CN116565864B - 一种基于pca-rbf算法的光伏发电功率预报方法 - Google Patents
一种基于pca-rbf算法的光伏发电功率预报方法 Download PDFInfo
- Publication number
- CN116565864B CN116565864B CN202310842154.4A CN202310842154A CN116565864B CN 116565864 B CN116565864 B CN 116565864B CN 202310842154 A CN202310842154 A CN 202310842154A CN 116565864 B CN116565864 B CN 116565864B
- Authority
- CN
- China
- Prior art keywords
- pca
- power generation
- rbf
- data
- photovoltaic power
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 72
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000000513 principal component analysis Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 abstract description 6
- 238000000053 physical method Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PCA‑RBF算法的光伏发电功率预报方法,包括:获取历史再分析气象数据;在目标研究区域运行WRF模式;获取WRF模式预报准确率及WRF模式参数方案;通过基于PCA‑RBF神经网络算法,对与光伏发电功率相关的气象预报参数进行数据预处理、使用PCA算法对数据预处理后的气象预报参数进行特征重构、将主成分分析后的数据输入RBF神经网络,建立光伏发电功率预测PCA‑RBF算法模型;对气象预报主成分参数进行训练;获取PCA‑RBF预报准确率及PCA‑RBF算法模型参数方案;本发明通过物理方法和统计方法相结合,得到一种对实测数据及其时效性要求不高且预报准确率较高的光伏发电功率预报方法。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种基于PCA-RBF算法的光伏发电功率预报方法。
背景技术
光伏发电系统是一种利用太阳能转化为电能的清洁能源系统,具有环保、可再生、分布式等优点,已经成为全球能源转型的重要方向之一。然而,光伏发电系统的发电量受到太阳辐照度的影响,光伏发电系统规划与分析的基础之一就是太阳辐照数据,太阳辐照度是定量描述和研究太阳光辐射的重要参量,也是影响光伏发电量的重要因素,而太阳辐照度的变化具有不确定性和时空性,因此光伏发电功率的预测成为了光伏发电系统规划和运行管理的重要问题,准确的辐照度预报对于保障电网的安全可靠运行具有重要的意义。
传统的辐照度预报方法大致可分为物理方法和统计方法两大类,如数值天气预报等物理方法,需要对实际物理过程有清晰的认识和重现能力,但由于模式的物理参数化方案的不完善和很多参数的不确定等,使得对辐照度的预报存在较大的误差。统计方法主要是利用大量的历史数据来构建预测的统计模型,包括传统统计方法和机器学习方法。实践表明,单一的模型很难实现局部地区辐照度的准确预报。
目前针对光伏发电功率预测的辐照度预报多采用物理方法和统计方法相结合。对于辐照度的订正方法包括 MOS(Model Output Statistics)方法和卡尔曼滤波方法等。MOS方法需要大量的历史资料,而积累历史资料是很困难的,动态更新方程的参数也是 MOS 所不能及的。对于卡尔曼滤波方法,对于实测数据的时效性要求很高,如果数据获取滞后,会导致修正的准确度大幅降低。
发明内容
为克服现有技术的缺陷,本发明提出一种基于PCA-RBF算法的光伏发电功率预报方法,通过物理方法和统计方法相结合,得到一种对实测数据及其时效性要求不高且预报准确率较高的光伏发电功率预报方法。
本发明的目的可以通过以下技术方案来实现:
一种基于PCA-RBF算法的光伏发电功率预报方法,具体包括以下几个步骤:
S1:获取运行WRF模式所需历史气象数据源,包括历史再分析气象数据;所述历史再分析气象数据利用数据同化系统融合了模式预报气象数据与不同来源的历史实测气象数据;
S2:通过在目标研究区域运行WRF模式,获取目标研究区域的预测气象数据,所述预测气象数据包括与光伏发电功率相关的气象预报参数,所述气象预报参数至少包括风速、风向、温度、湿度、气压以及辐照度;
S3:将获取的目标研究区域的预测气象数据与历史实测气象数据进行误差分析,获取WRF模式预报准确率;
S4:根据所述WRF模式预报准确率,确定WRF模式的参数方案;
S5:基于所述与光伏发电功率相关的气象预报参数,通过基于主成分分析(PCA)的径向基函数(RBF)神经网络算法,对与光伏发电功率相关的气象预报参数进行数据预处理、使用主成分分析PCA算法对数据预处理后的气象预报参数进行特征重构、将主成分分析后的数据输入RBF神经网络,建立光伏发电功率预测PCA-RBF算法模型;
S6:利用光伏发电功率预测PCA-RBF算法模型对气象预报主成分参数进行训练,基于历史实测光伏发电功率数据,对PCA-RBF算法模型的训练结果进行准确度评估,获取PCA-RBF预报准确率;
S7:根据所述PCA-RBF预报准确率,确定PCA-RBF算法模型的参数方案;
S8:使用建立的光伏发电功率预测PCA-RBF算法模型对光伏发电功率数据进行预报,获取光伏发电功率的预报结果。
进一步的,所述历史再分析气象数据包括从ECMWF官网下载的ERA5全球粗分辨率气压层数据以及表面层气象数据。
进一步的,所述WRF模式包括前处理系统(WPS)、资料同化系统(WRFDA)、主处理模块(ARW)以及后处理可视化模块(ARWpost);
所述前处理系统WPS包括geogrid解码器、ungrib解码器以及metgrid解码器;所述资料同化系统WRFDA负责对观测数据进行预处理,筛除明显错误的数据并进行变分同化,其结果作为主处理模块的输入;所述主处理模块ARW包含初始化程序real.exe以及主程序wrf.exe;所述后处理可视化模块ARWpost对积分运算后的结果进行处理和诊断,将模式输出结果转化为后续分析和绘图所需要的数据格式。
进一步的,在目标研究区域运行WRF模式主要包括以下步骤:
S41:运行geogrid解码器geogrid.exe,用于定义WRF模式运行空间,以及嵌套区域、提供模拟区域的静态地面数据;
S42:运行ungrib解码器ungrib.exe,用于解压气象文件,进行数据重投影以及转坐标;
S43:运行metgrid解码器metgrid.exe,用于对地表参数、气象数据进行时空插值,使其插值到选定的模拟区域,其输出文件即为后续主处理模块运行的初始场;
S44:运行初始化程序real.exe,生成为初始时刻的状态和模拟时刻的侧边界状态;
S45:运行主程序wrf.exe,得到模型输出目标区域气象场数据。
WRF模拟的准确度很大程度上决定于对目标区域的参数化方案设计,通过恰当的网格划分、输入准确的初始场以及侧边界资料,同时搭配合理的物理过程参数化方案可以极大地提升WRF模式的准确率。
进一步的,建立光伏发电功率预测PCA-RBF算法模型的具体步骤包括:
S51:对与光伏发电功率相关的气象预报参数进行数据预处理,所述数据预处理包括采用EM算法对气象预报参数中的缺失值进行填补,采用IForest算法检测出气象预报参数中的异常值,并采用KNN算法对缺失值和异常值予以修正;
S52:使用主成分分析PCA算法对数据预处理后的气象预报参数进行特征重构,所述特征重构包括标准化处理、求取相关系数矩阵及其特征参数、确定气象预报主成分参数信息,提取出主要影响光伏发电功率的气象因子;
S53:将主成分分析后的结果作为RBF神经网络的输入数据,建立光伏发电功率预测PCA-RBF算法模型。
EM算法是一种在不完全数据情况下计算极大似然估计或者后验分布的迭代算法。每一步迭代循环过程中交替执行两个步骤:E步(Exception step,期望步),在给定完全数据和前一次迭代所得到的参数估计情况下计算完全数据对应的对数似然函数的条件期望;M步(Maximzation step,极大化步),用极大化对数似然函数以确定参数的值,并用于下步的迭代,算法在E步和M步之间不断迭代直至收敛,即两次迭代之间的参数变化小于一个预先给定的阈值时结束。
IForest(Isolation Forest,孤立森林)是一种异常检测算法,其基本原理为:异常点密度小,基于树模型容易被一下切割出来;正常值密度大,需要切割多次才能得到目标值,KNN(k-Nearest Neighbor,K最近邻算法)的原理是当预测一个新的值的时候,根据距离它最近的K个点的类别来判断它所属类别。
RBF神经网络模型包含输入层、隐含层和输出层,输入层节点数与PCA提取的主成分数一致,隐含层的节点数采用经验公式确定,输入层输入数据后,在隐含层进行径向基函数的非线性处理,最后利用线性加权处理,RBF神经网络的径向基函数一般为高斯函数;隐含层的作用是将输入向量由低纬度n映射成高纬度h,使得向量具有线性可分的特征,将高斯函数作为径向基函数,经非线性处理后,此时输出的结果为线性加权的结果。
RBF神经网络包含2个参数,基中心和基宽度,这2个参数的选取对于神经网络拟合的准确性至关重要,依据输入的样本数据自动计算RBF的中心和宽度,同时确定隐节点神经元的数目,隐含层到输出层的权重则使用伪逆计算方法求得,将以上计算得出的网络参数作为初始值,使用正交优选法确定优化的参数。
进一步的,使用主成分分析PCA算法对数据预处理后的气象预报参数进行特征重构的具体步骤包括:
S61:对气象预报参数包括风速、风向、温度、湿度、气压以及辐照度如式(1)~(3)进行标准化处理:
(1)
(2)
(3)
式(1)~(3)中,表示原始变量,/>表示标准化后的变量,/>表示数据均值,/>表示标准差,/>表示第/>个原始变量,/>表示变量数量;
S62:如式(4)所示,对标准化处理后的数据矩阵求相关系数矩阵:
(4)
式(4)中,表示标准化后的数据矩阵;
S63:如式(5)所示,求取相关系数矩阵的特征值和特征向量:
(5)
S64:将特征值按照从大到小排序,选取其中最大的k个,然后将其对应的k个特征变量分别作为列向量组成特征向量矩阵,从而确定主成分表达式,确定气象预报主成分参数信息,并确定主成分个数、选取主成分,提取出主要影响光伏发电功率的气象因子。
进一步的,所述WRF模式预报准确率计算如式(6)所示:
(6)
式(6)中,表示当日第/>时刻的预报气象因子,/>表示当日第/>时刻的实测气象因子,/>表示当日实测气象因子最大值,/>表示当日预报气象因子最大值,/>表示气象因子样本总数;
根据所述WRF模式预报准确率,确定WRF模式的参数方案的具体方法包括:
若所述WRF模式预报准确率大于90%,即可确定WRF模式的参数化方案,进行下一步S5;
若所述WRF模式预报准确率小于90%,则进一步对WRF模式参数化方案进行优化,即返回S2,直至满足WRF模式预报准确率/>大于90%的预报准确度要求。
进一步的,获取PCA-RBF预报准确率计算如式(7)所示:
(7)
式(7)中,表示当日第/>时刻的预报光伏发电功率,/>表示当日第/>时刻的实测光伏发电功率,/>表示当日实测光伏发电功率最大值,/>表示当日预报光伏发电功率最大值,/>表示光伏发电功率样本总数;
根据所述PCA-RBF预报准确率,确定PCA-RBF算法模型的参数化方案的具体方法包括:
若所述PCA-RBF预报准确率大于85%,即可确定PCA-RBF算法模型的参数方案,进行下一步S8;
若所述PCA-RBF预报准确率小于85%,则进一步对PCA-RBF算法模型参数方案进行优化,即调整模型分散度参数,并返回S5,直至满足WRF模式预报准确率/>大于85%的PCA-RBF预报准确度要求。
与现有技术相比,本发明具有以下技术效果:
本发明将主成分分析(PCA)方法与径向基函数(RBF)神经网络相结合,首先利用PCA方法对影响发电功率的气象因素进行预处理,消除原数据信息中的重叠部分,有效去除数据间的相关性,降低数据的复杂度,获得空间维度低、相互独立的新的训练样本,以此作为RBF神经网络的输入,建立准确度更高的光伏发电功率预测系统。
附图说明
图1为本发明结构框图;
图2为采用原算法WRF与采用本发明提出的WRF-PCA-RBF算法预报准确率结果对比图。
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于发明中的实施例,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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
一种基于PCA-RBF算法的光伏发电功率预报方法,如图1所示,具体包括以下几个步骤:
S1:获取运行WRF模式所需历史气象数据源,包括历史再分析气象数据,所述历史再分析气象数据利用数据同化系统融合了模式预报气象数据与不同来源的历史实测气象数据;所述历史再分析气象数据包括从ECMWF官网下载的ERA5全球粗分辨率气压层数据以及表面层气象数据;
S2:通过在目标研究区域运行WRF模式,获取目标研究区域的预测气象数据,所述预测气象数据包括与光伏发电功率相关的气象预报参数,所述气象预报参数至少包括风速、风向、温度、湿度、气压以及辐照度;
在目标研究区域运行WRF模式主要包括:
运行geogrid解码器geogrid.exe,用于定义WRF模式运行空间,以及嵌套区域、提供模拟区域的静态地面数据;
运行ungrib解码器ungrib.exe,用于解压气象文件,进行数据重投影以及转坐标;
运行metgrid解码器metgrid.exe,用于对地表参数、气象数据进行时空插值,使其插值到选定的模拟区域,其输出文件即为后续主处理模块运行的初始场;
运行初始化程序real.exe,生成为初始时刻的状态和模拟时刻的侧边界状态;
运行主程序wrf.exe,得到模型输出目标区域气象场数据。
S3:将获取的目标研究区域的预测气象数据与历史实测气象数据进行误差分析,获取WRF模式预报准确率;
所述WRF模式预报准确率计算如式(S-1)所示:
(S-1)
式(S-1)中,表示当日第/>时刻的预报气象因子,/>表示当日第/>时刻的实测气象因子,/>表示当日实测气象因子最大值,/>表示当日预报气象因子最大值,/>表示气象因子样本总数;
S4:根据所述WRF模式预报准确率,确定WRF模式的参数方案,具体方法包括:
若所述WRF模式预报准确率大于90%,即可确定WRF模式的参数化方案,进行下一步S5;
若所述WRF模式预报准确率小于90%,则进一步对WRF模式参数化方案进行优化,即返回S2,直至满足WRF模式预报准确率/>大于90%的预报准确度要求。
S5:基于所述与光伏发电功率相关的气象预报参数,通过基于主成分分析(PCA)的径向基函数(RBF)神经网络算法,对与光伏发电功率相关的气象预报参数进行数据预处理、使用主成分分析PCA算法对数据预处理后的气象预报参数进行特征重构、将主成分分析后的数据输入RBF神经网络,建立光伏发电功率预测PCA-RBF算法模型;
所述数据预处理包括采用EM算法对气象预报参数中的缺失值进行填补,采用IForest算法检测出气象预报参数中的异常值,并采用KNN算法对缺失值和异常值予以修正;
所述特征重构包括标准化处理、求取相关系数矩阵及其特征参数、确定气象预报主成分参数信息,提取出主要影响光伏发电功率的气象因子。
使用主成分分析PCA算法对数据预处理后的气象预报参数进行特征重构的具体步骤包括:
S61:对气象预报参数包括风速、风向、温度、湿度、气压以及辐照度如式(S-2)~(S-4)进行标准化处理:
(S-2)
(S-3)
(S-4)
式(S-2)~(S-4)中,表示原始变量,/>表示标准化后的变量,/>表示数据均值,/>表示标准差,/>表示第/>个原始变量,/>表示变量数量;
S62:如式(S-5)所示,对标准化处理后的数据矩阵求相关系数矩阵:
(S-5)
式(4)中,表示标准化后的数据矩阵;
S63:如式(S-6)所示,求取相关系数矩阵的特征值和特征向量:
(S-6)
S64:将特征值按照从大到小排序,选取其中最大的k个,然后将其对应的k个特征变量分别作为列向量组成特征向量矩阵,从而确定主成分表达式,确定气象预报主成分参数信息,并确定主成分个数、选取主成分,提取出主要影响光伏发电功率的气象因子。
S6:利用光伏发电功率预测PCA-RBF算法模型对气象预报主成分参数进行训练,基于历史实测光伏发电功率数据,对PCA-RBF算法模型的训练结果进行准确度评估,获取PCA-RBF预报准确率,计算如式(S-7)所示:
(S-7)
式(S-7)中,表示当日第/>时刻的预报光伏发电功率,/>表示当日第/>时刻的实测光伏发电功率,/>表示当日实测光伏发电功率最大值,/>表示当日预报光伏发电功率最大值,/>表示光伏发电功率样本总数。
S7:根据所述PCA-RBF预报准确率,确定PCA-RBF算法模型的参数方案,具体方法包括:
若所述PCA-RBF预报准确率大于85%,即可确定PCA-RBF算法模型的参数方案,进行下一步S8;
若所述PCA-RBF预报准确率小于85%,则进一步对PCA-RBF算法模型参数方案进行优化,即调整模型分散度参数,并返回S5,直至满足WRF模式预报准确率/>大于85%的PCA-RBF预报准确度要求。
S8:使用建立的光伏发电功率预测PCA-RBF算法模型对光伏发电功率数据进行预报,获取光伏发电功率的预报结果。
以某光伏电站为例,对该场站2022年全年的光伏发电数据进行预报,并与原预报数据进行对比。该场站原光伏发电功率算法为基于WRF的光伏发电功率预报,如图2所示为采用原算法WRF与采用本发明提出的基于PCA-RBF算法的光伏发电功率预报方法对该场站光伏发电功率重新进行预报后的预报准确率结果对比,由图2明显可以看出,经PCA-RBF模型修正后的光伏发电功率预报结果准确度显著提升。
Claims (8)
1.一种基于PCA-RBF算法的光伏发电功率预报方法,其特征在于,所述光伏发电功率预报方法包括以下几个步骤:
S1:获取运行WRF模式所需历史再分析气象数据,所述历史再分析气象数据利用数据同化系统融合了模式预报气象数据与不同来源的历史实测气象数据;
S2:通过在目标研究区域运行WRF模式,获取目标研究区域的预测气象数据,所述预测气象数据包括与光伏发电功率相关的气象预报参数;
S3:将获取的目标研究区域的预测气象数据与历史实测气象数据进行误差分析,获取WRF模式预报准确率;
S4:根据所述WRF模式预报准确率,确定WRF模式的参数方案;
S5:基于所述与光伏发电功率相关的气象预报参数,通过基于主成分分析的径向基函数神经网络算法,对与光伏发电功率相关的气象预报参数进行数据预处理、使用主成分分析PCA算法对数据预处理后的气象预报参数进行特征重构、将主成分分析后的数据输入RBF神经网络,建立光伏发电功率预测PCA-RBF算法模型;
S6:利用光伏发电功率预测PCA-RBF算法模型对气象预报主成分参数进行训练,基于历史实测光伏发电功率数据,对PCA-RBF算法模型的训练结果进行准确度评估,获取PCA-RBF预报准确率;
S7:根据所述PCA-RBF预报准确率,确定PCA-RBF算法模型的参数方案;
S8:使用建立的光伏发电功率预测PCA-RBF算法模型对光伏发电功率数据进行预报,获取光伏发电功率的预报结果。
2.根据权利要求1所述基于PCA-RBF算法的光伏发电功率预报方法,其特征在于,所述历史再分析气象数据包括从ECMWF官网下载的ERA5全球粗分辨率气压层数据以及表面层气象数据;
所述气象预报参数至少包括风速、风向、温度、湿度、气压以及辐照度。
3.根据权利要求2所述基于PCA-RBF算法的光伏发电功率预报方法,其特征在于,所述WRF模式包括前处理系统、资料同化系统、主处理模块以及后处理可视化模块。
4.根据权利要求3所述基于PCA-RBF算法的光伏发电功率预报方法,其特征在于,在目标研究区域运行WRF模式主要包括以下步骤:
S41:运行geogrid解码器geogrid.exe,用于定义WRF模式运行空间,以及嵌套区域、提供模拟区域的静态地面数据;
S42:运行ungrib解码器ungrib.exe,用于解压气象文件,进行数据重投影以及转坐标;
S43:运行metgrid解码器metgrid.exe,用于对地表参数、气象数据进行时空插值,使其插值到选定的模拟区域,其输出文件即为后续主处理模块运行的初始场;
S44:运行初始化程序real.exe,生成为初始时刻的状态和模拟时刻的侧边界状态;
S45:运行主程序wrf.exe,得到模型输出目标区域气象场数据。
5.根据权利要求4所述基于PCA-RBF算法的光伏发电功率预报方法,其特征在于,所述数据预处理包括采用EM算法对气象预报参数中的缺失值进行填补,采用IForest算法检测出气象预报参数中的异常值,并采用KNN算法对缺失值和异常值予以修正;
所述特征重构包括标准化处理、求取相关系数矩阵及其特征参数、确定气象预报主成分参数信息,提取出主要影响光伏发电功率的气象因子。
6.根据权利要求5所述基于PCA-RBF算法的光伏发电功率预报方法,其特征在于,使用主成分分析PCA算法对数据预处理后的气象预报参数进行特征重构的具体步骤包括:
S61:对气象预报参数包括风速、风向、温度、湿度、气压以及辐照度如式(1)~(3)进行标准化处理:
(1)
(2)
(3)
式(1)~(3)中,表示原始变量,/>表示标准化后的变量,/>表示数据均值,/>表示标准差,/>表示第/>个原始变量,/>表示变量数量;
S62:如式(4)所示,对标准化处理后的数据矩阵求相关系数矩阵:
(4)
式(4)中,表示标准化后的数据矩阵;
S63:如式(5)所示,求取相关系数矩阵的特征值和特征向量:
(5)
S64:确定主成分表达式,确定气象预报主成分参数信息,并确定主成分个数、选取主成分,提取出主要影响光伏发电功率的气象因子。
7.根据权利要求6所述基于PCA-RBF算法的光伏发电功率预报方法,其特征在于,所述WRF模式预报准确率的计算方法如式(6)所示:
(6)
式(6)中,表示当日第/>时刻的预报气象因子,/>表示当日第/>时刻的实测气象因子,/>表示当日实测气象因子最大值,/>表示当日预报气象因子最大值,/>表示气象因子样本总数;
根据所述WRF模式预报准确率,确定WRF模式的参数方案的具体方法包括:
若所述WRF模式预报准确率大于90%,即可确定WRF模式的参数化方案,进行下一步S5;
若所述WRF模式预报准确率小于90%,则进一步对WRF模式参数化方案进行优化,即返回S2,直至满足WRF模式预报准确率大于90%的预报准确度要求。
8.根据权利要求7所述基于PCA-RBF算法的光伏发电功率预报方法,其特征在于,所述PCA-RBF预报准确率的计算方法如式(7)所示:
(7)
式(7)中,表示当日第/>时刻的预报光伏发电功率,/>表示当日第/>时刻的实测光伏发电功率,/>表示当日实测光伏发电功率最大值,/>表示当日预报光伏发电功率最大值,/>表示光伏发电功率样本总数;
根据所述PCA-RBF预报准确率,确定PCA-RBF算法模型的参数方案的具体方法包括:
若所述PCA-RBF预报准确率大于85%,即可确定PCA-RBF算法模型的参数方案,进行下一步S8;
若所述PCA-RBF预报准确率小于85%,则进一步对PCA-RBF算法模型参数方案进行优化,即调整模型分散度参数,并返回S5,直至满足WRF模式预报准确率/>大于85%的PCA-RBF预报准确度要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842154.4A CN116565864B (zh) | 2023-07-11 | 2023-07-11 | 一种基于pca-rbf算法的光伏发电功率预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842154.4A CN116565864B (zh) | 2023-07-11 | 2023-07-11 | 一种基于pca-rbf算法的光伏发电功率预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116565864A CN116565864A (zh) | 2023-08-08 |
CN116565864B true CN116565864B (zh) | 2023-10-20 |
Family
ID=87490179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310842154.4A Active CN116565864B (zh) | 2023-07-11 | 2023-07-11 | 一种基于pca-rbf算法的光伏发电功率预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116565864B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776134B (zh) * | 2023-08-16 | 2023-10-24 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210062389A (ko) * | 2019-11-21 | 2021-05-31 | (주)에코브레인 | 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템 |
CN115660887A (zh) * | 2022-09-27 | 2023-01-31 | 国网四川省电力公司成都供电公司 | 一种基于有限天气预报信息的光伏出力预测方法及系统 |
CN115912334A (zh) * | 2022-11-08 | 2023-04-04 | 中国电建集团成都勘测设计研究院有限公司 | 风电场出力保证率的预测模型创建方法及预测方法 |
CN116307018A (zh) * | 2022-09-08 | 2023-06-23 | 国家电网有限公司技术学院分公司 | 一种基于wrf模式敏感性调参的风速预测方法及系统 |
-
2023
- 2023-07-11 CN CN202310842154.4A patent/CN116565864B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210062389A (ko) * | 2019-11-21 | 2021-05-31 | (주)에코브레인 | 실시간 위성자료와 수치모델자료를 이용한 머신러닝기반 태양광 발전량 예측시스템 |
CN116307018A (zh) * | 2022-09-08 | 2023-06-23 | 国家电网有限公司技术学院分公司 | 一种基于wrf模式敏感性调参的风速预测方法及系统 |
CN115660887A (zh) * | 2022-09-27 | 2023-01-31 | 国网四川省电力公司成都供电公司 | 一种基于有限天气预报信息的光伏出力预测方法及系统 |
CN115912334A (zh) * | 2022-11-08 | 2023-04-04 | 中国电建集团成都勘测设计研究院有限公司 | 风电场出力保证率的预测模型创建方法及预测方法 |
Non-Patent Citations (2)
Title |
---|
Deterministic and Probabilistic Wind Power Forecasts by Considering Various Atmospheric Models and Feature Engineering Approaches;Yuan-Kang Wu;《 IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》;VOL. 59(NO. 1);第192-206页 * |
基于PCA-RBF的风电场短期风速订正方法研究;邓华;张颖超;顾荣;黄飞;支兴亮;;气象科技(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116565864A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116565864B (zh) | 一种基于pca-rbf算法的光伏发电功率预报方法 | |
CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
CN111815027A (zh) | 一种光伏场站发电功率预测方法及系统 | |
CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
CN115049171B (zh) | 一种基于特征迁移的光伏功率预测方法及系统 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN107945046A (zh) | 一种新能源电站出力数据修复方法及装置 | |
CN114330100A (zh) | 一种短期光伏功率概率区间预测方法 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN111985678A (zh) | 一种光伏功率短期预测方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
CN116885703B (zh) | 一种高维多元气象数据融合的短期风光功率预测方法 | |
CN110826810B (zh) | 一种空间推理与机器学习相结合的区域降雨预测方法 | |
CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
CN115860248A (zh) | 风速数值同化短临预测方法及系统 | |
El Marghichi | A Solar PV Model Parameter Estimation Based on the Enhanced Self-Organization Maps | |
CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
Li et al. | Deepphysinet: Bridging deep learning and atmospheric physics for accurate and continuous weather modeling | |
Lestari et al. | Rainfall Prediction using Spatial Convolutional Neural Networks and Recurrent Neural Networks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |