CN115579858A - 基于分时门控循环单元的光伏发电功率预测方法 - Google Patents
基于分时门控循环单元的光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN115579858A CN115579858A CN202211052458.2A CN202211052458A CN115579858A CN 115579858 A CN115579858 A CN 115579858A CN 202211052458 A CN202211052458 A CN 202211052458A CN 115579858 A CN115579858 A CN 115579858A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- generation power
- time
- photovoltaic
- 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 82
- 238000000034 method Methods 0.000 title claims abstract description 29
- 241000251468 Actinopterygii Species 0.000 claims abstract description 13
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 44
- 210000004027 cell Anatomy 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 125000001153 fluoro group Chemical group F* 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H02J3/38—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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (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
本发明公开一种基于分时门控循环单元的光伏发电功率预测方法,方法包括以下步骤:获取光伏发电功率原始数据;对数据做归一化处理,得到归一化后的数据;接着采用极限学习提升算法对归一化后的数据进行处理,得到不同因素对光伏发电功率影响的权重因子并对权重因子进行排序;根据排序结果,选择若干个对光伏发电功率的影响较大的因素进行组合;按照一定时间长度,如每两个小时,将归一化后的数据划分N组,与之相对应采用人工鱼群算法来优化N个门控循环单元的超参数;最后将每一组数据输入至相对应的门控循环单元预测模型中,得到N个时间段光伏发电功率预测结果。本发明有益效果是:提高非平稳时期光伏发电功率的预测精度和发电企业经济效益。
Description
技术领域
本发明涉及集中式光伏发电系统与分布式光伏发电系统控制技术领域,尤其涉及一种基于分时门控循环单元的光伏发电功率预测方法。
背景技术
太阳能发电具有安全清洁、取之不尽、噪音小以及环境友好等特性,成为可再生能源的重要来源之一。但是光伏发电具有明显的随机性、间歇性的特点。大规模光伏并网发电会对电网造成一定冲击作用。当光伏发电剧烈波动的非平稳时段,可能对电网稳定运行带来不利影响,严重时会使得光伏发电厂与电网解列。因此平抑削弱光伏发电的不确定性影响,这有利于电力系统安全稳定运行和光伏电能的消纳。
发明内容
为了解决光伏并网发电可能对电网产生的不确定性影响的问题,本发明提出一种基于分时门控循环单元的光伏发电功率预测方法。该方法基于极限梯度提升和门控循环单元,包括以下步骤:
S1:获取光伏发电功率原始数据;
S2:对数据做归一化处理,得到归一化后的数据;
S3:采用极限学习提升XGBoost算法对归一化后的数据进行处理,得到不同因素对光伏发电功率影响的权重因子,并对权重因子进行排序;
S4:根据排序结果,选择若干个对光伏发电功率的影响大的因素进行组合;按照一定时间长度ΔT,将归一化后的数据分时划分N组,与之相对应采用人工鱼群算法来优化N个门控循环单元GRU超参数;
S5:将不同因素组合输入至相对应的门控循环单元预测模型中,得到N个时间段光伏发电功率预测结果。
与现有技术相比,本发明的有益效果包括:提高非平稳时期光伏发电功率的预测精度,精准有效的光伏发电功率预测有助于提升电网实时调度水平、电力系统稳定运行能力以及光伏电能消纳能力,提高光伏发电企业的经济效益。
附图说明
图1是光伏发电系统原理图;
图2是本发明方法的流程图;
图3是XGBoost模型训练流程示意图;
图4是第一棵树的结构示意图;
图5是GRU内部神经元结构示意图;
图6是GRU预测模型的结构示意图;
图7是采用GRU预测模型进行光伏发电功率预测的流程示意图;
图8是人工鱼群算法的流程示意图;
图9是基于XGBoost的发电功率影响因素分析示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
正式进入介绍前,先对本申请相关技术特征中英文对照特此进行说明如下:
极限梯度提升算法XGBoost(eXtreme Gradient Boosting,XGBoost);
门控循环单元(Gated Recurrent Unit,GRU);
长短期记忆网络LSTM(Long Short-Term Memory);
人工鱼群算法(Artificial fish swarm algorithm,AFSA);
同时,本申请中也首先对光伏发电原理进行相应说明。
请参考图1,图1是光伏发电系统原理图;
太阳能经过光伏电池阵列,转换为电能储存;电能通过双向DC变换器、直流/交流逆变电路后,进入交流电网;
其中直流/交流逆变电路受逆变器控制;逆变器的控制依赖于交流电网的反馈量与给定量,进而输出控制信号,对逆变电路进行控制,从而形成闭环,完成对光伏发电系统本身的功率控制;
下面介绍光伏发电功率计算过程。
通常外界温度变化对光伏电池有功输出影响不大,故在常温温度T=25℃条件下,以光照强度S为变量,采用工程模型描述光伏阵列输出特性,光伏电池的模型为:
由式(1)-(4)分别计算出光伏电池的短路电流I'sc、最大功率电流I'm、开路电压U'oc、最大功率电压U'm。
其中,Sref为参考光照强度,Isc、Uoc、Im、Um分别为由厂家提供的光伏电池板短路电流、开路电压、最大功率点电流、最大功率点电压。
由式(5)和(6)计算出修正系数C1和C2。
由式(7)计算出光伏阵列输出电流,其中NP和NS分别为串、并联光伏电池板的数目。
由式(8)计算出光伏阵列输出功率Ppv。
PPV=IPV·VPV (8)
系统中光伏电池电气参数见下表1。
表1光伏电池电气参数
基于上述原理,请参考图2,图2是本申请方法流程示意图;
本申请中提及的一种基于分时门控循环单元的光伏发电功率预测方法,具体包括以下步骤:
S1:获取光伏发电功率原始数据;
需要说明的是,光伏发电功率原始数据为影响到光伏发电功率的一些相关因素,主要包括:光照辐射度、温度、风速、压强、湿度和光伏电池输出功率;而原始数据中,各个参数对光伏发电功率的影响是不确定的,或者说不能够进行一种量化形式的确定,对此,需要采用一种手段,求出光照辐射度、温度、风速、压强、湿度等对光伏发电功率的影响,这一点在后文步骤S3中会涉及。
S2:对数据做归一化处理,得到归一化后的数据;
需要说明的是,归一化处理手段如下:
式中,x为输入的原始数据;xmin为设置的原始数据最小值,xmax为设置的原始数据最大值。
S3:采用极限学习提升XGBoost算法对归一化后的数据进行处理,得到不同因素对光伏发电功率影响的权重因子,并对权重因子进行排序;
这一步中,首先对XGBoost的相关内容进行说明。
极限梯度提升(XGBoost)本质上是将多个决策树学习模型进行合成而形成的集成学习模型,这种算法的基本原理是不断在现有的模型中加入不同条件的决策树模型,每一棵决策树模型可以认为是一个新的需要训练的函数,用于训练上一棵树预测的误差,如此不断的添加来增强集成学习模型的建模效果,提高对建模数据的预测能力。
在极限梯度提升算法训练的过程中,每一棵树都会生成一个叶子节点,并对应生成一个权重值,整个集成决策树训练模型的最终得分是将每棵树的训练得分进行叠加而形成的。
XGBoost使用基本的回归树模型,表达式如下所示:
式(10)中:n为树的数目;ft为函数空间R的一个函数;为回归树预测值;xi为输入的第i个数据;R为所有可能的回归树模型集合。每一次迭代不影响模型,即原来的模型保持不变,将一个新的函数添加到模型里。一个函数对应一棵树,新生成的树拟合上次预测的残差,迭代过程如式(11)所示:
XGBoost的目标函数表达式如式(12)所示:
采用正则化惩罚函数用于控制模型复杂度,防止模型在训练过程中发生过拟合,正则化函数定义为:
式(13)中,T为叶子节点个数;γ和λ为惩罚函数系数;ω为节点权重系数;
训练完第一颗树f1(xi)后,对于第1棵树没有训练好的地方,使用第2颗树f2(xi)训练,依次类推,最后训练第k颗树fk(xi)。当在训练第k棵树时,前面的第1棵树到第k-1颗树是已知的,未知的是第k棵树,即基于前面构建的决策树已知情况下,构建第k棵树。
例如,老师希望小明期末数学考100分,建立第1棵树,预测数学考了90分,初始残差值为100-90=10分;那么利用残差10分来建立第2棵树,假设第2棵树预测值为4分,此时残差为10-4=6分;则利用残差为6建立第3棵树,其预测值为2分,此时残差为6-2=4分;以此类推,不断构建树,直到第k棵树残差为0,总的预测值累加和为100分。当建立第k棵树时,前面从第1,2,3,到k-1都是已知的,而第k课树是未知的,通过训练来求解第k课树。
对式(12)进行变化,得到:
XGBoost模型采用aditive training的方式进行迭代来寻求最小化目标函数,每次迭代更新为:
将每个数据的损失函数值加起来,目标函数计算如式(17)所示:
在式(17)中令,
Gj表示叶子节点j所包含样本一阶偏导数累加之和,为常数;
Hj表示叶子节点j所包含样本二阶偏导数累加之和,为常数;
那么,式(17)进一步化简为
目标函数xobj取最优解时,所建立树的结构最佳的。求解目标函数xobj最优解,目的是建树fk(xi),寻求最佳的树结构。
因此,如果要求得叶子节点最优解和损失函数极小值,首先需要确定树的形状。
以贪心算法说明生成树的过程。其步骤如下:
1)算法起始于根节点,即数的深度为0开始,并视为当前节点。
2)对当前节点枚举所有特征,把属于当前节点的样本按照特征值升序排列,通过线性分析来决定该特征的最佳分裂点。在分裂点处,把样本一分为二,令GL表示左边叶子节点中样本点集合的一阶梯度的总和;GR表示右边叶子节点中样本点集合的一阶梯度的总和;则在分裂前,有:
分裂后,有:
那么分裂后,目标函数的增量为:
γ的作用是控制数结构的复杂度,将γ视为阈值,当gain数值大于0时就进行分裂,小于0不分裂,起到了预剪枝作用。
gain增益意味着相应的特征对通过对模型中的每个树采取每个特征的贡献而计算出的模型的相对贡献,是解释每个特征的相对重要性的最相关属性。
3)选择收益最大的特征作为分裂特征,用该特征的最佳分裂点作为分裂位置,生成左右两个子节点,并为每个子节点关联对应的样本集。
4)依次将子节点设为当前节点,回到第2步,递归直到满足终止条件。
Xgboost算法小结:
1.在损失函数的基础上加入了正则项。
2.对目标函数进行二阶泰勒展开。
3.利用目标函数的增益作为分裂准则,来构建每一颗树。
根据XGBoost算法原理,再结合光伏发电功率数据的特征,形成的算法流程图如图3所示(图3结合了步骤S31-S26、步骤S41-S47),具体包括以下步骤:
S31、确定XGBoost模型的输入量为归一化后的数据xi,输出量为归一化后数据中不同参数对光伏发电功率的影响权重因子;
S32、初始化XGBoost模型参数;
S33、置迭代次数i为1,设置最大迭代次数max;
S34:增加一颗新树ft(xi),其中ft为函数空间R的一个函数,xi为输入的第i个数据;
S35:求取XGBoost模型的目标函数如式(17);
S36:判断迭代次数是否达到最大max或者目标函数值误差是否小于预设值,若是,则输出不同参数对光伏发电功率的影响权重因子。
步骤S34-S36整个迭代求解的过程具体如下:
S41:计算gi和hi,根据贪心算法得到输入数据样本特征的最佳划分点,建立第一颗树;其中gi和hi计算式如下:
gi=yipre-yi (25)
hi=yipre×(1-yipre) (26);
S42:置树的棵树为2;
S43:根据第i-1棵树的数据更新yipre;
S44:利用更新后的yipre再次计算gi和hi,根据贪心算法获得每个输入数据样本特征的最佳划分点,建立第i棵树;
S45:判定建立的树的棵树是否达到预设值,若是,则进入步骤S45;否则增加树的棵树,返回步骤S43继续建立树;
S46:把每一个样本特征的所有树的增益进行求和;
S47:输出输出不同参数对光伏发电功率的影响权重因子。
作为一种实施例而言,本申请提供一个XGBoost的算例如下:
树的深度设置为1(max_depth=1),树的颗数设置为2(num_boost_round=2),学习率为0.1(η=0.1)。另外再设置两个正则的参数,λ=1,γ=0,b=0;
假设损失函数为:
其中:
原始数据:
表2光伏发电的原始数据(归一化处理)
1)建立第一棵树:
建树的时候从根节点开始,需要在根节点处进行分裂,在某一结点处把样本分成左子结点和右子结点两个集合。分别求两个集合的GL、HL、GR、HR,然后gain。
表3第一棵树的gi1和hi1数值
对于特征x1有{0.5,1,3,5}四种取值,以1为划分点(x1<1),左子节点包含的样本IL=[1],GL=0.5和HL=0.25右子节点包含的样本IR=[2,3,4,5],GR=-0.5-0.5+0.5-0.5=-1和HR=4*0.25=1;计算增益gain=0.2944。同理依次计算以3和5为划分点,结果如表4所示。
表4以x1为划分点计算结果
对于x2有{-0.5,0.5,1,2}四种取值。以0.5为划分点(x2<0.5),左子节点包含的样本IL=[2],GL=0.5和HL=0.25右子节点包含的样本IR=[1,3,4,5],GR=-0.5-0.5+0.5-0.5=-1和HR=4*0.25=1;计算增益gain=0.2944。
同理依次计算以1和2为划分点,结果如表5所示。
表5以x2为划分点计算结果
从表3和表4知,以1为划分点(x1<1),gain1=0.2944最大。因此在根节点处,以x1<1来进行分裂。由于树的深度为1(根据需要,树的深度可设为任意值,如3,5等等),接下来按照同样的方法对特征x2进行最佳划分点的搜索,结果如表5搜索。至此,完成了第一棵树的模型如图4。
建立第二棵树:
在第一颗树里面由于前面没有树,所以初始yipre=0.5,建立第二棵树需要对yipre进行更新。
第二棵树的预测需要用到第一棵树的数值,
更新的数值,如样本1落在-0.04叶子节点上,
表6更新yipre的数值
由更新后yipre的数值,根据式求gi2;根据式求hi2的数值。
表7第二棵树的gi2和hi2数值
再按照建立第一棵树的过程,建立第二棵树的模型。如此周而复始,依次建立第三棵树,第四棵树,…,当把所有的树建立完后,把每一个样本的所有树的增益gain进行求和,就获得了该样本的特征重要性,再对所有样本增益gain进行排序,最后得到全部特征重要性。
S4:根据排序结果,选择若干个对光伏发电功率的影响大的因素进行组合;按照一定时间长度ΔT,将归一化后的数据分时划分N组,与之相对应采用人工鱼群算法来优化N个门控循环单元GRU超参数;
S5:将不同因素组合输入至相对应的门控循环单元预测模型中,得到N个时间段光伏发电功率预测结果。
首先对GRU预测模型进行一定说明。
门控循环单元GRU预测模型的隐藏门中仅含有重置门和更新门。与长短期记忆网络LSTM相比,GRU网络模型更加简单,网络的学习训练效率更高,而性能与LSTM的性能差不多。
请参考图5,图5是GRU内部神经元结构示意图。图4中的zt表示更新门,rt表示重置门。
这两个门的功能是用来控制信息被转移的程度。两个门的输入均为当前时刻的输入xt和前一时刻的隐藏状态ht-1。
两个门的计算公式如下:
1重置门
重置门负责决定需要保留多少的记忆信息。重置门的输入由当前时刻的输入xt和上一时刻隐藏层的状态ht-1拼接而成,其输出一个(0,1)区间内的数,表示上一时刻隐藏层的状态ht-1保留的比例。重置门的输出如式(34)所示。
rt=σ(wr×[ht-1,xt]+br) (34)
其中f为tanh激活函数。xt表示t时刻的输入,ht-1表示上一个时刻的隐藏状态,[]表示两个向量相连,wz、wr表示权重矩阵,σ()表示sigmoid函数。
2更新门
GRU中更新门负责决定需要遗忘多少上一时刻的信息以及记忆多少当前时刻的信息。更新门的输入由当前时刻的输入ht和上一时刻隐藏层的状态ht-1拼接而成,其输出一个(0,1)区间内的数。更新门的输出如式(36)所示。
zt=σ(wz×[ht-1,xt]+bz) (36)
根据上面的计算公式,GRU通过两个门存储并过滤信息,通过门函数将重要的特征保留下来,通过学习来捕获依赖项,进而得到最佳的输出值。
GRU不仅解决了RNN不能进行长期记忆信息和存在梯度消失、爆炸的问题,同时也解决了LSTM训练参数多和训练复杂的问题。与LSTM相比,GRU少了一个门函数,所需参数也少,参数数量的减少会提高训练的速度,从而减少训练所需的时长。在达到同样效果的情况下,GRU的训练的时间更短。
所以,在本申请中,采用GRU预测模型进行光伏发电功率预测;
请参考图6,图6是GRU预测模型的结构示意图。
GRU神经网络结构图中,主要包含输入层,隐藏层,输出层。
首先初始数据通过输入层到达隐含层;由GRU隐含层对输入数据进行特征提取,并且接收上一时刻隐含层的输出;隐含层的数据输出经过全连接层,最后由SVM输出层将预测结果输出。其中Dropout层防止神经网络出现过拟合的情况。
请参考图7,图7是采用GRU预测模型进行光伏发电功率预测的流程示意图。具体流程图如下:
S41、初始化GRU网络参数,根据XGBoost模型获得的各参数权重因子,将其组合输入至GRU预测模型;
S42、置迭代求解次数j=1;
S43、按照式(34)-(37)计算重置门和更新门的函数;
S44、计算光伏发电功率预测误差值;
S45、更新GRU网络的权值系数;
S46、判断迭代次数是否达到最大或光伏发电功率预测误差值是否小于预设值,若是则输出光伏发电功率预测值;否则,j加1,转到步骤S43。
针对于GRU预测模型,需要说明的是,每个GRU单元将学习如何在不同的时间尺度上获取依赖项信息。具有较高更新端口值的单元将获得较长的依赖关系信息,而具有较高重置端口值的单元将获得较短的依赖关系信息。这样就会导致模型对参数要求较高、大规模数据计算所需内存较大的缺点。
为了解决大规模数据和模型参数优化问题,就需要采取合适的优化算法对模型进行优化,使模型参数进行自动学习更新。
从理论上讲,网络的复杂程度随着隐藏层的数量和隐藏层中神经元的数量的增加而增加,同时,神经网络模型的预测精度也会提高。
但在建立模型时,隐藏层的数量和隐藏层中神经元的数量过多会增加模型的复杂程度,容易引起过拟合,从而降低预测的准确性。同时,太简单的网络很容易因为数据不足而使得训练效果不佳,达不到预期的要求。
因此,在本身中,采用人工鱼群算法来解决GRU预测模型的超参数(隐藏层的参数、学习率、时间步长以及最大迭代次数等)优化问题。
人工鱼群算法AFSA通过模拟出鱼群的追尾、觅食、聚群、随机等行为,从而得到全局最优的解。
请参考图8,图8是人工鱼群算法的流程示意图。首先,对人工鱼群进行初始化。再执行迭代,每一次迭代中对人工鱼的行为进行评价,行为的评价可以分为觅食行为评价,追尾行为评价以及聚群行为评价。根据评价结果进行人工鱼移动,在将当前迭代中最优值和全局最优值更新放入公告板。若迭代超过迭代次数,输出全局最优值,若没有则继续寻优,直至最后找到优化后的超参数。
下面针对步骤S4中的分时概念进行进一步说明。
分时模型:如早6点—18点,有太阳可以发电。每2小时进行划分(也可以1小时进行划分),即6点—8点;8点—10点,…,把一天12小时数据划分6组,设计6种GRU预测模型,6点—8点的数据采用GRU1预测模型进行光伏发电功率预测,8点—10点的数据采用GRU2预测模型进行光伏发电功率预测,以此类推。每一种GRU预测模型需要采用人工鱼群算法进行超参数优化。
如上所述,GRU预测模型的结构包括:输入层、隐含层和输出层;而本申请中,针对GRU分时预测模型,指:不同的预测模型结构中,输入层和输出层一致,隐含层的层数及其神经元数根据权重因子组合不同而对应不同。
需要说明的是,本申请采用了均方根误差(RMSE)、平均绝对误差(MAE)和纳什效率系数(NS)来评估GRU模型性能。
均方根误差(RMSE)定义为:
平均绝对误差(MAE)定义为:
纳什效率系数(NS)定义为:
作为实施例而言,本申请对各个部分的实际实验数据阐述如下。
首先是XBoost模型,XBoost模型用于计算各参数对光伏发电功率的影响权重。在本申请实施例中,XGBoost模型的参数配置如表8所示。
表8 XGBoost模型的参数
请参考图9,图9是基于XGBoost的发电功率影响因素分析示意图。
从图9可见,太阳辐照度和温度是影响光伏发电功率输出的两个最重要因素,风速,湿度和气压对光伏发电功率输出有一定的影响作用。然后根据影响光伏发电功率输出因素的重要性,通过逐步组合获得GRU网络预测模型的六种输入信号:
输入1:太阳辐照度;
输入2:温度;
输入3:太阳辐照度+温度;
输入4:太阳辐照度+温度+湿度;
输入5:太阳辐照度+温度+湿度+风速;
输入6:太阳辐照度+温度+湿度+风速+气压;
根据6中输入信号,本申请中设计了6种GRU网络结构,采用分时GRU进行光伏发电功率预测研究。分时GRU网络结构请参考表9;
针对于表9的说明如下:
输入层的3为输入层的神经元个数为3;
隐含层10-20-20-30-20,表示隐含层由5层神经网络,从第一次到第五层神经元个数分别为10,20,20,30和20个;
表9六种GRU网络结构与参数配置
输出层神经元个数为8,输出8个0或1,为二进制的数,其前4位是整数,后4位是小数。如输出0110 1010表示的数值=1×4+1×2+1×0.5+1×0.125=6.625,即光伏发电功率预测值为6.625MW。最后本申请采用均方根误差(RMSE)、平均绝对误差(MAE)和纳什效率系数(NS)来评估GRU预测模型性能。基于GRU网络预测模型对对上述六种组合输入信号进行测试,以找到最优的影响因素组合,如表10所示。
表10六种输入组合时光伏发电功率预测结果
RMSE、MAE的数值越小,NS的数值越大说明光伏发电预测的误差越小,预测光伏发电功率结果月准确。从表10可知,采用太阳辐照度+温度+湿度作为GRU网络的输入,光伏发电功率输出的预测结果最好。
本发明的有益效果是:提高非平稳时期光伏发电功率的预测精度,精准有效的光伏发电功率预测有助于提升电网实时调度水平、电力系统稳定运行能力以及光伏电能消纳能力,提高光伏发电企业的经济效益。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (6)
1.一种基于分时门控循环单元的光伏发电功率预测方法,其特征在于:
S1:获取光伏发电功率原始数据;
S2:对数据做归一化处理,得到归一化后的数据;
S3:采用极限学习提升XGBoost算法对归一化后的数据进行处理,得到不同因素对光伏发电功率影响的权重因子,并对权重因子进行排序;
S4:根据排序结果,选择若干个对光伏发电功率的影响大的因素进行组合;按照一定时间长度ΔT,将归一化后的数据分时划分N组,与之相对应采用人工鱼群算法来优化N个门控循环单元GRU超参数;
S5:将不同因素组合输入至相对应的门控循环单元预测模型中,得到N个时间段光伏发电功率预测结果。
2.如权利要求1所述的一种基于分时门控循环单元的光伏发电功率预测方法,其特征在于:步骤S1中,光伏发电功率原始数据包括:光照辐射度、温度、风速、压强、湿度和光伏电池输出功率。
3.如权利要求2所述的一种基于分时门控循环单元的光伏发电功率预测方法,其特征在于:步骤S3具体步骤如下:
S31、确定XGBoost模型的输入量为归一化后的数据xi,输出量为归一化后数据中不同参数对光伏发电功率的影响权重因子;
S32、初始化XGBoost模型参数;
S33、置迭代次数i为1,设置最大迭代次数max;
S34:增加一颗新树ft(xi),其中ft为函数空间R的一个函数,xi为输入的第i个数据;
S35:求取XGBoost模型的目标函数如下式(1.1):
S36:判断迭代次数是否达到最大max或者目标函数值误差是否小于预设值,若是,则输出不同参数对光伏发电功率的影响权重因子。
4.如权利要求1所述的一种基于分时门控循环单元的光伏发电功率预测方法,其特征在于:所述超参数包括:GRU分时预测模型中的隐藏层的参数、学习率、时间步长和最大迭代次数。
5.如权利要求1所述的一种基于分时门控循环单元的光伏发电功率预测方法,其特征在于:步骤S4中:GRU预测模型的结构根据不同的时间段而对应也不同。
6.如权利要求5所述的一种基于分时门控循环单元的光伏发电功率预测方法,其特征在于:GRU预测模型的结构包括:输入层、隐含层和输出层;其中不同时间段的预测模型结构中,输入层和输出层一致,隐含层的层数及其神经元数根据不同时间段不同而对应不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052458.2A CN115579858A (zh) | 2022-08-31 | 2022-08-31 | 基于分时门控循环单元的光伏发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052458.2A CN115579858A (zh) | 2022-08-31 | 2022-08-31 | 基于分时门控循环单元的光伏发电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115579858A true CN115579858A (zh) | 2023-01-06 |
Family
ID=84579346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211052458.2A Pending CN115579858A (zh) | 2022-08-31 | 2022-08-31 | 基于分时门控循环单元的光伏发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115579858A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116896116A (zh) * | 2023-09-11 | 2023-10-17 | 广州德姆达光电科技有限公司 | 基于人工智能的太阳能并网调控方法及系统 |
-
2022
- 2022-08-31 CN CN202211052458.2A patent/CN115579858A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116896116A (zh) * | 2023-09-11 | 2023-10-17 | 广州德姆达光电科技有限公司 | 基于人工智能的太阳能并网调控方法及系统 |
CN116896116B (zh) * | 2023-09-11 | 2023-11-28 | 广州德姆达光电科技有限公司 | 基于人工智能的太阳能并网调控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
CN108764539B (zh) | 一种梯级电站的上下游水位预测方法 | |
CN110738344B (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN111667098A (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 | |
CN111144644A (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN112182709A (zh) | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 | |
CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN115579858A (zh) | 基于分时门控循环单元的光伏发电功率预测方法 | |
CN115983494A (zh) | 一种新建小样本风电场的短期风电功率预测方法及系统 | |
Liu et al. | Research on wind speed prediction of wind power system based on GRU deep learning | |
CN115579859A (zh) | 基于门控循环单元的光伏发电功率预测方法 | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN113393119B (zh) | 基于场景缩减-深度学习的梯级水电短期调度决策方法 | |
Xu et al. | Short-term wind speed prediction based on GRU | |
CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
Prema et al. | LSTM based Deep Learning model for accurate wind speed prediction | |
CN115860277B (zh) | 一种数据中心能耗预测方法及系统 | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN113902492A (zh) | 一种分时电价预测方法及系统 | |
CN115293406A (zh) | 基于CatBoost和Radam-LSTM的光伏发电功率预测方法 |
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 |