步骤S6具体包括如下分步骤:
S61、获取短期内的关键环境因素的预测数据,比如短期内的天气预报数据等。
S62、采用CEEMDAN分解算法对关键环境因素的预测数据进行分解,得到关键环境因素的预测数据的各个IMF分量,组成时间特征序列;
S63、将关键环境因素的各个IMF分量分别输入训练好的光伏出力预测模型进行预测;
S64、叠加各个IMF分量对应的预测结果作为光伏出力短期预测结果。
与上述方法实施例相对应,本发明还提出一种考虑环境因素的光伏出力短期预测系统,所述系统包括:
数据获取模块:用于获取历史光伏功率数据和对应的区域环境因素数据;
因素筛选模块:用于通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素;
因素分解模块:用于采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列;
模型构建模块:用于通过ChOA算法改进ELM神经网络,并构造光伏出力预测模型;根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型;
出力预测模块:用于通过光伏出力预测模型进行光伏出力短期预测。
以上系统实施例和方法实施例是一一对应的,系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种考虑环境因素的光伏出力短期预测方法,其特征在于,所述方法包括:
获取历史光伏功率数据和对应的区域环境因素数据;
通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素;
采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列;所述采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列具体包括:
在待分解的关键环境因素中添加第一高斯白噪声得到第一环境因素信号;
对第一环境因素信号通过EMD进行N次分解得到N个本征模态函数,对产生的N个本征模态函数进行集成求均值,得到第一IMF分量;计算分解第一IMF分量后的第一残差序列;
在第一残差序列中继续加入第二高斯白噪声得到第二环境因素信号,对第二环境因素信号进行N次EMD分解,得到第二IMF分量;计算分解第二IMF分量后的第二残差序列;
重复以上添加高斯白噪声、EMD分解、计算残差序列过程直到剩余信号序列为单调函数不能继续分解,得到各个关键环境因素的IMF分量,各IMF分量组成时间特征序列;
通过ChOA算法改进ELM神经网络,并构造光伏出力预测模型;
根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型;
所述根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型具体包括:
对主要环境因素的时间特征序列和对应的历史光伏功率数据进行归一化处理;
初始化光伏出力预测模型的输入层、隐含层、输出层之间的权重和偏置;
分别以归一化的主要环境因素的时间特征序列的各个IMF分量为输入、以对应的归一化的历史光伏功率数据为输出训练光伏出力预测模型;
以预测值和期望输出值的均方根误差函数作为ChOA算法的适应度函数,以适应度函数最小为目标优化光伏出力预测模型输入层和隐含层之间的权重、隐含层的偏置;
通过优化后的输入层隐含层之间的权重、隐含层的偏置计算输出层权重,得到光伏出力预测模型的参数;
所述通过优化后的输入层和隐含层之间的权重、隐含层的偏置计算输出层权重具体包括:
设有N个样本(Xi,Ti),其中主要环境因素为Xi=[Xi1,Xi2,…,Xin]T,期望输出为Ti=[Ti1,Ti2,…,Tim]T,则对于一个含有l个隐含层的ELM神经网络的输出表达式为:
式中:ωi、βj分别为输入层与隐含层之间的权重、输出层与隐含层之间的权重;vk为隐含层偏置,k=1,2,…,l;G为激活函数;
ChOA算法优化得到输入层与隐含层之间的权重ωi、隐含层偏置vi的基础上,计算隐含层的输出矩阵H,应用下式求解输出权重β*:
式中:H+是矩阵H的广义摩尔逆;
通过训练好的光伏出力预测模型进行光伏出力短期预测。
2.根据权利要求1所述的考虑环境因素的光伏出力短期预测方法,其特征在于,所述通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素具体包括:
将输入的区域环境因素数据X减去各自的平均值,得到去中心化的区域环境因素数据;
计算去中心化的区域环境因素数据的协方差矩阵;
用特征值分解方法求协方差矩阵的特征值与特征向量;
对特征值从大到小排序,选取其中最大的s个特征值;
将最大的s个特征值对应的s个特征向量分别作为行向量组成特征向量矩阵P;
将区域环境因素数据转换到s个特征向量构建的新空间中,即Y=PX,得到关键环境因素。
3.根据权利要求2所述的考虑环境因素的光伏出力短期预测方法,其特征在于,所述区域环境因素数据包括太阳辐照度、环境温度、环境相对湿度、风速、降雨量;
所述影响光伏输出功率的关键环境因素包括:太阳辐照度、环境温度、环境相对湿度、风速。
4.根据权利要求1所述的考虑环境因素的光伏出力短期预测方法,其特征在于,所述通过训练好的光伏出力预测模型进行光伏出力短期预测具体包括:
获取短期内的关键环境因素的预测数据;
采用CEEMDAN分解算法对关键环境因素的预测数据进行分解,得到关键环境因素的预测数据的各个IMF分量,组成时间特征序列;
将关键环境因素的各个IMF分量分别输入训练好的光伏出力预测模型进行预测;
叠加各个IMF分量对应的预测结果作为光伏出力短期预测结果。
5.一种考虑环境因素的光伏出力短期预测系统,其特征在于,所述系统包括:
数据获取模块:用于获取历史光伏功率数据和对应的区域环境因素数据;
因素筛选模块:用于通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素;
因素分解模块:用于采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列;所述采用CEEMDAN分解算法对关键环境因素进行分解,得到关键环境因素的时间特征序列具体包括:
在待分解的关键环境因素中添加第一高斯白噪声得到第一环境因素信号;
对第一环境因素信号通过EMD进行N次分解得到N个本征模态函数,对产生的N个本征模态函数进行集成求均值,得到第一IMF分量;计算分解第一IMF分量后的第一残差序列;
在第一残差序列中继续加入第二高斯白噪声得到第二环境因素信号,对第二环境因素信号进行N次EMD分解,得到第二IMF分量;计算分解第二IMF分量后的第二残差序列;
重复以上添加高斯白噪声、EMD分解、计算残差序列过程直到剩余信号序列为单调函数不能继续分解,得到各个关键环境因素的IMF分量,各IMF分量组成时间特征序列;
模型构建模块:用于通过ChOA算法改进ELM神经网络,并构造光伏出力预测模型;根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型;所述根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型具体包括:
对主要环境因素的时间特征序列和对应的历史光伏功率数据进行归一化处理;
初始化光伏出力预测模型的输入层、隐含层、输出层之间的权重和偏置;
分别以归一化的主要环境因素的时间特征序列的各个IMF分量为输入、以对应的归一化的历史光伏功率数据为输出训练光伏出力预测模型;
以预测值和期望输出值的均方根误差函数作为ChOA算法的适应度函数,以适应度函数最小为目标优化光伏出力预测模型输入层和隐含层之间的权重、隐含层的偏置;
通过优化后的输入层隐含层之间的权重、隐含层的偏置计算输出层权重,得到光伏出力预测模型的参数;
所述通过优化后的输入层和隐含层之间的权重、隐含层的偏置计算输出层权重具体包括:
设有N个样本(Xi,Ti),其中主要环境因素为Xi=[Xi1,Xi2,…,Xin]T,期望输出为Ti=[Ti1,Ti2,…,Tim]T,则对于一个含有l个隐含层的ELM神经网络的输出表达式为:
式中:ωi、βj分别为输入层与隐含层之间的权重、输出层与隐含层之间的权重;vk为隐含层偏置,k=1,2,…,l;G为激活函数;
ChOA算法优化得到输入层与隐含层之间的权重ωi、隐含层偏置vi的基础上,计算隐含层的输出矩阵H,应用下式求解输出权重β*:
式中:H+是矩阵H的广义摩尔逆;
出力预测模块:用于通过光伏出力预测模型进行光伏出力短期预测。
6.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现权利要求1~4任一项所述的方法。
7.一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存储计算机指令,所述计算机指令使计算机实现权利要求1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394211.2A CN114970952B (zh) | 2022-04-14 | 2022-04-14 | 一种考虑环境因素的光伏出力短期预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394211.2A CN114970952B (zh) | 2022-04-14 | 2022-04-14 | 一种考虑环境因素的光伏出力短期预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970952A CN114970952A (zh) | 2022-08-30 |
CN114970952B true CN114970952B (zh) | 2023-04-07 |
Family
ID=82976866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210394211.2A Active CN114970952B (zh) | 2022-04-14 | 2022-04-14 | 一种考虑环境因素的光伏出力短期预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970952B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911467A (zh) * | 2023-09-12 | 2023-10-20 | 浙江华云电力工程设计咨询有限公司 | 一种可再生能源出力的预测方法、装置及存储介质 |
CN117220287B (zh) * | 2023-11-09 | 2024-02-06 | 四川大学 | 一种发电量预测方法 |
CN117713238B (zh) * | 2023-12-14 | 2024-05-07 | 国网青海省电力公司清洁能源发展研究院 | 光伏发电和储能微电网结合的随机优化运行策略 |
CN117748500B (zh) * | 2024-02-19 | 2024-04-30 | 北京智芯微电子科技有限公司 | 光伏功率预测方法、装置、设备及介质 |
CN118332478B (zh) * | 2024-06-13 | 2024-08-30 | 国网山东省电力公司嘉祥县供电公司 | 基于改进eemd算法的光伏功率短期分段预测方法及系统 |
CN118399406A (zh) * | 2024-06-28 | 2024-07-26 | 浙江大学 | 一种基于多源数据的光伏出力预测方法、设备、存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353653B (zh) * | 2020-03-13 | 2020-12-11 | 大连理工大学 | 一种光伏出力短期区间预测方法 |
CN112348271B (zh) * | 2020-11-12 | 2024-01-30 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
CN113361782B (zh) * | 2021-06-09 | 2022-09-23 | 浙江工业大学 | 基于改进mkpls的光伏发电功率短期滚动预测方法 |
CN113487064A (zh) * | 2021-06-10 | 2021-10-08 | 淮阴工学院 | 基于主成分分析和改进lstm的光伏功率预测方法及系统 |
CN114298377A (zh) * | 2021-12-02 | 2022-04-08 | 华东电力试验研究院有限公司 | 一种基于改进极限学习机的光伏发电预测方法 |
-
2022
- 2022-04-14 CN CN202210394211.2A patent/CN114970952B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114970952A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
De Giorgi et al. | Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods | |
CN112529282A (zh) | 基于时空图卷积神经网络的风电场集群短期功率预测方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN113627674A (zh) | 一种分布式光伏电站出力预测方法、装置及存储介质 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN114022311A (zh) | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
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 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
CN118054394A (zh) | 一种基于深度强化学习的光伏功率预测方法及系统 | |
CN118137479A (zh) | 一种基于组合预测模型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 | |
CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 | |
CN116167508B (zh) | 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 | |
CN116435987A (zh) | 一种大规模风电集群超短期风电功率预测方法 | |
Lops et al. | A deep learning approach for climate parameter estimations and renewable energy sources | |
CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
CN111626468B (zh) | 一种基于有偏凸损失函数的光伏区间预测方法 | |
Ding et al. | Photovoltaic array power prediction model based on EEMD and PSO-KELM | |
Zhang et al. | Wind farm wind power prediction method based on CEEMDAN and DE optimized DNN neural network | |
CN113780643A (zh) | 一种基于事例推理的光伏电站短期出力预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |