CN115577752A - 一种超短期光伏功率预测方法及系统 - Google Patents
一种超短期光伏功率预测方法及系统 Download PDFInfo
- Publication number
- CN115577752A CN115577752A CN202211326590.8A CN202211326590A CN115577752A CN 115577752 A CN115577752 A CN 115577752A CN 202211326590 A CN202211326590 A CN 202211326590A CN 115577752 A CN115577752 A CN 115577752A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- prediction
- model
- adopting
- modal
- 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
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
- 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
-
- 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
Abstract
本发明公开一种超短期光伏功率预测方法及系统,包括:对光伏电站历史出力数据进行异常值剔除与均值插补处理;对处理后的光伏电站历史出力数据进行聚类;对聚类得到的各组光伏功率序列进行分解,得到频率不同的模态分量,并采用中心频率法确定模态分量数;对各模态分量采用SVR‑LSTM混合模型进行预测,将波动频率超出阈值的模态分量采用SVR模型进行预测,将剩余的模态分量采用LSTM模型进行预测,将各模态分量的预测结果进行累加重构后得到待测日的光伏功率预测结果。采用改进K均值算法与VMD‑SVR‑LSTM模型实现超短期光伏功率预测,降低数据波动性的影响,提高了波动天气下光伏功率的预测精度。
Description
技术领域
本发明涉及光伏发电功率预测技术领域,特别是涉及一种超短期光伏功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
光伏电站是间歇式电源,光伏发电的输出受到多种天气因素的影响,具有随机性和波动性。光伏电站的大规模并网影响着电力系统的安全经济运行,准确预测光伏发电功率是解决高比例光伏发电接入对电网带来一系列问题的有效措施。
目前,光伏预测方法主要分为间接预测与直接预测两大类。间接预测需要对发电系统内部进行建模,然后对构建的光电转换模型进行求解;但是过程复杂且求解困难,适用于新建电站的预测。
直接预测基于历史数据,简化预测流程,对光伏发电量直接进行预测,提高了预测速度,常用的方法有支持向量机、随机森林、人工神经网络等;人工神经网络(ANN)理论上能够拟合任何非线性关系,适合对光伏发电功率进行预测,目前已有多种基于ANN模型的光伏发电功率预测方法。但是,单一的ANN模型鲁棒性较差,难以对光伏发电功率的变化规律进行全面描述。
而现有的采用混合模型进行光伏功率预测的方法仍存在模型参数选择困难、数据预处理不足、预测速度慢等问题。
发明内容
为了解决上述问题,本发明提出了一种超短期光伏功率预测方法及系统,采用改进K均值算法与VMD-SVR-LSTM模型实现超短期光伏功率预测,降低数据波动性的影响,提高了波动天气下光伏功率的预测精度。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种超短期光伏功率预测方法,包括:
对光伏电站历史出力数据进行异常值剔除与均值插补处理;
对处理后的光伏电站历史出力数据进行聚类;
对聚类得到的各组光伏功率序列进行分解,得到频率不同的模态分量,并采用中心频率法确定模态分量数;
对各模态分量采用SVR-LSTM混合模型进行预测,将波动频率超出阈值的模态分量采用SVR模型进行预测,将剩余的模态分量采用LSTM模型进行预测,将各模态分量的预测结果进行累加重构后得到待测日的光伏功率预测结果。
作为可选择的实施方式,对光伏电站历史出力数据进行异常值剔除与均值插补处理的过程具体包括:采用箱型图识别异常值,并将识别到的异常值采用均值插补法进行替换。
作为可选择的实施方式,采用箱型图识别异常值的过程包括:对光伏电站历史出力数据进行排列,由得到的数据序列的四分位数计算上限值和下限值,高于上限值或低于下限值的数据被判定为异常值。
作为可选择的实施方式,上限值H和下限值L分别为:
H=Q3+1.5*(Q3-Q1)
L=Q1-1.5*(Q3-Q1)
其中:Q3为上四分位数,Q1为下四分位数。
作为可选择的实施方式,异常值前一时刻的数据和异常值后一时刻的数据的均值为替换值。
作为可选择的实施方式,采用K-means++算法,对具有相似光伏发电规律的相似日进行聚类。
作为可选择的实施方式,采用SVR-LSTM混合模型实现光伏发电功率的在线滚动预测,具体地,将光伏电站历史出力数据的各模态分量以及实时出力数据均输入至SVR-LSTM混合模型中,用于预测下一时刻的光伏发电功率。
第二方面,本发明提供一种超短期光伏功率预测系统,包括:
预处理模块,被配置为对光伏电站历史出力数据进行异常值剔除与均值插补处理;
聚类模块,被配置为对处理后的光伏电站历史出力数据进行聚类;
分解模块,被配置为对聚类得到的各组光伏功率序列进行分解,得到频率不同的模态分量,并采用中心频率法确定模态分量数;
预测模块,被配置为对各模态分量采用SVR-LSTM混合模型进行预测,将波动频率超出阈值的模态分量采用SVR模型进行预测,将剩余的模态分量采用LSTM模型进行预测,将各模态分量的预测结果进行累加重构后得到待测日的光伏功率预测结果。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提出一种超短期光伏功率预测方法及系统,深入挖掘预测所用的数据集的特征,对光伏电站历史出力数据进行异常值的剔除,且采用均值插补处理方式将异常值进行替换,对处理后的出力数据进行聚类及分解,处理后的数据波动性减弱、规律性增强,更适合光伏发电功率的时序预测,与不进行数据处理而直接将原始数据作为输入的预测方法相比,异常数据对预测精度的影响显著减弱。
本发明提出一种超短期光伏功率预测方法及系统,采用混合模型进行预测,对各模态分量选择较优的子模型进行预测,将随机波动性较强的模态分量采用SVR模型进行预测,其余模态分量采用LSTM模型进行预测,预测结果稳定,提高了波动天气下光伏功率的预测精度。
本发明在传统预测方法仅在特定情况下能取得理想预测结果的基础上,根据预处理后数据特征来选择较优的预测子模型,充分发挥各模型的预测优势,增强了预测的稳定性,并提高了预测结果的准确率。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的超短期光伏功率预测方法流程图;
图2为本发明实施例1提供的在线滚动预测流程图;
图3为本发明实施例1提供的晴天预测结果;
图4为本发明实施例1提供的阴天预测结果。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种基于改进K均值算法与VMD-SVR-LSTM模型的超短期光伏功率预测方法,包括:
对光伏电站历史出力数据进行异常值剔除与均值插补处理;
对处理后的光伏电站历史出力数据进行聚类;
对聚类得到的各组光伏功率序列进行分解,得到频率不同的模态分量,并采用中心频率法确定模态分量数;
对各模态分量采用SVR-LSTM混合模型进行预测,将波动频率超出阈值的模态分量采用SVR模型进行预测,将剩余的模态分量采用LSTM模型进行预测,将各模态分量的预测结果进行累加重构后得到待测日的光伏功率预测结果。
在本实施例中,对获取到的光伏电站历史出力数据进行预处理,所述预处理包括:采用箱型图识别光伏电站历史出力数据的异常值,将识别到的异常值采用均值插补法进行替换,以完成异常值剔除与均值插补处理。
具体地,箱型图通过将光伏电站历史出力数据进行排列,由得到的数据序列的四分位数计算得到数据序列的上限值H和下限值L,高于上限或低于下限的值被判定为异常值,其基本表达式如下:
H=Q3+1.5*IOR
L=Q1-1.5*IOR
IOR=Q3-Q1
式中:Q3为上四分位数,Q1为下四分位数,H为上限值,L为下限值。
具体地,将识别到的异常值xt替换为x′t,其中x′t由均值插补法得到:
式中,xt-1为异常值前一时刻的数据,xt+1为异常值后一时刻的数据。
在本实施例中,对处理后的光伏电站历史出力数据采用改进的K均值算法进行聚类,聚类后各组数据均为具有相似光伏发电规律的相似日,降低整体数据集的波动性;
具体地,K均值算法是一种典型的数据聚类算法,随机选取K个聚类中心,计算所有点到聚类中心的距离,并聚类到最近的中心点来最小化平方误差,上述步骤迭代结束后得到K组光伏功率序列,
本实施例采用K-means++算法,K-means++算法是在K均值算法的基础上进行的改进,通过优选初始聚类中心解决了K均值算法容易陷入局部最优解的问题。K-means++算法仅随机选择第一个聚类中心点u1,然后计算其余样本与u1之间的距离Dx,则样本选为下一个聚类中心的概率Px表示为:
按照轮盘法优先将距离最大的点作为下一个聚类中心,将各初始聚类中心点确定后进行迭代便可将数据聚类。
在本实施例中,对聚类得到的各组光伏功率序列采用VMD算法进行分解,每组光伏功率序列P分解得到若干频率不同的模态分量,表示为u1,u2,…,uK,其中K为分解得到的模态分量数,由中心频率法确定K的值,进一步减弱了数据的波动性。
具体地,信号分解技术能够降低数据的波动性,深入挖掘数据特征,可用于光伏预测领域的数据预处理阶段。变分模态分解(VMD)算法是一种信号时频分析方法,可将原始信号序列分解为一系列有限带宽模函数。
对聚类得到的各组光伏功率序列通过VMD算法可将其分解为若干模态分量,各分量特征呈现显著差异,波动性显著降低,可直接作为模型输入。
在本实施例中,进行VMD分解之前需要确定分解后的模态分量数,当相邻模态的中心频率的变化值低于设定阈值时停止分解,此时的模态分量数即为最优模态分量数。
在本实施例中,基于SVR和LSTM混合模型,对分解后的各模态分量进行特征分析,对特定的模态分量选择较优的子模型进行在线滚动预测,即将波动频率超出阈值的模态分量采用SVR模型进行预测,将剩余的模态分量采用LSTM模型进行预测。
具体地,SVR模型是支持向量机在回归情况下引入ε不敏感损失函数的推广,适合应用于特征较为稀疏且特征数较少的场景,在数据有限时仍有较强的推广能力。SVR可以通过最小化预测误差和最大化预测模型的泛化能力来获得高性能。其基本原理如下:
对给定的(x1,y1),(x2,y2),…,(xl,yl)∈Rn×R,使用函数f(x)=wTx+b进行拟合,将输入向量映射到高维特征空间后得到的回归函数为:
本实施例采用径向基核函数,表示为:
式中:σ为径向基函数的宽度参数。
具体地,LSTM在循环神经网络的基础上进行改进,在隐藏层中添加了输入门、遗忘门与输出门,通过对各个门进行控制来实现信息的记忆或遗忘,改进了记忆暂存功能,使得循环神经网络能够真正有效地利用长距离的时序信息。
具体表达式如下:
Ct=ftCt-1+ittanh(Wc[ht-1,xt]+bc)
ht=ottanh
ft=σ(Wf[ht-1,xt]+bf)
it=σ(Wi[ht-1,xt]+bi)
ot=σ(Wo[ht-1,xt]+bo)
其中:Wf,Wi,Wo和bf,bi,bo分别为遗忘门、输入门、输出门的权重矩阵和偏置常数。上述系数可通过对样本进行训练获得。
在本实施例中,将各模态分量u1,u2,…,uK输入至SVR-LSTM混合模型中进行在线预测,且可将采集到的实时出力数据添加到输入序列中,且剔除距离预测点最远的数据,进行滚动预测,实现光伏输出功率的超短期预测。
具体地,在线滚动预测的流程如图2所示,输入特征维度为m,将预测点前m个历史数据输入模型,来预测下一时刻的输出。
将输入输出分别表示为x=(ut-m,ut-m+1,…ut-1)和y=ut,在获取到t时刻的实测值后将其更新到输入序列,持续进行在线滚动预测。
在预测过程中,以聚类后各数据集合为单位,将待测日的光伏出力数据作为输出,其余历史日的出力数据作为输入进行预测,将各模态分量的预测结果进行累加重构即可得到最终预测值。
在本实施例中,对模型预测结果采用如下评价指标进行评估:
其中,MAE为平均绝对误差,NMAE为归一化平均绝对误差,RMSE为均方根误差,NRMSE为归一化均方根误差,Pi为第i时刻光伏功率的实测值,为第i时刻光伏功率的预测值,C为光伏电站额定容量,N为预测点的个数。
为了说明本实施例基于改进K均值算法与VMD-SVR-LSTM模型的超短期光伏功率预测方法的效果,下面对本实施例的预测方法进行验证。
1)仿真数据
光伏发电功率受到包括天气在内的多种因素影响,呈现出较强的随机性和波动性,不同天气下的历史发电数据有着较大差异,波动天气的出现会让整个电站的历史数据的规律性减弱,不利于时序预测。因此,光伏预测的首要工作便是对数据进行预处理,包括根据季节和天气类型对数据进行划类,最大限度减少数据本身对预测效果的影响。
本实施例的数据集包含光伏发电功率、温度、湿度等多变量的间隔为1min的数据。为兼顾预测速度和预测效果,将预测数据的采样间隔设置为15min并剔除无光伏功率输出的夜间数据。对所得数据进行基于改进的K均值算法进行聚类和基于VMD算法进行分解,处理后得到的分量将作为模型输入进行预测。
2)仿真验证
本实施例选取晴天与阴天两种典型天气类型的数据分别进行预测,将聚类后的数据分别输入SVR模型、LSTM模型、VMD-SVR模型、VMD-LSTM模型和VMD-SVR-LSTM模型进行预测,预测结果见图3和图4。
结果显示,晴天天气下光伏功率输出规律性较强,典型日的发电功率总体呈中午高、早晚低的抛物线趋势,在此类型天气下,各种模型能较好地从历史数据中学习数据变化规律,均取得了较好的预测效果。从图3可知,各模型的预测误差主要集中在功率的小幅波动点,本实施例所提预测方法能够及时识别功率突变点并迅速做出预测调整,预测效果最好。
在阴天天气下大气层中的云层移动将直接影响到光伏电池板接受到的光照辐射度,此时光伏功率输出呈现出极强的波动性,光伏功率输出突变点的变化幅度大,突变频繁,各模型的预测误差增大。从图4中可以观察到,单一的SVR模型和LSTM模型在部分突变点会产生较大误差,预测结果不稳定。经过VMD分解后的模型预测效果较单一模型有所改善,本实施例所提VMD-SVR-LSTM混合模型的预测曲线最符合实际的光伏功率输出变化曲线。
计算上述模型在不同天气状况下的预测误差,统计结果如表1,由表1数据可知,在所有天气状况下,VMD-SVR-LSTM混合预测模型均具有最小的预测误差。阴天天气下各模型的预测误差较大,本实施例所提混合模型显著提升了预测精度;晴天时各模型虽均有较高的预测精度,但本实施例所提混合模型仍小幅提升了预测精度。特别的,在对预测模型稳定性和精确度要求更高的阴天天气下,单一的SVR模型和LSTM模型出现了较大的误差,难以对实际光伏发电功率进行精确预测。经过VMD分解后单一模型的预测效果有一定程度上的改善,RMSE值相较SVR和LSTM单一模型分别降低了59.68%和69.06%,证明了VMD分解数据能够改善预测效果。本实施例所提混合模型在VMD分解的基础上,充分发挥各模型的预测优势,进一步提高了预测精度,RMSE值相较VMD-SVR模型和VMD-LSTM模型分别降低了26.86%和14.15%,在MAE、NMAE值上也有不同比例降低。以上分析表明,本实施例提出的基于VMD-SVR-LSTM模型的光伏电站功率在线滚动预测方法精度更高,预测表现更好。
表1误差统计结果
实施例2
本实施例提供一种超短期光伏功率预测系统,包括:
预处理模块,被配置为对光伏电站历史出力数据进行异常值剔除与均值插补处理;
聚类模块,被配置为对处理后的光伏电站历史出力数据进行聚类;
分解模块,被配置为对聚类得到的各组光伏功率序列进行分解,得到频率不同的模态分量,并采用中心频率法确定模态分量数;
预测模块,被配置为对各模态分量采用SVR-LSTM混合模型进行预测,将波动频率超出阈值的模态分量采用SVR模型进行预测,将剩余的模态分量采用LSTM模型进行预测,将各模态分量的预测结果进行累加重构后得到待测日的光伏功率预测结果。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列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该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种超短期光伏功率预测方法,其特征在于,包括:
对光伏电站历史出力数据进行异常值剔除与均值插补处理;
对处理后的光伏电站历史出力数据进行聚类;
对聚类得到的各组光伏功率序列进行分解,得到频率不同的模态分量,并采用中心频率法确定模态分量数;
对各模态分量采用SVR-LSTM混合模型进行预测,将波动频率超出阈值的模态分量采用SVR模型进行预测,将剩余的模态分量采用LSTM模型进行预测,将各模态分量的预测结果进行累加重构后得到待测日的光伏功率预测结果。
2.如权利要求1所述的一种超短期光伏功率预测方法,其特征在于,对光伏电站历史出力数据进行异常值剔除与均值插补处理的过程具体包括:采用箱型图识别异常值,并将识别到的异常值采用均值插补法进行替换。
3.如权利要求2所述的一种超短期光伏功率预测方法,其特征在于,采用箱型图识别异常值的过程包括:对光伏电站历史出力数据进行排列,由得到的数据序列的四分位数计算上限值和下限值,高于上限值或低于下限值的数据被判定为异常值。
4.如权利要求3所述的一种超短期光伏功率预测方法,其特征在于,上限值H和下限值L分别为:
H=Q3+1.5*(Q3-Q1)
L=Q1-1.5*(Q3-Q1)
其中:Q3为上四分位数,Q1为下四分位数。
5.如权利要求2所述的一种超短期光伏功率预测方法,其特征在于,异常值前一时刻的数据和异常值后一时刻的数据的均值为替换值。
6.如权利要求1所述的一种超短期光伏功率预测方法,其特征在于,采用K-means++算法,对具有相似光伏发电规律的相似日进行聚类。
7.如权利要求1所述的一种超短期光伏功率预测方法,其特征在于,采用SVR-LSTM混合模型实现光伏发电功率的在线滚动预测,具体地,将光伏电站历史出力数据的各模态分量以及实时出力数据均输入至SVR-LSTM混合模型中,用于预测下一时刻的光伏发电功率。
8.一种超短期光伏功率预测系统,其特征在于,包括:
预处理模块,被配置为对光伏电站历史出力数据进行异常值剔除与均值插补处理;
聚类模块,被配置为对处理后的光伏电站历史出力数据进行聚类;
分解模块,被配置为对聚类得到的各组光伏功率序列进行分解,得到频率不同的模态分量,并采用中心频率法确定模态分量数;
预测模块,被配置为对各模态分量采用SVR-LSTM混合模型进行预测,将波动频率超出阈值的模态分量采用SVR模型进行预测,将剩余的模态分量采用LSTM模型进行预测,将各模态分量的预测结果进行累加重构后得到待测日的光伏功率预测结果。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211326590.8A CN115577752A (zh) | 2022-10-25 | 2022-10-25 | 一种超短期光伏功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211326590.8A CN115577752A (zh) | 2022-10-25 | 2022-10-25 | 一种超短期光伏功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577752A true CN115577752A (zh) | 2023-01-06 |
Family
ID=84587688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211326590.8A Pending CN115577752A (zh) | 2022-10-25 | 2022-10-25 | 一种超短期光伏功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577752A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
-
2022
- 2022-10-25 CN CN202211326590.8A patent/CN115577752A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
---|---|---|
CN108256697B (zh) | 一种用于电力系统短期负荷的预测方法 | |
Tian et al. | A prediction approach using ensemble empirical mode decomposition‐permutation entropy and regularized extreme learning machine for short‐term wind speed | |
CN115577752A (zh) | 一种超短期光伏功率预测方法及系统 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN111091139A (zh) | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 | |
CN111738477B (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN114792156A (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 | |
CN116307291B (zh) | 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 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN111062539A (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
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 | |
Su et al. | A LSTM based wind power forecasting method considering wind frequency components and the wind turbine states | |
CN110991748A (zh) | 一种城市电网短期负荷预测方法 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 |
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 |