CN116632823A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116632823A CN116632823A CN202310588965.6A CN202310588965A CN116632823A CN 116632823 A CN116632823 A CN 116632823A CN 202310588965 A CN202310588965 A CN 202310588965A CN 116632823 A CN116632823 A CN 116632823A
- Authority
- CN
- China
- Prior art keywords
- irradiance
- photovoltaic power
- power conversion
- conversion model
- layer perceptron
- 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 42
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 38
- 238000010248 power generation Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000014509 gene expression Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 101000604223 Homo sapiens Nocturnin Proteins 0.000 claims description 9
- 102100038815 Nocturnin Human genes 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000003912 environmental pollution Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/24—Classification techniques
-
- 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
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种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,包括:采集原始数据集,包括历史光伏板发电数据及气象数据;对原始数据集进行预处理,并按照天气类型划分原始数据;通过计算日内平均晴空指数与变化指数,进行天气变化性分析;建立考虑光伏板物理误差的光伏功率转换模型;基于多层感知机,并在模型复杂性、计算复杂性与过拟合性方面进行改进,以建立预测模型,用于预测得到不同天气类型下的阵列平面辐照度与环境温度;将阵列平面辐照度与环境温度的预测结果输入光伏功率转换模型中,输出得到光伏功率值。与现有技术相比,本发明能够有效提高非晴空天气条件下的预测精度,同时确保预测值更加贴近于实际值。
Description
技术领域
本发明涉及新能源出力预测技术领域,尤其是涉及一种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。
背景技术
化石燃料发电对环境的破坏日益严重,同时也面临能源危机,为寻求更高效、更清洁的发电能源,目前已经逐步从对化石燃料的依赖转变为对可再生能源的依赖。太阳能作为地球上最大的可再生能源,拥有极其稳定的来源与持续输出的能量,因此,利用太阳能发电是目前新能源发电技术研究的重点之一。然而,光伏出力受天气影响大,其固有的间歇性与波动性,对电力系统运行的安全性与可靠性都产生了巨大挑战,因此有必要对光伏发电进行精确建模与预测。
光伏功率预测常用的方法为统计方法,即根据历史光伏发电量值,不断优化模型参数,最终产生一个比较准确的短期功率预测结果。然而这种方法在气象不稳定的情况下,很难仅仅从历史光伏功率中捕捉到变化,导致无法获得准确的预测值,也就是说,传统的统计预测方式并没有考虑到天气因素对光伏出力的影响。针对这类问题,现有研究将天气因素作为神经网络的输入进行学习训练,但在非晴空天气条件下(比如多云天或阴天)运用较少,此外,由于太阳能不可能全部转换为电能输出,而依赖于统计方法的预测方式也无法体现光伏功率转换时存在的误差,导致预测结果与实际值之间存在较大偏差。
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功率转换模型与多层感知机的短期光伏功率预测方法,能够提高非晴空天气条件下的预测精度,同时确保预测值更加贴近于实际值。
本发明的目的可以通过以下技术方案来实现:一种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,包括以下步骤:
S1、采集原始数据集,包括历史光伏板发电数据及对应的气象数据;
对原始数据集进行预处理,并按照天气类型划分原始数据;
S2、基于原始数据集中的气象数据,通过计算日内平均晴空指数与变化指数,进行天气变化性分析;
S3、建立考虑光伏板物理误差的光伏功率转换模型;
S4、基于多层感知机,并在模型复杂性、计算复杂性与过拟合性方面进行改进,以建立预测模型,用于预测得到不同天气类型下的阵列平面辐照度与环境温度;
S5、将阵列平面辐照度预测结果与环境温度预测结果输入光伏功率转换模型中,输出得到光伏功率值。
进一步地,所述步骤S1中气象数据包括但不限于全球水平辐照度、阵列平面辐照度、散射水平辐照度、风速、温度、湿度、云量。
进一步地,所述步骤S1中对原始数据集进行预处理具体是从历史光伏板发电数据及气象数据中筛选出白天设定时间段内的数据、以剔除黑夜时间段内的数据,并将筛选出的数据归一到[0,1]区间。
进一步地,所述步骤S1中按照天气类型划分原始数据的具体过程为:
根据晴空指数、云量与扩散水平辐照度分数,将原始数据中气象数据序列进行划分,得到晴空、多云、阴天天气类型占比,所述晴空指数具体为:
其中,GHIm为全球水平辐照度测量值,GHIcs为晴空全球水平辐照度;
所述扩散水平辐照度分数具体为:
其中,DHIm为散射水平辐照度测量值。
进一步地,所述步骤S2中日内平均晴空指数具体为:
其中,H为气象数据采集时间点总数量,K(T)为第T个时间点的晴空指数;
所述变化指数表示晴空指数的变化性,具体为:
ΔK(T)=K(T+1)-K(T)
其中,为K平均值的差值,ΔK(T)为K在ΔT时间内的差值。
进一步地,所述步骤S3中光伏功率转换模型具体为:
ηT=1+γmp·(TC-TSTC)
其中,A为光伏阵列面积,GPOA为光伏阵列辐照度,ηT为温度效率系数,ηSTC为标准测试状态下的效率系数,ηdirt为环境污染系数,ηref为光伏阵列反射系数,γmp为最大功率热系数,TC为工作温度,TSTC为标准测试状态下的工作温度,Tamb为环境温度,GNOCT为电池正常工作温度下的辐照度,Tc.NOCT为电池正常工作温度,Tamb.NOCT为电池正常工作温度下的环境温度。
进一步地,所述步骤S4中多层感知机包含N层隐藏层、输出层以及反向传播时的损失函数,所述隐藏层表达式为:
Hi=f(WhXi+bh)i=1,2,3,...,N
其中,f(·)为隐藏层激活函数,X为多层感知机的输入,具体为阵列平面辐照度或环境温度样本数据,Wh为隐藏层权重值,bh为隐藏层偏置值;
所述输出层表达式为:
Oi=g(WoHi+bo)i=1,2,3,...,N
g(x)=x
其中,Wo为输出层权重值,bo为隐藏层偏置值,g(·)为输出层激活函数;
所述损失函数采用均方误差,表示为:
其中,m为输入阵列平面辐照度或环境温度的样本总数量,h(xi)为多层感知机的第i个阵列平面辐照度预测值或环境温度预测值,yi为第i个时间点的辐照度或环境温度实际值。
进一步地,所述步骤S4中,具体是通过在反向传播过程中加入L2正则化,以改进模型复杂性与过拟合性;
所述步骤S4中,具体是采用高斯分布随机初始化权重,以改进计算复杂性。
进一步地,所述L2正则化是在原本的反向传播过程中加入了平滑成本函数的权重参数的平方和,并引入了一个新的超参数λ来控制误差,加入L2正则化的损失函数表达式为:
其中,wj为方程的第j个权重值。
进一步地,所述采用高斯分布随机初始化权重的表达式为:
其中,μ为数学期望,σ2为方差。
与现有技术相比,本发明具有以下优点:
一、本发明提出一种结合光伏功率转换模型与多层感知机的短期光伏功率预测方案,一方面在建立光伏功率转换模型时充分考虑光伏板物理误差,另一方面在历史数据基础上进行天气变化性分析,并基于多层感知机模型建立预测模型,用于预测不同天气类型下的阵列平面辐照度与环境温度。由此通过先预测辐照度与环境温度,再利用光伏功率转换模型输出得到光伏功率值,不仅能够使得到的光伏功率值更加贴近实际值,同时能够有效提高在非晴空天气条件下的预测精度。
二、本发明通过获取历史气象数据,并基于此进行天气类型划分,并通过计算日内平均晴空指数与变化指数,以进行天气变化性分析,从而能够准确获知天气变化性情况,有利于后续预测模型能够在多云天与阴天条件下进行准确地预测输出。
三、本发明在构建光伏功率转换模型时,考虑了温度效率系数、标准测试状态下的效率系数、环境污染系数以及光伏阵列反射系数,由此充分全面地考虑到光伏板物理误差,使得光伏功率转换模型输出更加符合于实际。
四、本发明在建立预测模型时,采用多层感知机,并在模型复杂性、计算复杂性与过拟合性方面进行改进,一方面在反向传播的过程中加入L2正则化以限制过拟合并控制模型复杂度;另一方面采用高斯分布随机初始化权重,以减少反向传播算法的计算复杂度并提高计算精度,能够确保预测模型的预测精度以及预测效率。
附图说明
图1为本发明的方法流程示意图;
图2为实施例的应用过程示意图;
图3为实施例中的天气分类图;
图4为实施例中的天气变化性图;
图5为实施例中晴空天气辐照度预测结果图;
图6为实施例中晴空天气温度预测结果图;
图7为实施例中多云天气辐照度预测结果图;
图8为实施例中多云天气温度预测结果图;
图9为实施例中阴天天气辐照度预测结果图;
图10为实施例中阴天天气温度预测结果图;
图11为实施例中光伏功率转换模型得到的光伏功率值与实际功率值对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种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,包括以下步骤:
S1、采集原始数据集,包括历史光伏板发电数据及对应的气象数据;
对原始数据集进行预处理,并按照天气类型划分原始数据;
S2、基于原始数据集中的气象数据,通过计算日内平均晴空指数与变化指数,进行天气变化性分析;
S3、建立考虑光伏板物理误差的光伏功率转换模型;
S4、基于多层感知机,并在模型复杂性、计算复杂性与过拟合性方面进行改进,以建立预测模型,用于预测得到不同天气类型下的阵列平面辐照度与环境温度;
S5、将阵列平面辐照度预测结果与环境温度预测结果输入光伏功率转换模型中,输出得到光伏功率值。
为验证上述技术方案的有效性,本实施例应用上述技术方案,并进行了预测性能的评价试验,如图2所示,主要过程包括:
步骤1:采集原始数据集,进行预处理,并以天气类型划分原始数据,天气分类结果如图3所示;
其中,功率数据为光伏中心提供的历史光伏板发电数据,气象数据由气象检测站提供,气象数据包括全球水平辐照度、阵列平面辐照度、散射水平辐照度、风速、温度、湿度与云量等;气象数据与功率数据选择白天7时至18时的数据,剔除黑夜数据,并将数据归一到[0,1]区间,归一化公式为:
其中,Xmin为最小值,Xmax为最大值;
天气分类方法为:根据晴空指数、云量与扩散水平辐照度分数,将原始数据集中气象数据序列进行划分,得到晴空、多云、阴天天气类型下的得到晴空、多云、阴天天气类型占比,如图2所示;晴空指数表达式为:
其中,GHIm为全球水平辐照度测量值,GHIcs为晴空全球水平辐照度;
扩散水平辐照度分数表达式为:
其中,DHIm为散射水平辐照度测量值。
步骤2:进行天气变化性分析,天气变化性分析结果如图4所示;
具体方法为:采用日内平均晴空指数与变化指数这两个参数进行天气变换性分析,平均晴空指数表示所考虑区域内的日太阳辐射,其表达式为:
其中,H为气象数据采集时间点的总数量;
变化指数表示晴空指数的变化性,其表达式为:
其中,为K平均值的差值,ΔK(T)为K在ΔT时间内的差值,其表达式为:ΔK(T)=K(T+1)-K(T)。
步骤3:对光伏功率转换模型进行建模:
PDC=AGPOAηTηSTCηdirtηref
其中,A为光伏阵列面积,GPOA为光伏阵列辐照度,ηT为温度效率系数,ηSTC为标准测试状态下的效率系数,ηdirt为环境污染系数,ηref为光伏阵列反射系数;温度系数的表达式为:
ηT=1+γmp·(TC-TSTC)
其中,γmp为最大功率热系数,TC为工作温度,TSTC为标准测试状态下的工作温度;工作温度关于环境温度与光伏阵列辐照度的表达式如下所示:
其中,Tamb为环境温度,GNOCT为电池正常工作温度下的辐照度,Tc.NOCT为电池正常工作温度,Tamb.NOCT为电池正常工作温度下的环境温度;因此,光伏功率转换模型的表达式为:
步骤4:基于多层感知机建立预测模型,在模型复杂性、计算复杂性与过拟合性方面进行改进,并预测得到阵列平面辐照度与环境温度,在晴天、多云天、阴天与变化性天情况下的预测结果如图5~10所示;
其中,多层感知机预测模型具有以下特点:
(1)有N层隐藏层,其隐藏层表达式如下所示:
Hi=f(WhXi+bh)i=1,2,3,...,N
其中,f(·)为隐藏层激活函数,其表达式为X为多层感知机的输入(阵列平面辐照度或环境温度),Wh为隐藏层权重值,bh为隐藏层偏置值;
(2)多层感知机的输出层表达式为:
Oi=g(WoHi+bo)i=1,2,3,...,N
其中,Wo为输出层权重值,bo为隐藏层偏置值,g(·)为输出层激活函数,其表达式为:g(x)=x;
(3)多层感知机进行反向传播时的损失函数为均方误差,表示为:
其中,m为输入阵列平面辐照度或环境温度的样本总数量,h(xi)为多层感知机的第i个阵列平面辐照度预测值或环境温度预测值,yi为第i个时间点的辐照度或环境温度实际值。
预测模型改进为:
(1)在反向传播的过程中加入L2正则化以限制过拟合并控制模型复杂度;L2正则化方法在原本的反向传播过程中加入了平滑成本函数的权重参数的平方和,并引入了一个新的超参数λ来控制误差;加入L2正则化的损失函数表达式为:
wj为方程的第j个权重值;
(2)采用高斯分布随机初始化权重,减少反向传播算法的计算并提高计算精度,其表达式为:
μ为数学期望,σ2为方差。
步骤5:将阵列平面辐照度预测结果与环境温度预测结果输入到光伏转换模型中,得到光伏出力结果(即光伏功率值),该光伏功率值与实际值之间对比如图11所示,由图11可知,本方案预测得到光伏功率值与实际值之间偏差较小;
步骤6:采用评价指标评价预测性能
本实施例采用均方根误差、平均绝对误差和R2系数作为评价指标来评价模型的预测性能,计算表达式分别为:
其中,N为样本个数;为第t个时间点的功率预测值;Yt为第t个时间点的实测功率,Ya为历史光伏功率的平均值。
本实施例中,得到三种天气情况下辐照度预测与环境温度预测指标如表1所示。
表1
综上可知,本技术方案针对电力系统中对于短期光伏功率预测方法的实际需求,考虑现有数据驱动方法的不足,提出一种结合光伏功率转换模型与多层感知机的短期光伏功率预测方法。该方法与传统预测方法相比,首先采用基于多层感知机的改进预测模型来预测辐照度与环境温度,再通过光伏功率转换模型得到功率,考虑了光伏板物理误差,使得到的光伏功率值更贴近真实值,更符合实际应用,并提高了在多云天与阴天的预测精度。
Claims (10)
1.一种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,其特征在于,包括以下步骤:
S1、采集原始数据集,包括历史光伏板发电数据及对应的气象数据;
对原始数据集进行预处理,并按照天气类型划分原始数据;
S2、基于原始数据集中的气象数据,通过计算日内平均晴空指数与变化指数,进行天气变化性分析;
S3、建立考虑光伏板物理误差的光伏功率转换模型;
S4、基于多层感知机,并在模型复杂性、计算复杂性与过拟合性方面进行改进,以建立预测模型,用于预测得到不同天气类型下的阵列平面辐照度与环境温度;
S5、将阵列平面辐照度预测结果与环境温度预测结果输入光伏功率转换模型中,输出得到光伏功率值。
2.根据权利要求1所述的一种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,其特征在于,所述步骤S1中气象数据包括但不限于全球水平辐照度、阵列平面辐照度、散射水平辐照度、风速、温度、湿度、云量。
3.根据权利要求1所述的一种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,其特征在于,所述步骤S1中对原始数据集进行预处理具体是从历史光伏板发电数据及气象数据中筛选出白天设定时间段内的数据、以剔除黑夜时间段内的数据,并将筛选出的数据归一到[0,1]区间。
4.根据权利要求2所述的一种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,其特征在于,所述步骤S1中按照天气类型划分原始数据的具体过程为:
根据晴空指数、云量与扩散水平辐照度分数,将原始数据中气象数据序列进行划分,得到晴空、多云、阴天天气类型占比,所述晴空指数具体为:
其中,GHIm为全球水平辐照度测量值,GHIcs为晴空全球水平辐照度;
所述扩散水平辐照度分数具体为:
其中,DHIm为散射水平辐照度测量值。
5.根据权利要求4所述的一种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,其特征在于,所述步骤S2中日内平均晴空指数具体为:
其中,H为气象数据采集时间点总数量,K(T)为第T个时间点的晴空指数;
所述变化指数表示晴空指数的变化性,具体为:
ΔK(T)=K(T+1)-K(T)
其中,为K平均值的差值,ΔK(T)为K在ΔT时间内的差值。
6.根据权利要求1所述的一种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,其特征在于,所述步骤S3中光伏功率转换模型具体为:
ηT=1+γmp·(TC-TSTC)
其中,A为光伏阵列面积,GPOA为光伏阵列辐照度,ηT为温度效率系数,ηSTC为标准测试状态下的效率系数,ηdirt为环境污染系数,ηref为光伏阵列反射系数,γmp为最大功率热系数,TC为工作温度,TSTC为标准测试状态下的工作温度,Tamb为环境温度,GNOCT为电池正常工作温度下的辐照度,Tc.NOCT为电池正常工作温度,Tamb.NOCT为电池正常工作温度下的环境温度。
7.根据权利要求1所述的一种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,其特征在于,所述步骤S4中多层感知机包含N层隐藏层、输出层以及反向传播时的损失函数,所述隐藏层表达式为:
Hi=f(WhXi+bh)i=1,2,3,...,N
其中,f(·)为隐藏层激活函数,X为多层感知机的输入,具体为阵列平面辐照度或环境温度样本数据,Wh为隐藏层权重值,bh为隐藏层偏置值;
所述输出层表达式为:
Oi=g(WoHi+bo)i=1,2,3,...,N
g(x)=x
其中,Wo为输出层权重值,bo为隐藏层偏置值,g(·)为输出层激活函数;
所述损失函数采用均方误差,表示为:
其中,m为输入阵列平面辐照度或环境温度的样本总数量,h(xi)为多层感知机的第i个阵列平面辐照度预测值或环境温度预测值,yi为第i个时间点的辐照度或环境温度实际值。
8.根据权利要求7所述的一种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,其特征在于,所述步骤S4中,具体是通过在反向传播过程中加入L2正则化,以改进模型复杂性与过拟合性;
所述步骤S4中,具体是采用高斯分布随机初始化权重,以改进计算复杂性。
9.根据权利要求8所述的一种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,其特征在于,所述L2正则化是在原本的反向传播过程中加入了平滑成本函数的权重参数的平方和,并引入了一个新的超参数λ来控制误差,加入L2正则化的损失函数表达式为:
其中,wj为方程的第j个权重值。
10.根据权利要求9所述的一种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,其特征在于,所述采用高斯分布随机初始化权重的表达式为:
其中,μ为数学期望,σ2为方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310588965.6A CN116632823A (zh) | 2023-05-24 | 2023-05-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310588965.6A CN116632823A (zh) | 2023-05-24 | 2023-05-24 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116632823A true CN116632823A (zh) | 2023-08-22 |
Family
ID=87616565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310588965.6A Pending CN116632823A (zh) | 2023-05-24 | 2023-05-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116632823A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408489A (zh) * | 2023-11-08 | 2024-01-16 | 无锡混沌能源技术有限公司 | 一种并网型光伏制氢耦合系统能源优化调度方法 |
CN117713218A (zh) * | 2023-12-29 | 2024-03-15 | 浙江大学 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
-
2023
- 2023-05-24 CN CN202310588965.6A patent/CN116632823A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408489A (zh) * | 2023-11-08 | 2024-01-16 | 无锡混沌能源技术有限公司 | 一种并网型光伏制氢耦合系统能源优化调度方法 |
CN117713218A (zh) * | 2023-12-29 | 2024-03-15 | 浙江大学 | 一种基于知识与数据融合驱动的光伏出力预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
Liu et al. | Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves | |
US20230035108A1 (en) | Photovoltaic cell parameter identification method based on improved equilibrium optimizer algorithm | |
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 | |
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
CN107562992B (zh) | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN116937579B (zh) | 一种考虑时空相关性的风电功率区间预测及其可解释方法 | |
Al-Rousan et al. | Assessment of predicting hourly global solar radiation in Jordan based on Rules, Trees, Meta, Lazy and Function prediction methods | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
Yang et al. | Kalman filter photovoltaic power prediction model based on forecasting experience | |
Wang et al. | An improved model for power prediction of PV system based on Elman neural networks | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
CN116960982A (zh) | 基于lstm网络的光伏超短期功率预测方法和系统 | |
CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
Wu et al. | WOA-LSTM | |
Nguyen et al. | A recent invasion wave of deep learning in solar power forecasting techniques using ANN | |
Pu et al. | A hybrid prediction model for photovoltaic power generation based on information entropy | |
CN113642784B (zh) | 一种计及风机状态的风电功率超短期预测的方法 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 |
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 |