CN116070798A - 一种光伏发电功率短期预测方法及系统 - Google Patents
一种光伏发电功率短期预测方法及系统 Download PDFInfo
- Publication number
- CN116070798A CN116070798A CN202310322568.4A CN202310322568A CN116070798A CN 116070798 A CN116070798 A CN 116070798A CN 202310322568 A CN202310322568 A CN 202310322568A CN 116070798 A CN116070798 A CN 116070798A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- photovoltaic power
- short
- term prediction
- 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 118
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 210000005036 nerve Anatomy 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical group [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 125000004429 atom Chemical group 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical group [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 101001046999 Homo sapiens Kynurenine-oxoglutarate transaminase 3 Proteins 0.000 description 1
- 101000742844 Homo sapiens RNA-binding motif protein, Y chromosome, family 1 member A1 Proteins 0.000 description 1
- 102100022892 Kynurenine-oxoglutarate transaminase 3 Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 125000004437 phosphorous atom Chemical group 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000009466 transformation 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- 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
本发明涉及发电功率预测领域，具体公开一种光伏发电功率短期预测方法及系统，获取光伏发电数据的历史数据；对历史数据进行预处理；以预处理后的历史数据为样本，基于深度置信网络进行预测模型的预训练，获得预训练光伏发电功率短期预测模型；对预训练光伏发电功率短期预测模型进行反向微调，获得最终的光伏发电功率短期预测模型；将测试当天气象数据作为输入，基于最终的光伏发电功率短期预测模型对测试当天的光伏发电功率进行预测。本发明建立监督调优模型，进行训练有监督的策略模型，再通过训练回报模型，直接从数据中学习目标函数，最后进行参数微调，从而达到精确预测的目的。
Description
技术领域
本发明涉及发电功率预测领域，具体涉及一种光伏发电功率短期预测方法及系统。
背景技术
光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术。主要由太阳电池板（组件）、控制器和逆变器三大部分组成，主要部件由电子元器件构成。太阳能电池经过串联后进行封装保护可形成大面积的太阳电池组件，再配合上功率控制器等部件就形成了光伏发电装置。
光伏发电的主要原理是半导体的光电效应。光子照射到金属上时，它的能量可以被金属中某个电子全部吸收，电子吸收的能量足够大，能克服金属原子内部的库仑力做功，离开金属表面逃逸出来，成为光电子。硅原子有4个外层电子，如果在纯硅中掺入有5个外层电子的原子如磷原子，就成为N型半导体；若在纯硅中掺入有3个外层电子的原子如硼原子，形成P型半导体。当P型和N型结合在一起时，接触面就会形成电势差，成为太阳能电池。当太阳光照射到P－N结后，电流便从P型一边流向N型一边，形成电流。
光伏发电将光能转换为电能，受太阳辐射变化等天气因素的影响，发电功率表现出随机性、间歇性和不稳定性，并网时会造成对大电网系统的冲击。因此，建立合适的预测模型，对光伏发电功率进行精确预测，是光伏并网系统、微网等系统安全稳定及优化运行的重要环节。统计方法是目前应用较为广泛的方法，主要依据历史数据，对光伏发电输入输出数据建立统计规律，从而实现预测，建模的过程相对简化，但预测精确性低。
发明内容
为解决上述问题，本发明提供一种光伏发电功率短期预测方法及系统，建立监督调优模型，进行训练有监督的策略模型，然后再通过训练回报模型，直接从数据中学习目标函数，最后进行参数微调，从而达到精确预测的目的。
第一方面，本发明的技术方案提供一种光伏发电功率短期预测方法，包括以下步骤：
获取光伏发电数据的历史数据，光伏发电数据包括光伏发电功率和对应的气象数据；
对历史数据进行预处理；
以预处理后的历史数据为样本，基于深度置信网络进行预测模型的预训练，获得预训练光伏发电功率短期预测模型；
对预训练光伏发电功率短期预测模型进行优化微调，获得最终的光伏发电功率短期预测模型；其中进行优化微调时，每次网络参数调整均基于当前网络参数和上次网络参数进行网络参数的调整；
将测试当天气象数据作为输入，基于最终的光伏发电功率短期预测模型对测试当天的光伏发电功率进行预测。
进一步地，对历史数据进行预处理，包括：
判别异常数据并删除；
基于删除数据前后的数据计算填补数据，将填补数据填补到删除的异常数据的位置；
将数据填补后的历史数据进行数据归一化处理，获得最终的历史数据。
进一步地，对历史数据进行预处理，具体包括：
步骤1，采用格拉布斯算法判别异常数据，将异常数据删除；
设为一组光伏发电功率数据或一组气象数据，将数据从小到大排列，，计算本组数据的均值与标准差：
；
；
令；
其中，为判断数据中的最小值是否为异常值的格拉斯统计量，为判断数据中的最大值是否为异常值的格拉斯统计量；
给出一个检测水平，根据检测水平查询国家标准得的n，得到检测水平相对应的格拉布斯判别法的临界值；
当或时可判断数据为异常值；
步骤2，采用插补法中的 k 近邻法来补全异常数据；
根据异常数据附近 k 个最近邻的数据得到这 k 个数据的平均值，然后将这个平均值填入异常数据处，算法公式为：
；
其中，是异常数据前面第个数据，是异常数据后面的第个数据；
对数据填补后的历史数据进行线性转换，使数据落在[0,1]之间。
进一步地，基于深度置信网络进行预测模型的预训练，具体包括：
进行预训练时采用包括多个受限玻尔兹曼机和一个BP神经网络的神经网络，每个受限玻尔兹曼机包括一个可见层和一个隐藏层，底层的可见层作为输入层，输入层和多个隐藏层形成用于提取样本数据的特征的深度置信网络，最后一个隐藏层和输出层形成BP神经网络；
设可见层和隐藏层神经元的数量分别为n和m；
vi、hj分别是可见层中第个神经元和隐藏层中第个神经元的状态，它们对应的偏移量分别为ai和bj；
wij是可见层中第个神经元和隐藏层中的第一个神经元之间的连接权重；
是受限玻尔兹曼机的参数，那么受限玻尔兹曼机在状态下的能量函数可以表示为：
；
随机给定可见层输入，第个隐藏层激活函数为：
；
给定隐藏层，可见层的第一单元被激活，激活函数为：
；
用于求解RBM参数的初始参数，包括：选择一个样本作为可见层的初始状态；然后根据隐藏层更新状态；计算隐藏层神经元的更新，更新公式为：
；
其中，是学习率算法，为变量的数学期望值；
选择另一个样本作为可见层的初始状态，重复上述步骤，直到所有样本都被选择一次。
进一步地，对预训练光伏发电功率短期预测模型进行反向微调，具体包括：
步骤1，根据预训练的神经网络的输入获得相应的输出；
根据预训练获得的参数初始值，判断隐藏层神经单元的状态，并计算其激活值；
将所计算激活值逐层向后传播，计算每个隐藏层中神经单元的激活值，最后计算输出层的输出；
步骤2，基于反向传播算法重新计算深度置信网络的权重和偏移；
步骤3，基于动量梯度下降法修改深度置信网络的权重和偏差，校正公式为：
；
式中，是动量因子学习率。
第二方面，本发明技术方案提供一种光伏发电功率短期预测系统，包括，
历史数据获取模块：获取光伏发电数据的历史数据，光伏发电数据包括光伏发电功率和对应的气象数据；
预处理模块：对历史数据进行预处理；
模型训练模块：以预处理后的历史数据为样本，基于深度置信网络进行预测模型的预训练，获得预训练光伏发电功率短期预测模型；
模型优化模块：对预训练光伏发电功率短期预测模型进行优化微调，获得最终的光伏发电功率短期预测模型；其中进行优化微调时，每次网络参数调整均基于当前网络参数和上次网络参数进行网络参数的调整；
数据预测模块：将测试当天气象数据作为输入，基于最终的光伏发电功率短期预测模型对测试当天的光伏发电功率进行预测。
本发明提供的一种光伏发电功率短期预测方法及系统，相对于现有技术，具有以下有益效果：基于深度置信网络进行预测模型的预训练，并对预训练光伏发电功率短期预测模型进行反向微调，获得最终的光伏发电功率短期预测模型以进行预测，实现建立监督调优的模型，进行训练有监督的策略模型，然后再通过训练回报模型，直接从数据中学习目标函数，最后进行参数微调，从而达到精确预测的目的。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明实施例提供的一种光伏发电功率短期预测方法流程示意图。
图2是本发明实施例提供的一种光伏发电功率短期预测方法的一具体实施例的神经网络模型示意图。
图3是本发明实施例提供的一种光伏发电功率短期预测系统结构示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种光伏发电功率短期预测方法流程示意图，如图1所示，该方法包括以下步骤。
S1，获取光伏发电数据的历史数据。
光伏发电数据包括光伏发电功率和对应的气象数据，具体的提取若干天的光伏发电功率和气象数据，每一天的光伏发电功率和气象数据组成一组光伏发电数据，也就是一个样本，若干天的数据构成若干个样本。
气象数据包括气温和光强度等，当然，用户也可以选择其他气象数据作为数据样本。
除了光伏发电功率和对应的气象数据，光伏发电数据还可以包括光伏板使用时长、粉尘等数据。光伏发电功率和气象数据是主要数据，其他数据用户根据需求选择。
S2，对历史数据进行预处理。
对历史数据的预处理包括异常数据剔除，剔除后的新数据补充，以及归一化处理等。
S3，以预处理后的历史数据为样本，基于深度置信网络进行预测模型的预训练，获得预训练光伏发电功率短期预测模型。
S4，对预训练光伏发电功率短期预测模型进行优化微调，获得最终的光伏发电功率短期预测模型。其中进行优化微调时，每次网络参数调整均基于当前网络参数和上次网络参数进行网络参数的调整。
本实施例首先基于神经网络进行预训练，得到预训练的模型，再对预训练的模型进行反向微调的优化，得到最终的预测模型。
S5，将测试当天气象数据作为输入，基于最终的光伏发电功率短期预测模型对测试当天的光伏发电功率进行预测。
实际进行预测时，采集当天的气象数据作为输入，基于最终的预测模型可预测出当天的光伏发电功率。
本实施例基于深度置信网络进行预测模型的预训练，并对预训练光伏发电功率短期预测模型进行反向微调，获得最终的光伏发电功率短期预测模型以进行预测，实现建立监督调优的模型，进行训练有监督的策略模型，然后再通过训练回报模型，直接从数据中学习目标函数，最后进行参数微调，从而达到精确预测的目的。
为进一步理解本发明，以下提供一具体实施例对本发明进一步详细说明。
（1）步骤一，获取历史数据，并进行预处理形成模型训练的样本。
获取光伏功率历史数据和气象数据，以天为单位进行数据获取，某天的光伏发电功率和气象数据为一组历史数据，气象数据包括温度和光强度等，气象数据为预测模型的输入，光伏发电功率为输出，基于某天的气象数据预测该天的光伏发电功率。
当然，气象条件是影响光伏发电功率的主要因素，其他条件如光伏板使用时长、粉尘等数据也会对光伏发电功率有影响，工作人员根据需求也可获取其他影响条件的历史数据添加到样本。
获取到初始的历史数据后，需要对历史数据进行预处理，包括剔除异常数据以及归一化处理，如下（1.1）~（1.3）的步骤。
（1.1）异常数判别
光伏发电功率数据、气象数据为主要数据。如果某个值出现明显的阶跃性变化，则视其为异常值，异常数据对于后期算法模型的训练是非常敏感的，会严重影响预测模型的性能，所以需要对其进行处理，从而保证数据的完整性和准确性。对于异常值判断，采用格拉布斯算法判断。
设为一组功率数据，将数据从小到大排列，，计算本组数据的均值与标准差：
令
其中，为判断功率数据中的最小值是否为异常值的格拉斯统计量，为判断功率数据中的最大值是否为异常值的格拉斯统计量。给出一个检测水平，通过查询国家标准（GB 4883-85 数据的统计处理和解释）可得到，相对应的格拉布斯判别法的临界值，当或时可判断其为异常值。
（1.2）异常数据修补
分析光伏功率数据和气象数据，每一时间点的光伏发电功率数据都有其作用，所以删除以及不处理都不适合。光伏发电功率数据与气象数据都有很强的连续性，即相邻几个时刻的数据变化不是很大，所以本文采用插补法中的 k 近邻法来补全异常值。在给定一个数据样本中，算法根据异常值附近 k 个最近邻的数据得到这 k 个数据的平均值，然后将这个平均值填入异常值处，算法公式为：
其中，是异常值前面第个数据，是异常值后面的第个数据。
（1.3）数据归一处理
所用的数据包括光伏发电的历史功率数据、气象数据，这些变量数据的量纲都不相同，数值的大小也有差别，把它们直接作为功率预测模型的输入数据会影响预测精度，不能保证实验结果的有效性，另一方面，深度学习网络使用非线性激活函数，其输出限于[0，1]，为了防止使用原始数据导致的神经元饱和，也需要对数据进行归一化处理，将多种变量的数据统一缩放到[0，1]范围内，本实施例对其数据进行线性化处理。
对数据进行线性转化，使数据落在[0，1]之间，具体的转化函数为：
其中，为原始序列数据的最大值，为原始序列数据的最小值，为当前点的值，为归一化转换计算的数值。
（2）步骤二，根据处理后的历史数据，进行预测模型训练，建立基于深度学习的光伏发电功率的短期预测模型。
如图2所示，本实施例所采用的神经网络由多个受限玻尔兹曼机（RBM）和一个BP神经网络组成。每个RBM由一个可见层和一个隐藏层组成，这两个层是定向连接的。上一层的隐藏层充当RBM下一层的可见层。底层RBM，即RBM1的可见层，用作模型的输入层。输入层和多个隐藏层形成用于提取样本数据的特征的深度置信网络；最后一个隐藏层和输出层形成神经网络，将提取的特征向量作为输入，通过回归拟合生成光伏功率预测结果。
（2.1）例如输入模型的数据分别是功率发电历史数据、温度和光强度，分别用、、表示。其中温度和光强度是气象数据。该模型的输出是光伏发电的预测功率用表示，建立完成训练集样本。
（2.2）短期预测模型预训练，设可见层和隐藏层神经元的数量分别为
n和
m，v i、
h j分别是可见层中第个神经元和隐藏层中第个神经元的状态，它们对应的偏移量
a i和
b j，
w ij为是可见层中的第i个神经元和隐藏层中的第j个神经元之间的连接权重；是RBM的参数。那么RBM在状态下的能量函数可以表示为：
随机给定可见层输入，第个隐藏层激活函数
给定隐藏层，可见层的第一单元被激活（被赋值为1）：
用于求解RBM参数的初始参数，首先选择一个样本作为可见层的初始状态；然后根据隐藏层更新状态；然后计算隐藏层神经元的更新，更新公式为：
其中，是学习率算法，为变量的数学期望值。
然后选择另一个样本作为可见层的初始状态，并重复上述步骤，直到训练样本中的所有样本都被选择一次。
（3）步骤三，对上一步训练得到的光伏发电功率短期预测模型进行反向微调。
预训练完成后，需要反向微调光伏发电短期预测模型的总体参数，以使模型收敛到全局最佳。本发明中增加了动量因子（相当于增加了阻尼项），可以减少训练过程的振荡。同时，增加的动量因子可以使网络忽略较小的表面特征，从而避免陷入局部最小值。此外，该方法可以加速收敛方向的调整，并具有更快的运行速度。因此，本发明在更新网络权重时引入动量因子进行优化，模型的微调过程如下（3.1）~（3.3）。
（3.1）根据模型的输入获得相应的输出。
根据预训练获得的参数初始值，判断隐藏层神经单元的状态，并计算其激活值。然后，它逐层向后传播，并计算每个层的隐藏层中神经单元的激活值。最后，计算输出层（顶层）的输出。
（3.2）采用误差反向传播算法重新计算深度置信网络的权重和偏移。
深度置信网络的成本函数如下：
在等式中，m是第q个RBM中隐藏层神经元的数量；是输出层（顶层）中第一个隐藏神经元的实际和理想输出。是要在第q个RBM中训练的权重和偏差向量，基于动量因子深度置信网络的光伏功率预测。
（3.3）采用动量梯度下降法修改深度置信网络的权重和偏差。
校正公式为
在式中是动量因子学习率。该方法在传统算法中添加了项。对网络权重和偏移量的每次调整都将考虑当前网络权重和偏差调整结果以及上次网络权重调整结果，该方法始终可以在收敛方向上进行调整，并加速该方向上的调整量，因此该方法在避免网络发散的同时具有更快的运行速度。同时，与动量因子为固定常数的方法相比，该方法的动量因子可以在训练过程中不断调整，以加快收敛速度。
上文中对于一种光伏发电功率短期预测方法的实施例进行了详细描述，基于上述实施例描述的光伏发电功率短期预测方法，本发明实施例还提供了一种与该方法对应的光伏发电功率短期预测系统。
图3是本发明实施例提供的一种光伏发电功率短期预测系统结构示意框图，如图3所示，该系统包括：历史数据获取模块、预处理模块、模型训练模块、模型优化模块和数据预测模块。
历史数据获取模块：获取光伏发电数据的历史数据，光伏发电数据包括光伏发电功率和对应的气象数据。
预处理模块：对历史数据进行预处理。
模型训练模块：以预处理后的历史数据为样本，基于深度置信网络进行预测模型的预训练，获得预训练光伏发电功率短期预测模型。
模型优化模块：对预训练光伏发电功率短期预测模型进行优化微调，获得最终的光伏发电功率短期预测模型。其中进行优化微调时，每次网络参数调整均基于当前网络参数和上次网络参数进行网络参数的调整。
数据预测模块：将测试当天气象数据作为输入，基于最终的光伏发电功率短期预测模型对测试当天的光伏发电功率进行预测。
其中，模型训练模块基于深度置信网络进行预测模型的预训练，具体包括：
所采用神经网络包括多个受限玻尔兹曼机和一个BP神经网络，每个受限玻尔兹曼机包括一个可见层和一个隐藏层，底层的可见层作为输入层，输入层和多个隐藏层形成用于提取样本数据的特征的深度置信网络，最后一个隐藏层和BP神经网络形成输出层；
设可见层和隐藏层神经元的数量分别为n和m；
vi、hj分别是可见层中第个神经元和隐藏层中第个神经元的状态，它们对应的偏移量分别为ai和bj；
wij是可见层中第个神经元和隐藏层中的第一个神经元之间的连接权重；
是受限玻尔兹曼机的参数，那么受限玻尔兹曼机在状态下的能量函数可以表示为：
；
随机给定可见层输入，第个隐藏层激活函数为：
；
给定隐藏层，可见层的第一单元被激活，激活函数为：
；
用于求解RBM参数的初始参数，包括：选择一个样本作为可见层的初始状态；然后根据隐藏层更新状态；计算隐藏层神经元的更新，更新公式为：
；
其中，是学习率算法，为变量的数学期望值；
选择另一个样本作为可见层的初始状态，重复上述步骤，直到所有样本都被选择一次。
模型优化模块对预训练光伏发电功率短期预测模型进行反向微调，具体包括：
（1）根据预训练的神经网络的输入获得相应的输出；
根据预训练获得的参数初始值，判断隐藏层神经单元的状态，并计算其激活值；
将所计算激活值逐层向后传播，计算每个隐藏层中神经单元的激活值，最后计算输出层的输出；
（2）基于反向传播算法重新计算深度置信网络的权重和偏移；
（3）基于动量梯度下降法修改深度置信网络的权重和偏差，校正公式为：
；
式中，是动量因子学习率。
本实施例的光伏发电功率短期预测系统用于实现前述的光伏发电功率短期预测方法，因此该系统中的具体实施方式可见前文中的光伏发电功率短期预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的光伏发电功率短期预测系统用于实现前述的光伏发电功率短期预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明保护范围内。
Claims (6)
1.一种光伏发电功率短期预测方法，其特征在于，包括以下步骤：
获取光伏发电数据的历史数据，光伏发电数据包括光伏发电功率和对应的气象数据；
对历史数据进行预处理；
以预处理后的历史数据为样本，基于深度置信网络进行预测模型的预训练，获得预训练光伏发电功率短期预测模型；
对预训练光伏发电功率短期预测模型进行优化微调，获得最终的光伏发电功率短期预测模型；其中进行优化微调时，每次网络参数调整均基于当前网络参数和上次网络参数进行网络参数的调整；
将测试当天气象数据作为输入，基于最终的光伏发电功率短期预测模型对测试当天的光伏发电功率进行预测。
2.根据权利要求1所述的光伏发电功率短期预测方法，其特征在于，对历史数据进行预处理，包括：
判别异常数据并删除；
基于删除数据前后的数据计算填补数据，将填补数据填补到删除的异常数据的位置；
将数据填补后的历史数据进行数据归一化处理，获得最终的历史数据。
3.根据权利要求2所述的光伏发电功率短期预测方法，其特征在于，对历史数据进行预处理，具体包括：
步骤1，采用格拉布斯算法判别异常数据，将异常数据删除；
设为一组光伏发电功率数据或一组气象数据，将数据从小到大排列，，计算本组数据的均值与标准差：
；
；
令；
其中，为判断数据中的最小值是否为异常值的格拉斯统计量，为判断数据中的最大值是否为异常值的格拉斯统计量；
给出一个检测水平，根据检测水平查询国家标准得的n，得到检测水平相对应的格拉布斯判别法的临界值；
当或时判断数据为异常值；
步骤2，采用插补法中的 k 近邻法来补全异常数据；
根据异常数据附近 k 个最近邻的数据得到这 k 个数据的平均值，然后将这个平均值填入异常数据处，算法公式为：
；
其中，是异常数据前面第个数据，是异常数据后面的第个数据；
对数据填补后的历史数据进行线性转换，使数据落在[0,1]之间。
4.根据权利要求1、2或3所述的光伏发电功率短期预测方法，其特征在于，基于深度置信网络进行预测模型的预训练，具体包括：
进行预训练时采用包括多个受限玻尔兹曼机和一个BP神经网络的神经网络，每个受限玻尔兹曼机包括一个可见层和一个隐藏层，底层的可见层作为输入层，输入层和多个隐藏层形成用于提取样本数据的特征的深度置信网络，最后一个隐藏层和输出层形成BP神经网络；
设可见层和隐藏层神经元的数量分别为n和m；
v i、h j分别是可见层中第个神经元和隐藏层中第个神经元的状态，它们对应的偏移量分别为a i和b j；
w ij是可见层中第i个神经元和隐藏层中的第j个神经元之间的连接权重；
是受限玻尔兹曼机的参数，那么受限玻尔兹曼机在状态下的能量函数可以表示为：
；
随机给定可见层输入，第个隐藏层激活函数为：
；
给定隐藏层，可见层的第一单元被激活，激活函数为：
；
用于求解RBM参数的初始参数，包括：选择一个样本作为可见层的初始状态；然后根据隐藏层更新状态；计算隐藏层神经元的更新，更新公式为：
；
其中，是学习率算法，为变量的数学期望值；
选择另一个样本作为可见层的初始状态，重复上述步骤，直到所有样本都被选择一次。
5.根据权利要求4所述的光伏发电功率短期预测方法，其特征在于，对预训练光伏发电功率短期预测模型进行反向微调，具体包括：
步骤1，根据预训练的神经网络的输入获得相应的输出；
根据预训练获得的参数初始值，判断隐藏层神经单元的状态，并计算其激活值；
将所计算激活值逐层向后传播，计算每个隐藏层中神经单元的激活值，最后计算输出层的输出；
步骤2，基于反向传播算法重新计算深度置信网络的权重和偏移；
步骤3，基于动量梯度下降法修改深度置信网络的权重和偏差，校正公式为：
；
式中，是动量因子学习率。
6.一种光伏发电功率短期预测系统，其特征在于，包括，
历史数据获取模块：获取光伏发电数据的历史数据，光伏发电数据包括光伏发电功率和对应的气象数据；
预处理模块：对历史数据进行预处理；
模型训练模块：以预处理后的历史数据为样本，基于深度置信网络进行预测模型的预训练，获得预训练光伏发电功率短期预测模型；
模型优化模块：对预训练光伏发电功率短期预测模型进行优化微调，获得最终的光伏发电功率短期预测模型；其中进行优化微调时，每次网络参数调整均基于当前网络参数和上次网络参数进行网络参数的调整
数据预测模块：将测试当天气象数据作为输入，基于最终的光伏发电功率短期预测模型对测试当天的光伏发电功率进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310322568.4A CN116070798A (zh) | 2023-03-30 | 2023-03-30 | 一种光伏发电功率短期预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310322568.4A CN116070798A (zh) | 2023-03-30 | 2023-03-30 | 一种光伏发电功率短期预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116070798A true CN116070798A (zh) | 2023-05-05 |
Family
ID=86183978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310322568.4A Pending CN116070798A (zh) | 2023-03-30 | 2023-03-30 | 一种光伏发电功率短期预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070798A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116488934A (zh) * | 2023-05-29 | 2023-07-25 | 无锡车联天下信息技术有限公司 | 一种基于域控制器的网络安全管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968662A (zh) * | 2012-10-26 | 2013-03-13 | 哈尔滨工程大学 | 一种飞行器复飞风险评测方法 |
| CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
| CN108108858A (zh) * | 2018-01-22 | 2018-06-01 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
| CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
| CN111898825A (zh) * | 2020-07-31 | 2020-11-06 | 天津大学 | 一种光伏发电功率短期预测方法及装置 |
| CN115660182A (zh) * | 2022-10-31 | 2023-01-31 | 国网上海市电力公司 | 基于最大期望样本加权神经网络模型的光伏出力预测方法 |
-
2023
- 2023-03-30 CN CN202310322568.4A patent/CN116070798A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968662A (zh) * | 2012-10-26 | 2013-03-13 | 哈尔滨工程大学 | 一种飞行器复飞风险评测方法 |
| CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
| CN108108858A (zh) * | 2018-01-22 | 2018-06-01 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
| CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
| CN111898825A (zh) * | 2020-07-31 | 2020-11-06 | 天津大学 | 一种光伏发电功率短期预测方法及装置 |
| CN115660182A (zh) * | 2022-10-31 | 2023-01-31 | 国网上海市电力公司 | 基于最大期望样本加权神经网络模型的光伏出力预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 于若英;陈宁;苗淼;党东升;: "考虑天气和空间相关性的光伏电站输出功率修复方法", 电网技术, no. 07 * |
| 成新文;陈国超;潘训海;: "果酒生物活性物质的OED-LMBPNN预测模型", 电脑知识与技术, no. 32 * |
| 袁向春，刘中春 著: "《碳酸盐岩缝洞型油藏提高采收率技术》", pages: 132 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116488934A (zh) * | 2023-05-29 | 2023-07-25 | 无锡车联天下信息技术有限公司 | 一种基于域控制器的网络安全管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ibrahim et al. | Variations of PV module parameters with irradiance and temperature | |
| Siddiqui et al. | Parameter estimation for five-and seven-parameter photovoltaic electrical models using evolutionary algorithms | |
| Rezk et al. | A novel optimal parameters identification of triple-junction solar cell based on a recently meta-heuristic water cycle algorithm | |
| Kiani et al. | Chaotic inertia weight particle swarm optimization (CIWPSO): An efficient technique for solar cell parameter estimation | |
| KR100989441B1 (ko) | 적응형 퍼지모델을 이용한 태양광 발전 제어 시스템 및 이를 이용한 최대전력 추정방법 | |
| Castro | Data-driven PV modules modelling: Comparison between equivalent electric circuit and artificial intelligence based models | |
| Velilla et al. | Performance evaluation of two solar photovoltaic technologies under atmospheric exposure using artificial neural network models | |
| CN116070798A (zh) | 一种光伏发电功率短期预测方法及系统 | |
| TWI391807B (zh) | 太陽光電發電系統之最大功率追蹤系統及方法 | |
| CN112947672A (zh) | 一种光伏电池最大功率点跟踪方法及装置 | |
| Kiani et al. | Optimal parameter estimation of solar cell using simulated annealing inertia weight particle swarm optimization (SAIW-PSO) | |
| Huang et al. | Parameter identification for photovoltaic models using an improved learning search algorithm | |
| CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
| CN106100582B (zh) | 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法 | |
| Fan et al. | Spatial-temporal genetic-based attention networks for short-term photovoltaic power forecasting | |
| Sebbane et al. | A novel hybrid method based on fireworks algorithm and artificial neural network for photovoltaic system fault diagnosis | |
| Bendib et al. | Fuzzy-logic-based approach for organic solar cell parameters extraction | |
| Kaya et al. | Training Neuro-Fuzzy by Using Meta-Heuristic Algorithms for MPPT. | |
| Kumar et al. | Maximum power tracking from solar PV system by using fuzzy-logic and incremental conductance techniques | |
| Datta et al. | A comprehensive review of the application of machine learning in fabrication and implementation of photovoltaic systems | |
| Choulli et al. | Hybrid optimization based on the analytical approach and the particle swarm optimization algorithm (Ana-PSO) for the extraction of single and double diode models parameters | |
| Sun et al. | Short-term photovoltaic power prediction modeling based on AdaBoost algorithm and Elman | |
| Galphade | Electrical characterization of a photovoltaic module through artificial neural network: a review | |
| Bouarroudj et al. | Fuzzy logic controller based maximum power point tracking and its optimal tuning in photovoltaic systems | |
| Moltames et al. | Sensitivity analysis and parameters calculation of PV solar panel based on empirical data and two-diode circuit model |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230505 |