CN116911418A - 一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法 - Google Patents

一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法 Download PDF

Info

Publication number
CN116911418A
CN116911418A CN202211610941.8A CN202211610941A CN116911418A CN 116911418 A CN116911418 A CN 116911418A CN 202211610941 A CN202211610941 A CN 202211610941A CN 116911418 A CN116911418 A CN 116911418A
Authority
CN
China
Prior art keywords
data
power generation
photovoltaic power
historical
generation 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.)
Pending
Application number
CN202211610941.8A
Other languages
English (en)
Inventor
曾德俊
胡鹏飞
刘勇
张飞
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.)
Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd
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 Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority to CN202211610941.8A priority Critical patent/CN116911418A/zh
Publication of CN116911418A publication Critical patent/CN116911418A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，包括以下步骤：步骤1、采集待预测地区光伏电场的历史气象数据，及该气象数据对应的历史光伏发电功率数据，并利用平均插值法对二者进行预处理；步骤2、采用皮尔逊相关系数计算所述历史气象数据与历史光伏发电功率数据的相关系数，保留相关系数大于阈值的数据，并构建训练集；步骤3、通过K‑means聚类对历史光伏发电功率数据进行聚类并划分相似日数据集；步骤4、通过小波变化将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号；步骤5、通过遗传算法及蚁群算法优化BP神经网络的权值、阈值及隐含层节点数，构建光伏发电功率预测模型。

Description

一种基于小波变换与优化BP神经网络的光伏发电功率超短期 预测方法
技术领域
本发明属于电力系统及其自动化技术领域，特别涉及一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法。
背景技术
分布式光伏能作为技术较为成熟的可再生能源，已经大规模应用于电网发电。由于光伏发电功率具有随机性、波动性和间歇性等不确定性因素，大规模的光伏并入电网会给电力系统安全和稳定运行带来一系列问题，如可能会出现电压和频率发生偏差、电压波动及脱网。准确的光伏发电功率超短期预测有助于指导电网的实时调度，减小风电并网带来的危害，具有重要的价值和意义。
光伏发电功率预测的方法主要有物理方法、统计方法以及深度学习方法。物理方法是通过研究光伏发电设备的特性建立相应的数学模型进而进行功率预测，物理模型不需要大量历史数据的支持，但是需要对设备进行经常性的校准。统计方法则是通过建立历史数据和输出功率之间的函数映射关系，例如回归预测法、灰色理论以及时间序列法等。统计模型通常依赖历史数据，并且需要在预测之前排除掉历史数据中的病态数据点。深度学习方法得益于计算能力的快速增长，该方法可以利用人工智能算法学习输入和输出之间的映射关系，主要是非线性映射模型。BP神经网络因其结构简单，非线性映射能力强，是应用最广泛的建模方法之一，但它收敛速度慢且易陷于局部最优，网络权值阈值以及隐含层节点数等需要依据经验人为确定，缺乏理论支撑。
发明内容
本发明为克服上述现有技术中光伏发电功率预测方法存在的预测精度较低的缺陷，提供一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法。
为解决上述技术问题，本发明采用如下技术方案：
一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，包括以下步骤：
步骤1、采集待预测地区光伏电场的历史气象数据，及该气象数据对应的历史光伏发电功率数据，并利用平均插值法对二者进行预处理；
步骤2、采用皮尔逊相关系数计算所述历史气象数据与历史光伏发电功率数据的相关系数，保留相关系数大于阈值的数据，并构建训练集；
步骤3、通过K-means聚类对历史光伏发电功率数据进行聚类并划分相似日数据集；
步骤4、通过小波变化将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号；
步骤5、通过遗传算法及蚁群算法优化BP神经网络的权值、阈值及隐含层节点数，构建光伏发电功率预测模型；
步骤6、将相似日数据集中的数据经过小波分解得到的高频扰动信号与低频主要逼近信号分别输入所述预测模型中进行训练，得到所述预测模型网络参数最优解并保存；
步骤7、根据预测天气判断待预测日相似日类型，将历史光伏发电功率数据经过小波变换得到的高频扰动信号与低频主要逼近信号分别输入到不同频段的信号所对应的预测模型中得到预测信号，然后将得到的预测信号再进行小波重组，得到预测功率的值。
本方法提出了一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，该方法通过对待预测地区光伏电场所记录的历史气象数据及该历史气象数据对应的历史光伏发电功率数据进行建模和训练，首先采集待预测地区光伏电场的历史气象数据，及该气象数据对应的历史光伏出力数据，并利用平均插值法对二者进行预处理；采用皮尔逊相关系数计算所述历史气象数据与历史光伏出力数据的相关系数，保留相关系数大于阈值的数据，并构建训练集；通过K-means聚类对历史光伏出力数据进行聚类并划分相似日数据集；通过小波变化将历史光伏出力数据分解为高频扰动信号与低频主要逼近信号；通过遗传算法及蚁群算法优化BP神经网络的权值、阈值及隐含层节点数，构建光伏发电功率预测模型；将相似日数据集中的数据经过小波分解得到的高频扰动信号与低频主要逼近信号分别输入所述预测模型中进行训练，得到所述预测模型网络参数最优解并保存；根据预测天气判断待预测日相似日类型，将历史光伏出力数据经过小波变换得到的高频扰动信号与低频主要逼近信号分别输入到不同频段的信号所对应的预测模型中得到预测信号，然后将得到的预测信号再进行小波重组，得到预测功率的值。
在上述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法中，步骤1采集待预测地区光伏电场的历史气象数据，及该气象数据对应的历史光伏出力数据，并利用平均插值法对二者进行预处理。
在上述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法中，步骤2采用皮尔逊相关系数计算所述历史气象数据与历史光伏发电功率数据的相关系数，保留相关系数大于阈值的数据，并构建训练集的具体步骤如下：
计算气象因素数据X对于光伏发电功率值Y之间的皮尔逊相关系数P，其计算公式如下：
其中n为序列长度；xi和yi分别为序列X和序列Y的第i个变量；和/>分别为序列X和序列Y的平均值。P的取值范围为[-1,1]，P的绝对值越大代表两个序列之间的相关程度越高。
在上述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法中，步骤3通过K-means聚类对历史光伏发电功率数据进行聚类并划分相似日数据集的具体步骤如下：
对于给定的数据集X＝{X1,X2...Xn}，每个对象都含有t个特征，数据集X相当于一个n×t的矩阵。聚类分析过程通过研究数据集X中对象间的相似性，遵循一定的聚类准则将数据集X中的样本划分到k个不同类别C＝{C1,C2...Ck}，且不同的类别是相互独立的。为了衡量对象之间的相似性，引入距离函数。在数据集X中，任意样本Xe和Xf之间的相似度可用欧式距离def表示为：
当样本Xe和Xf越相似或接近时，def越小；否则，其值越大。
对历史光伏发电功率数据进行K-means均值聚类，将相似性高的历史光伏发电功率数据划分到同一个相似日数据集中，并保存该相似日数据集的聚类中心。
在上述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法中，步骤4通过小波变化将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号的具体步骤如下：
小波变换包括连续小波变换(continuous wavelet transform，CWT)与离散小波变换(DWT)。DWT相较于CWT可以节省时间与计算资源，同时保持较低的重构误差，故本文采用DWT分解历史功率数据的差分序列，表达式为：
式中：ψ(t)为母小波；W(a,b)为f(t)的信号，a、b分别为尺度参数(控制小波的分布)、平移参数(决定小波的中心位置)，且均为整数；T为函数f(t)的维度；t为离散时间抽样指数。
将历史光伏发电功率数据通过小波变换进行分解，分解层数选择三级分解。
在上述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法中，步骤5通过遗传算法及蚁群算法优化BP神经网络的权值、阈值及隐含层节点数，构建光伏发电功率预测模型的步骤具体如下：
在GA-ACO优化BP神经网络建模之前，首先需要通过GA算法寻优，生成BP神经网络权值、阈值及隐含层节点数的优化解；随后，初始化信息素的分布，将优化解路径上的信息素浓度调高，其目的是增加优化解路径上的信息素浓度，从而提高ACO搜索时的收敛速度和精确度。
信息素的初始化公式为
τ＝τG+c
式中，τG为GA寻优后的信息素浓度值；c为信息素常量。
GA-ACO优化BP神经网络的主要步骤如下：
第1步：初始化BP神经网络和蚁群。初始化所需参数设置，即：输入层和隐含层之间的连接权值ωij、隐含层阈值α、隐含层和输出层之间的连接权值ωjk、输出层阈值β以及隐含层节点数n。将上述参数记为p1、p2、…、pn，组成元素集合Ini；初始化蚁群算法中蚂蚁的数量S、信息素挥发系数ρ以及目标误差E等。
第2步：S只蚂蚁开始搜索并更新信息素，直到全部的S只蚂蚁都完成搜索。在搜索的同时，蚂蚁实时更新其经过的各条边上的信息素值，即
式中，ρ为信息素挥发系数；为第k只蚂蚁在本次循环集合里的j元素路径上的信息量。
第3步：将遗传算法加入到蚁群算法。对蚁群执行交叉、变异等操作。交叉算法中选用最常用的单点交叉，即在基因序列中随机选择一个点作为交叉点，并以这个点为界限，将两个不同个体的部分等位基因进行互换，生成两个新的基因序列；而在变异算法中，选择均值为μ、方差为σ的正态分布以较小概率对部分基因进行变异操作，产生新个体的表达式为
σ′＝σeN(0,Δσ)
x′＝x+N(0,Δσ)
式中，x为蚁群下一路径节点。选择适应度函数计算个体适应度。本文中以学习样本的最小均方差作为适应度函数。计算适应度值，判断是否满足当前最优解的要求。满足则进入第4步，否则转入第2步。
第4步：将上一步中蚁群算法的寻优结果作为BP神经网络的参数，训练神经网络，计算误差e。有
eq＝Oq-Yq
式中，Oq为期望值；Yq为预测值；q为神经元个数，q＝1、2、…、n。
第5步：根据第4步的结果更新BP神经网络的权值和阈值及隐含层节点数量，判断是否满足要求。是则算法结束，输出故障特征；否则转入第3步。
在上述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法中，步骤6将相似日数据集中的数据经过小波分解得到的高频扰动信号与低频主要逼近信号分别输入所述预测模型中进行训练，得到所述预测模型网络参数最优解并保存的具体步骤如下：
在K-means聚类得到的同一个相似日数据集中，通过小波变换将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号，将高频扰动信号与低频主要逼近信号中当下时间的数据作为输入，下一个时间步即15min后的信号作为输出对网络进行训练，利用平均绝对误差(MAPE)和均方差(RMSE)作为网络精度评价指标，具体计算公式如下：
通过重复训练得到精度较高的预测模型并保存。
在上述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法中，步骤7根据预测天气判断待预测日相似日类型，将历史光伏出力数据经过小波变换得到的高频扰动信号与低频主要逼近信号分别输入到不同频段的信号所对应的预测模型中得到预测信号，然后将得到的预测信号再进行小波重组，得到预测功率的值的具体步骤如下：
第一步：通过天气预报获得待预测日的气象信息，并计算该预测气象信息与步骤3中所得聚类中心的欧式距离，判断预测日的相似日类型。
第二步，将待预测日的历史光伏发电功率数据经过小波变换分解为高频扰动信号与低频主要逼近信号输入到相应的预测模型中得到高频扰动信号与低频主要逼近信号预测结果。
第三步，通过小波变化对预测模型中得到的高频扰动信号与低频主要逼近信号预测结果进行重组，得到最终的光伏发电功率预测结果。
附图说明
图1：为本发明实施例方法的流程图；
图2：为本发明GA-ACO优化BP神经网络流程图；
图3：为本发明预测结果与基础BP神经网络、GA-ACO-BP神经网络、LSTM神经网络预测结果对比图。
具体实施方式
下面将结合本发明实施例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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施例一种光伏发电功率短期预测方法的流程图如图1所示，包括以下步骤：
步骤1、采集待预测地区光伏电场的历史气象数据，及该气象数据对应的历史光伏出力数据，并利用平均插值法对二者进行预处理；
在本步骤中，采集待预测地区某年光伏电场记录的各种气象影响因素及其对应的光伏发电功率数据，采样的时间间隔为15分钟，并将一个自然日中采集到的数据作为一个样本，并采用平均插值法对所述历史气象数据及对应的光伏发电功率数据进行预处理。
在本实施案例中，选取太阳总水平辐射、气温、云层不透明度、大气可降水量、相对湿度、降雪深度、地面气压、风速作为气象数据，采用平均插值法对气象数据进行归一化处理，计算公式如下：
式中，x*代表x的归一化值，xmin代表x的最小值，xmax代表x的最大值；
步骤2、采用皮尔逊相关系数计算所述历史气象数据与历史光伏出力数据的相关系数，保留相关系数大于阈值的数据，并构建训练集
在本步骤中，历史气象数据X与历史光伏发电功率数据Y之间的皮尔逊相关系数P进行计算，其计算公式如下：
其中n为序列长度；xi和yi分别为序列X和序列Y的第i个变量；和/>分别为序列X和序列Y的平均值。P的取值范围为[-1,1]，P的绝对值越大代表两个序列之间的相关程度越高。
在本实施案例中，皮尔逊相关系数的阈值设置为0.2。
步骤3、通过K-means聚类对历史光伏出力数据进行聚类并划分相似日数据集
在本步骤中对训练集光伏发电功率历史数据采用K-means均值聚类法进行聚类的具体步骤如下：
对于给定的数据集X＝{X1,X2...Xn}，每个对象都含有t个特征，数据集X相当于一个n×t的矩阵。聚类分析过程通过研究数据集X中对象间的相似性，遵循一定的聚类准则将数据集X中的样本划分到k个不同类别C＝{C1,C2...Ck}，且不同的类别是相互独立的。为了衡量对象之间的相似性，引入距离函数。在数据集X中，任意样本Xe和Xf之间的相似度可用欧式距离def表示为：
当样本Xe和Xf越相似或接近时，def越小；否则，其值越大。
在本实施案例中通过肘部法则确定聚类k值，并且由于初始的聚类中心是随机选取的，故需要通过多次聚类确定合适的聚类中心。将相似性高的历史光伏发电功率数据划分到同一个相似日数据集中，并保存该相似日数据集的聚类中心。
步骤4、通过小波变化将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号的具体步骤如下：
小波变换包括连续小波变换(continuous wavelet transform，CWT)与离散小波变换(DWT)。DWT相较于CWT可以节省时间与计算资源，同时保持较低的重构误差，故本文采用DWT分解历史功率数据的差分序列，表达式为：
式中：ψ(t)为母小波；W(a,b)为f(t)的信号，a、b分别为尺度参数(控制小波的分布)、平移参数(决定小波的中心位置)，且均为整数；T为函数f(t)的维度；t为离散时间抽样指数。
将历史光伏发电功率数据通过小波变换进行分解，分解层数选择三级分解。
步骤5、通过遗传算法及蚁群算法优化BP神经网络的权值、阈值及隐含层节点数，构建光伏发电功率预测模型的步骤具体如下：
第1步：初始化BP神经网络和蚁群。初始化所需参数设置，即：输入层和隐含层之间的连接权值ωij、隐含层阈值α、隐含层和输出层之间的连接权值ωjk、输出层阈值β以及隐含层节点数n。将上述参数记为p1、p2、…、pn，组成元素集合Ini；初始化蚁群算法中蚂蚁的数量S、信息素挥发系数ρ以及目标误差E等。
第2步：S只蚂蚁开始搜索并更新信息素，直到全部的S只蚂蚁都完成搜索。在搜索的同时，蚂蚁会根据式(1)实时更新其经过的各条边上的信息素值，即
式中，ρ为信息素挥发系数；为第k只蚂蚁在本次循环集合里的j元素路径上的信息量。
第3步：将遗传算法加入到蚁群算法。对蚁群执行交叉、变异等操作。交叉算法中选用最常用的单点交叉，即在基因序列中随机选择一个点作为交叉点，并以这个点为界限，将两个不同个体的部分等位基因进行互换，生成两个新的基因序列；而在变异算法中，选择均值为μ、方差为σ的正态分布以较小概率对部分基因进行变异操作，产生新个体的表达式为
σ′＝σeN(0,Δσ)
x′＝x+N(0,Δσ)
式中，x为蚁群下一路径节点。选择适应度函数计算个体适应度。本文中以学习样本的最小均方差作为适应度函数。以式(1)计算适应度值，判断是否满足当前最优解的要求。
满足则进入第4步，否则转入第2步。
第4步：将上一步中蚁群算法的寻优结果作为BP神经网络的参数，训练神经网络，计算误差e。有
eq＝Oq-Yq
式中，Oq为期望值；Yq为预测值；q为神经元个数，q＝1、2、…、n。
第5步：根据第4步的结果更新BP神经网络的权值和阈值及隐含层节点数量，判断是否满足要求。是则算法结束，输出故障特征；否则转入第3步。
步骤6、将相似日数据集中的数据经过小波分解得到的高频扰动信号与低频主要逼近信号分别输入所述预测模型中进行训练，得到所述预测模型网络参数最优解并保存的具体步骤如下：
在K-means聚类得到的同一个相似日数据集中，通过小波变换将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号，将高频扰动信号与低频主要逼近信号中当下时间的数据作为输入，下一个时间步即15min后的信号作为输出对网络进行训练，利用平均绝对误差(MAPE)和均方差(RMSE)作为网络精度评价指标，具体计算公式如下：
通过重复训练得到精度较高的预测模型并保存。
步骤7、根据预测天气判断待预测日相似日类型，将历史光伏出力数据经过小波变换得到的高频扰动信号与低频主要逼近信号分别输入到不同频段的信号所对应的预测模型中得到预测信号，然后将得到的预测信号再进行小波重组，得到预测功率的值的具体步骤如下：
第一步：通过天气预报获得待预测日的气象信息，并计算该预测气象信息与步骤3中所得聚类中心的欧式距离，判断预测日的相似日类型。
第二步，将待预测日的历史光伏发电功率数据经过小波变换分解为高频扰动信号与低频主要逼近信号输入到相应的预测模型中得到高频扰动信号与低频主要逼近信号预测结果。
第三步，通过小波变化对预测模型中得到的高频扰动信号与低频主要逼近信号预测结果进行重组，得到最终的光伏发电功率预测结果。
为了验证本实施例所提光伏发电功率日前预测的有效性，分别采用以下四种预测方法，并将四种方法求得的预测结果进行对比分析：
方法1：BP神经网络预测方法；
方法2：GA-ACO-BP神经网络预测方法；
方法3：LSTM神经网络预测方法；
方法4：DWT-GA-ACO-BP神经网络预测方法；
表1不同模型各月预测结果对比
与现有技术相比，本发明技术方案的有益效果是：通过皮尔逊相关系数分析与K-means聚类可以提高相似日选取的精准度，从而降低模型训练的难度。采用遗传算法和蚁群算法对BP神经网络的初始权重进行优化，能够有效解决BP神经网络权重容易出现局部最优以及过拟合问题；DWT-GA-ACO-BP在GA-ACO-BP神经网络的基础上由于加入了小波变换提取频域特性，预测精度进一步提高；通过上述方法的组合，能够提高光伏发电功率超短期预测的精度。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (7)

1.一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，其特征在于：包括以下步骤：
步骤1、采集待预测地区光伏电场的历史气象数据，及该气象数据对应的历史光伏发电功率数据，并利用平均插值法对二者进行预处理；
步骤2、采用皮尔逊相关系数计算所述历史气象数据与历史光伏发电功率数据的相关系数，保留相关系数大于阈值的数据，并构建训练集；
步骤3、通过K-means聚类对历史光伏发电功率数据进行聚类并划分相似日数据集；
步骤4、通过小波变化将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号；
步骤5、通过遗传算法及蚁群算法优化BP神经网络的权值、阈值及隐含层节点数，构建光伏发电功率预测模型；
步骤6、将相似日数据集中的数据经过小波分解得到的高频扰动信号与低频主要逼近信号分别输入所述预测模型中进行训练，得到所述预测模型网络参数最优解并保存；
步骤7、根据预测天气判断待预测日相似日类型，将历史光伏发电功率数据经过小波变换得到的高频扰动信号与低频主要逼近信号分别输入到不同频段的信号所对应的预测模型中得到预测信号，然后将得到的预测信号再进行小波重组，得到预测功率的值。
2.根据权利要求1所述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，其特征在于：所述步骤2中，采用皮尔逊相关系数计算所述历史气象数据与历史光伏发电功率数据的相关系数，保留相关系数大于阈值的数据，并构建训练集的具体步骤如下：
历史气象数据X对于历史光伏发电功率数据Y之间的皮尔逊相关系数P进行计算，其计算公式如下：
其中n为序列长度；xi和yi分别为序列X和序列Y的第i个变量；和/>分别为序列X和序列Y的平均值，P的取值范围为[-1,1]，P的绝对值越大代表两个序列之间的相关程度越高。
3.根据权利要求1所述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，其特征在于：所述步骤3中通过K-means聚类对历史光伏发电功率数据进行聚类并划分相似日数据集的具体步骤如下：
对于给定的数据集X＝{X1,X2...Xn}，每个对象都含有t个特征，数据集X相当于一个n×t的矩阵，聚类分析过程通过研究数据集X中对象间的相似性，遵循一定的聚类准则将数据集X中的样本划分到k个不同类别C＝{C1,C2...Ck}，且不同的类别是相互独立的，为了衡量对象之间的相似性，引入距离函数，在数据集X中，任意样本Xe和Xf之间的相似度可用欧式距离def表示为：
当样本Xe和Xf越相似或接近时，def越小；否则，其值越大，
对历史光伏发电功率数据进行K-means均值聚类，将相似性高的历史光伏发电功率数据划分到同一个相似日数据集中，并保存该相似日数据集的聚类中心。
4.根据权利要求1所述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，其特征在于：步骤4所述通过小波变化将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号的具体步骤如下：
小波变换包括连续小波变换CWT与离散小波变换DWT，DWT相较于CWT可以节省时间与计算资源，同时保持较低的重构误差，故本文采用DWT分解历史功率数据的差分序列，表达式为：
式中：ψ(t)为母小波；W(a,b)为f(t)的信号，a、b分别为尺度参数，用于控制小波的分布、平移参数，用于决定小波的中心位置，且均为整数；T为函数f(t)的维度；t为离散时间抽样指数，将历史光伏发电功率数据通过小波变换进行分解，分解层数选择三级分解。
5.根据权利要求1所述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，其特征在于：步骤5所述的通过遗传算法及蚁群算法优化BP神经网络的权值、阈值及隐含层节点数，构建光伏发电功率预测模型的步骤具体如下：
第1步：初始化BP神经网络和蚁群，初始化所需参数设置，即：输入层和隐含层之间的连接权值ωij、隐含层阈值α、隐含层和输出层之间的连接权值ωjk、输出层阈值β以及隐含层节点数n，将上述参数记为p1、p2、…、pn，组成元素集合Ini；初始化蚁群算法中蚂蚁的数量S、信息素挥发系数ρ以及目标误差E等；
第2步：S只蚂蚁开始搜索并更新信息素，直到全部的S只蚂蚁都完成搜索，在搜索的同时，蚂蚁会根据式(1)实时更新其经过的各条边上的信息素值，即
式中，ρ为信息素挥发系数；为第k只蚂蚁在本次循环集合里的j元素路径上的信息量；
第3步：将遗传算法加入到蚁群算法，对蚁群执行交叉、变异等操作，交叉算法中选用最常用的单点交叉，即在基因序列中随机选择一个点作为交叉点，并以这个点为界限，将两个不同个体的部分等位基因进行互换，生成两个新的基因序列；而在变异算法中，选择均值为μ、方差为σ的正态分布以较小概率对部分基因进行变异操作，产生新个体的表达式为
σ′＝σeN(0,Δσ)
x′＝x+N(0,Δσ)
式中，x为蚁群下一路径节点，选择适应度函数计算个体适应度，本方法以学习样本的最小均方差作为适应度函数，以式(1)计算适应度值，判断是否满足当前最优解的要求，满足则进入第4步，否则转入第2步，
第4步：将上一步中蚁群算法的寻优结果作为BP神经网络的参数，训练神经网络，计算误差e，有
eq＝Oq-Yq
式中，Oq为期望值；Yq为预测值；q为神经元个数，q＝1、2、…、n；
第5步：根据第4步的结果更新BP神经网络的权值和阈值及隐含层节点数量，判断是否满足要求，是则算法结束，输出故障特征；否则转入第3步。
6.根据权利要求1所述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，其特征在于：步骤6所述将相似日数据集中的数据经过小波分解得到的高频扰动信号与低频主要逼近信号分别输入所述预测模型中进行训练，得到所述预测模型网络参数最优解并保存的具体步骤如下：
在K-means聚类得到的同一个相似日数据集中，通过小波变换将历史光伏发电功率数据分解为高频扰动信号与低频主要逼近信号，将高频扰动信号与低频主要逼近信号中当下时间的数据作为输入，下一个时间步即15min后的信号作为输出对网络进行训练，利用平均绝对误差(MAPE)和均方差(RMSE)作为网络精度评价指标，具体计算公式如下：
通过重复训练得到精度较高的预测模型并保存。
7.根据权利要求1所述一种基于小波变换与优化BP神经网络的光伏发电功率超短期预测方法，其特征在于：步骤7根据预测天气判断待预测日相似日类型，将历史光伏出力数据经过小波变换得到的高频扰动信号与低频主要逼近信号分别输入到不同频段的信号所对应的预测模型中得到预测信号，然后将得到的预测信号再进行小波重组，得到预测功率的值的具体步骤如下：
第一步：通过天气预报获得待预测日的气象信息，并计算该预测气象信息与步骤3中所得聚类中心的欧式距离，判断预测日的相似日类型；
第二步，将待预测日的历史光伏发电功率数据经过小波变换分解为高频扰动信号与低频主要逼近信号输入到相应的预测模型中得到高频扰动信号与低频主要逼近信号预测结果；
第三步，通过小波变化对预测模型中得到的高频扰动信号与低频主要逼近信号预测结果进行重组，得到最终的光伏发电功率预测结果。
CN202211610941.8A 2022-12-14 2022-12-14 一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法 Pending CN116911418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211610941.8A CN116911418A (zh) 2022-12-14 2022-12-14 一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211610941.8A CN116911418A (zh) 2022-12-14 2022-12-14 一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法

Publications (1)

Publication Number Publication Date
CN116911418A true CN116911418A (zh) 2023-10-20

Family

ID=88349871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211610941.8A Pending CN116911418A (zh) 2022-12-14 2022-12-14 一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法

Country Status (1)

Country Link
CN (1) CN116911418A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118412865A (zh) * 2024-07-03 2024-07-30 国网安徽省电力有限公司经济技术研究院 一种基于复杂气象的光伏电站发电功率预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN106602559A (zh) * 2016-12-08 2017-04-26 国网青海省电力公司 一种离网光伏发电系统直流网络谐波汇集指数预测方法
CN108564192A (zh) * 2017-12-29 2018-09-21 河海大学 一种基于气象因子权重相似日的短期光伏功率预测方法
CN109165774A (zh) * 2018-08-07 2019-01-08 燕山大学 一种短期光伏功率预测方法
CN111915084A (zh) * 2020-08-03 2020-11-10 国网山东省电力公司电力科学研究院 一种基于神经网络的混合型光伏发电功率预测方法及系统
CN112290568A (zh) * 2020-09-27 2021-01-29 天津大学 一种“光-储”发电系统混合储能配置方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN106602559A (zh) * 2016-12-08 2017-04-26 国网青海省电力公司 一种离网光伏发电系统直流网络谐波汇集指数预测方法
CN108564192A (zh) * 2017-12-29 2018-09-21 河海大学 一种基于气象因子权重相似日的短期光伏功率预测方法
CN109165774A (zh) * 2018-08-07 2019-01-08 燕山大学 一种短期光伏功率预测方法
CN111915084A (zh) * 2020-08-03 2020-11-10 国网山东省电力公司电力科学研究院 一种基于神经网络的混合型光伏发电功率预测方法及系统
CN112290568A (zh) * 2020-09-27 2021-01-29 天津大学 一种“光-储”发电系统混合储能配置方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118412865A (zh) * 2024-07-03 2024-07-30 国网安徽省电力有限公司经济技术研究院 一种基于复杂气象的光伏电站发电功率预测方法

Similar Documents

Publication Publication Date Title
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN111260126B (zh) 计及天气与气象因子关联度的短期光伏发电预测方法
CN106503867A (zh) 一种遗传算法最小二乘风电功率预测方法
CN108846527A (zh) 一种光伏发电功率预测方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN109117992B (zh) 基于wd-la-wrf模型的超短期风功率预测方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN111598337B (zh) 一种分布式光伏短期出力预测的方法
CN112101669A (zh) 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法
CN109242200B (zh) 一种贝叶斯网络预测模型的风电功率区间预测方法
CN115392387B (zh) 一种低压分布式光伏发电出力预测方法
CN112668611A (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN116826737A (zh) 一种光伏功率的预测方法、装置、存储介质及设备
CN116187540A (zh) 一种基于时空偏差修正的风电场站超短期功率预测方法
CN116911418A (zh) 一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法
Fan et al. Short-term load forecasting based on empirical wavelet transform and random forest
CN115713144A (zh) 基于组合cgru模型的短期风速多步预测方法
Meng et al. A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day
Wu et al. Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition
Wang et al. An optimized deep nonlinear integrated framework for wind speed forecasting and uncertainty analysis
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN114997475B (zh) 一种基于Kmeans的融合模型光伏发电短期预测方法
CN116435987A (zh) 一种大规模风电集群超短期风电功率预测方法

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