CN117035446A - 一种考虑阵列间时空相关性的超短期光伏出力预测方法 - Google Patents
一种考虑阵列间时空相关性的超短期光伏出力预测方法 Download PDFInfo
- Publication number
- CN117035446A CN117035446A CN202310913503.7A CN202310913503A CN117035446A CN 117035446 A CN117035446 A CN 117035446A CN 202310913503 A CN202310913503 A CN 202310913503A CN 117035446 A CN117035446 A CN 117035446A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- output
- gcn
- representing
- ultra
- 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 85
- 238000003491 array Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种考虑阵列间时空相关性的超短期光伏出力预测方法,其包括以下步骤:搭建GCN‑LSTM预测模型并初始化模型参数;将光伏阵列的历史功率数据集和邻接矩阵输入至GCN‑LSTM预测模型;采取均方误差损失函数对GCN‑LSTM预测模型进行计算,得到模型误差;根据模型误差采用Adam优化算法对GCN‑LSTM预测模型进行参数调整,得到训练后的GCN‑LSTM预测模型;通过训练后的GCN‑LSTM预测模型完成对超短期光伏出力预测。本发明根据光伏电站内不同光伏阵列的排布信息和出力相关性刻画光伏阵列信息,并通过GCN层提取图中所含不同阵列之间的空间特征,提高本方法的预测准确性。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种考虑阵列间时空相关性的超短期光伏出力预测方法。
背景技术
太阳能作为最丰富和最具发展前景的可再生能源之一,其开发与利用已经成为我国能源发展的主要方向。光伏能源的波动性和不确定性阻碍了光伏能源的深度消纳,同时也为电力系统的调度和调节带来了巨大挑战,而光伏发电功率预测是解决上述问题最为经济可行的途径之一。按照预测的时间尺度,光伏功率预测方法可以分为中长期、短期和超短期预测三大类。
目前针对超短期预测,部分技术采用不同预测模型组合的方法,综合不同模型的优势来解决单一模型精度较低的问题,但是此类方法未考虑云层和运动型云团等会对超短期尺度下的光伏出力预测带来影响的因素。于是,在此基础上,出现了通过采集光伏电站的地基云图和卫星云图,预测云层和云团的运动,进一步实现对光伏电站出力的超短期预测。但在实际运用中,由于地基云图的观测范围有限,并且全天空成像仪的安装和维护成本较高,以及卫星云图数据获取困难且空间精度较低,定位到某一具体电站时容易产生误差,预测结果准确率低。
发明内容
针对现有技术中的上述不足,本发明提供的一种考虑阵列间时空相关性的超短期光伏出力预测方法解决了现有技术中预测结果准确性较低且获取数据精度低的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供了一种考虑阵列间时空相关性的超短期光伏出力预测方法,其包括以下步骤:
S1、搭建GCN-LSTM预测模型并初始化模型参数;
S2、根据光伏阵列的分布情况对阵列历史出力数据进行处理,得到光伏阵列的历史功率数据集和邻接矩阵;
S3、将光伏阵列的历史功率数据集和邻接矩阵输入至GCN-LSTM预测模型;采取均方误差损失函数对GCN-LSTM预测模型进行计算,得到模型误差;
S4、判断模型误差是否满足精度要求;若是则得到训练后的GCN-LSTM预测模型并进入步骤S5;反之则通过Adam优化算法对GCN-LSTM预测模型进行参数调整,返回步骤S3;
S5、通过训练后的GCN-LSTM预测模型完成对光伏电站光伏出力的超短期预测。
进一步地,步骤S1中的GCN-LSTM预测模型包括依次串联的输入层、空间特征提取模块、时间序列预测模块和输出层;
空间特征提取模块包括两个堆叠的GCN层,用于提取光伏阵列的空间特征;
时间序列预测模块包括两个堆叠的LSTM层和一个全连接层,用于得到光伏电站光伏出力的超短期预测值。
进一步地,GCN层采用ReLu激活函数;LSTM层采用TANH激活函数。
进一步地,步骤S2获取光伏阵列的历史功率数据集和邻接矩阵的具体方法如下:
采集光伏电站的每一阵列的历史出力数据并进行检测,得到缺失数据和异常数据;对连续缺失小于12个采样点的缺失数据通过线性插补进行插补,得到正常数据;对连续缺失大于或等于12个采样点的缺失数据进行删除;对异常数据通过广义极端学生化偏差检验法进行剔除,并采用三次Hermite插值法进行插补,得到正常数据;
对正常数据集进行归一化,得到光伏阵列的历史功率数据集;
通过Pearson相关系数法对正常数据集进行计算,得到各阵列之间的出力相关性;根据光伏电站内不同光伏阵列的排布情况,通过各阵列之间的出力相关性得到邻接矩阵。
进一步地,步骤S3的具体步骤如下:
S3-1、将光伏阵列的历史功率数据集和邻接矩阵输入至空间特征提取模块;
S3-2、根据邻接矩阵通过两个堆叠的GCN层对光伏阵列的历史功率数据集进行处理,得到光伏阵列的空间特征;
S3-3、将光伏阵列的空间特征输入至时间序列预测模块;通过两个堆叠的LSTM层和一个全连接层进行处理,得到光伏电站光伏出力的超短期预测结果;
S3-4、根据光伏电站光伏出力的超短期预测结果,采取均方误差损失函数对GCN-LSTM预测模型进行计算,得到模型误差。
进一步地,步骤S3-2的具体公式为:
W(l)=Rd×h
得到光伏阵列的空间特征H(l+1);其中,R表示实数,d为每个节点的特征向量维度,h表示输出维度,W(l)表示可训练参数,A表示光伏阵列的分布图的邻接矩阵,IN表示N阶单位矩阵,表示处理后的邻接矩阵,H(l)表示第l层的网络输出,/>表示光伏阵列的历史功率数据集,σ(·)表示ReLu激活函数。
进一步地,步骤S3-3中LSTM层包括输入门、遗忘门和输出门,其具体方法为:
根据公式:
C′t=ft⊙Ct-1
ft=sigmiod(Wf·[ht-1,xt]+bf)
得到遗忘部分信息后的新状态C′t;其中,Ct-1表示t-1时刻的神经元状态,ft表示遗忘门系数,ht-1表示t-1时刻隐藏层输出值,xt表示t时刻的数据输入,[ht-1,xt]表示向量ht-1和xt的拼接结果,Wf和bf表示待训练参数,sigmiod(·)为激活函数;
通过输入门对t时刻遗忘部分信息后的新状态C′t进行控制输入,其公式为:
it=sigmoid(Wi·[ht-1,xt]+bi)
其中,it表示输入门的输出值,Wi、Wg、bi和bg表示待训练参数,表示未经处理的输入信息,tanh(·)表示激活函数;
通过遗忘门遗忘部分过去时刻的信息且输入门引入t时刻的输入信息完成神经元状态的更新,并通过输出门得到最终输出,其公式为:
Ot=sigmoid(Wo·[ht-1,xt]+bo)
yt=ht=Ot⊙tanh(Ct)
其中,yt和ht表示输出门的输出值,Wo和bo表示待训练参数,Ot表示遗忘门的输出值,Ct表示t时刻的神经元状态。
进一步地,步骤S3-4中均方误差损失函数的公式如下:
其中,MSE表示均方误差损失函数,n表示预测值总数,yi表示第i个实际观测值,y′i表示第i个预测值,∑(·)表示求和函数。
进一步地,步骤S4的精度要求为:模型误差小于等于0.1。
本发明的有益效果为:该超短期光伏出力预测方法通过对每一阵列的历史出力数据进行预处理,剔除和补全异常数据和缺失数据,提供精度高的数据;以及根据光伏电站内不同光伏阵列的排布信息和出力相关性,以图的形式刻画光伏阵列信息,并通过GCN层提取图中所含不同阵列之间的空间特征,提高本方法的预测准确性。
附图说明
图1为本发明的具体流程图;
图2为本发明的GCN-LSTM预测模型结构图;
图3为本发明的LSTM层的具体结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种考虑阵列间时空相关性的超短期光伏出力预测方法包括以下步骤:
S1、搭建GCN-LSTM预测模型并初始化模型参数;
S2、根据光伏阵列的分布情况对阵列历史出力数据进行处理,得到光伏阵列的历史功率数据集和邻接矩阵;
S3、将光伏阵列的历史功率数据集和邻接矩阵输入至GCN-LSTM预测模型;采取均方误差损失函数对GCN-LSTM预测模型进行计算,得到模型误差;
S4、判断模型误差是否满足精度要求;若是则得到训练后的GCN-LSTM预测模型并进入步骤S5;反之则通过Adam优化算法对GCN-LSTM预测模型进行参数调整,返回步骤S3;
S5、通过训练后的GCN-LSTM预测模型完成对光伏电站光伏出力的超短期预测。
如图2所示,步骤S1中的GCN-LSTM预测模型包括依次串联的输入层、空间特征提取模块、时间序列预测模块和输出层;
空间特征提取模块包括两个堆叠的GCN层,用于提取光伏阵列的空间特征;
时间序列预测模块包括两个堆叠的LSTM层和一个全连接层,用于得到光伏电站光伏出力的超短期预测值。
GCN层采用ReLu激活函数;LSTM层采用TANH激活函数。
步骤S2获取光伏阵列的历史功率数据集和邻接矩阵的具体方法如下:
采集光伏电站的每一阵列的历史出力数据并进行检测,得到缺失数据和异常数据;对连续缺失小于12个采样点的缺失数据通过线性插补进行插补,得到正常数据;对连续缺失大于或等于12个采样点的缺失数据进行删除;对异常数据通过广义极端学生化偏差检验法进行剔除,并采用三次Hermite插值法进行插补,得到正常数据;
对正常数据集进行归一化,得到光伏阵列的历史功率数据集;
通过Pearson相关系数法对正常数据集进行计算,得到各阵列之间的出力相关性;根据光伏电站内不同光伏阵列的排布情况,通过各阵列之间的出力相关性得到邻接矩阵。
步骤S3的具体步骤如下:
S3-1、将光伏阵列的历史功率数据集和邻接矩阵输入至空间特征提取模块;
S3-2、根据邻接矩阵通过两个堆叠的GCN层对光伏阵列的历史功率数据集进行处理,得到光伏阵列的空间特征;
S3-3、将光伏阵列的空间特征输入至时间序列预测模块;通过两个堆叠的LSTM层和一个全连接层进行处理,得到光伏电站光伏出力的超短期预测结果;
S3-4、根据光伏电站光伏出力的超短期预测结果,采取均方误差损失函数对GCN-LSTM预测模型进行计算,得到模型误差。
步骤S3-2的具体公式为:
W(l)=Rd×h
得到光伏阵列的空间特征H(l+1);其中,R表示实数,d为每个节点的特征向量维度,h表示输出维度,W(l)表示可训练参数,A表示光伏阵列的分布图的邻接矩阵,IN表示N阶单位矩阵,表示处理后的邻接矩阵,H(l)表示第l层的网络输出,/>表示光伏阵列的历史功率数据集,σ(·)表示ReLu激活函数。
如图3所示,步骤S3-3中LSTM层包括输入门、遗忘门和输出门,其具体方法为:
根据公式:
C′t=ft⊙Ct-1
ft=sigmiod(Wf·[ht-1,xt]+bf)
得到遗忘部分信息后的新状态C′t;其中,Ct-1表示t-1时刻的神经元状态,ft表示遗忘门系数,ht-1表示t-1时刻隐藏层输出值,xt表示t时刻的数据输入,[ht-1,xt]表示向量ht-1和xt的拼接结果,Wf和bf表示待训练参数,sigmiod(·)为激活函数;
通过输入门对t时刻遗忘部分信息后的新状态C′t进行控制输入,其公式为:
it=sigmoid(Wi·[ht-1,xt]+bi)
其中,it表示输入门的输出值,Wi、Wg、bi和bg表示待训练参数,表示未经处理的输入信息,tanh(·)表示激活函数;
通过遗忘门遗忘部分过去时刻的信息且输入门引入t时刻的输入信息完成神经元状态的更新,并通过输出门得到最终输出,其公式为:
Ot=sigmoid(Wo·[ht-1,xt]+bo)
yt=ht=Ot⊙tanh(Ct)
其中,yt和ht表示输出门的输出值,Wo和bo表示待训练参数,Ot表示遗忘门的输出值,Ct表示t时刻的神经元状态。
步骤S3-4中均方误差损失函数的公式如下:
其中,MSE表示均方误差损失函数,n表示预测值总数,yi表示第i个实际观测值,y′i表示第i个预测值,∑(·)表示求和函数。
步骤S4的精度要求为:模型误差小于等于0.1。
在本发明的一个实施例中,超短期预测方法则关注未来0~6小时内的光伏出力情况,并且预测的时间粒度通常为15分钟甚至更低,主要用来辅助调度人员实时地调整日内调度计划。本发明提供的超短期光伏出力预测方法采用平均绝对误差、均方根误差和确定系数作为评价指标,其具体公式如下;
其中,MAE表示平均绝对误差,RMSE表示均方根误差,R square表示确定系数,n表示预测值总数,yi表示第i个实际观测值,y′i表示第i个预测值,∑(·)表示求和函数。MAE指标和RMSE指标的值越小表示预测模型精度越高,Rsquare指标的值越接近1表示预测模型表现越好。
GCN-LSTM预测模型学习率设置为0.01,训练过程样本的批量大小为64,最大迭代次数为100次。选取300天数据作为训练集,54天数据作为验证集,随机数种子固定为42。
实验设置分别采用GCN预测模型、RNN预测模型、LSTM预测模型、GCN-RNN预测模型的超短期光伏出力预测方法和本方法来对比分析预测结果;选取晴天、多云、阴雨和雨天四个不同天气场景进行实验。
9阵列光伏电站在不同的预测方法和天气下的预测结果如表1所示:
表1 9阵列光伏电站在不同天气下及不同预测方法评价指标对比
本方法在晴天天气下的R square指标大于其余四个预测方法的R square指标,MAE指标和RMSE指标都小于其余预测方法的MAE指标和RMSE指标。本方法在多云天气下的Rsquare指标大于其余四个预测方法的R square指标,MAE指标和RMSE指标都小于其余四个预测方法的MAE指标和RMSE指标。本方法在阴雨天气下的R square指标大于其余四个预测方法的R square指标,MAE指标和RMSE指标都小于其余四个预测方法的MAE指标和RMSE指标。本方法在雨天天气下的R square指标大于其余四个预测方法的R square指标,MAE指标大于采用RNN预测模型的预测方法的MAE指标并小于其余三个预测方法的MAE指标,RMSE指标都小于其余四个预测方法的RMSE指标。由此可知,相较于分别采用GCN预测模型、RNN预测模型、LSTM预测模型、GCN-RNN预测模型的超短期光伏出力预测方法,本方法具有更高的准确性和稳定性。
由于80阵列光伏电站的数据量较大,为防止训练过程发生过度拟合,GCN-LSTM预测模型在进行训练时在输出层加入dropout层。80阵列光伏电站在不同的预测方法和天气下的预测结果如表2所示:
表2 80阵列光伏电站在不同天气下及不同预测方法评价指标对比
本方法在晴天天气下的R square指标与分别采用LSTM预测模型、GCN-RNN预测模型的预测方法的R square指标一致并大于采用GCN预测模型、RNN预测模型的预测方法的Rsquare指标,MAE指标和RMSE指标都小于其余四个预测方法的MAE指标和RMSE指标。本方法在多云天气下的R square指标大于其余四个预测方法的R square指标,MAE指标和RMSE指标都小于其余四个预测方法的MAE指标和RMSE指标。本方法在阴雨天气下的R square指标大于其余四个预测方法的R square指标,MAE指标和RMSE指标都小于其余四个预测方法的MAE指标和RMSE指标。本方法在雨天天气下的R square指标大于其余四个预测方法的Rsquare指标,MAE指标和RMSE指标都小于其余四个预测方法的MAE指标和RMSE指标。
由此可知,相较于分别采用GCN预测模型、RNN预测模型、LSTM预测模型和GCN-RNN模型的超短期光伏出力预测方法,本方法具有更高的准确性和稳定性。并且在阴雨和雨天条件下本方法的优越性更加明显。
综上所述,本发明通过对每一阵列的历史出力数据进行预处理,剔除和补全异常数据和缺失数据,提供精度高的数据;以及根据光伏电站内不同光伏阵列的排布信息和出力相关性,以图的形式刻画光伏阵列信息,并通过GCN层提取图中所含不同阵列之间的空间特征,提高本方法的预测准确性。
Claims (9)
1.一种考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:包括以下步骤:
S1、搭建GCN-LSTM预测模型并初始化模型参数;
S2、根据光伏阵列的分布情况对阵列历史出力数据进行处理,得到光伏阵列的历史功率数据集和邻接矩阵;
S3、将光伏阵列的历史功率数据集和邻接矩阵输入至GCN-LSTM预测模型;采取均方误差损失函数对GCN-LSTM预测模型进行计算,得到模型误差;
S4、判断模型误差是否满足精度要求;若是则得到训练后的GCN-LSTM预测模型并进入步骤S5;反之则通过Adam优化算法对GCN-LSTM预测模型进行参数调整,返回步骤S3;
S5、通过训练后的GCN-LSTM预测模型完成对光伏电站光伏出力的超短期预测。
2.根据权利要求1所述的考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:所述步骤S1中的GCN-LSTM预测模型包括依次串联的输入层、空间特征提取模块、时间序列预测模块和输出层;
所述空间特征提取模块包括两个堆叠的GCN层,用于提取光伏阵列的空间特征;
所述时间序列预测模块包括两个堆叠的LSTM层和一个全连接层,用于得到光伏电站光伏出力的超短期预测值。
3.根据权利要求2所述的考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:所述GCN层采用ReLu激活函数;所述LSTM层采用TANH激活函数。
4.根据权利要求1所述的考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:所述步骤S2获取光伏阵列的历史功率数据集和邻接矩阵的具体方法如下:
采集光伏电站的每一阵列的历史出力数据并进行检测,得到缺失数据和异常数据;对连续缺失小于12个采样点的缺失数据通过线性插补进行插补,得到正常数据;对连续缺失大于或等于12个采样点的缺失数据进行删除;对异常数据通过广义极端学生化偏差检验法进行剔除,并采用三次Hermite插值法进行插补,得到正常数据;
对正常数据集进行归一化,得到光伏阵列的历史功率数据集;
通过Pearson相关系数法对正常数据集进行计算,得到各阵列之间的出力相关性;根据光伏电站内不同光伏阵列的排布情况,通过各阵列之间的出力相关性得到邻接矩阵。
5.根据权利要求2所述的考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:所述步骤S3的具体步骤如下:
S3-1、将光伏阵列的历史功率数据集和邻接矩阵输入至空间特征提取模块;
S3-2、根据邻接矩阵通过两个堆叠的GCN层对光伏阵列的历史功率数据集进行处理,得到光伏阵列的空间特征;
S3-3、将光伏阵列的空间特征输入至时间序列预测模块;通过两个堆叠的LSTM层和一个全连接层进行处理,得到光伏电站光伏出力的超短期预测结果;
S3-4、根据光伏电站光伏出力的超短期预测结果,采取均方误差损失函数对GCN-LSTM预测模型进行计算,得到模型误差。
6.根据权利要求5所述的考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:所述步骤S3-2的具体公式为:
W(l)=Rd×h
得到光伏阵列的空间特征H(l+1);其中,R表示实数,d为每个节点的特征向量维度,h表示输出维度,W(l)表示可训练参数,A表示光伏阵列的分布图的邻接矩阵,IN表示N阶单位矩阵,表示处理后的邻接矩阵,H(l)表示第l层的网络输出,/>表示光伏阵列的历史功率数据集,σ(·)表示ReLu激活函数。
7.根据权利要求5所述的考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:所述步骤S3-3中LSTM层包括输入门、遗忘门和输出门,其具体方法为:
根据公式:
Ct′=ft⊙Ct-1
ft=sigmiod(Wf·[ht-1,xt]+bf)
得到遗忘部分信息后的新状态Ct′;其中,Ct-1表示t-1时刻的神经元状态,ft表示遗忘门系数,ht-1表示t-1时刻隐藏层输出值,xt表示t时刻的数据输入,[ht-1,xt]表示向量ht-1和xt的拼接结果,Wf和bf表示待训练参数,sigmiod(·)为激活函数;
通过输入门对t时刻遗忘部分信息后的新状态Ct′进行控制输入,其公式为:
it=sigmoid(Wi·[ht-1,xt]+bi)
其中,it表示输入门的输出值,Wi、Wg、bi和bg表示待训练参数,表示未经处理的输入信息,tanh(·)表示激活函数;
通过遗忘门遗忘部分过去时刻的信息且输入门引入时刻的输入信息完成神经元状态的更新,并通过输出门得到最终输出,其公式为:
Ot=sigmoid(Wo·[ht-1,xt]+bo)
yt=ht=Ot⊙tanh(Ct)
其中,yt和ht表示输出门的输出值,Wo和bo表示待训练参数,Ot表示遗忘门的输出值,Ct表示t时刻的神经元状态。
8.根据权利要求5所述的考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:所述步骤S3-4中均方误差损失函数的公式如下:
其中,MSE表示均方误差损失函数,n表示预测值总数,yi表示第i个实际观测值,yi′表示第i个预测值,∑(·)表示求和函数。
9.根据权利要求2所述的考虑阵列间时空相关性的超短期光伏出力预测方法,其特征在于:所述步骤S4的精度要求为:模型误差小于等于0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913503.7A CN117035446A (zh) | 2023-07-24 | 2023-07-24 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913503.7A CN117035446A (zh) | 2023-07-24 | 2023-07-24 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035446A true CN117035446A (zh) | 2023-11-10 |
Family
ID=88642150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913503.7A Pending CN117035446A (zh) | 2023-07-24 | 2023-07-24 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035446A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN116341613A (zh) * | 2022-12-26 | 2023-06-27 | 河北工业大学 | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 |
-
2023
- 2023-07-24 CN CN202310913503.7A patent/CN117035446A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN116341613A (zh) * | 2022-12-26 | 2023-06-27 | 河北工业大学 | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 |
Non-Patent Citations (1)
Title |
---|
韩升科等: "基于 GCN-LSTM 的日前市场边际电价预测", 《中国电机工程学报》, 5 May 2022 (2022-05-05), pages 2 - 8 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
CN112561058B (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
Bendali et al. | Deep learning using genetic algorithm optimization for short term solar irradiance forecasting | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN114897129A (zh) | 一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
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 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
CN111275256A (zh) | 一种基于图像特征提取的光伏发电功率日前预测方法 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN117035446A (zh) | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 | |
CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
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 | |
Zhao et al. | Short-term photovoltaic power prediction based on DE-GWO-LSTM | |
CN115544895A (zh) | 光伏电站年出力保证率模型优化方法 | |
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 |
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 |