CN116247654A - 一种基于可微分神经计算机的光伏发电预测方法 - Google Patents

一种基于可微分神经计算机的光伏发电预测方法 Download PDF

Info

Publication number
CN116247654A
CN116247654A CN202211719548.2A CN202211719548A CN116247654A CN 116247654 A CN116247654 A CN 116247654A CN 202211719548 A CN202211719548 A CN 202211719548A CN 116247654 A CN116247654 A CN 116247654A
Authority
CN
China
Prior art keywords
photovoltaic power
power generation
memory
data
vector
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
Application number
CN202211719548.2A
Other languages
English (en)
Inventor
李灯熬
赵菊敏
张倬恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi Energy Internet Research Institute
Original Assignee
Shanxi Energy Internet Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanxi Energy Internet Research Institute filed Critical Shanxi Energy Internet Research Institute
Priority to CN202211719548.2A priority Critical patent/CN116247654A/zh
Publication of CN116247654A publication Critical patent/CN116247654A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Neurology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于可微分神经计算机的光伏发电预测方法，包括如下步骤：（1）数据分析：光伏发电的发电量与当地的维度、日照情况有关，并且呈现出周期变化，分析日照情况在一天之内的周期变化和在一年内的周期变化；得到光照变化数据和气象变化数据后，再分析太阳辐照、温度、云量各种气象因素对光伏电站输出功率的影响，对两种数据进行小波降噪；（2）、可微分神经计算机的光伏发电预测。本发明设计合理，可以根据以往的光伏发电数据和气象数据对未来光伏发电数据进行预测，可以提高电网的稳定性,增加电网吸收光的能力，帮助光伏电站减少停电造成的经济损失提高光伏电站运行管理的效率，具有很好的实际应用价值。

Description

一种基于可微分神经计算机的光伏发电预测方法
技术领域
本发明涉及光伏发电预测技术领域，具体为一种使用可微分神经计算机的方法来进行光伏发电的自动预测。
背景技术
随着人类的发展，人类对能源的需求也在持续扩大，大量的化石燃料能源被人类开采利用，加重了环境的污染，因此清洁的可再生能源的使用显得尤为重要，太阳能是一种理想的可再生能源，太阳能光伏发电是一种重要的太阳能利用方式，在缓解现有能源危机的同时，也可以减轻由传统能源引起的各种环境问题。
传统的RNN存在对长序列预测训练过程中的梯度消失问题，因此对过长时间的信息存在遗忘问题。2014年在通过对神经网络引入外部存储对神经网络功能进行拓展，提出可以很好处理长期依赖关系的神经图灵机(NTM)，2016年，谷歌deepmind在此基础上提出了可微分神经计算机(DNC)，其在处理长序列数据，关系图推理等任务中取得了很好的效果。
发明内容
本发明目的是提供一种基于可微分神经计算机(DNC)的光伏发电预测方法，通过获取过往的光伏发电随时间变化的序列，结合气象数据，对当前与未来光伏发电的趋势进行预测。
本发明是采用如下技术方案实现的：
一种基于可微分神经计算机(DNC)的光伏发电预测方法，包括如下步骤：
(1)数据分析
光伏发电的发电量与当地的维度、日照情况有关，并且呈现出周期变化，分析日照情况在一天之内的周期变化和在一年内的周期变化；
得到光照变化数据和气象变化数据后，再分析太阳辐照、温度、云量各种气象因素对光伏电站输出功率的影响，对两种数据进行小波降噪。
(2)、可微分神经计算机(DNC)的光伏发电预测
可微分神经计算机中，控制器Controller由神经网络构成，其根据内部状态对Memory进行读写操作，Memory是一个外部可微分的存储矩阵，整个结构是图灵完备且可微分的；
DNC使用向量Vector来存储记忆；存储矩阵Memory matrix的每行对应于不同的记忆；控制器通过使用接口向量Interface parameters控制一个写头控制和多个读头控制与外存储记忆交互；记忆矩阵一行向量表示一组记忆，N行表示记忆矩阵最多保有多少组记忆；在每个时间步DNC接受上一时刻读头信息流与此时刻外部输入信息流组成广义DNC外部输入信息流，经过处理发出隐藏状态，隐藏状态生成输出向量和接口向量；接口向量控制读写头控制通过读写机制与存储矩阵交互，生成此时刻的写信息，并更新存储矩阵获得此时刻的读信息；读信息与输出向量线性组合生成此时刻最终输出向量；存储矩阵的更新公式：
Figure SMS_1
Figure SMS_2
其中，M为存储矩阵，E为全1矩阵；w为写头是归一化的分布权重；e为擦除向量～(0,1；v为写入记忆向量也就是此时刻新的记忆信息；r为读取的向量。
通过将光伏发电随时间变化数据和气象随时间变化数据分别做embedding然后相加，得到的向量输入DNC对未来光伏发电量进行预测。
以往的光伏发电预测所使用的神经网络模型一般为传统意义上的循环神经网络(如RNN，LSTM)或者Transformer，很少有使用像神经图灵机(NTM)和可微分神经计算机(DNC)这类模型，这类模型可以被证明是图灵完备的。本发明具有的技术优点如下：
(1)、相较于传统的循环神经网络(如RNN，LSTM)，外部存储的引入可以很好地处理长期依赖关系，并且因为其使用神经网络作为控制器使其具备可微分的性质可以通过反向传播进行训练。
(2)、神经网络的推理会受到计算本身的约束，而一个分离的存储器会让其推理能力更加强大，在处理结构化的光伏数据中有很好的效果。
本发明设计合理，可以根据以往的光伏发电数据和气象数据对未来光伏发电数据进行预测，可以提高电网的稳定性,增加电网吸收光的能力，帮助光伏电站减少停电造成的经济损失提高光伏电站运行管理的效率，具有很好的实际应用价值。
附图说明
图1表示DNC的结构示意图；控制器(Controller)通过接受输入数据(ExternalInput)控制读头(Read Heads)和写头(Write Heads)对存储矩阵(Memory)进行操作，最后得到输出数据(External Output)。
图2表示DNC内部数据流图；该图详细说明了在接收输入数据后模型内部的数据流变化。
具体实施方式
下面结合附图对本发明的具体实施例进行详细说明。
一种基于可微分神经计算机的光伏发电预测方法，包括如下步骤：
(1)数据分析
光伏发电的发电量与当地的维度、日照情况有关，并且呈现出周期变化，分析日照情况在一天之内的周期变化和在一年内的周期变化；
得到光照变化数据和气象变化数据后，再分析太阳辐照、温度、云量各种气象因素对光伏电站输出功率的影响，对两种数据进行小波降噪。
(2)、可微分神经计算机的光伏发电预测
可微分神经计算机中，控制器Controller由神经网络构成，其根据内部状态对Memory进行读写操作，Memory是一个外部可微分的存储矩阵，整个结构是图灵完备且可微分的。
DNC使用向量Vector来存储记忆。存储矩阵Memory matrix的每行对应于不同的记忆。控制器通过使用接口向量Interface parameters控制一个写头控制和多个读头控制(每个读头都是由两种寻址机制线性组合而成，读头数量在结构设计中未有约束)与外存储记忆交互；记忆矩阵一行向量表示一组记忆，N行表示记忆矩阵最多保有多少组记忆。在每个时间步DNC接受上一时刻读头信息流与此时刻外部输入信息流组成广义DNC外部输入信息流(也就是传统LSTM对应每步外部输入inputs)，经过处理发出隐藏状态，隐藏状态生成输出向量和接口向量。接口向量控制读写头控制通过读写机制与存储矩阵交互，生成此时刻的写信息，并更新存储矩阵获得此时刻的读信息。读信息与输出向量线性组合生成此时刻最终输出向量。
存储矩阵的更新公式：
Figure SMS_3
Figure SMS_4
其中，M为存储矩阵，E为全1矩阵；w为写头是归一化的分布权重；e为擦除向量～(0,1；v为写入记忆向量也就是此时刻新的记忆信息；r为读取的向量。
如图2所示，控制器Controller使用一个长短期记忆神经网络LSTM，其cell state可以用来表示控制器的内部状态。
使用这种结构的模型在处理历史光伏数据的优点如下：
1、外部存储的引入可以很好地处理长期依赖关系，并且因为其使用神经网络作为控制器使其具备可微分的性质可以通过反向传播进行训练。
2、神经网络的推理会受到计算本身的约束，而一个分离的存储器会让其推理能力更加强大，在处理结构化的光伏数据中有很好的效果。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照本发明实施例进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明的技术方案的精神和范围，其均应涵盖本发明的权利要求保护范围中。

Claims (1)

1.一种基于可微分神经计算机的光伏发电预测方法，其特征在于：包括如下步骤：
(1)数据分析
光伏发电的发电量与当地的维度、日照情况有关，并且呈现出周期变化，分析日照情况在一天之内的周期变化和在一年内的周期变化；
得到光照变化数据和气象变化数据后，再分析太阳辐照、温度、云量各种气象因素对光伏电站输出功率的影响，对两种数据进行小波降噪；
(2)、可微分神经计算机的光伏发电预测
可微分神经计算机中，控制器Controller由神经网络构成，其根据内部状态对Memory进行读写操作，Memory是一个外部可微分的存储矩阵，整个结构是图灵完备且可微分的；
DNC使用向量Vector来存储记忆；存储矩阵Memory matrix的每行对应于不同的记忆；控制器通过使用接口向量Interface parameters控制一个写头控制和多个读头控制与外存储记忆交互；记忆矩阵一行向量表示一组记忆，N行表示记忆矩阵最多保有多少组记忆；在每个时间步DNC接受上一时刻读头信息流与此时刻外部输入信息流组成广义DNC外部输入信息流，经过处理发出隐藏状态，隐藏状态生成输出向量和接口向量；接口向量控制读写头控制通过读写机制与存储矩阵交互，生成此时刻的写信息，并更新存储矩阵获得此时刻的读信息；读信息与输出向量线性组合生成此时刻最终输出向量；存储矩阵的更新公式：
Figure FDA0004028241950000021
Figure FDA0004028241950000022
其中，M为存储矩阵，E为全1矩阵；w为写头是归一化的分布权重；e为擦除向量～(0,1)；v为写入记忆向量也就是此时刻新的记忆信息；r为读取的向量；
通过将光伏发电随时间变化数据和气象随时间变化数据分别做embedding然后相加，得到的向量输入DNC对未来光伏发电量进行预测。
CN202211719548.2A 2022-12-30 2022-12-30 一种基于可微分神经计算机的光伏发电预测方法 Pending CN116247654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211719548.2A CN116247654A (zh) 2022-12-30 2022-12-30 一种基于可微分神经计算机的光伏发电预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211719548.2A CN116247654A (zh) 2022-12-30 2022-12-30 一种基于可微分神经计算机的光伏发电预测方法

Publications (1)

Publication Number Publication Date
CN116247654A true CN116247654A (zh) 2023-06-09

Family

ID=86632240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211719548.2A Pending CN116247654A (zh) 2022-12-30 2022-12-30 一种基于可微分神经计算机的光伏发电预测方法

Country Status (1)

Country Link
CN (1) CN116247654A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957223A (zh) * 2023-06-14 2023-10-27 华能澜沧江水电股份有限公司 一种基于光照图像的光伏功率预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957223A (zh) * 2023-06-14 2023-10-27 华能澜沧江水电股份有限公司 一种基于光照图像的光伏功率预测方法及装置
CN116957223B (zh) * 2023-06-14 2024-03-08 华能澜沧江水电股份有限公司 一种基于光照图像的光伏功率预测方法及装置

Similar Documents

Publication Publication Date Title
Chen et al. ReGAN: A pipelined ReRAM-based accelerator for generative adversarial networks
CN110264012B (zh) 基于经验模态分解的可再生能源功率组合预测方法及系统
CN107609667B (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
CN103218674A (zh) 基于bp神经网络模型的光伏发电系统输出功率预测方法
CN116345578B (zh) 基于深度确定性策略梯度的微电网运行优化调度方法
Zhang et al. Photovoltaic power prediction based on hybrid modeling of neural network and stochastic differential equation
CN116247654A (zh) 一种基于可微分神经计算机的光伏发电预测方法
Zhang et al. Short-term forecasting of wind power generation based on the similar day and Elman neural network
Alam et al. Solar PV power forecasting using traditional methods and machine learning techniques
Tang et al. Wind power forecasting: A hybrid forecasting model and multi-task learning-based framework
CN104978605A (zh) 基于深度学习网络的大规模风电功率预测系统及方法
CN110222867B (zh) 一种热电联供型微网经济运行优化方法
CN117973644B (zh) 一种考虑参考电站优化的分布式光伏功率虚拟采集方法
CN117833285A (zh) 一种基于深度强化学习的微电网储能优化调度方法
Salman et al. Hybrid deep learning models for time series forecasting of solar power
Chang et al. Hydrothermal generation scheduling package: a genetic based approach
Yu et al. A teaching-learning-based optimization algorithm with reinforcement learning to address wind farm layout optimization problem
Zhang et al. Joint forecasting of regional wind and solar power based on attention neural network
KR102583178B1 (ko) 발전량 예측 방법 및 장치
Al-Haija et al. Time-series model for forecasting short-term future additions of renewable energy to worldwide capacity
CN111260500B (zh) 一种基于Hadoop的小水电分布式差分进化调度方法
CN114865696A (zh) 一种基于sac算法的混合能源系统在线调度方法
Wang et al. Wind power output prediction: a comparative study of extreme learning machine
Ye et al. A comparative study of ensemble support vector regression methods for short-term load forecasting
Parabhane et al. Artificial neural networks based power management scheme with enhanced stability for a solar panel/wind turbine generator/fuel cell/battery/power supply designed for industrial loads

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