CN115660887A - 一种基于有限天气预报信息的光伏出力预测方法及系统 - Google Patents
一种基于有限天气预报信息的光伏出力预测方法及系统 Download PDFInfo
- Publication number
- CN115660887A CN115660887A CN202211182237.7A CN202211182237A CN115660887A CN 115660887 A CN115660887 A CN 115660887A CN 202211182237 A CN202211182237 A CN 202211182237A CN 115660887 A CN115660887 A CN 115660887A
- Authority
- CN
- China
- Prior art keywords
- arima
- model
- neural network
- formula
- lstm neural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000005855 radiation Effects 0.000 claims abstract description 53
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 34
- 238000002834 transmittance Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 7
- 239000000443 aerosol Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 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 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 18
- 238000000611 regression analysis Methods 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000036561 sun exposure Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012417 linear regression 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
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于有限天气预报信息的光伏出力预测方法及系统利用现有卫星数据的反照率来增加云的透过率；对某地区的资料历史进行回归分析，得到该区的透过率。根据气象辐射模型和云覆盖辐射模型，结合天气特征和云预报信息计算得到目标区域辐照度，用于后续光伏出力预测。ARIMA‑LSTM神经网络包含两个算法模型：ARIMA模型及LSTM模型。从ARIMA模型计算的残差作为后续LSTM模型的输入。ARIMA模型确定数据线性趋势，LSTM确定其非线性趋势。本发明利用天气特征和云预报信息计算辐照度，并将其辐照度作为ARIMA‑LSTM神经网络的输入，进一步预测日前光伏出力，且所得到的预测光伏出力精确度较高。
Description
技术领域
本发明涉及光伏发电技术领域，具体而言，涉及一种基于有限天气预报信息的光伏出力预测方法及系统。
背景技术
光伏发电是客户端常见的可再生能源之一。光伏出力与安装地点在特定时间内的日照和温度直接相关。因此，获取准确的天气信息对准确估计至关重要。然而，客户可以访问的天气预报信息通常是不精确的，甚至是不定量的。光伏作为分布式资源之一，受天气影响较大。因此，需要利用天气变化前后的辐照度信息来预测发电量。然而，天气预报通常不包括足够的辐照度信息。因此，需要一种适合天气现象的辐照度预测技术。辐照度预测一般是对过去几十年的数据进行分析，计算出相关区域的辐照度。当一个地区的辐照度测量数据不可用时，可以使用该地区具有相似天气条件的数据。但是，当没有上述方法时，如何利用数据是一个待解决的问题。
另外，针对光伏预测方法而言，光伏出力预测方法主要分为基于物理模型的间接预测方法和基于历史数据的直接预测方法。后者因无需预测光照幅度、建模简单及预测成本较低而得到大量应用。主要包括多元线性回归、支持向量机(Support Vector Machine,SVM)和循环神经网络法(Recurrent Neural Network,RNN)。相对于传统的预测算法，循环神经网络具有良好的容错性，泛化能力好，适于拟合复杂的非线性关系，应用领域广泛。现有方法往往只采取单一预测方法，但是光伏出力具有不稳定性和间歇性，其时间序列数据通常具有非线性及线性特性。若只采用一种预测方法，未考虑数据复杂性，预测精确度不高。
有鉴于此，特提出本申请。
发明内容
本发明所要解决的技术问题：现有的光伏出力预测方法采取单一的预测手段，没有考虑光伏出力的时间序列数据的复杂性和非线性特征，导致光伏出力的预测精度不高。目的在于提供一种基于有限天气预报信息的光伏出力预测方法及系统，利用天气特征和云预报信息计算辐照度，并将计算得到的辐照度作为ARIMA-LSTM神经网络的输入，进一步预测日前光伏出力，从而实现对线性特性和非线性特性的光伏出力进行高精度地预测。
本发明通过下述技术方案实现：
一方面，
本发明提供一种基于有限天气预报信息的光伏出力预测方法，包括以下步骤：
获取历史数据样本，所述历史数据样本包括待预测区域的气象辐射数据和云量辐射历史数据；
根据所述气象辐射数据和所述云量辐射历史数据，计算得到辐照度数据；
初始化ARIMA-LSTM神经网络模型；
利用所述辐照度数据调整初始化后的ARIMA-LSTM神经网络模型中ARIMA模型的参数，得到ARIMA模型残差；
利用所述ARIMA模型残差训练ARIMA-LSTM神经网络模型中的LSTM模型，得到训练好的ARIMA-LSTM神经网络模型；
利用训练好的ARIMA-LSTM神经网络模型和所述历史数据样本预测日前光伏出力，得到当前光伏出力预测结果。
进一步的，
所述辐照度的计算方法包括以下步骤：
利用气象辐射模型和所述气象辐射数据计算得到太阳直射辐照度和太阳漫射辐照度；
利用云覆盖辐射模型和所述云量辐射历史数据计算得到晴朗天气下的水平太阳总辐照度和云覆盖影响下的水平太阳辐照度。
进一步的，
所述气象辐射模型为：
Id＝Idr+Ida+Idm (2)，
式(1)为太阳直射辐照度计算式，式(1)中，Isc表示太阳常数，
表示偏心率,τr表示瑞利分心的透射率，τ0表示臭氧的透射率，τg表示气体在大气中的透射率,τw表示蒸汽的透射率,τa表示气溶胶的透射率；式(2)为太阳漫辐照度计算式，式(2)中，Idr表示瑞利的地面漫反射，Ida表示气溶胶的分散，Idm表示大气和地面之间多次反射时的地面分散；
所述云覆盖辐射模型为：
IGC＝Asinα-B (3)，
IG＝IGC[1-C(N/8)D] (4)，
式(3)为晴朗天气下的水平太阳总辐照度计算式，式(4)为云覆盖影响下的水平太阳辐照度计算式，式(3)和式(4)中，A、B、C、D均表示CRM常数，式(3)中，α表示太阳高度，式(4)中N表示云量。
进一步的，
所述ARIMA-LSTM神经网络模型包括ARIMA模型和LSTM模型；
所述ARIMA模型的表达式为：
式(5)中，c为常数；Φk为AR模型变量xt-k的系数，θk为MA模型变量εt-l的系数，εt-l为周期的误差符号，参数p、q分别表示AR模型和MA模型的阶数，参数d是应用于数据的差分水平。
进一步的，
所述ARIMA-LSTM神经网络模型的记忆单元包括用于控制记忆状态的输入门、遗忘门和输出门；所述输入门用于控制ARIMA-LSTM神经网络模型在当前时刻的输入；所述遗忘门用于保留细胞的历史状态信息，所述细胞用于记录当前时刻的状态；所述输出门用于控制ARIMA-LSTM神经网络模型在当前时刻的输出。
进一步的，
所述输入门在当前时刻的输出状态的计算式为：Zi＝σ(Wi[xt,st-1]+bi) (6)，
式(6)中，st-1表示上一时刻ARIMA-LSTM神经网络模型的隐含层传入当前时刻ARIMA-LSTM神经网络模型的值，xt表示当前时刻输入ARIMA-LSTM神经网络模型的值，Wi表示输入门内的权重矩阵，bi表示输入门内的偏置向量，σ为激活函数；
所述遗忘门在当前时刻的输出状态的计算式为：Zf＝σ(Wf[xt,st-1]+bf) (7)，
式(7)中，bf表示遗忘门内的偏置向量；
所述细胞在当前时刻的记忆状态的计算式为：Ct＝tanh(W[xt,st-1]+bc) (8)，
式(8)中，bc表示细胞的偏置向量；
所述输出门在当前时刻的输出状态的计算式为：Ct＝Zf·Ct-1+Zi·kt (9)，
式(9)中，kt为权重系数。
进一步的，
所述ARIMA-LSTM神经网络模型的记忆单元传递给下一时刻ARIMA-LSTM神经网络模型的隐含层的数据值的计算式为：st＝Zo·tanh(Ct) (10)；
式(10)中，Zo＝σ(Wo[xt,st-1]+bo) (11)，
式(11)表示初始时刻输入门的输出状态，Wo表示初始时刻输入门内的权重矩阵，bo表示初始时刻输入门内的偏置向量。
进一步的，
训练所述初始化后的ARIMA-LSTM神经网络模型包括以下步骤：
S1：获取当前时刻的实际光伏出力值；
S2：将所述辐照度数据输入所述初始化后的ARIMA-LSTM神经网络模型，得到模型输出值；
S3：计算所述实际光伏出力值与所述模型输出值之间的均方根误差；
S4：循环执行所述S2和所述S3，直到所述均方根误差在预设的误差范围内。
进一步的，
所述均方根误差的计算式为：
式(12)中，n为测试集样本个数，Pf为功率预测值，Pr为实际值。
另一方面，
本发明提供一种基于有限天气预报信息的光伏出力预测系统，包括：
样本采集模块，用于采集待预测区域的气象辐射数据和云量辐射历史数据；
辐照度计算模块，用于根据所述气象辐射数据和所述云量辐射历史数据，计算得到辐照度数据；
模型初始化模块，用于初始化ARIMA-LSTM神经网络模型；
参数调整模块，用于利用所述辐照度数据调整初始化后的ARIMA-LSTM神经网络模型中ARIMA模型的参数，得到ARIMA模型残差；
模型训练模块，用于利用所述ARIMA模型残差训练ARIMA-LSTM神经网络模型中的LSTM模型，得到训练好的ARIMA-LSTM神经网络模型；
光伏出力预测模块，用于利用训练好的ARIMA-LSTM神经网络模型和所述历史数据样本预测日前光伏出力，得到当前光伏出力预测结果。
本发明与现有技术相比，具有如下的优点和有益效果：结合了气象辐射模型和云覆盖辐射模型，根据天气特征和云预报信息，计算目标区域辐照度；将辐射度与温度作为气象因素数据序列，输入到ARIMA-LSTM神经网络进行光伏出力预测；其自回归综合移动平均模型模型计算的残差作为后续长短期记忆模型的输入，并以ARIMA模型残差最小且LSTM模型均方根误差最小时对应的ARIMA-LSTM神经网络参数用于预测光伏出力，得到预测结果。基于实测数据的实验结果及对比，该方法在有限天气预报信息的情况下，较好地利用天气特征和云预报信息进行预测，ARIMA-LSTM神经网络对非线性及线性时间序列数据包容性良好且有较高的预测准确率。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的基于有限天气预报信息的光伏出力预测方法流程示意图；
图2为本发明实施例提供的训练ARIMA-LSTM神经网络的流程示意图；
图3为本发明实施例提供的基于有限天气预报信息的光伏出力预测系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
光伏发电是客户端常见的可再生能源之一。光伏出力与安装地点在特定时间内的日照和温度直接相关。因此，获取准确的天气信息对准确估计至关重要。然而，客户可以访问的天气预报信息通常不是精确的，甚至不是定量的。光伏作为分布式资源之一，受天气影响较大。因此，需要利用天气变化前后的辐照度信息来预测发电量。然而，天气预报通常不包括足够的辐照度信息。因此，需要一种适合天气现象的辐照度预测技术。辐照度预测一般是对过去几十年的数据进行分析，计算出相关区域的辐照度。当一个地区的辐照度测量数据不可用时，可以使用该地区具有相似天气条件的数据。但是，当没有上述方法时，如何利用数据是一个待解决的问题。
针对现有的光伏出力预测方法采取单一的预测手段，没有考虑光伏出力的时间序列数据的复杂性和非线性特征，导致光伏出力的预测精度不高的问题，本实施例提供了一种基于有限天气预报信息的光伏出力预测方法，其方法流程如图1所示，包括以下步骤：
步骤1：获取历史数据样本，所述历史数据样本包括待预测区域的气象辐射数据和云量辐射历史数据；
步骤1：根据所述气象辐射数据和所述云量辐射历史数据，计算得到辐照度数据；
步骤2：初始化ARIMA-LSTM神经网络模型；
步骤3：利用所述辐照度数据调整初始化后的ARIMA-LSTM神经网络模型中ARIMA模型的参数，得到ARIMA模型残差；
步骤4：利用所述ARIMA模型残差训练ARIMA-LSTM神经网络模型中的LSTM模型，得到训练好的ARIMA-LSTM神经网络模型；
步骤5：利用训练好的ARIMA-LSTM神经网络模型和所述历史数据样本预测日前光伏出力，得到当前光伏出力预测结果。
需说明的是，
步骤2中，气象辐射模型辐照度计算包含步骤2.1：利用气象辐射模型和所述气象辐射数据计算得到太阳直射辐照度和太阳漫射辐照度；步骤2.2：利用云覆盖辐射模型和所述云量辐射历史数据计算得到晴朗天气下的水平太阳总辐照度和云覆盖影响下的水平太阳辐照度。
其中，
气象辐射模型为：
Id＝Idr+Ida+Idm (14)，
式(13)为太阳直射辐照度计算式，式(13)中，Isc表示太阳常数，
表示偏心率,τr表示瑞利分心的透射率，τ0表示臭氧的透射率，τg表示气体在大气中的透射率,τw表示蒸汽的透射率,τa表示气溶胶的透射率；式(14)为太阳漫辐照度计算式，式(14)中，Idr表示瑞利的地面漫反射，Ida表示气溶胶的分散，Idm表示大气和地面之间多次反射时的地面分散；
云覆盖辐射模型技术，是以云量为基础计算辐照度，通过在太阳高度和预报点将云量区分为0到8来计算辐照度的方法。云覆盖辐射模型可通过下式表示：
IGC＝Asinα-B (15)，
IG＝IGC[1-C(N/8)D] (15)，
式(15)为晴朗天气下的水平太阳总辐照度计算式，式(16)为云覆盖影响下的水平太阳辐照度计算式，式(15)和式(16)中，A、B、C、D均表示CRM常数，式(15)中，α表示太阳高度，式(16)中N表示云量。其中，IGC是对给定区域采用系数推广的方法，将气象辐射模型与CRM结合的辐照度计算公式可表示为：IC＝IT[1-C(N/8)D] (17)。
进一步的，本发明ARIMA-LSTM神经网络模型分为两个部分ARIMA模型和LSTM模型。ARIMA模型对数据先处理，捕捉时间序列数据中的线性趋势；LSTM模型捕捉经ARIMA模型输出残值中的非线性再进行预测。假设时间序列数据由线性部分和非线性部分组成。则ARIMA-LSTM神经网络模型可表示为：xt＝Lt+Nt+et (18)，
式(18)中，Lt表示线性时间序列数据，而Nt表示非线性时间序列数据，et表示误差项。
ARIMA模型是时间序列预测的传统统计模型之一，该模型在线性问题上表现良好。另一方面，LSTM模型可以捕捉数据集中的非线性趋势。因此，这两个模型连续组合，以包含模型中的线性和非线性趋势。前者是ARIMA模型，后者是LSTM模型。
ARIMA模型的表达式为：
式(19)中，c为常数；φk为AR模型变量xt-k的系数，θk为MA模型变量εt-l的系数，εt-l为周期的误差符号，参数p、q分别表示AR模型和MA模型的阶数，参数d是应用于数据的差分水平。
在AR和MA模型识别和模型选择步骤中，为了判断哪个模型最适合，需要提供平稳的时间序列数据。平稳性要求基本统计特性(如均值、方差、协方差或自相关)随时间段保持恒定。在处理非平稳数据的情况下，应用一次或两次差分以实现平稳性，但不经常执行两次以上的差分。在满足平稳性条件后，检查自相关函数和偏自相关函数以选择模型类型。
另外，ARIMA模型参数估计步骤涉及优化过程，其需要采用数学误差度量，本实施例采用赤池信息准则来估计参数。
为了优化传统循环神经网络，ARIMA-LSTM神经网络模型的记忆单元在保留循环神经网络高效处理时序数据的能力的同时，增添了三个控制门，分别为输入门，输出门和遗忘门。三个控制门可以控制记忆状态，实现根据反馈的ARIMA-LSTM误差函数修正参数，保持了自循环权重的动态变化性。具体ARIMA-LSTM机制如下：
ARIMA-LSTM神经网络输入门决定信息输入，输出门决定信息输出，遗忘门决定细胞历史状态信息的保留，细胞记录当前时刻的状态。
细胞在时刻t的输入状态为Zi，输出状态为Zo，记忆状态为Ct，上一时刻隐含层传入当前时刻的值为st-1。
st-1和当前时刻输入值xt经过输入门，通过计算，丢弃无用的信息，最终得到输入门的输出Zi，计算公式如下：
Zi＝σ(Wi[xt,st-1]+bi) (20)，
式(20)中，st-1表示上一时刻ARIMA-LSTM神经网络模型的隐含层传入当前时刻ARIMA-LSTM神经网络模型的值，xt表示当前时刻输入ARIMA-LSTM神经网络模型的值，Wi表示输入门内的权重矩阵，bi表示输入门内的偏置向量，σ为激活函数。
st-1和当前时刻输入值xt经过遗忘门，通过计算，丢弃无用的信息，最终得到遗忘门的输出Zf，计算公式如下：
Zf＝σ(Wf[xt,st-1]+bf) (21)，
式(21)中，bf表示遗忘门内的偏置向量。
新信息在经过sigmoid函数后输入到记忆单元中，记忆单元中的数据再经过tanh函数后得到新的细胞记忆状态Ct，计算公式如下：
Ct＝tanh(W[xt,st-1]+bc) (22)，
式(22)中，bc表示细胞的偏置向量。
遗忘门计算后的结果Zf和上一时刻单元状态值Ct-1相乘并和输入门得出的结果Zi相加就得到当前时刻单元状态值,如下式所示：
Ct＝Zf·Ct-1+Zi·kt (23)，
式(23)中，kt为权重系数。
另外，传递给下一个时刻的隐含层数据值st是由经过tanh函数处理的新单元状态Ct和Zo相乘得到的，计算公式如下所示：
Zo＝σ(Wo[xt,st-1]+bo) (24)
st＝Zo·tanh(Ct) (25)，
式(11)表示初始时刻输入门的输出状态，Wo表示初始时刻输入门内的权重矩阵，bo表示初始时刻输入门内的偏置向量。
进一步的，ARIMA-LSTM神经网络预测模型的训练过程，包括步骤：
步骤4.1：初始化ARIMA-LSTM神经网络参数；
步骤4.2：将训练数据输入ARIMA-LSTM神经网络，计算网络输出；
步骤4.3：计算网络输出值与实际值之间的均方根误差；
步骤4.4：判断均方根误差是否在允许范围之内，否则调整网络参数并重复执行步骤4.2至步骤4.4。
综上，结合了气象辐射模型和云覆盖辐射模型，根据天气特征和云预报信息，计算目标区域辐照度；将辐射度与温度作为气象因素数据序列，输入到ARIMA-LSTM神经网络进行光伏出力预测；其自回归综合移动平均模型模型计算的残差作为后续长短期记忆模型的输入，并以ARIMA模型残差最小且LSTM模型均方根误差最小时对应的ARIMA-LSTM神经网络参数用于预测光伏出力，得到预测结果。基于实测数据的实验结果及对比，该方法在有限天气预报信息的情况下，较好地利用天气特征和云预报信息进行预测，ARIMA-LSTM神经网络对非线性及线性时间序列数据包容性良好且有较高的预测准确率。
实施例2
与实施例1对应的，本实施例提供了一种基于有限天气预报信息的光伏出力预测系统，包括：
样本采集模块，用于采集待预测区域的气象辐射数据和云量辐射历史数据；
辐照度计算模块，用于根据所述气象辐射数据和所述云量辐射历史数据，计算得到辐照度数据；
模型初始化模块，用于初始化ARIMA-LSTM神经网络模型；
参数调整模块，用于利用所述辐照度数据调整初始化后的ARIMA-LSTM神经网络模型中ARIMA模型的参数，得到ARIMA模型残差；
模型训练模块，用于利用所述ARIMA模型残差训练ARIMA-LSTM神经网络模型中的LSTM模型，得到训练好的ARIMA-LSTM神经网络模型；
光伏出力预测模块，用于利用训练好的ARIMA-LSTM神经网络模型和所述历史数据样本预测日前光伏出力，得到当前光伏出力预测结果。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于有限天气预报信息的光伏出力预测方法，其特征在于，包括以下步骤：
获取历史数据样本，所述历史数据样本包括待预测区域的气象辐射数据和云量辐射历史数据；
根据所述气象辐射数据和所述云量辐射历史数据，计算得到辐照度数据；
初始化ARIMA-LSTM神经网络模型；
利用所述辐照度数据调整初始化后的ARIMA-LSTM神经网络模型中ARIMA模型的参数，得到ARIMA模型残差；
利用所述ARIMA模型残差训练ARIMA-LSTM神经网络模型中的LSTM模型，得到训练好的ARIMA-LSTM神经网络模型；
利用训练好的ARIMA-LSTM神经网络模型和所述历史数据样本预测日前光伏出力，得到当前光伏出力预测结果。
2.根据权利要求1所述的一种基于有限天气预报信息的光伏出力预测方法，其特征在于，所述辐照度的计算方法包括以下步骤：
利用气象辐射模型和所述气象辐射数据计算得到太阳直射辐照度和太阳漫射辐照度；
利用云覆盖辐射模型和所述云量辐射历史数据计算得到晴朗天气下的水平太阳总辐照度和云覆盖影响下的水平太阳辐照度。
3.根据权利要求2所述的一种基于有限天气预报信息的光伏出力预测方法，其特征在于，
所述气象辐射模型为：
Id＝Idr+Ida+Idm (2)，
式(1)为太阳直射辐照度计算式，式(1)中，Isc表示太阳常数，
表示偏心率,τr表示瑞利分心的透射率，τ0表示臭氧的透射率，τg表示气体在大气中的透射率,τw表示蒸汽的透射率,τa表示气溶胶的透射率；式(2)为太阳漫辐照度计算式，式(2)中，Idr表示瑞利的地面漫反射，Ida表示气溶胶的分散，Idm表示大气和地面之间多次反射时的地面分散；
所述云覆盖辐射模型为：
IGC＝Asinα-B (3)，
IG＝IGC[1-C(N/8)D] (4)，
式(3)为晴朗天气下的水平太阳总辐照度计算式，式(4)为云覆盖影响下的水平太阳辐照度计算式，式(3)和式(4)中，A、B、C、D均表示CRM常数，式(3)中，α表示太阳高度，式(4)中N表示云量。
4.根据权利要求1所述的一种基于有限天气预报信息的光伏出力预测方法，其特征在于，所述ARIMA-LSTM神经网络模型包括ARIMA模型和LSTM模型；
所述ARIMA模型的表达式为：
式(5)中，c为常数；Φk为AR模型变量xt-k的系数，θk为MA模型变量εt-l的系数，εt-l为周期的误差符号，参数p、q分别表示AR模型和MA模型的阶数，参数d是应用于数据的差分水平。
5.根据权利要求1所述的一种基于有限天气预报信息的光伏出力预测方法，其特征在于，所述ARIMA-LSTM神经网络模型的记忆单元包括用于控制记忆状态的输入门、遗忘门和输出门；所述输入门用于控制ARIMA-LSTM神经网络模型在当前时刻的输入；所述遗忘门用于保留细胞的历史状态信息，所述细胞用于记录当前时刻的状态；所述输出门用于控制ARIMA-LSTM神经网络模型在当前时刻的输出。
6.根据权利要求5所述的一种基于有限天气预报信息的光伏出力预测方法，其特征在于，
所述输入门在当前时刻的输出状态的计算式为：Zi＝σ(Wi[xt,st-1]+bi) (6)，
式(6)中，st-1表示上一时刻ARIMA-LSTM神经网络模型的隐含层传入当前时刻ARIMA-LSTM神经网络模型的值，xt表示当前时刻输入ARIMA-LSTM神经网络模型的值，Wi表示输入门内的权重矩阵，bi表示输入门内的偏置向量，σ为激活函数；
所述遗忘门在当前时刻的输出状态的计算式为：Zf＝σ(Wf[xt,st-1]+bf) (7)，
式(7)中，bf表示遗忘门内的偏置向量；
所述细胞在当前时刻的记忆状态的计算式为：Ct＝tanh(W[xt,st-1]+bc) (8)，
式(8)中，bc表示细胞的偏置向量；
所述输出门在当前时刻的输出状态的计算式为：Ct＝Zf·Ct-1+Zi·kt (9)，
式(9)中，kt为权重系数。
7.根据权利要求6所述的一种基于有限天气预报信息的光伏出力预测方法，其特征在于，所述ARIMA-LSTM神经网络模型的记忆单元传递给下一时刻ARIMA-LSTM神经网络模型的隐含层的数据值的计算式为：st＝Zo·tanh(Ct) (10)；
式(10)中，Zo＝σ(Wo[xt,st-1]+bo) (11)，
式(11)表示初始时刻输入门的输出状态，Wo表示初始时刻输入门内的权重矩阵，bo表示初始时刻输入门内的偏置向量。
8.根据权利要求1所述的一种基于有限天气预报信息的光伏出力预测方法，其特征在于，训练所述初始化后的ARIMA-LSTM神经网络模型包括以下步骤：
S1：获取当前时刻的实际光伏出力值；
S2：将所述辐照度数据输入所述初始化后的ARIMA-LSTM神经网络模型，得到模型输出值；
S3：计算所述实际光伏出力值与所述模型输出值之间的均方根误差；
S4：循环执行所述S2和所述S3，直到所述均方根误差在预设的误差范围内。
9.根据权利要求8所述的一种基于有限天气预报信息的光伏出力预测方法，其特征在于，所述均方根误差的计算式为：
式(12)中，n为测试集样本个数，Pf为功率预测值，Pr为实际值。
10.一种基于有限天气预报信息的光伏出力预测系统，其特征在于，包括：
样本采集模块，用于采集待预测区域的气象辐射数据和云量辐射历史数据；
辐照度计算模块，用于根据所述气象辐射数据和所述云量辐射历史数据，计算得到辐照度数据；
模型初始化模块，用于初始化ARIMA-LSTM神经网络模型；
参数调整模块，用于利用所述辐照度数据调整初始化后的ARIMA-LSTM神经网络模型中ARIMA模型的参数，得到ARIMA模型残差；
模型训练模块，用于利用所述ARIMA模型残差训练ARIMA-LSTM神经网络模型中的LSTM模型，得到训练好的ARIMA-LSTM神经网络模型；
光伏出力预测模块，用于利用训练好的ARIMA-LSTM神经网络模型和所述历史数据样本预测日前光伏出力，得到当前光伏出力预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211182237.7A CN115660887A (zh) | 2022-09-27 | 2022-09-27 | 一种基于有限天气预报信息的光伏出力预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211182237.7A CN115660887A (zh) | 2022-09-27 | 2022-09-27 | 一种基于有限天气预报信息的光伏出力预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115660887A true CN115660887A (zh) | 2023-01-31 |
Family
ID=84985088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211182237.7A Pending CN115660887A (zh) | 2022-09-27 | 2022-09-27 | 一种基于有限天气预报信息的光伏出力预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660887A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880691A (zh) * | 2023-03-02 | 2023-03-31 | 国网山东省电力公司东营供电公司 | 一种基于计算机视觉的屋顶光伏潜力估计方法 |
| CN116565864A (zh) * | 2023-07-11 | 2023-08-08 | 上海融和元储能源有限公司 | 一种基于pca-rbf算法的光伏发电功率预报方法 |
| CN116738122A (zh) * | 2023-08-16 | 2023-09-12 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种太阳辐照度纠正方法、装置和计算机可读存储介质 |
| CN117691592A (zh) * | 2023-12-14 | 2024-03-12 | 湖南防灾科技有限公司 | 光伏出力预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-27 CN CN202211182237.7A patent/CN115660887A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880691A (zh) * | 2023-03-02 | 2023-03-31 | 国网山东省电力公司东营供电公司 | 一种基于计算机视觉的屋顶光伏潜力估计方法 |
| CN116565864A (zh) * | 2023-07-11 | 2023-08-08 | 上海融和元储能源有限公司 | 一种基于pca-rbf算法的光伏发电功率预报方法 |
| CN116565864B (zh) * | 2023-07-11 | 2023-10-20 | 上海融和元储能源有限公司 | 一种基于pca-rbf算法的光伏发电功率预报方法 |
| CN116738122A (zh) * | 2023-08-16 | 2023-09-12 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种太阳辐照度纠正方法、装置和计算机可读存储介质 |
| CN116738122B (zh) * | 2023-08-16 | 2023-11-24 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种太阳辐照度纠正方法、装置和计算机可读存储介质 |
| CN117691592A (zh) * | 2023-12-14 | 2024-03-12 | 湖南防灾科技有限公司 | 光伏出力预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115660887A (zh) | 一种基于有限天气预报信息的光伏出力预测方法及系统 | |
| Krasnopolsky et al. | Complex hybrid models combining deterministic and machine learning components for numerical climate modeling and weather prediction | |
| Marquez et al. | Forecasting of global and direct solar irradiance using stochastic learning methods, ground experiments and the NWS database | |
| CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
| Paulescu et al. | Nowcasting solar irradiance using the sunshine number | |
| Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
| Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
| CN113642767A (zh) | 一种基于mi-vmd-da-edlstm-vec的多维特征组合预测方法 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| Zjavka | PV power intra‐day predictions using PDE models of polynomial networks based on operational calculus | |
| CN114091647A (zh) | 一种基于bp神经网络的太阳10.7厘米射电流量预报方法 | |
| Kurtgoz et al. | Comparison of ann, regression analysis, and anfis models in estimation of global solar radiation for different climatological locations | |
| CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
| Keddouda et al. | Photovoltaic module temperature prediction using various machine learning algorithms: Performance evaluation | |
| CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
| Zhu et al. | [Retracted] Photovoltaic Generation Prediction of CCIPCA Combined with LSTM | |
| Şen | Probabilistic innovative solar irradiation estimation | |
| 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 | |
| Ettayyebi et al. | Artificial neural network for forecasting one day ahead of global solar irradiance | |
| Yemane | Deep forecasting of renewable energy production with numerical weather predictions | |
| Alvanitopoulos et al. | Solar radiation prediction model based on Empirical Mode Decomposition | |
| CN114139777A (zh) | 一种风电功率预测方法及装置 | |
| CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| Yalçın et al. | Prediction and Analysis of Weather Parameters with Global Horizontal Solar Irradiance Using LSTM-CNN Based Deep Learning Technique |
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 |