CN115936177A - 一种基于神经网络的光伏输出功率预测方法及系统 - Google Patents
一种基于神经网络的光伏输出功率预测方法及系统 Download PDFInfo
- Publication number
- CN115936177A CN115936177A CN202211345699.6A CN202211345699A CN115936177A CN 115936177 A CN115936177 A CN 115936177A CN 202211345699 A CN202211345699 A CN 202211345699A CN 115936177 A CN115936177 A CN 115936177A
- Authority
- CN
- China
- Prior art keywords
- neural network
- power prediction
- data
- output power
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的光伏输出功率预测方法及系统,涉及光伏发电技术领域。通过卷积神经网络和多层感知机结合形成不同天气类型下的光伏功率预测模型;并将历史气象数据输入进光伏功率预测模型获得光伏输出功率预测结果,本发明利用卷积神经网络将原始数据划分为多个子集,将天气状况相同的数据集中在一起,利用相似日的光伏功率具有较强关联性的特点,提高模型的预测精度。本发明对气象影响因子进行了回归分析,对光伏功率预测模型的输入变量进行了识别优化,使用MAE,MAPE,RMSE3个指标进行模型性能评估和误差分析,从而映模型综合性能,有效的分析出气象影响因子对光伏功率的影响,进一步提高了模型的预测精度。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种基于神经网络的光伏输出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。
光伏发电具有间歇性和随机性的固有缺点,随着大量光伏发电接入电网,势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻的挑战,因此光伏发电输出功率预测成为解决这一问题的有效途径之一;发明人发现,现有技术的预测精度不高,存在较多预测误差,并且模型训练时间较长。传统神经网络还存在易陷入局部极值点、收敛速度慢的问题。同时,现有方法中在分析不同天气类型对光伏发电的影响时,不能实现对天气影响因素全面的分析,因此无法对不同天气类型下的光伏输出功率进行精准预测。另外,由于光伏出力随机性和波动性较强的特点,会对电网的安全运行和调峰调度带来挑战,其必然也会引入预测误差,增加预测结果的不确定性,进而较大程度的限制可再生能源的消纳。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于神经网络的光伏输出功率预测方法及系统,利用CNN卷积神经网络进行相似日聚类,将天气状况相同的数据筛选出来;然后使用多层感知机(Multilayer Perceptron,MLP)对光伏发电功率进行预测,弥补了传统多层感知机容易过拟合的不足,有效提高了光伏预测精度和效率。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种基于神经网络的光伏输出功率预测方法,包括以下步骤:
获取光伏电站的历史气象数据和卫星云图;
利用卷积神经网络对卫星云图进行分类;
根据分类结果选择预训练的不同天气类型下的光伏功率预测模型;
将所述历史气象数据作为模型输入,获得光伏输出功率预测结果。
进一步的,分类之前需对历史气象数据和卫星云图进行预处理,预处理步骤包括:对数据进行筛选,删除异常数据并填写缺失数据,将筛选后的数据标准化,对数据格式进行设置。
进一步的,所述天气类型包括晴天、多云和阴天;所述历史气象数据包括:总辐射、直辐射、散辐射、大气温度、环境温度、气压、环境湿度。
进一步的,利用历史气象数据进行气象影响因子相关性分析,判断气象影响因子对光伏发电功率的影响程度。
进一步的,所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型。
更进一步的,选取天气状况相同的数据训练多层感知机模型学习气象因素分量信号与对应光伏功率分量信号之间的映射关系。
进一步的,需对预训练的不同天气类型下的光伏功率预测模型进行评估,评估指标为平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(Mean Absolute Percent Error,MAPE)。
本发明第二方面提供了一种基于卷积神经网络的光伏输出功率预测系统,包括:
数据获取模块,被配置为获取光伏电站的历史气象数据和卫星云图;
数据分类模块,被配置为利用卷积神经网络对卫星云图进行分类;
模型选择模块,被配置为根据分类结果选择预训练的不同天气类型下的光伏功率预测模型;
功率预测模块,被配置为将所述历史气象数据作为模型输入,获得光伏输出功率预测结果。
本发明第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的基于神经网络的光伏输出功率预测方法中的步骤。
本发明第四方面提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于神经网络的光伏输出功率预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明选取多层感知机这种新型的神经网络结合卷积神经网络的相似日聚类结果,对光伏发电功率进行预测,有效提高了光伏预测精度和效率。本发明在克服了传统神经网络存在的易陷入局部极值点、收敛速度慢的问题的同时,也弥补了传统多层感知机容易过拟合的不足。
本发明所述方案利用卷积神经网络将历史气象数据划分为多个子集,将天气状况相同的数据集中在一起,利用相似日的光伏功率具有较强关联性的特点进行光伏输出功率的预测,提高模型的预测精度。
本发明所述方案对发电功率与辐照度、环境温度、相对湿度、风力等气象影响因子进行了回归分析,对光伏功率预测模型的输入变量进行了识别优化,使用MAE,MAPE,RMSE3个指标进行模型性能评估和误差分析,从而映模型综合性能,有效的分析出气象影响因子对光伏功率的影响,提高了预测精度。
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为本发明实施例一中气象影响因子相关性分析示意图;
图2为本发明实施例一中光伏输出功率预测方法流程图;
图3为本发明实施例一中本发明光伏输出功率预测方法与现有方法光伏输出功率预测的评估指标误差对比图;
图4(a)为本发明实施例一中光伏输出功率预测方法在春季的预测结果示意图;
图4(b)为本发明实施例一中光伏输出功率预测方法在夏季的预测结果示意图;
图4(c)为本发明实施例一中光伏输出功率预测方法在秋季的预测结果示意图。
图4(d)为本发明实施例一中光伏输出功率预测方法在冬季的预测结果示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本发明实施例一提供了一种基于神经网络的光伏输出功率预测方法,包括以下步骤:
获取原始太阳能发电(PV)时间序列数据,即光伏电站的历史气象数据和卫星云图,并对所述历史气象数据进行降维;
利用卷积神经网络对卫星云图进行分类;
根据分类结果选择预训练的不同天气类型下的光伏功率预测模型;所述天气类型包括晴天、多云和阴天;所述历史气象数据包括:总辐射、直辐射、散辐射、大气温度、环境温度、气压、环境湿度。
所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型。
将所述历史气象数据作为模型输入,获得光伏输出功率预测结果。
作为进一步的技术方案,分类之前需对历史气象数据和卫星云图进行预处理,预处理步骤包括:对数据进行筛选,删除异常数据并填写缺失数据,将筛选后的数据标准化,对数据格式进行设置。
作为进一步的技术方案,利用历史气象数据进行气象影响因子相关性分析,判断气象影响因子对光伏发电功率的影响程度。
具体的,使用线性回归进行气象影响因子相关性分析,具体结果如图1所示,R即相关系数,可以看出,总辐射,直辐射,温度是光伏发电功率比较重要的气象影响因子,对光伏发电功率的作用较大。。
如图2所示,展示了本发明所述光伏输出功率预测方法流程图,所述方法包括:
步骤一:根据卫星云图选取天气数据,然后使用CNN神经网络对天气进行分类,根据卫星云图将天气分为3类,即雨,多云,晴。
步骤二:选取天气状况相同的数据训练多层感知机模型学习气象因素分量信号与对应光伏功率分量信号之间的映射关系,其中,气象因素为模型输入,光伏功率为模型输出,本实施例中,气象因素为总辐射,直辐射和温度。多层感知机模型包括输入层、隐含层和输出层。
作为进一步的技术方案,同时选取相同天数的连续数据训练多层感知机模型学习气象因素分量信号与对应光伏功率分量信号之间的映射关系和选取相同天数的连续数据训练长短期记忆网络(Long Short-Term Memory,LSTM)作为对比,以证实本发明技术方案的优越性。
步骤三:使用训练好的模型来预测测试集。其中输入为总辐射、直辐射和温度,输出为光伏功率,以前90%的数据为训练集、后10%的数据为测试集,小批量样本数选取为10,丢弃率设置为0.5。
步骤四:使用MAE,MAPE,RMSE3个指标进行模型性能评估和误差分析,得到的分析结果如图3所示,从而映模型综合性能。
作为进一步的技术方案,预测模型的评估指标为平均绝对误差(Mean AbsoluteError,MAE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(MeanAbsolute Percent Error,MAPE)。平均绝对误差是绝对误差的平均值,可以更好地反映预测值误差的实际情况,均方根误差即均方误差开根号,方均根偏移代表预测的值和观察到的值之差的样本标准差,平均绝对百分比误差在理论上值越小,说明预测模型拟合效果越好,具有更好的精确度。具体公式:
其中,是预测功率,yi是实际功率,n是样本数。
根据图2可知,晴天概率最大,故本实施例选取晴天作为混合模型MAC的检测天气,使用MAC分别对四个季度晴天状况下的光伏发电功率进行预测。使用MAC首先提炼出该季度处于晴天的日期,然后使用晴天类型下的光伏发电场的原始数据进行预测;使用MLP和LSTM对日期连续的原始数据进行预测。
根据气象影响因子相关性分析可知,总辐射,直辐射,温度是光伏发电功率比较重要的气象影响因子,对光伏发电功率的作用较大。故多层感知机选取总辐射,直辐射,温度为输入,与LSTM预测结果进行对比,对比结果如图4(a)-(d)所示。明显可以看出,本发明技术方案相比于LSTM预测结果更为精确更为合理。
实施例二:
本发明实施例二提供了一种基于卷积神经网络的光伏输出功率预测系统,包括:
数据获取模块,被配置为获取光伏电站的历史气象数据和卫星云图;
数据分类模块,被配置为利用卷积神经网络对卫星云图进行分类;
模型选择模块,被配置为根据分类结果选择预训练的不同天气类型下的光伏功率预测模型;
功率预测模块,被配置为将所述历史气象数据作为模型输入,获得光伏输出功率预测结果。
实施例三:
本发明实施例三提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例一所述的基于神经网络的光伏输出功率预测方法中的步骤。
实施例四:
本发明实施例四提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例一所述的基于神经网络的光伏输出功率预测方法中的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
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)
1.一种基于神经网络的光伏输出功率预测方法,其特征在于,包括以下步骤:
获取光伏电站的历史气象数据和卫星云图;
利用卷积神经网络对卫星云图进行分类;
根据分类结果选择预训练的不同天气类型下的光伏功率预测模型;
将所述历史气象数据作为模型输入,获得光伏输出功率预测结果。
2.如权利要求1所述的基于神经网络的光伏输出功率预测方法,其特征在于,
分类之前需对历史气象数据和卫星云图进行预处理,预处理步骤包括:对数据进行筛选,删除异常数据并填写缺失数据,将筛选后的数据标准化,对数据格式进行设置。
3.如权利要求1所述的基于神经网络的光伏输出功率预测方法,其特征在于,所述天气类型包括晴天、多云和阴天;所述历史气象数据包括:总辐射、直辐射、散辐射、大气温度、环境温度、气压、环境湿度。
4.如权利要求1所述的基于神经网络的光伏输出功率预测方法,其特征在于,利用历史气象数据进行气象影响因子相关性分析,判断气象影响因子对光伏发电功率的影响程度。
5.如权利要求1所述的基于神经网络的光伏输出功率预测方法,其特征在于,所述不同天气类型下的光伏功率预测模型的训练过程为:利用不同天气类型下的历史气象数据和对应的光伏输出功率历史数据,分别训练不同天气类型下的光伏功率预测模型。
6.如权利要求5所述的基于神经网络的光伏输出功率预测方法,其特征在于,选取天气状况相同的数据训练多层感知机模型学习气象因素分量信号与对应光伏功率分量信号之间的映射关系。
7.如权利要求1所述的基于神经网络的光伏输出功率预测方法,其特征在于,需对预训练的不同天气类型下的光伏功率预测模型进行评估,评估指标为平均绝对误差、均方根误差和平均绝对百分比误差。
8.一种基于卷积神经网络的光伏输出功率预测系统,其特征在于,包括:
数据获取模块,被配置为获取光伏电站的历史气象数据和卫星云图;
数据分类模块,被配置为利用卷积神经网络对卫星云图进行分类;
模型选择模块,被配置为根据分类结果选择预训练的不同天气类型下的光伏功率预测模型;
功率预测模块,被配置为将所述历史气象数据作为模型输入,获得光伏输出功率预测结果。
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于神经网络的光伏输出功率预测方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的基于神经网络的光伏输出功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211345699.6A CN115936177A (zh) | 2022-10-31 | 2022-10-31 | 一种基于神经网络的光伏输出功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211345699.6A CN115936177A (zh) | 2022-10-31 | 2022-10-31 | 一种基于神经网络的光伏输出功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936177A true CN115936177A (zh) | 2023-04-07 |
Family
ID=86698349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211345699.6A Pending CN115936177A (zh) | 2022-10-31 | 2022-10-31 | 一种基于神经网络的光伏输出功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936177A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116706903A (zh) * | 2023-08-07 | 2023-09-05 | 深圳航天科创泛在电气有限公司 | 光伏发电量预测方法、装置、设备及介质 |
CN117200200A (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种光伏功率预测模型的训练方法 |
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
- 2022-10-31 CN CN202211345699.6A patent/CN115936177A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116706903A (zh) * | 2023-08-07 | 2023-09-05 | 深圳航天科创泛在电气有限公司 | 光伏发电量预测方法、装置、设备及介质 |
CN116706903B (zh) * | 2023-08-07 | 2024-01-26 | 深圳航天科创泛在电气有限公司 | 光伏发电量预测方法、装置、设备及介质 |
CN117200200A (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种光伏功率预测模型的训练方法 |
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 |
---|---|---|
US20220214322A1 (en) | Air pollutants concentration forecasting method and apparatus and storage medium | |
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 | |
CN109802430B (zh) | 一种基于LSTM-Attention网络的风电电网控制方法 | |
CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN113722375B (zh) | 一种基于多算法优化的双层混合光伏预测方法及计算机设备 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN116451035A (zh) | 一种提高分布式光伏预测精度的数据特征工程处理方法 | |
CN117218425A (zh) | 一种用于光伏电站的发电损失分析方法及系统 | |
Kaur et al. | Solar power forecasting using ordinary least square based regression algorithms | |
CN113984198A (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
CN117578425A (zh) | 一种极端天气情况下的区域功率预测修正方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
CN116739172A (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 | |
CN116404637A (zh) | 电力系统短期负荷预测方法和电力系统短期负荷预测装置 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN112348700A (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 |
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 |