CN115545164A - 光伏发电功率预测方法、系统、设备及介质 - Google Patents
光伏发电功率预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115545164A CN115545164A CN202211289327.6A CN202211289327A CN115545164A CN 115545164 A CN115545164 A CN 115545164A CN 202211289327 A CN202211289327 A CN 202211289327A CN 115545164 A CN115545164 A CN 115545164A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- generation power
- neural network
- prediction
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 103
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 73
- 238000010219 correlation analysis Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 6
- 210000004027 cell Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010220 Pearson correlation analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光伏发电功率预测方法、系统、设备及介质,包括:对光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;对光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;将不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到光伏发电功率预测结果;其中,预构建的光伏发电功率预测模型为LSTM‑CNN&BP组合神经网络预测模型,LSTM‑CNN&BP组合神经网络预测模型包括LSTM‑CNN神经网络和BP神经网络;本发明将BP神经网络与LSTM‑CNN神经网络结合,充分利用两种神经网络模型的特征,有效提高了预测结果的精度和泛化性能。
Description
技术领域
本发明属于光伏发电技术领域,特别涉及一种光伏发电功率预测方法、系统、设备及介质。
背景技术
能源日益短缺已成全球面临的重大问题,寻求及应用清洁、可再生的新能源已成为解决能源问题的关键;因此,资源丰富、无污染、安全可靠的太阳能得到了广泛应用。由于光伏发电具有随机性和波动性,以致为其并网带来困难,准确的光伏发电预测对光伏发电的开发、利用及维护电力系统的正常运行有重大意义。
目前,基于人工神经网络的预测模型已经广泛、有效的应用于光伏发电功率预测中,能够满足实际的应用需求;然而,由于光伏发电功率受到多方面因素的影响,如温湿度、天空净度以及硬件因素等,且光伏发电功率具有非线性、波动性强的特点;同时,由于光伏发电具有时间特征和空间特征,单一的使用卷积神经网络(CNN)和长短期记忆神经网络(LSTM)提取空间特征和时间特征的预测模型,预测精度降低,并不能很好地适用于光伏发电功率预测。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种光伏发电功率预测方法、系统、设备及介质,以解决现有的光伏发电功率预测模型的预测精度较低的技术问题。
为达到上述目的,本发明采用的技术方案为:
本发明公开了一种光伏发电功率预测方法,包括:
获取光伏发电功率的影响构成要素数据;
对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;
对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;
将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果;
其中,所述预构建的光伏发电功率预测模型为LSTM-CNN&BP组合神经网络预测模型,所述LSTM-CNN&BP组合神经网络预测模型包括LSTM-CNN神经网络和BP神经网络。
进一步的,所述光伏发电功率的影响构成要素数据包括天空净度、大气压强、光伏组件效率、光伏组件温度、太阳方位角、相对湿度、干球温度、风速及风向。
进一步的,对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据的过程,具体如下:
采用皮尔逊相关系数法,对所述光伏发电功率的影响构成要素数据进行相关性分析,确定与光伏发电功率相关性高的影响数据,即得到所述的光伏发电功率的主要影响指标数据。
进一步的,对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果的过程,具体如下:
将所述光伏发电功率的主要影响指标数据按照季节划分,利用K均值聚类算法将按季节划分后的光伏发电功率的主要影响指标数据进行聚类,得到不同天气类型的聚类结果。
进一步的,将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果的过程,具体如下:
根据所述不同天气类型的聚类结果,构建训练集和测试集;
构建LSTM-CNN神经网络,并利用所述训练集对所述LSTM-CNN神经网络进行训练,得到训练后的LSTM-CNN神经网络;
将所述测试集输入至训练后的LSTM-CNN神经网络中,输出得到第一预测结果;
构建BP神经网络,并将所述训练集对所述BP神经网络进行训练,得到训练后的BP神经网络;
将所述测试集输入至训练后的BP神经网络中,输出得到第二预测结果;
将所述第一预测结果与所述第二预测结果进行叠加求和,输出得到所述光伏发电功率预测结果。
进一步的,所述LSTM-CNN神经网络包括CNN网络单元和LSTM网络单元;
其中,所述CNN网络单元包括依次相连的卷积层、池化层、全连接层及输出层;所述卷积层,用于提取局部特征;所述池化层,用于对所述局部特征的输出进行选择;所述全连接层,用于对池化层输出的局部特征进行整合得到全局特征;所述输出层,用于输出所述全局特征。
所述LSTM网络单元,包括依次相连的遗忘门、输入门及输出门;其中,所述遗忘门的输入与所述输出层的输出相连;所述遗忘门,用于对所述全局特征进行遗忘处理,得到遗忘处理后的信息;所述输入门,用于对所述经过遗忘处理后的信息进行细胞状态更新,得到更新后的信息;所述输出门,根据更新后的信息对细胞状态进行过滤,并输出得到第一预测结果。
进一步的,所述BP神经网络包括依次相连的输入层、隐含层及输出层;
其中,所述隐含层的信号处理原理为:
其中,H为隐含层输出;f(*)为激活函数;wih为输入层神经单位元i与隐含层神经单位元h的权值;xi为第i个输入;θi为隐含层阈值;m为输出样本维数;
所述输出层的输出处理原理为:
y=f(whjH+θk)
k=1,2,3...m
其中,whj为隐含层与输出层的权重;j为激活层;θk为输出层阈值;k为输出层。
本发明还提供了一种光伏发电功率预测系统,包括:
数据获取模块,用于获取光伏发电功率的影响构成要素数据;
相关性分析模块,用于对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;
聚类处理模块,用于对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;
预测输出模块,用于将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果;
其中,所述预构建的光伏发电功率预测模型为LSTM-CNN&BP组合神经网络预测模型,所述LSTM-CNN&BP组合神经网络预测模型包括LSTM-CNN神经网络和BP神经网络。
本发明还提供了一种光伏发电功率预测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述一种光伏发电功率预测方法的步骤。
本发明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存储有计算机程序,所述计算机程序被处理器执行时实现所述一种光伏发电功率预测方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明提供了一种光伏发电功率预测方法及系统,通过对光伏发电功率的影响构成要素数据进行相关性分析,并进行聚类处理,能够充分考虑气候、天气对光伏发电量的影响,为利用不同特点的神经网络提供基础;利用LSTM-CNN神经网络实现对空间特征和时间特征的提取,有效降低神经网络模型的预测误差;同时,将BP神经网络与LSTM-CNN神经网络结合,充分利用两种神经网络模型的特征,有效提高了预测结果的精度和泛化性能。
进一步的,将天空净度、大气压强、光伏组件效率、光伏组件温度、太阳方位角、相对湿度、干球温度、风速及风向作为光伏发电功率的影响构成要素数据,采用硬件影响与气象影响相结合的方式,更加准确地影响因子对光伏发电量的影响,为提高模型的预测精度打下可靠基础。
进一步的,将数据按照季节分类,利用K均值聚类算法进行聚类,得到不同的天气类型,对不同季节的不同天气类型分别进行预测,充分考虑气候、天气对光伏发电量的影响,为利用具有不同特点的模型预测不同类型提供了基础。
进一步的,将CNN网络单元与LSTM网络单元有机结合,其中利用CNN网络单元提取空间特征,利用LSTM网络单元提取时间特征,充分考虑、结合气象因素的特点,降低了神经网络模型光伏发电功率预测的误差,使预测性能得到了有效地提升。
附图说明
图1为实施例所述的光伏发电功率预测方法流程图;
图2为皮尔逊相关系数相关性分析结果图;
图3为不同天气类型的聚类结果图;
图4为实施例中的CNN神经网络结构示意图;
图5为实施例中的LSTM神经网络结构示意图;
图6为实施例中的BP神经网络结构示意图;
图7为实施例中对聚类1分别采用四种预测方法的预测精度对比图;
图8为实施例中对聚类2分别采用四种预测方法的预测精度对比图;
图9为实施例中对聚类3分别采用四种预测方法的预测精度对比图;
图10为实施例中对聚类4分别采用四种预测方法的预测精度对比图。
具体实施方式
为了使本发明所解决的技术问题,技术方案及有益效果更加清楚明白,以下具体实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种光伏发电功率预测方法,包括以下步骤:
步骤1、获取光伏发电功率的影响构成要素数据;其中,所述光伏发电功率的影响构成要素数据包括天空净度、大气压强、光伏组件效率、光伏组件温度、太阳方位角、相对湿度、干球温度、风速及风向。
步骤2、对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;具体的,采用皮尔逊相关系数法,对所述光伏发电功率的影响构成要素数据进行相关性分析,确定与光伏发电功率相关性高的影响数据,即得到所述的光伏发电功率的主要影响指标数据。
步骤3、对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;其中,聚类处理的过程,具体如下:
将所述光伏发电功率的主要影响指标数据按照季节划分,利用K均值聚类算法将按季节划分后的光伏发电功率的主要影响指标数据进行聚类,得到不同天气类型的聚类结果。
步骤4、将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果;其中,所述预构建的光伏发电功率预测模型为LSTM-CNN&BP组合神经网络预测模型,所述LSTM-CNN&BP组合神经网络预测模型包括LSTM-CNN神经网络和BP神经网络。
本发明中,所述LSTM-CNN神经网络包括CNN网络单元和LSTM网络单元;所述CNN网络单元包括依次相连的卷积层、池化层、全连接层及输出层;所述卷积层,用于提取局部特征;所述池化层,用于对所述局部特征的输出进行选择;所述全连接层,用于对池化层输出的局部特征进行整合得到全局特征;所述输出层,用于输出所述全局特征;所述LSTM网络单元,包括依次相连的遗忘门、输入门及输出门;其中,所述遗忘门的输入与所述输出层的输出相连;所述遗忘门,用于对所述全局特征进行遗忘处理,得到遗忘处理后的信息;所述输入门,用于对所述经过遗忘处理后的信息进行细胞状态更新,得到更新后的信息;所述输出门,根据更新后的信息对细胞状态进行过滤,并输出得到第一预测结果。
所述BP神经网络包括依次相连的输入层、隐含层及输出层;其中,所述隐含层的信号处理原理为:
其中,H为隐含层输出;f(*)为激活函数;wih为输入层神经单位元i与隐含层神经单位元h的权值;xi为第i个输入;θi为隐含层阈值;m为输出样本维数。
所述输出层的输出处理原理为:
y=f(whjH+θk)
k=1,2,3...m
其中,whj为隐含层与输出层的权重;j为激活层;θk为输出层阈值;k为输出层。
本发明步骤4中,将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果的过程,具体如下:
根据所述不同天气类型的聚类结果,构建训练集和测试集。
构建LSTM-CNN神经网络,并利用所述训练集对所述LSTM-CNN神经网络进行训练,得到训练后的LSTM-CNN神经网络。
将所述测试集输入至训练后的LSTM-CNN神经网络中,输出得到第一预测结果。
构建BP神经网络,并将所述训练集对所述BP神经网络进行训练,得到训练后的BP神经网络。
将所述测试集输入至训练后的BP神经网络中,输出得到第二预测结果。
将所述第一预测结果与所述第二预测结果进行叠加求和,输出得到所述光伏发电功率预测结果。
本发明所述的光伏发电功率预测方法,基于组合神经网络对光伏发电功率进行预测,相较于单一神经网络预测模型,有效提升了预测性能;其中,将LSTM-CNN神经网络及BP神经网络的有机结合,充分利用两种模型的特点,有效提高了预测精度及泛化性能。
本发明还提供了一种光伏发电功率预测设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现光伏发电功率预测方法的步骤。
所述处理器执行所述计算机程序时实现上述光伏发电功率预测方法的步骤,例如:获取光伏发电功率的影响构成要素数据;对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果;其中,所述预构建的光伏发电功率预测模型为LSTM-CNN&BP组合神经网络预测模型,所述LSTM-CNN&BP组合神经网络预测模型包括LSTM-CNN神经网络和BP神经网络。
或者,所述处理器执行所述计算机程序时实现上述系统中各模块的功能,例如:数据获取模块,用于获取光伏发电功率的影响构成要素数据;相关性分析模块,用于对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;聚类处理模块,用于对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;预测输出模块,用于将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果;其中,所述预构建的光伏发电功率预测模型为LSTM-CNN&BP组合神经网络预测模型,所述LSTM-CNN&BP组合神经网络预测模型包括LSTM-CNN神经网络和BP神经网络。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,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预设功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序在所述光伏发电功率预测设备中的执行过程。例如,所述计算机程序可以被分割成数据获取模块、相关性分析模块、聚类处理模块及预测输出模块,各模块具体功能如下:数据获取模块,用于获取光伏发电功率的影响构成要素数据;相关性分析模块,用于对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;聚类处理模块,用于对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;预测输出模块,用于将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果;其中,所述预构建的光伏发电功率预测模型为LSTM-CNN&BP组合神经网络预测模型,所述LSTM-CNN&BP组合神经网络预测模型包括LSTM-CNN神经网络和BP神经网络。
所述光伏发电功率预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述光伏发电功率预测设备可包括,但不仅限于处理器、存储器。本领域技术人员可以理解,上述仅仅是光伏发电功率预测设备的示例,并不构成对光伏发电功率预测设备的限定,可以包括比上述更多的部件,或者组合某些部件,或者不同的部件,例如所述光伏发电功率预测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,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也可以是任何常规的处理器等,所述处理器是所述光伏发电功率预测设备的控制中心,利用各种接口和线路连接整个光伏发电功率预测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述光伏发电功率预测设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明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存储有计算机程序,所述计算机程序被处理器执行时实现所述的一种光伏发电功率预测方法的步骤。
所述光伏发电功率预测系统集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本发明实现上述光伏发电功率预测方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述光伏发电功率预测方法的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。
所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
实施例
以某高校能源站为研究对象;如附图1所示,本实施例提供了一种光伏发电功率预测方法,包括以下步骤:
步骤1、获取光伏发电功率的影响构成要素数据;其中,所述光伏发电功率的影响构成要素包括天空净度、大气压强、光伏组件效率、光伏组件温度、太阳方位角、相对湿度、干球温度、风速及风向。
步骤2、采用皮尔逊相关系数法,对所述光伏发电功率的影响构成要素数据进行相关性分析,确定与光伏发电功率相关性高的影响数据,即得到所述光伏发电功率的主要影响指标数据。
本实施例中,所述皮尔逊相关系数法(Pearson correlation coefficient)是一种能够利用相关性进行特征选择的方法;其基本思想是通过预设计算公式来度量两个变量的相关性,使表述其相关性的值介于-1与1之间。
采用皮尔逊相关系数法,对所述光伏发电功率的影响构成要素数据进行相关性分析的过程,具体如下:
步骤21、利用数据标准化公式,对所述光伏发电功率的影响构成要素数据,进行标准化处理,以消除不同特征量纲不同的影响,得到标准化后的样本数据;其中,所述数据标准化公式为:
其中,z*为标准化后的数据,zmean为原始数据的算术平均值,zstd为原始数据的标准差。
步骤22、根据n条标准化后的样本数据,构建初始数据集;
其中,所述初始数据集为:
(xi,yi),i=1,2,...,n
其中,xi为第i个数据点的因素值,yi为第i个数据点的光伏发电功率。
步骤23、利用皮尔逊相关性分析公式,对所述初始数据集进行皮尔逊相关性分析,得到影响要素的相关系数;其中,皮尔逊相关系数相关性分析结果,如附图2所示;从附图2中可以看出,各影响因素与光伏发电量的相关性,相关性大于0.4的特征变量为太阳辐射、光伏组件效率、天空净度及光伏组件温度;因此,上述的太阳辐射、光伏组件效率、天空净度及光伏组件温度即为所筛选出的光伏发电功率的主要影响指标数据。
其中,所述皮尔逊相关性分析公式为:
-1≤r≤1
步骤24、当所述影响要素的相关系数小于0.4时,认为对应的光伏发电功率的影响构成要素数据与光伏发电功率相关性较低,并将对应的光伏发电功率的影响构成要素数据舍弃;当所述影响要素的相关系数大于等于0.4时,认为对应的光伏发电功率的影响构成要素数据与光伏发电功率相关性高,输出对应的光伏发电功率的影响构成要素数据。
步骤3、将所述光伏发电功率的主要影响指标数据按照季节划分,利用K均值聚类算法将按季节划分后的光伏发电功率的主要影响指标数据进行聚类,得到不同天气类型的聚类结果。
本实施例中,所述K均值聚类算法通过迭代求解进行聚类,具体通过计算样本与聚类中心的距离作为相似性指标;例如,取样本集X={xi,i=1,2,...,n},将所述样本集X划分为k个子集,即k个类,进行迭代求解每个样本聚集到距其所属类的中心距离最小类中。
具体的,利用K均值聚类算法将按季节划分后的光伏发电功率的主要影响指标数据进行聚类,得到不同天气类型的聚类结果的过程,包括以下步骤:
步骤31、从按季节划分后的光伏发电功率的主要影响指标数据中随机选取k个样本,并将其作为初始质心;
步骤32、利用欧式距离计算公式,计算所有样本到所有初始质心的欧式距离,并按照样本与初始质心的最小欧式距离,将样本划分到对应的簇中;
其中,所述欧式距离计算公式为:
其中,JSSE为欧氏距离;μi为ci簇的均值;ci为簇数。
步骤33、计算所有簇的均值,并依次选取新的质心;
步骤34、重复步骤32和步骤33的操作,直至质心不再变化或在允许的误差内变化。
步骤35、输出聚类结果,即得到所述不同天气类型的聚类结果,如附图3所示;从附图3中可以看出,聚类的天气类型分别为晴天、多云、阵雨及阴天。
步骤4、根据所述不同天气类型的聚类结果,构建训练集和测试集。
步骤5、构建LSTM-CNN神经网络,并利用所述训练集对所述LSTM-CNN神经网络进行训练,得到训练后的LSTM-CNN神经网络;将所述测试集输入至训练后的LSTM-CNN神经网络中,输出得到第一预测结果。
具体的,所述LSTM-CNN神经网络的维度设置为三维,所述LSTM-CNN神经网络包括CNN网络单元和LSTM网络单元。
如附图4所示,所述CNN网络单元包括卷积层、池化层、全连接层及输出层;其中,所述卷积层,用于提取局部特征;所述池化层,用于对所述局部特征的输出进行选择;所述全连接层,用于对池化层输出的局部特征进行整合得到全局特征;所述输出层,用于输出所述全局特征。
如附图5所示,所述LSTM网络单元,包括依次相连的遗忘门、输入门及输出门;其中,所述遗忘门的输入与所述输出层的输出相连;所述遗忘门,用于对所述全局特征进行遗忘处理,得到遗忘处理后的信息;所述输入门,用于对所述经过遗忘处理后的信息进行细胞状态更新,得到更新后的信息;所述输出门,根据更新后的信息对细胞状态进行过滤,并输出得到第一预测结果。
其中,所述遗忘门的遗忘程度计算原理为:
ft=sigmoid(bf+Wf,h*ht-1+Wf,x*xt)
其中,ft为遗忘程度;t为时间步长;xt为上一时间步长的输入;ht-1为上一时间细胞输出;Wf,h为遗忘门上一时间输出的遗忘权重;Wf,x为遗忘门输入的遗忘权重;bf为遗忘门偏置;sigmoid(*)为激活函数。
其中,所述输入门的更新原则为:
其中,所述输出门的过滤原理为:
ot=σ(bo+Wo,h*ht-1+Wo,x*xt)
ht=ot*tanh(ct)
其中,ot为输出门更新;σ(*)为激活函数;ct为输入门更新后的输出;Wo,h为输出门上一时间输入的权重;Wo,x为输出门的输出权重。
步骤6、构建BP神经网络,并将所述训练集对所述BP神经网络进行训练,得到训练后的BP神经网络;将所述测试集输入至训练后的BP神经网络中,输出得到第二预测结果。
BP神经网络作为前馈神经网络,学习能力强,非线性能力强,被广泛应用于各种预测模型之中;如附图6所示,所述BP神经网络包括依次相连的输入层、隐含层及输出层;其中,正向传播时,样本从输入层进行,经隐含层处理后,进入输出层,最后输出层进行加工传出;将实际输出与期望输出之间的误差,进行层层前馈,各层利用所得误差信号进行学习,并根据误差学习信号来修正各层神经元的权值。
其中,所述隐含层的信号处理原理为:
其中,H为隐含层输出;f(*)为激活函数;wih为输入层神经单位元i与隐含层神经单位元h的权值;xi为第i个输入;θi为隐含层阈值;m为输出样本维数。
所述输出层的输出处理原理为:
y=f(whjH+θk)
k=1,2,3...m
其中,whj为隐含层与输出层的权重;j为激活层;θk为输出层阈值;k为输出层。
步骤7、将所述第一预测结果与所述第二预测结果进行叠加求和,输出得到所述光伏发电功率预测结果。
试验结果
本实施例中,以某高校能源站采集得到的光伏发电功率相关数据进行试验测试。
为了评价预测效果,选取均方根误差(Root Mean Square Error,RMSE),平均绝对百分误差(Mean Absolute Percentage Error,MAPE),平均绝对误差(mean absoluteerror,MAE)作为模型预测精度的主要评价指标。
如附图7-10所示,附图7-10分别给出了该高校能源站的光伏发电功率预测精度对比情况。从附图7-10中可以看出,相较于BP神经网络、LSTM-CNN组合神经网络、长短期记忆神经网络LSTM三种预测模型;本实施例中基于LSTM-CNN&BP组合神经网络的光伏发电功率预测方法,得到的光伏发电功率的预测值与真实值的差距最小,部分值几乎完全重合,稳定性最高;本实施例中,LSTM-CNN&BP预测模型的MAPE分别为0.47%、2.51%、2.25%、0.79%,相较于其他方法均最小,其预测精度更高;另外从附图7-10中可以看出,相比于LSTM模型,LSTM-CNN模型的预测精度有所提高,表明利用LSTM-CNN组合神经网络提取时空特征的预测效果比单一利用CNN神经网络提取空间特征的预测效果好。
本实施例提供的光伏发电功率预测系统、设备及计算机可读存储介质中相关部分的说明可以参见本实施例所述的一种光伏发电功率预测中对应部分的详细说明,在此不再赘述。
本发明所述的光伏发电功率预测方法及系统,相比于单一神经网络预测模型,有效提升了预测性能;其中,在影响因子的选取上,采用硬件影响与气象影响相结合的方式,更加准确地影响因子对光伏发电量的影响,为提高模型的预测精度打下可靠基础;将数据按照季节分类,利用K均值聚类算法进行聚类,得到不同的天气类型,对不同季节的不同天气类型分别进行预测,充分考虑气候、天气对光伏发电量的影响,为利用具有不同特点的模型预测不同类型提供了基础;光伏发电量与气象特征息息相关,而气象特征具有时空性,利用CNN提取空间特征,利用LSTM提取时间特征,充分考虑、结合气象因素的特点,将CNN与LSTM有机结合,降低了神经网络模型光伏发电功率预测的误差,使预测性能得到了有效地提升;将LSTM-CNN神经网络与BP神经网络有机结合起来,充分利用两种神经网络的特点,解决了单一神经网络模型存在的预测精度低、泛化性能差的问题,进一步提升了预测性能。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一,本发明所要求保护的范围并不仅仅受本实施例的限制,还包括在本发明所公开的技术范围内,任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种光伏发电功率预测方法,其特征在于,包括:
获取光伏发电功率的影响构成要素数据;
对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;
对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;
将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果;
其中,所述预构建的光伏发电功率预测模型为LSTM-CNN&BP组合神经网络预测模型,所述LSTM-CNN&BP组合神经网络预测模型包括LSTM-CNN神经网络和BP神经网络。
2.根据权利要求1所述的一种光伏发电功率预测方法,其特征在于,所述光伏发电功率的影响构成要素数据包括天空净度、大气压强、光伏组件效率、光伏组件温度、太阳方位角、相对湿度、干球温度、风速及风向。
3.根据权利要求1所述的一种光伏发电功率预测方法,其特征在于,对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据的过程,具体如下:
采用皮尔逊相关系数法,对所述光伏发电功率的影响构成要素数据进行相关性分析,确定与光伏发电功率相关性高的影响数据,即得到所述的光伏发电功率的主要影响指标数据。
4.根据权利要求1所述的一种光伏发电功率预测方法,其特征在于,对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果的过程,具体如下:
将所述光伏发电功率的主要影响指标数据按照季节划分,利用K均值聚类算法将按季节划分后的光伏发电功率的主要影响指标数据进行聚类,得到不同天气类型的聚类结果。
5.根据权利要求1所述的一种光伏发电功率预测方法,其特征在于,将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果的过程,具体如下:
根据所述不同天气类型的聚类结果,构建训练集和测试集;
构建LSTM-CNN神经网络,并利用所述训练集对所述LSTM-CNN神经网络进行训练,得到训练后的LSTM-CNN神经网络;
将所述测试集输入至训练后的LSTM-CNN神经网络中,输出得到第一预测结果;
构建BP神经网络,并将所述训练集对所述BP神经网络进行训练,得到训练后的BP神经网络;
将所述测试集输入至训练后的BP神经网络中,输出得到第二预测结果;
将所述第一预测结果与所述第二预测结果进行叠加求和,输出得到所述光伏发电功率预测结果。
6.根据权利要求5所述的一种光伏发电功率预测方法,其特征在于,所述LSTM-CNN神经网络包括CNN网络单元和LSTM网络单元;
其中,所述CNN网络单元包括依次相连的卷积层、池化层、全连接层及输出层;所述卷积层,用于提取局部特征;所述池化层,用于对所述局部特征的输出进行选择;所述全连接层,用于对池化层输出的局部特征进行整合得到全局特征;所述输出层,用于输出所述全局特征。
所述LSTM网络单元,包括依次相连的遗忘门、输入门及输出门;其中,所述遗忘门的输入与所述输出层的输出相连;所述遗忘门,用于对所述全局特征进行遗忘处理,得到遗忘处理后的信息;所述输入门,用于对所述经过遗忘处理后的信息进行细胞状态更新,得到更新后的信息;所述输出门,根据更新后的信息对细胞状态进行过滤,并输出得到第一预测结果。
8.一种光伏发电功率预测系统,其特征在于,包括:
数据获取模块,用于获取光伏发电功率的影响构成要素数据;
相关性分析模块,用于对所述光伏发电功率的影响构成要素数据进行相关性分析,得到光伏发电功率的主要影响指标数据;
聚类处理模块,用于对所述光伏发电功率的主要影响指标数据进行聚类处理,得到不同天气类型的聚类结果;
预测输出模块,用于将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入,输出得到所述光伏发电功率预测结果;
其中,所述预构建的光伏发电功率预测模型为LSTM-CNN&BP组合神经网络预测模型,所述LSTM-CNN&BP组合神经网络预测模型包括LSTM-CNN神经网络和BP神经网络。
9.一种光伏发电功率预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-7任一项所述一种光伏发电功率预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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1-7任一项所述一种光伏发电功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211289327.6A CN115545164A (zh) | 2022-10-20 | 2022-10-20 | 光伏发电功率预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211289327.6A CN115545164A (zh) | 2022-10-20 | 2022-10-20 | 光伏发电功率预测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545164A true CN115545164A (zh) | 2022-12-30 |
Family
ID=84734703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211289327.6A Pending CN115545164A (zh) | 2022-10-20 | 2022-10-20 | 光伏发电功率预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545164A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
-
2022
- 2022-10-20 CN CN202211289327.6A patent/CN115545164A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
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 | |
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN113553755B (zh) | 电力系统状态估计方法、装置及设备 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN113887801A (zh) | 建筑冷负荷预测方法、系统、设备及可读存储介质 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN112560966A (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN111898316A (zh) | 一种超表面结构设计模型的构建方法及其应用 | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
CN115545164A (zh) | 光伏发电功率预测方法、系统、设备及介质 | |
CN116822374A (zh) | 一种风速多步预测方法、装置、计算机设备和存储介质 | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
CN116307059A (zh) | 配电网区域故障预测模型构建方法及装置、电子设备 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
CN114461619A (zh) | 能源互联网多源数据融合方法、装置、终端及存储介质 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN112990603B (zh) | 考虑频域分解后数据特征的空调冷负荷预测方法及系统 | |
CN112084710B (zh) | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 | |
CN114418180A (zh) | 一种风电功率的超短期预测方法、装置及存储介质 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 |
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 |