CN115545256A - 一种基于多维数据特征学习的小尺度光伏功率预测方法 - Google Patents
一种基于多维数据特征学习的小尺度光伏功率预测方法 Download PDFInfo
- Publication number
- CN115545256A CN115545256A CN202110734049.XA CN202110734049A CN115545256A CN 115545256 A CN115545256 A CN 115545256A CN 202110734049 A CN202110734049 A CN 202110734049A CN 115545256 A CN115545256 A CN 115545256A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- meteorological
- predicted
- photovoltaic power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000010248 power generation Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 20
- 230000005855 radiation Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多维数据特征学习的小尺度光伏功率预测模型。首先分析了天气类型对光伏功率输出的影响，其次，为匹配CNN预测模型表征学习的运算机制，以统一的矩阵形式对选定的关键各种气象要素进行了归一化。再次，通过二维频域变换对构建的各种气象要素矩阵进行数据特征增强，并构建了基于历史功率的多维输入数据。最后，基于深度CNN框架设计了短期功率预测模型，该模型根据天气类型分别进行训练，并在气象及历史功率组成的多维数据驱动下，获得精细化的光伏功率预测结果。建立基于多维数据特征学习的小尺度光伏功率预测模型对输入数据进行预测，使用相对误差(RE)和均方根误差(RMSE)两种误差指标对预测数据进行误差评价。
Description
技术领域
本发明属于光伏功率预测领域，涉及一种基于多维数据特征学习的小尺度光伏功率预测方法。
背景技术
能源互联网中多尺度的分布式RER单元将成为最重要的能量供给侧。在各类基于RER的能量转换设施中，PV系统以其能源充足、地理限制少以及无噪声等特点得到了最广泛的应用。近年来，由于技术发展和政府鼓励，小尺度的分布式PV系统(Distributed PVSystem，DPVS)，如建筑附着PV系统(Building Attached PV，BAPV)，得到了快速发展。根据IEA预计，2024年全球户用屋顶光伏的数量将达到1亿。然而，地理位置分散和输出随机、间歇等天然属性使得DPVS的有效利用和并网面临挑战。为提高DPVS使用效率，稳定其大规模并网引发的潮流波动等问题，精准、稳定的功率预测作为重要的数据支撑必不可少。
与具有较强人为可控性的化石能源发电系统相比，PV功率输出主要受随机非线性因素影响，其中各种气象要素(Meteorological Elements，ME)最为关键。随着NWP数据精度的不断提高，将PV系统相关的ME、功率数据与数学模型相结合的统计预测成为目前流行的方法之一。然而，由于气象数据的多样性和复杂性，如何选择与PV输出高度相关的ME，开发有效的数学模型去解构ME与功率输出之间复杂耦合，并建立其与预测结果可靠的映射，并不是一项轻松的任务。尽管一些传统ML方法和浅层网络在PV功率预测任务中的有效性和准确性已得到充分地肯定，但较弱的复杂场景特征学习能力及非线性拟合力使其对波动任务缺乏适应性，从而在限制预测精度与泛化能力的提高。
发明内容
1、所要解决的技术问题：
由于气象数据的多样性和复杂性，尽管一些传统ML方法和浅层网络在PV功率预测任务中的有效性和准确性已得到充分地肯定，但较弱的复杂场景特征学习能力及非线性拟合力使其对波动任务缺乏适应性，从而在限制预测精度与泛化能力的提高。
2、技术方案：
为了解决以上问题，本发明提供了一种基于多维数据特征学习的小尺度光伏功率预测方法，包括以下步骤：第一步：选取历史光伏发电功率数据和相应的历史气象数据；第二步：计算皮尔逊系统处理气象要素信息，进行相关性分析；第三步：气象要素数据预处理；第四步：多维功率输入数据预处理；第五步：建立基于深层CNN的光伏发电功率预测模型；第六步：将预测出的光伏发电功率数据与实际数据进行对比，选用平均绝对百分比误差和均方根误差两种误差指标对预测数据进行评价。
在第二步中，为测量关键气象要素对光伏发电系统输出功率的影响，引入常用的皮尔逊相关系数(Pearson Correlation Coefficient，PCC)来量化每个气象变量与输出功率之间的关系，如下：
其中m表示量化在[0,1]之间的气象要素值向量，p是光伏发电系统功率数据构成的样本向量，m和p表示样本均值；N表示一天中采样时间的总和。
所述气象要素为：太阳表面下辐射、太阳表面净太阳入射辐射、相对湿度、实时温度、最大温度、最小温度和AQI。
在第三步中，所述预处理的方法为：选取了8种细化的气象要素作为预测输入变量，并将其表示为一个原始气象要素向量，如下：
其中F表示预测日，范围[0:00，24:00)；F(n)表示预测日F第n个预测点，N表示日内预测点总数。
中的元素代表获得的预测日天气要素：hF(n)表示表示相对湿度；
分别表示太阳表面下辐射、表面净辐射以及入射辐射；
表示实时温度、最大温度和最小温度；aF(n)表示AQI，借助函数fvec(x,l)，原始气象要素向量
最终转化为气象矩阵，可表示为：
经过上述处理，由异构气象要素数据组成的气象要素向量被转换成二维数组，有效地量化了预测点F(n)的气象输入变量。
在第四步中，所述预处理的方法为：如权利要求设F(n)表示预测日F第n个预测点，则围绕F(n)构建的二维功率数据可表示为一个矩阵，：
式中，PF(n)由连续D天的T维历史功率向量组成，且第D-1日紧邻预测日F；Pd由连续T个预测点功率值Pd.t组成，T-1依照预测点次序(忽略不同日因素)紧邻预测点n，即T＝n，然后引入后向差分来计算功率沿不同时间变化的两个梯度矩阵，描述功率日变化趋势的日梯度矩阵可表示为：
其中P-1表示P0紧邻代表日的前一日，引入其的目的是保证输入到预测模型时数组的尺寸一致，
最终，功率相关数据可构成一个三维输入数组，如下：
在第五步中，所述CNN包括卷积层，池化层和完全连接的层，其中卷积与池化协作去逐层提取特征，通过全连接的节点生成预期输出。
所述预测模型分为三个部分：输入层、特征学习和特征回归，在输入层，将气象与功率输入数据合并为一个5通道的输入样本；卷积层采用3个滤波器组，删除了池化操作并将卷积步长设置为2。第一组滤波器用于学习反映输入隐含概要信息的具体特征，共32个通道，每个通道包含5个3×3的卷积核。通道j学习到的特征表示为：
第二个滤波器组用于学习中等抽象的区域特征。滤波器组共有64个通道，每个通道包含32个内核，特征回归部分由两个128节点隐藏层和一个单节点输出层构成，用以将学习到的特征最终转换为预测值。
还包括样本训练执行监督学习，使用均方误差来代表预测值与真实值之间的偏差，训练时依据NWP信息按不同的天气类型分别训练模型。
样本训练执行时，预测模型分为四类，即晴天，多云、阴/雾/霾以及雨/雪类型，在预测阶段，由气象信息和历史功率信息构成的输入数据根据其对应的天气类型，被馈送到相应的子预测模型中，天气类型通过提前NWP信息来确定，训练时，气象信息结合再分析数据与历史实时NWP数据，执行预测时，采用提前一日的预测气象信息。
在第六步中，评价标尺选择了平均绝对百分比误差以及均方根误差，如下式：
其中Ns代表测试样本中预测点总数；
和
分别表示真实功率和预测功率，pc表示装机容量。
3、有益效果：
本发明提供的方法提出一种基于天气类型分类的深层功率预测方法。预测模型使用深层CNN去发现和学习多维相关输入数据的价值特征，并通过双隐层回归网络来获得精确、稳定的功率预测值。
附图说明
图1为本发明的流程图。
图2为预测模型示意图。
具体实施方式
下面结合附图来对本发明进行详细说明。
如图1所示，本发明提出一种基于多维数据特征学习的小尺度光伏功率预测模型。首先分析了天气类型对光伏功率输出的影响，在已有研究成果的基础上量化了多个关键各种气象要素与功率输出的相关性，并根据数值结果选定具有高相关性的具体气象输入变量。其次，为匹配CNN预测模型表征学习的运算机制，以统一的矩阵形式对选定的关键各种气象要素进行了归一化。再次，通过二维频域变换对构建的各种气象要素矩阵进行数据特征增强，并构建了基于历史功率的多维输入数据。最后，基于深度CNN框架设计了短期功率预测模型，该模型根据天气类型分别进行训练，并在气象及历史功率组成的多维数据驱动下，获得精细化的光伏功率预测结果。建立基于多维数据特征学习的小尺度光伏功率预测模型对输入数据进行预测，使用相对误差(RE)和均方根误差(RMSE)两种误差指标对预测数据进行误差评价。
第二步：计算皮尔逊系数处理气象要素信息。
尽管影响不同尺度光伏发电系统输出功率的因素是多方面且复杂的，但气象条件是最直接的。此外，对于相同的季节和输出时刻，不同天气类型下同一光伏发电系统的输出功率差别很大。天气的类型并不会以气象要素相同的方式去影响具体光伏发电系统输出功率细节，即，相同天气类型但不同时期情况下，光伏发电系统输出功率曲线整体走势是相似的。为获得精确、稳定的预测结果，需要建立针对不同天气条件的模型，同时还要考虑高关联度气象要素的影响：为测量关键气象要素对光伏发电系统输出功率的影响，引入常用的皮尔逊相关系数(Pearson Correlation Coefficient，PCC)来量化每个气象变量与输出功率之间的关
系，如下：
其中m表示量化在[0,1]之间的气象要素值向量，p是光伏发电系统功率数据构成的样本向量，m和p表示样本均值；N表示一天中采样时间的总和。
此外，同一气象要素在不同天气类型下对光伏发电系统功率数据输出的影响具有差异性。基于上述量化分析，本章将选取太阳辐照度、温度、AQI以及相对湿度作为关联输入变量去估算光伏发电系统功率的输出趋势。
第三步：气象要素数据预处理。
基于第二步中的相关性分析，选取了8种细化的气象要素作为预测输入变量，并将其表示为一个原始气象要素向量，如下：
其中F表示预测日，范围[0:00，24:00)；F(n)表示预测日F第n个预测点，N表示日内预测点总数。
中的元素代表获得的预测日天气要素：hF(n)表示表示相对湿度；
分别表示太阳表面下辐射、表面净辐射以及入射辐射；
表示实时温度、最大温度和最小温度；aF(n)表示AQI。
显然，上述各个气象要素测量值是异构数据。因此，在纳入统一数组前需要以统一格式进行归一化。以
为例，各气象要素的归一化方法表示如下：
tmax和tmin分别代表历史数据(即，采用的所有的样本)的最大值和最小值；R()表示用于控制样本中数据溢出的措施。
借助函数fvec(x,l)，原始气象要素向量
最终转化为气象矩阵，可表示为：
经过上述处理，由异构气象要素数据组成的气象要素向量被转换成二维数组，有效地量化了预测点F(n)的气象输入变量。然而，在拟采用深层CNN模型的运算、学习机制下，矩阵
的稀疏化处理会削弱气象要素的特征多样性。因此，引入二维傅里叶变换域算法来尽可能弥补这一不足。
首先，在执行增强之前进行气象矩阵变换。结合傅里叶变换理论，将向量
视为L点离散频谱，进而使用离散频率来表征ME。由于在[0,2π]的一个数字频带周期内，数字低频和高频率分别为0和π，且以π为轴左右对称。因此，变换为从频谱上准确反映气象数据，避免频域对称性对表征的影响，在气象要素向量
的末尾补入L个零，用以将1的位置在频域上压缩到[0,π]。此举不仅扩展了原始气象要素输入的数据维数，匹配了CNN的运算机制；同时，转换后的矩阵元素与其位置信息具有特定的相关性，这种细化的气象要素表征将使得CNN的特征学习更具层次性。
第四步：多维功率输入数据预处理。
由于太阳辐射的自然特性，一天内的PV输出应该是大致对称的；同时，相邻自然日的功率曲线因相似的外部因素而近似。显然，对于一定时期内连续的日功率数据，它们具有相似的功率分布，而气象要素的多样性则隐含在波动中。这些表明了相邻日的历史功率数据与PV的未来输出趋势具有强的时间相关性，这是构建二维功率数据的基础。设F(n)表示预测日F第n个预测点，则围绕F(n)构建的二维功率数据可表示为一个矩阵，如下：
式中，PF(n)由连续D天的T维历史功率向量组成，且第D-1日紧邻预测日F；Pd由连续T个预测点功率值Pd.t组成，T-1依照预测点次序(忽略不同日因素)紧邻预测点n，即T＝n。
PF(n)提供了一个可用的数据集来提取功率预测所需的价值特征，然而这些数据还不足以描述不同日功率中的差异。因此，为了捕获不同时间方向的PV输出的变化信息，为模型的特征学习提供更多的波动相关信息，引入后向差分来计算功率沿不同时间变化的两个梯度矩阵。首先，描述功率日变化趋势的日梯度矩阵可表示为：
其中P-1表示P0紧邻代表日的前一日，引入其的目的是保证输入到预测模型时数组的尺寸一致。
最终，功率相关数据可构成一个三维输入数组，如下：
第五步：建立基于深层CNN的光伏发电功率预测模型。
CNN的核心目的是特征学习，旨在通过分层网络捕获输入对象的层次结构和独立特征。典型的CNN主要由卷积层，池化层和完全连接的层组成，其中卷积与池化协作去逐层提取特征，最终通过全连接的节点生成预期输出。结合PV预测任务的数据特点，本专利将构建一个面向小尺度光伏发电系统的深层CNN预测模型。
设计的基于CNN的预测模型如图所示。该模型分为三个部分：输入，特征学习和特征回归(预测值拟合)。在输入层，首先将气象与功率输入数据合并为一个5通道的输入样本。
将输入数据视为5通道的“图像”。需要注意的是，气象要素矩阵和功率矩阵尺寸的匹配，即，需要设定L×K与D×T一致。卷积层采用3个滤波器组，这里删除了池化操作并将卷积步长设置为2。第一组滤波器用于学习反映输入隐含概要信息的具体特征，共32个通道，每个通道包含5个3×3的卷积核。通道j学习到的特征可以表示为：
第二个滤波器组用于学习中等抽象的区域特征。滤波器组共有64个通道，每个通道包含32个内核。
特征回归部分由两个128节点隐藏层和一个单节点输出层构成，用以将学习到的特征最终转换为预测值。由于负数据在PV预测场景中没有物理意义，因此在输出节点选择的激活仍为线性整流函数。
样本训练执行监督学习，回归的收敛目标是使总误差最小。因此，使用均方误差(Mean Square Error，MSE)来代表预测值与真实值之间的偏差。此外，基于上文分析不同气候类型对输出功率的有较大影响。因此，训练时依据NWP信息按不同的天气类型分别训练模型，以进一步提高预测的准确性和稳定性。
按上述分析，执行任务时预测模型分为四类，即晴天(Model I)，多云(Model II)、阴/雾/霾(Model III)以及雨/雪(Model IV)类型，其中每个子模型均利用图2构建的模型进行预测实施。
在预测阶段，由气象信息和历史功率信息构成的输入数据根据其对应的天气类型，被馈送到相应的子预测模型中。天气类型通过提前NWP信息来确定，不需要额外的分类算法。训练时，气象信息结合再分析数据与历史实时NWP数据，以保证数据的真实性；执行预测时，采用提前一日的预测气象信息。基于该过程可知，模型在实际预测应用时对NWP的准确度有较大的依赖。
本专利将从不同角度评估所提议方案的预测性能，并选择其他先进模型进行比较。在第六步中，评价标尺选择了预测领域常用的两个指标：平均绝对百分比误差(MeanAbsolute Percentage Error，MAPE)以及均方根误差(Root Mean Square Error，RMSE)，如下：
其中Ns代表测试样本中预测点总数；
和
分别表示真实功率和预测功率，pc表示装机容量
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (10)
1.一种基于多维数据特征学习的小尺度光伏功率预测方法，包括以下步骤：第一步：选取历史光伏发电功率数据和相应的历史气象数据；第二步：计算皮尔逊系统处理气象要素信息，进行相关性分析；第三步：气象要素数据预处理；第四步：多维功率输入数据预处理；第五步：建立基于深层CNN的光伏发电功率预测模型；第六步：将预测出的光伏发电功率数据与实际数据进行对比，选用平均绝对百分比误差和均方根误差两种误差指标对预测数据进行评价。
2.如权利要求1所述的方法，其特征在于：在第二步中，为测量关键气象要素对光伏发电系统输出功率的影响，引入常用的皮尔逊相关系数(Pearson CorrelationCoefficient，PCC)来量化每个气象变量与输出功率之间的关系，如下：
其中m表示量化在[0,1]之间的气象要素值向量，p是光伏发电系统功率数据构成的样本向量，m和p表示样本均值；N表示一天中采样时间的总和。
3.如权利要求2所述的方法，其特征在于：所述气象要素为：太阳表面下辐射、太阳表面净太阳入射辐射、相对湿度、实时温度、最大温度、最小温度和AQI。
4.如权利要求2所述的方法，其特征在于：在第三步中，所述预处理的方法为：选取了8种细化的气象要素作为预测输入变量，并将其表示为一个原始气象要素向量，如下：
其中F表示预测日，范围[0:00，24:00)；F(n)表示预测日F第n个预测点，N表示日内预测点总数，
中的元素代表获得的预测日天气要素：hF(n)表示表示相对湿度；
分别表示太阳表面下辐射、表面净辐射以及入射辐射；
表示实时温度、最大温度和最小温度；aF(n)表示AQI，借助函数fvec(x,l)，原始气象要素向量
最终转化为气象矩阵，可表示为：
经过上述处理，由异构气象要素数据组成的气象要素向量被转换成二维数组，有效地量化了预测点F(n)的气象输入变量。
5.如权利要求1所述的方法，其特征在于：在第四步中，所述预处理的方法为：如权利要求设F(n)表示预测日F第n个预测点，则围绕F(n)构建的二维功率数据可表示为一个矩阵，：
式中，PF(n)由连续D天的T维历史功率向量组成，且第D-1日紧邻预测日F；Pd由连续T个预测点功率值Pd.t组成，T-1依照预测点次序(忽略不同日因素)紧邻预测点n，即T＝n，然后引入后向差分来计算功率沿不同时间变化的两个梯度矩阵，描述功率日变化趋势的日梯度矩阵可表示为：
其中P-1表示P0紧邻代表日的前一日，引入其的目的是保证输入到预测模型时数组的尺寸一致，
最终，功率相关数据可构成一个三维输入数组，如下：
6.如权利要求1所述的方法，其特征在于：在第五步中，所述CNN包括卷积层，池化层和完全连接的层，其中卷积与池化协作去逐层提取特征，通过全连接的节点生成预期输出。
7.如权利要求1或6所述的方法，其特征在于：所述预测模型分为三个部分：输入层、特征学习和特征回归，在输入层，将气象与功率输入数据合并为一个5通道的输入样本；卷积层采用3个滤波器组，删除了池化操作并将卷积步长设置为2，第一组滤波器用于学习反映输入隐含概要信息的具体特征，共32个通道，每个通道包含5个3×3的卷积核，通道j学习到的特征表示为：
第二个滤波器组用于学习中等抽象的区域特征，滤波器组共有64个通道，每个通道包含32个内核，特征回归部分由两个128节点隐藏层和一个单节点输出层构成，用以将学习到的特征最终转换为预测值。
8.如权利要求7所述的方法，其特征在于：还包括样本训练执行监督学习，使用均方误差来代表预测值与真实值之间的偏差，训练时依据NWP信息按不同的天气类型分别训练模型。
9.如权利要求8所述的方法，特征在于；样本训练执行时，预测模型分为四类，即晴天，多云、阴/雾/霾以及雨/雪类型，在预测阶段，由气象信息和历史功率信息构成的输入数据根据其对应的天气类型，被馈送到相应的子预测模型中，天气类型通过提前NWP信息来确定，训练时，气象信息结合再分析数据与历史实时NWP数据，执行预测时，采用提前一日的预测气象信息。
10.如权利要求1所述的方法，其特征在于：在第六步中，评价标尺选择了平均绝对百分比误差以及均方根误差，如下式：
其中Ns代表测试样本中预测点总数；
和
分别表示真实功率和预测功率，pc表示装机容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110734049.XA CN115545256A (zh) | 2021-06-30 | 2021-06-30 | 一种基于多维数据特征学习的小尺度光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110734049.XA CN115545256A (zh) | 2021-06-30 | 2021-06-30 | 一种基于多维数据特征学习的小尺度光伏功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115545256A true CN115545256A (zh) | 2022-12-30 |
Family
ID=84717552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110734049.XA Withdrawn CN115545256A (zh) | 2021-06-30 | 2021-06-30 | 一种基于多维数据特征学习的小尺度光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115545256A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150932A (zh) * | 2023-10-30 | 2023-12-01 | 浙江威格泵业有限公司 | 一种变频增压屏蔽泵的能效评价方法 |
-
2021
- 2021-06-30 CN CN202110734049.XA patent/CN115545256A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150932A (zh) * | 2023-10-30 | 2023-12-01 | 浙江威格泵业有限公司 | 一种变频增压屏蔽泵的能效评价方法 |
| CN117150932B (zh) * | 2023-10-30 | 2024-01-26 | 浙江威格泵业有限公司 | 一种变频增压屏蔽泵的能效评价方法 |
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 | |
| CN108053061B (zh) | 一种基于改进卷积神经网络的太阳能辐照度预测方法 | |
| CN112561058B (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| CN112052913B (zh) | 一种分布式光伏电站功率数据虚拟采集方法 | |
| CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
| CN114722873A (zh) | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 | |
| CN115759435A (zh) | 一种基于改进cnn-lstm的光伏发电功率预测方法 | |
| 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 | |
| CN109583645A (zh) | 一种公共楼宇短期负荷预测方法 | |
| CN109242180A (zh) | 中长期电力负荷预测方法和系统 | |
| CN115545256A (zh) | 一种基于多维数据特征学习的小尺度光伏功率预测方法 | |
| Chen et al. | Short interval solar power prediction for energy harvesting with low computation cost on edge computation network | |
| CN107844872B (zh) | 一种用于风力发电的短期风速预报方法 | |
| Kassem et al. | Prediction of Solar Irradiation in Africa using Linear-Nonlinear Hybrid Models | |
| Wang et al. | An improved method for PV output prediction using artificial neural network with overlap training range | |
| CN116187540B (zh) | 一种基于时空偏差修正的风电场站超短期功率预测方法 | |
| CN116780776A (zh) | 基于改进麻雀算法的化工园区光伏监测系统及方法 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
| CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
| CN114971007A (zh) | 基于多尺度图卷积神经网络的光伏发电预测方法及系统 | |
| CN111915084A (zh) | 一种基于神经网络的混合型光伏发电功率预测方法及系统 | |
| Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief 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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221230 |
|
| WW01 | Invention patent application withdrawn after publication |