CN116345433A - 基于深度神经网络与集成学习的超短期光伏功率预测方法 - Google Patents
基于深度神经网络与集成学习的超短期光伏功率预测方法 Download PDFInfo
- Publication number
- CN116345433A CN116345433A CN202310130806.1A CN202310130806A CN116345433A CN 116345433 A CN116345433 A CN 116345433A CN 202310130806 A CN202310130806 A CN 202310130806A CN 116345433 A CN116345433 A CN 116345433A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- ultra
- model
- short
- 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 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于深度神经网络与集成学习的超短期光伏功率预测方法,该方法引入了非线性神经网络模型与集成学习技术,利用神经网络的非线性特性,建立多种气象因素与光伏功率预测的联系,并通过Gibbs‑Boltzmann分布依据各最优网络的错误率加权,集成多个最优网络进一步提高预测精度;同时采用测控技术修正当前的实发功率,最终提高光伏场站超短期光伏功率预测精度。与现有技术相比,本发明解决了光伏场站超短期功率预测精度不足而带来的考核问题。同时,解决了因发电量预测不准产生的电网稳定性问题,为进一步提升电力市场交易水平打下基础等优点。
Description
技术领域
本发明涉及一种光伏功率预测方法,尤其是涉及一种基于深度神经网络与集成学习的超短期光伏功率预测方法。
背景技术
中国专利公开号CN114330935A公开了《基于多种结合策略集成学习的新能源功率预测方法和系统》,具体公开了根据目标预测对象,获取样本新能源数据;所述样本新能源数据包括训练新能源数据和验证新能源数据;通过所述训练新能源数据训练得到多个初级预测模型;通过预设的多种集成指令,分别对所述多个初级预测模型进行集成处理,得到多个集成预测模型;根据各所述集成预测模型的性能指标,从所述多个集成预测模型中确定出目标预测模型,通过所述目标预测模型进行新能源功率预测。该方法可以提升对新能源场站的功率预测精度。
同时中国专利公开号CN112561058A公开了《基于Stacking-集成学习短期光伏功率预测方法》,具体提出了一种基于Stacking-集成学习短期光伏功率预测方法,基于历史光伏预测数据样本集训练基于多个不同模型的基学习器构成的第一层预测模型,将第一层预测模型的预测结果输入元学习器模型训练第二层预测模型,然后将待预测日的输入变量经第一层预测模型和第二层预测模型预测后得出预测结果。基于Stacking-集成学习短期光伏功率预测方法考虑不同深度学习的训练原理差异,充分发挥各模型优势,与传统单模型预测相比该预测方法的预测精度有着较为明显的提升。
《基于包络线聚类的多模融合超短期光伏功率预测算法》针对传统功率预测方法以气象因素进行聚类划分时各气象因素权重难以分配以及单模型预测精度较差的问题,提出一种基于光伏功率包络线聚类的多模融合超短期光伏功率预测算法。
以上现有技术存在以下技术问题:
1)使用单一结构的学习机进行超短期光伏功率预测,缺少有效的模型结构选择机制;
2)过分依赖气象预报,忽略场站实际的相关数据与控制方式对功率预测的修正过程;
3)算法缺少生产环境的部署和运维说明;
4)对模型的评价体系不具备行业与领域标准性与专业性
实现整个光伏功率预测的关键在于三个方面:数据,算法,部署环境。针对光伏场站历史数据库的整理,机器学习算法的构建,算法的线上部署这个标准流程具有普适性与应用广泛性,超短期光伏功率预测则适用于该标准流程。
a)数据方面:当前可再生能源场站管理模式不佳导致场站数据库数据缺失,数据采集与维护不当,与机器学习算法所需的高质量数据形成的剧烈矛盾。使得人工智能领域中,数据驱动型的机器学习技术不能很好地发挥优势。
b)模型方面:当前基于深度神经网络模型的机器学习方法已取得重大突破,但针对可再生能源领域的应用却并不广泛。
c)部署环境:当前发电仍以火力发电为主,各大发电新能源装机量相对较少,运维管理落后,问题频发。
因此如何来提高预测精度,成为需要解决的技术问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度神经网络与集成学习的超短期光伏功率预测方法。
本发明的目的可以通过以下技术方案来实现:
根据本发明的一个方面,提供了一种基于深度神经网络与集成学习的超短期光伏功率预测方法,该方法引入了非线性神经网络模型与集成学习方法,利用神经网络的非线性特性,建立多种气象因素与光伏功率预测的联系,并通过Gibbs-Boltzmann分布依据各最优网络的错误率加权,集成多个最优网络进一步提高预测精度;同时采用测控技术修正当前的实发功率,提高光伏场站超短期光伏功率预测精度。
作为优选的技术方案,该方法具体包括以下步骤:
步骤S1,获取实验光伏场站数据;
步骤S2,清洗与筛选场站数据库中相关数据;
步骤S3,利用Bootstrap法,搭建多个不同结构的神经网络算法并学习模型;
步骤S4,计算比较多个训练后的神经网络的回归误差,选取最优结构模型计算Gibbs-Boltzmann分布参数;
步骤S5,评估超短期功率预测模型,并进行性能提升。
作为优选的技术方案,所述步骤S1中的光伏场站数据包括第一数据集和第二数据集,其中第一数据集包括并网总功率、实际辐照度和辐照度预报值,第二数据集包括气象站中所测得的倾角辐照强度、环境温度、背板温度、环境湿度、风向、风速和大气压力。
作为优选的技术方案,所述步骤S2具体为:针对关系型数据库中提取的数据,将之转换为送入神经网络的结构化数据,包括数据预处理与特征工程。
作为优选的技术方案,所述针对关系型数据库中提取的数据,将之转换为送入神经网络的结构化数据具体为:
首先针对数据集的数据进行下采样,将不同源数据的时间对齐;然后将时间对齐后的缺失值选择性删除或采用中位数填充,以保证各个属性上没有空缺值,完成属性对齐;之后将经过预处理数据利用经验法构建特征,针对连续信号采用Pearson相关系数分别衡量各个提取出的特征与发电功率的相关性,最终筛选出相关性最高的特征。
作为优选的技术方案,所述步骤S3具体为:
首先,利用交叉验证原理从数据中随机抽取85%数据作为训练集,其余15%数据作为交叉验证集1
然后,将测试数据经过数据清洗生成特征,分别送入最优模型中的单个神经网络模型,得到100个预测结果;
最终,根据误差使用Gibbs-Boltzmann分布对100个最优模型加权得到预测结果。
作为优选的技术方案,重复抽取100次,送入多个不同超参数组合的神经网络模型A-Z,利用损失函数对训练集与交叉验证集的误差大小决定单个神经网络模型的最优参数,同时根据模型A-Z分别得到的100次结果做出箱线图,比较误差分布后进行模型选择,挑选出模型的最优超参数模型作为最优模型族的超参数结构。
作为优选的技术方案,所述Gibbs-Boltzmann分布具体公式为:
其中errorii为第i个最优结构模型的训练误差与交叉验证误差平均值。
作为优选的技术方案,所述步骤S4具体为:
采取了两种有效的评判别方式,在模型的训练和交叉验证中使用了RMSE与MAE的度量方式;在测试阶段使用了电网调度两个“细则”的方式,统计考核点数与考核金额的度量方式。
作为优选的技术方案,所述方法还包括:
将AGC调峰总信号分解至各个可调节功率的逆变器上,将AGC命令下发到光伏场站各个逆变器上,对预测时间节点的实际功率进行调节,将其逼近当前时刻的预测值,最终降低电网对预测不准确的考核;
部署超短期功率预测模型至线上平台测试;超短期功率预测模型部署于算法平台服务器,场站数据服务器接收现场气象站、数值天气预测数据源信号,将相关数据信号发送至算法平台服务器,算法平台服务器经过计算流程输出结果,并将结果重新传输至数据服务器,通过与电网调度对接的渠道,将预测值上传至电网调度。
与现有技术相比,本发明引入了非线性神经网络模型与集成学习方法,利用神经网络的非线性特性,建立起辐照度,温度,湿度,风速,风向等多种气象因素对光伏功率预测的联系,并通过集成多个最优网络进一步提高预测精度。同时,采用测控技术修正当前的实发功率,旨在提高光伏场站超短期光伏功率预测精度,解决光伏场站超短期功率预测精度不足而带来的考核问题。解决因发电量预测不准产生的电网稳定性问题,为进一步提升电力市场交易水平打下基础。
附图说明
图1为本发明数据处理流程示意图;
图2为本发明深度神经网络与集成学习应用流程示意图;
图3为本发明生产环境部署示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
使用本发明提供一种基于深度神经网络及集成学习的超短期光伏功率预测方法。该方法包含了数据收集与清洗,模型设计与评估,算法的现场部署三个主要方面。借由现场功率预测厂家G的数据服务器接受的实时气象数据、数值天气预测数据、场站实发功率数据,经算法平台服务器中非线性神经网络模型的预测,将结果转送至数据服务器并上传至电网调度。该算法不仅在性能上优于已有的功率预测产品,减少考核点数,降低精确性考核费用,并且作为已有功率预测产品的冗余备用,降低上传率考核费用。在实际应用中节省部分成本。
本发明具体实施内容如下:
a)获取实验光伏场站数据;本发明以江苏某光伏电站B为试点,包含了厂家G与厂家Y数据库中的部分数据。厂家G提供自2021年9月至2021年11月三个月场站B并网总功率,实际辐照度,辐照度预报值(数值天气预测),共三个维度的数据。厂家Y提供同时段内场站B气象站中所测得的倾角辐照强度,环境温度,背板温度,环境湿度,风向,风速,大气压力,共七个维度的数据。通过现场操作,从厂家G与厂家Y各自部署于光伏电站B的服务器数据库中以.csv格式导出相关历史数据。
b)清洗与筛选场站数据库中相关数据;针对关系型数据库中提取的数据,将之转换为送入神经网络的结构化数据主要包含了两大步骤:数据预处理与特征工程。数据预处理的工作包含三个角度,时间对齐和属性对齐。特征工程包含了特征提取,相关性检测与特征选择。如图1,首先针对厂家G的数据进行下采样,(厂家G提供数据分辨率为5min,厂家Y提供数据分辨率为15min),将不同源数据的时间对齐。将时间对齐后的缺失值选择性删除或采用中位数填充,以保证各个属性上没有空缺值,完成属性对齐。之后将经过预处理数据利用经验法构建基础手工特征,针对连续信号采用Pearson相关系数分别衡量各个提取出的基础手工特征与发电功率的相关性,最终筛选出相关性最高的特征(包括当前功率,15min预测辐照度-当前辐照度,温湿度,风向风速,大气压强)共80天的数据。
c)搭建神经网络算法并学习模型;如附图2,算法模型接受经过筛选的特征。首先,利用交叉验证原理从80天的数据中随机抽取85%数据作为训练集,其余15%数据作为交叉验证集。重复抽取100次,送入多个不同超参数组合的神经网络模型A-Z,利用损失函数对训练集与交叉验证集的误差大小决定单个神经网络模型的最优参数,同时根据模型A-Z分别得到的100次结果做出箱线图,比较误差分布后进行模型选择,挑选出模型的最优超参数模型作为最优模型族的超参数结构。然后,将测试数据经过数据清洗生成特征,分别送入最优模型族中的单个神经网络模型,得到100个预测结果。最终,采用直接平均法或根据误差使用Gibbs-Boltzmann(如下式,其中,errorii为第i个最优模型的训练误差与交叉验证误差平均值。可知最优模型误差越大,输出值权重越小。)加权平均法对100个最优模型的输出进行加权平均得到预测结果。
d)评估超短期功率预测算法性能提升;在对本发明的实际效果进行评判的过程中,采取了两种有效的评判放方式,在模型的训练和交叉验证中使用了RMSE与MAE的度量方式(如附图2),有效降低模型的误差。在测试阶段使用了电网调度两个“细则”的方式,统计考核点数与考核金额的度量方式。从理论和实际两个角度出发评估超短期光伏功率预测算法的精确性。
e)将AGC调峰总信号分解至各个可调节功率的逆变器上,通过104协议将AGC命令下发到光伏场站各个逆变器上,对预测时间节点的实际功率进行调节,将其逼近当前时刻的预测值,最终降低电网对预测不准确的考核。
f)部署超短期功率预测算法至线上平台测试;如附图3,超短期功率预测算法部署于算法平台服务器,厂家G的场站数据服务器接收现场气象站、数值天气预测数据源信号,将相关数据信号发送至算法平台服务器,算法平台服务器经过上述计算流程输出结果,并将结果重新传输至厂家G的数据服务器,通过厂家G与电网调度对接的渠道,将预测值上传至电网调度。
本发明使用光伏功率预测厂家G提供的数值天气预测数据,相比于该厂家预测性能提高5%(该厂家在测试的80天样本内考核1272点,而本发明的方法进行优化后在80个测试天数中可减少至1198考核点,减少74个考核点)。由于光伏功率预测的结果依赖于数值天气预测的准确性,本发明采用天气实际发生值代替数值天气预测值进行验证后,相较于该厂家预测性能提高36%(采用实际值代替预测值进行优化后在80个测试天数中仅有807个考核点,减少465个考核点)。引入AGC调节改变整场站实际功率,同时权衡弃光损失后,每月可以有效降低考核金额。在同等数值天气预测数据,以及理想数值天气预测数据的条件下,本发明相较于光伏功率预测厂家G的超短期功率预测产品效果更佳。
本发明依托国家电力投资集团上海电力股份有限公司下属的苏美达东台光伏发电有限公司的光伏功率预测项目技改作为实施对象。
部署优化服务器于站控层交换机,接受现场气象站的实时数据与厂家G推送的气象预报数据,将数据记录至优化服务器中,通过.NET架构作为容器,将实时数据库中的数据,以及厂家G的实时数据接口,传输至封装好的功率预测算法解决方案中,通过计算返回超短期功率预测值,回传场站数据服务器。由场站数据服务器把结果上传至电网调度处。
变换实施方式:
1.将Gibbs-Boltzmann分布的错误率加权方式改为平均加权方式同样可以实现当前方案,但其效果不好,平均主义的原则代替以低错误率加权的方式给各最优模型加权处理。
2.将附图2中的模型A-Z的基础模型改为以其他机器学习或深度学习领域的学习机(包括但不限于随机森林,支持向量回归机SVR,线性回归等),或使用计算机视觉,自然语言处理,推荐系统等应用范畴的卷积神经网络CNN及其变体,循环神经网络RNN及其变体,图神经网络GNN及其变体,生成对抗网络GAN及其变体完成相似的加权集成学习结果等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,该方法引入了非线性神经网络模型与集成学习技术,利用神经网络的非线性特性,建立多种气象因素与光伏功率预测的联系,并通过Gibbs-Boltzmann分布依据各最优网络的错误率加权,集成多个最优网络进一步提高预测精度;同时采用测控技术修正当前的实发功率,提高光伏场站超短期光伏功率预测精度。
2.根据权利要求1所述的一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,该方法具体包括以下步骤:
步骤S1,获取实验光伏场站数据;
步骤S2,清洗与筛选场站数据库中相关数据;
步骤S3,利用Bootstrap法,搭建多个不同结构的神经网络算法并学习模型;
步骤S4,计算比较多个训练后的神经网络的回归误差,选取最优结构模型计算加权参数;步骤S5,评估超短期功率预测模型,并进行性能提升。
3.根据权利要求2所述的一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,所述步骤S1中的光伏场站数据包括第一数据集和第二数据集,其中第一数据集包括并网总功率、实际辐照度和辐照度预报值,第二数据集包括气象站中所测得的倾角辐照强度、环境温度、背板温度、环境湿度、风向、风速和大气压力。
4.根据权利要求2所述的一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,所述步骤S2具体为:针对关系型数据库中提取的数据,将之转换为送入神经网络的结构化数据,包括数据预处理与特征工程。
5.根据权利要求4所述的一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,所述针对关系型数据库中提取的数据,将之转换为送入神经网络的结构化数据具体为:
首先针对数据集的数据进行下采样,将不同源数据的时间对齐;然后将时间对齐后的缺失值选择性删除或采用中位数填充,以保证各个属性上没有空缺值,完成属性对齐;之后将经过预处理数据利用经验法构建特征,针对连续信号采用Pearson相关系数分别衡量各个提取出的特征与发电功率的相关性,最终筛选出相关性最高的特征。
6.根据权利要求2所述的一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,所述步骤S3具体为:
首先,根据交叉验证与Bootstrap原理从数据中随机抽取85%数据作为训练集,其余15%数据作为交叉验证集;
然后,将测试数据经过数据清洗生成特征,分别送入最优模型族中的单个神经网络模型,得到N个预测结果;
最终,根据误差使用Gibbs-Boltzmann对最优模型加权得到预测结果。
7.根据权利要求6所述的一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,重复抽取100次,送入多个不同超参数组合的神经网络模型A-Z,利用损失函数对训练集与交叉验证集的误差大小决定单个神经网络模型的最优参数,同时根据模型A-Z分别得到的100次结果做出箱线图,比较误差分布后进行模型选择,挑选出模型的最优超参数模型作为最优模型族的超参数结构。
9.根据权利要求2所述的一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,所述步骤S5具体为:
采取了两种有效的评判放方式,在模型的训练和交叉验证中使用了RMSE与MAE的度量方式;在测试阶段使用了电网调度两个“细则”的方式,统计考核点数与考核金额的度量方式。
10.根据权利要求2所述的一种基于深度神经网络与集成学习的超短期光伏功率预测方法,其特征在于,所述方法还包括:
将AGC调峰总信号以均匀分配原则分解至各个可调节功率的逆变器上,将AGC命令下发到光伏场站各个逆变器上,对预测时间节点的实际功率进行调节,将其逼近当前时刻的预测值,最终降低电网对预测不准确的考核;
部署超短期功率预测模型至线上平台测试;超短期功率预测模型部署于算法平台服务器,场站数据服务器接收现场气象站、数值天气预测数据源信号,将相关数据信号发送至算法平台服务器,算法平台服务器经过计算流程输出结果,并将结果重新传输至数据服务器,通过与电网调度对接的渠道,将预测值上传至电网调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130806.1A CN116345433A (zh) | 2023-02-17 | 2023-02-17 | 基于深度神经网络与集成学习的超短期光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130806.1A CN116345433A (zh) | 2023-02-17 | 2023-02-17 | 基于深度神经网络与集成学习的超短期光伏功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116345433A true CN116345433A (zh) | 2023-06-27 |
Family
ID=86881331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310130806.1A Pending CN116345433A (zh) | 2023-02-17 | 2023-02-17 | 基于深度神经网络与集成学习的超短期光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116345433A (zh) |
-
2023
- 2023-02-17 CN CN202310130806.1A patent/CN116345433A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
CN109667727B (zh) | 一种基于功率曲线分析的风电机组偏航误差固有偏差辨识及补偿方法 | |
Wan et al. | Development of an equivalent wind plant power-curve | |
KR100802402B1 (ko) | 풍속패턴 분류를 통한 풍력발전 예보방법 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN109657881A (zh) | 一种适用于小样本的神经网络光伏发电预测方法及系统 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN109726867B (zh) | 一种基于多模式集合的高分辨率电力气象预报方法 | |
WO2020199875A1 (zh) | 一种风廓线数据预测方法 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN102411729A (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
CN113379142B (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
CN110222411B (zh) | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 | |
CN110601250A (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN111222687A (zh) | 基于同源异构神经网络的电力负荷概率预测方法及装置 | |
Cabezon et al. | Comparison of methods for power curve modelling | |
CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN116345433A (zh) | 基于深度神经网络与集成学习的超短期光伏功率预测方法 | |
CN116231749A (zh) | 基于数字孪生的新能源电力系统调度方法 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 |
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 |