CN117114160A - 一种短期光伏功率预测方法 - Google Patents
一种短期光伏功率预测方法 Download PDFInfo
- Publication number
- CN117114160A CN117114160A CN202310445305.2A CN202310445305A CN117114160A CN 117114160 A CN117114160 A CN 117114160A CN 202310445305 A CN202310445305 A CN 202310445305A CN 117114160 A CN117114160 A CN 117114160A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- weather
- sequence
- fluctuation
- power sequence
- 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 44
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q10/04—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
- G06N3/02—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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及光伏功率预测领域,具体涉及一种短期光伏功率预测方法,提高了光伏功率预测精度。本发明短期光伏功率预测方法,包括利用波动特征识别模型将历史光伏功率序列样本分为天气变化缓慢数据和天气变化剧烈数据;利用组合分解技术对历史光伏功率序列进行分解,确定最佳分量参数和模态分量;将模态分量分为高频分量和低频分量;针对低频分量构建CNN预测模型,针对高频分量构建LSTM预测模型,得到CNN‑LSTM混合神经网络组合预测模型;通过天气变化缓慢数据和天气变化剧烈数据对CNN‑LSTM混合神经网络组合预测模型进行训练;将待预测日的天气数据输入训练好的CNN‑LSTM混合神经网络组合预测模型,得到光伏功率预测值。本发明适用于光伏功率预测。
Description
技术领域
本发明涉及光伏功率预测领域,具体涉及一种短期光伏功率预测方法。
背景技术
太阳能开发是全球能源结构转型的重要组成部分,所以光伏发电具有广阔的发展前景。然而,光伏出力具有随机性、波动性等强不确定性,尤其是大规模光伏并网使得电力系统有失负荷和弃电风险,这给电力系统的安全稳定运行带来了巨大挑战。为应对光伏出力波动带来的上网运行困难问题,有必要对其出力进行日前预测,为制定更加科学合理的日前调度计划提供可靠依据。
目前光伏发电系统日前短期功率预测已经开展广泛研究,预测方法有两大类:模型驱动和数据驱动。模型驱动是指结合光伏设备电气运行参数和温度、湿度、光照等环境因素,依据物理机理建立的模型。而基于物理机理建模困难,也无法建立精确模型,且模型计算效率低下,参数设置也只能凭借经验获得,因此其预测精度和计算效率都有待提升。随着高比例光伏的接入,模型驱动方法难以适应电网调控对光伏预测准确性和快速性的要求。数据驱动是指利用历史环境数据和对应的历史光伏出力数据寻找映射关系,从而建立起预测模型。人工智能技术的出现使得众多研究工作者将注意力集中在基于数据驱动方法上进行光伏功率准确预测,例如支持向量机、人工神经网络、极限学习机、马尔科夫链等方法。已有研究表明,相比于模型驱动方法,上述几种人工智能方法的预测效果更佳。
为了进一步提高预测精度,考虑到光伏出力序列中含有多种模态,有研究者提出将历史光伏功率序列进行模态分解,然后再针对每一分量进行预测,这种方法称为组合预测。随着深度学习的深入发展,卷积神经网络、长短期记忆神经网络等深度神经网络模型被广泛应用于光伏功率预测技术领域,经验模态分解/集合模态分解/变分模态分解结合深度神经网络的预测模型成为当前光伏功率组合预测的主流方法。与传统机器学习方法相比,深度神经网络模型在组合预测精度方面取得了显著的效果。虽然上述方法的预测效果得以提升,但这些模型,尤其是深度神经网络模型部分,模型复杂导致参数优化困难等问题。
目前,现有针对光伏出力预测的模型中基于模型驱动方法存在预测精度低、计算速度慢等问题,而基于数据驱动的组合预测模型因自身复杂,存在参数优化耗时长、不准确的问题,均难以满足以新能源为主体的新型电力系统运行调控对光伏出力预测准确度高和速度快的要求。
发明内容
本发明的目的是提供一种短期光伏功率预测方法,减少组合模型的整体复杂度同时还提高了光伏功率预测精度。
本发明采取如下技术方案实现上述目的,短期光伏功率预测方法,包括:
步骤1、利用波动特征识别模型将历史光伏功率序列样本分为天气变化缓慢类型数据和天气变化剧类型烈数据;
步骤2、利用组合分解技术对历史光伏功率序列进行分解,确定最佳分量参数和模态分量;
步骤3、将模态分量分为高频分量和低频分量;
步骤4、针对低频分量构建CNN预测模型,针对高频分量构建LSTM预测模型,得到CNN-LSTM混合神经网络组合预测模型;
步骤5、通过天气变化缓慢类型数据和天气变化剧烈类型数据对CNN-LSTM混合神经网络组合预测模型进行训练;
步骤6、将待预测日的天气数据输入训练好的CNN-LSTM混合神经网络组合预测模型,得到光伏功率预测值。
进一步的是,步骤1中,还包括设置波动特征参数,所述设置波动特征参数具体包括:
基于线性归一化方法对日光伏功率序列归一化处理,归一化处理公式为表示日光伏功率序列,/>为日光伏功率序列归一化处理后的值,/>分别表示日光伏功率序列的最大值、最小值;
基于向前、向后差分原理识别日光伏功率序列的极值点,向前差分表达式为:
向后差分表达式为:Pt表示t时刻光伏功率值;
利用差分结果,结合极大值与极小值判别式进行极值判别,极大值判别式:极小值判别式:/>
根据极大值与极小值判别式设置日光伏功率序列波动特征参数。
进一步的是,设置日光伏功率序列波动特征参数具体包括:
日光伏功率序列波动峰值Mm: 表示归一化处理后日光伏功率极值点序列在r时刻的值;r表示归一化后日光伏功率极值点序列序号;k表示日光伏功率序列极值点数量;
日光伏功率序列波动频率f:日光伏功率序列波动变化率ηm:表示归一化日光伏功率序列相邻极值点的时间间隔;tγ表示归一化日光伏功率序列极值点所对应的时刻。
进一步的是,采用四分位法确定日光伏功率序列波动特征参数Mm、f、ηm的阈值,具体包括:
计算三个日光伏功率序列波动特征参数的第二个四分位数Q2,K,i,其表达式为:
w(H+1)/2,K,i表示第i(i=1,2)个天气类型下第K(K=1,2,3)个日光伏功率波动特征参数序列wK,i中的第(H+1)/2个值;
计算三个日光伏功率序列波动特征参数的第一个和第三个四分位数Q1,K,i和Q3,K,i,当样本天数H=2h时,从Q2,K,i处将日光伏功率序列波动特征参数分为两部分,且两部分不包含Q2,k,i,然后分别计算这两部分的中位数Q2″,K,i和Q2″,K,i,且前者小于后者,则Q1,K,i=Q′2,K,i,Q3,K,i=Q′2,K,i;
当样本天数H=4h+3(h=0,1,…)时,则:
当样本天数H=4h+1(h=0,1,…)时,有:
计算四分位矩,确定日光伏功率序列波动特征各个参数的阈值,日光伏功率序列波动特征参数的四分位矩表达式为:IQR,K,i=Q3,K,i-Q1,K,i,确定两种天气类型的波动特征参数序列的区间表达式为:
[Fl,K,i,Fu,K,i]=[Q1,K,i-1.5IQR,K,i,Q3,K,i+1.5IQR,K,i],F1,K,i为第i个天气类型下第K个日功率序列波动特征参数的下阈值;Fu,K,i为第i个天气类型下第K个日功率序列波动特征参数的上阈值,在区间[F1,K,i,Fu,K,i]之外的样本数据都属于异常值;
基于四分位法得到的分析结果,将异常数据剔除。
进一步的是,步骤2具体包括:
经过奇异值分解技术确定最佳分量参数K,将K作为变分模态分解的参数输入,然后对历史光伏功率序列样本进行变分模态分解;
根据奇异值分布曲线,计算各阶次对应奇异值的斜率gm:s为通过奇异值拟合的曲线;m为奇异值曲线对应的阶次;
按照阶次递增的方向依次计算相邻两个奇异值斜率的差值:dgm=gm+1-gm,若差值dgm满足thr1<dgm<thr2,则K=m,thr1表示斜率差的上阈值,thr2表示斜率差的下阈值。
进一步的是,步骤5中,对CNN-LSTM混合神经网络组合预测模型进行训练具体包括:
将天气变化剧烈的历史光伏出力序列数据样本作为训练数据,其中输入向量包括该样本所对应的温度、辐照强度、最高气温、最低气温、风速、湿度,分别将输入向量的中的各维度天气因素作为CNN和LSTM模型的输入参数,CNN模型输出P1,表示低频分量对应的训练输出,LSTM模型的输出P2,表示高频分量对应的训练输出,N个低频分量分别用N个不同的CNN模型训练,K-N个高频分量分别用K-N个不同的LSTM模型训练,将各个子模型的训练输出与历史光伏出力序列数据样本分解得到的各个分量做对比,直到训练误差满足工程实际需求为止,完成模型训练,最后将高频分量与低频分量输出结果进行叠加重构得到整个组合模型的训练输出。
进一步的是,步骤6具体包括:将国家气象局公布的待预测日的温度、辐照强度、最高气温、最低气温、风速、湿度与历史天气样本数据进行相似度对比,若待预测日天气数据在历史样本数据中,则将待预测日天气数据作为训练完成后CNN-LSTM混合神经网络组合预测模型的输入,得到各个模型输出的分量,最后将各个分量叠加重构得到待预测日光伏功率预测值。
本发明的有益效果为:
本发明利用波动特征识别模型将历史光伏功率序列样本分为天气变化缓慢数据和天气变化剧烈数据,提高了样本数据质量;利用组合分解技术对历史光伏功率序列进行分解,确定最佳分量参数和模态分量,将模态分量分为高频分量和低频分量;针对低频分量构建CNN预测模型,针对高频分量构建LSTM预测模型,得到CNN-LSTM混合神经网络组合预测模型,通过天气变化缓慢数据和天气变化剧烈数据对CNN-LSTM混合神经网络组合预测模型进行训练;将待预测日的天气数据输入训练好的CNN-LSTM混合神经网络组合预测模型,得到光伏功率预测值,减少组合模型的整体复杂度同时还提高了光伏功率预测精度。
附图说明
图1为本发明实施例提供的CNN-LSTM混合神经网络组合预测模型结构示意图;
图2为本发明实施例提供的CNN-LSTM混合神经网络组合预测模型预测流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做出创造性劳动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。
本发明提供一种短期光伏功率预测方法,包括:
步骤一:利用波动特征识别模型将历史光伏功率序列样本分为天气变化缓慢和天气变化剧烈两类数据。
为保证本发明提出的CNN-LSTM混合神经网络组合预测模型训练集的数据质量,采用光伏功率序列波动特征识别模型对天气变化缓慢和天气变化剧烈两种类型数据展开精确筛选。波动特征识别模型需要严格的区分标准,所以要定义波动特征参数,然后采用四分位法确定各个波动特征参数的阈值。
为了便于定义波动特征参数,首先判别日光伏功率序列的极值点。步骤如下:
基于线性归一化方法对日光伏功率序列归一化处理,归一化处理公式为P表示日光伏功率序列,/>为日光伏功率序列归一化处理后的值,Pmax、Pmin分别表示日光伏功率序列的最大值、最小值;
基于向前、向后差分原理识别日光伏功率序列的极值点,向前差分表达式为:
向后差分表达式为:Pt表示t时刻光伏功率值,取n=1,日光伏功率序列细粒度为15分钟,n=1则日光伏功率序列相邻功率点的间隔为15min;
利用差分结果,结合极大值与极小值判别式进行极值判别,极大值判别式:极小值判别式:/>
为了便于准确识别日光伏功率波动特征,基于以上判别式定义以下日光伏功率序列波动特征参数:
日光伏功率序列波动峰值Mm:r=1,2,…,k-1,/>表示归一化处理后日光伏功率极值点序列在r时刻的值;r表示归一化后日光伏功率极值点序列序号;k表示日光伏功率序列极值点数量;
日光伏功率序列波动频率f:日光伏功率序列波动变化率ηm:ηm=max lr r=1,2,……,k,lr表示归一化日光伏功率序列相邻极值点的时间间隔;tr表示归一化日光伏功率序列极值点所对应的时刻。
接下来将从历史数据集合中分别抽取对应两种类型的样本,采用四分位法确定波动特征参数阈值。
采用四分位法确定日光伏功率序列波动特征参数Mm、f、ηm的阈值,具体包括:
计算三个日光伏功率序列波动特征参数的第二个四分位数Q2,Ki,其表达式为:
w(H+1)/2,Ki表示第i(i=1,2)个天气类型下第K(K=1,2,3)个日光伏功率波动特征参数序列wK,i中的第(H+1)/2个值;
计算三个日光伏功率序列波动特征参数的第一个和第三个四分位数Q1,K,i和Q3,K,i,当样本天数H=2h(h=1,2)时,从Q2,K,i处将日光伏功率序列波动特征参数分为两部分,且两部分不包含Q2,k,i,然后分别计算这两部分的中位数Q″2,K,i和Q″2,K,i,且前者小于后者,则Q1,K,i=Q′2,K,i,Q3,K,i=Q′2,K,i;
当样本天数H=4h+3(h=0,1,…)时,则:
当样本天数H=4h+1(h=0,1,…)时,有:
计算四分位矩,确定日光伏功率序列波动特征各个参数的阈值,日光伏功率序列波动特征参数的四分位矩表达式为:IQR,K,i=Q3,K,i-Q1,K,i,确定两种天气类型的波动特征参数序列的区间表达式为:
[Fl,K,i,Fu,K,i]=[Q1,K,i-1.5IQR,K,i,Q3,K,i+1.5IQR,K,i],F1,K,i为第i个天气类型下第K个日功率序列波动特征参数的下阈值;Fu,K,i为第i个天气类型下第K个日功率序列波动特征参数的上阈值,在区间[F1,K,i,Fu,K,i]之外的样本数据都属于异常值;
基于四分位法得到的分析结果,可以将异常数据剔除,而使得两种天气类型的数据更加集中,从而提高CNN-LSTM混合神经网络模型训练样本的质量。
步骤二、利用组合分解技术对历史光伏功率序列进行分解,确定最佳分量参数K和模态分量。
通过波动特征识别模型得到两种天气类型高质量的训练数据后,由于环境因素和设备本身的影响,光伏输出功率序列会出现随机性、周期性波动,具有很明显的非平稳性特点,采用改进的变分模态分解将两类历史功率序列进行分解以显露各个模态分量的波动形态,便于后续混合神经网络挖掘其波动规律。有文献证明变分模态分解可以有效处理光伏输出功率序列这种非线性、非平稳的时序信号,具有优异的频域分解特性。
变分模态分解的具体步骤为:
构造变分问题。假设时序信号f(t)可被分解为k个模态分量,为保证各个分解序列具有中心频率ωk和有限带宽的模态分量uk,同时将各个模态分量有限宽带之和最小作为目标函数,其约束条件为所有模态分量叠加之和与f(t)相等。则带有约束条件的变分表达式为:
K为最终分解的模态分量数;uk、ωk分别是第k个模态分量及其中心频率;δ(t)为Diract函数;*为卷积运算符号。
引入拉格朗日乘子λ并构造Lagrange函数。通过构造Lagrange函数将上述带有约束的变分问题转变成无约束的变分问题,得到增广表达式为:
α表示二次惩罚系数,其作用是降低高斯噪声的干扰。
利用ADMM,结合帕塞瓦尔定理(Parseval theorem)、傅里叶等距变换(Fourierequidistant transform),迭代优化得到模态分量uk和中心频率ωk,并且搜寻增广拉格朗日函数的鞍点,交替寻优迭代后的uk、ωk的表达式为:
分别是f(t)、uk(t)、λ(t)的Fourier变换,ω表示频率,n表示迭代次数。
变分模态分解需要根据主观经验提前设置分量个数K,其设置不合理会导致出现模态混叠现象,所以变分模态分解并不能自适应地确定分解个数。针对这一问题,引入奇异值分解技术。
下面介绍奇异值分解技术,假设有离散时间序列{h1,h2,…,hn},基于相空间重构理论可得L×K阶的Hankel矩阵:N表示信号长度;H表示轨道矩阵,K=N-L+1,延时值取1。
H经过奇异值分解得到:H=USVT,U、V分别表示正交矩阵;VT表示V(∈RK×K)的转置;S为对角矩阵,元素为奇异值。
根据奇异值分解原理,其去噪过程就是将前K个奇异值较大对应的有效分量保留,同时将余下的奇异值置零,置零的奇异值对应的分量相当于噪声,然后将前K个奇异值基于相空间重构理论进行矩阵重构,能在Forbeious范数下实现对H的最佳逼近,有利于提高信噪比,从而使得重构序列基本能准确反映原序列。
组合分解技术的具体操作步骤如下:
首先经过奇异值分解技术确定最佳分量参数K,将K作为变分模态分解的参数输入,然后对历史光伏功率序列样本进行变分模态分解。
奇异值分解后的前K个较大奇异值反映时间序列的有效成分,其余较小奇异值反映了噪声成分。K值的确定可以根据奇异值分布曲线来实现,当奇异值由局部最大值快速下降到稳定的最小值或者局部极小值时,这一突变点就是奇异值的有效阶次,即K值。而变分模态分解的分量个数是未知,在处理噪声部分时是直接删除,导致原始信息会丢失。由于在序列处理的过程中奇异值分解后的有效阶次K值和变分模态分解的分量个数是相等的,所以变分模态分解分量个数可以根据奇异值分解的有效阶次来确定。为了自适应地搜寻合适的奇异值突变点阶次,此处采用一种自适应确定的方法,具体实施步骤如下:
根据奇异值分布曲线,计算各阶次对应奇异值的斜率gm:s为通过奇异值拟合的曲线;m为奇异值曲线对应的阶次;
按照阶次递增的方向依次计算相邻两个奇异值斜率的差值:dgm=gm+1-gm,若差值dgm满足thr1<dgm<thr2,则K=m,thr1表示斜率差的上阈值,thr2表示斜率差的下阈值。两者具体数值大小视待分解序列强度大小而定,一般取thr1=50,thr2=5,便可以求出奇异值突变点有效阶次K。
步骤三、在步骤二中得到的两类模态分量,通过经验直接观察分别将其分为高频分量和低频分量。
将天气剧烈变化和天气缓慢变化两类模态分量中规律明显且波动较为平缓的分量视为高频分量,其余的视为低频分量,便于后续分别对高、低频分量分别进行训练和预测。这是由于CNN模型和LSTM模型在时序预测方面的效果都不错,但在处理更加复杂的问题时,CNN难以与LSTM相提并论。考虑到低频分量具有波形更加规律的特点,同时模型参数比较少,选取CNN建立预测模型不仅能够满足预测准确性还能降低模型计算复杂度;而高频分量波形复杂,建立预测模型被认为是更加复杂的问题,此时CNN无法满足其预测精度,采用LSTM网络能获得更加准确的预测结果。
步骤四、建立CNN-LSTM混合神经网络组合预测模型。
CNN-LSTM混合神经网络组合预测模型的示意图如图1所示,以训练和预测天气剧烈变化类型数据样本为例。
将天气剧烈变化类型的历史光伏出力序列数据样本作为训练数据,其中输入向量包括该样本所对应的温度、辐照强度、最高气温、最低气温、风速、湿度,即X=[T,I,...,H]。分别将X向量的中的各维天气因素作为CNN和LSTM模型的输入参数,CNN模型输出P1表示低频分量对应的训练输出,LSTM模型的输出P2表示高频分量对应的训练输出,N个低频分量分别用N个不同的CNN模型训练,K-N个高频分量分别用K-N个不同的LSTM模型训练,将各个子模型的训练输出与历史光伏出力序列数据样本分解得到的各个分量做对比,直到训练误差满足工程实际需求为止,完成模型训练,最后将高、低频分量输出结果进行叠加重构得到整个组合模型的训练输出。天气缓慢变化类型数据样本重复上述步骤即可完成模型训练。
CNN-LSTM混合神经网络组合模型的训练与预测流程如图2所示,具体包括:
1)采用波动特征识别模型将历史光伏功率序列样本分为天气变化缓慢和天气变化剧烈两类数据。
2)利用奇异值分解技术对历史光伏功率序列进行分解,确定最佳分量参数K。
3)针对两类天气类型分别进行变分模态分解,得到模态分量,假设天气变化缓慢类型对应的模态分量有K个。
4)在3)中得到的K个模态分量,通过经验直接观察将其分为高频分量和低频分量。
5)针对低频分量构建CNN预测模型,针对高频分量构建LSTM预测模型。具体地,将分量1到分量N分别作为CNN1到CNNN模型的训练输出,将分量N-1到分量K分别作为LSTMN-1到LSTMK模型的训练输出;所有的模型以对应的相同历史环境数据作为训练输入,在训练过程中采用改进的SSA优化模型参数,从而建立对应的预测模型。
6)将待预测日的天气数据输入到5)中已训练好的预测模型,分别把高、低频分量预测结果叠加重构得到带预测日光伏功率预测值。
步骤五、将待预测日得到的天气数据作为训练好的模型输入,经步骤四训练好的组合模型计算得到光伏功率预测值。
将国家气象局公布的待预测日的温度、辐照强度、最高气温、最低气温、风速、湿度与历史天气样本数据进行相似日对比,假如对比后发现待预测日天气数据在天气剧烈变化类型的历史样本数据中,则将待预测日天气数据作为步骤四中训练好的模型的输入,从而得到各个模型输出的分量,最后将各个分量叠加重构得到待预测日光伏功率预测值。
综上所述,本发明减少组合模型的整体复杂度同时还提高了光伏功率预测精度。
Claims (7)
1.一种短期光伏功率预测方法,其特征在于,包括:
步骤1、利用波动特征识别模型将历史光伏功率序列样本分为天气变化缓慢类型数据和天气变化剧烈类型数据;
步骤2、利用组合分解技术对历史光伏功率序列进行分解,确定最佳分量参数和模态分量;
步骤3、将模态分量分为高频分量和低频分量;
步骤4、针对低频分量构建CNN预测模型,针对高频分量构建LSTM预测模型,得到CNN-LSTM混合神经网络组合预测模型;
步骤5、通过天气变化缓慢类型数据和天气变化剧烈类型数据对CNN-LSTM混合神经网络组合预测模型进行训练;
步骤6、将待预测日的天气数据输入训练好的CNN-LSTM混合神经网络组合预测模型,得到光伏功率预测值。
2.根据权利要求1所述的短期光伏功率预测方法,其特征在于,步骤1中,还包括设置波动特征参数,所述设置波动特征参数具体包括:
基于线性归一化方法对日光伏功率序列归一化处理,归一化处理公式为P表示日光伏功率序列,/>为日光伏功率序列归一化处理后的值,Pmax、Pmin分别表示日光伏功率序列的最大值、最小值;
基于向前、向后差分原理识别日光伏功率序列的极值点,向前差分表达式为:
向后差分表达式为:Pt表示t时刻光伏功率值;
利用差分结果,结合极大值与极小值判别式进行极值判别,极大值判别式:极小值判别式:/>
根据极大值与极小值判别式设置日光伏功率序列波动特征参数。
3.根据权利要求2所述的短期光伏功率预测方法,其特征在于,设置日光伏功率序列波动特征参数具体包括:
日光伏功率序列波动峰值Mm:r=1,2,…,k-1,/>表示归一化处理后日光伏功率极值点序列在r时刻的值;r表示归一化后日光伏功率极值点序列序号;k表示日光伏功率序列极值点数量;
日光伏功率序列波动频率f:日光伏功率序列波动变化率ηm:ηm=maxlr=1,2,……,k,lr表示归一化日光伏功率序列相邻极值点的时间间隔;tr表示归一化日光伏功率序列极值点所对应的时刻。
4.根据权利要求3所述的短期光伏功率预测方法,其特征在于,采用四分位法确定日光伏功率序列波动特征参数Mm、f、ηm的阈值,具体包括:
计算三个日光伏功率序列波动特征参数的第二个四分位数Q2,K,i,其表达式为:
w(H+1)/2,K,i表示第i个天气类型下第K个日光伏功率波动特征参数序列wK,i中的第(H+1)/2个值;
计算三个日光伏功率序列波动特征参数的第一个和第三个四分位数Q1,K,i和Q3,K,i,当样本天数H=2h时,从Q2,K,i处将日光伏功率序列波动特征参数分为两部分,且两部分不包含Q2,k,i,然后分别计算这两部分的中位数Q″2,K,i和Q″2,K,i,且前者小于后者,则Q1,K,i=Q′2,K,i,Q3,K,i=Q′2,K,i;
当样本天数H=4h+3时,则:
当样本天数H=4h+1时,有:
计算四分位矩,确定日光伏功率序列波动特征各个参数的阈值,日光伏功率序列波动特征参数的四分位矩表达式为:IQR,K,i=Q3,K,i-QLK,i,确定两种天气类型的波动特征参数序列的区间表达式为:
[Fl,K,i,Pu,K,i]=[QL,K,i-1.5IQR,K,i,Q3,K,i+1.5IQR,K,i],F1,K,i为第i个天气类型下第K个日功率序列波动特征参数的下阈值;Pu,K,i为第i个天气类型下第K个日功率序列波动特征参数的上阈值,在区间[F1,K,i,Fu,K,i]之外的样本数据都属于异常值;
基于四分位法得到的分析结果,将异常数据剔除。
5.根据权利要求1所述的短期光伏功率预测方法,其特征在于,步骤2具体包括:
经过奇异值分解技术确定最佳分量参数K,将K作为变分模态分解的参数输入,然后对历史光伏功率序列样本进行变分模态分解;
根据奇异值分布曲线,计算各阶次对应奇异值的斜率gm:S为通过奇异值拟合的曲线;m为奇异值曲线对应的阶次;
按照阶次递增的方向依次计算相邻两个奇异值斜率的差值:dgm=gm+1-gm,若差值dgm满足thr1<dgm<thr2,则K=m,thr1表示斜率差的上阈值,thr2表示斜率差的下阈值。
6.根据权利要求1所述的短期光伏功率预测方法,其特征在于,步骤5中,对CNN-LSTM混合神经网络组合预测模型进行训练具体包括:
将天气变化剧烈的历史光伏出力序列数据样本作为训练数据,其中输入向量包括该样本所对应的温度、辐照强度、最高气温、最低气温、风速、湿度,分别将输入向量的中的各维度天气因素作为CNN和LSTM模型的输入参数,CNN模型输出P1,表示低频分量对应的训练输出,LSTM模型的输出P2,表示高频分量对应的训练输出,N个低频分量分别用N个不同的CNN模型训练,K-N个高频分量分别用K-N个不同的LSTM模型训练,将各个子模型的训练输出与历史光伏出力序列数据样本分解得到的各个分量做对比,直到训练误差满足工程实际需求为止,完成模型训练,最后将高频分量与低频分量输出结果进行叠加重构得到整个组合模型的训练输出。
7.根据权利要求1所述的短期光伏功率预测方法,其特征在于,步骤6具体包括:将国家气象局公布的待预测日的温度、辐照强度、最高气温、最低气温、风速、湿度与历史天气样本数据进行相似度对比,若待预测日天气数据在历史样本数据中,则将待预测日天气数据作为训练完成后CNN-LSTM混合神经网络组合预测模型的输入,得到各个模型输出的分量,最后将各个分量叠加重构得到待预测日光伏功率预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310445305.2A CN117114160A (zh) | 2023-04-24 | 2023-04-24 | 一种短期光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310445305.2A CN117114160A (zh) | 2023-04-24 | 2023-04-24 | 一种短期光伏功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114160A true CN117114160A (zh) | 2023-11-24 |
Family
ID=88793561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310445305.2A Pending CN117114160A (zh) | 2023-04-24 | 2023-04-24 | 一种短期光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114160A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117293826A (zh) * | 2023-11-27 | 2023-12-26 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
CN118013257A (zh) * | 2024-04-07 | 2024-05-10 | 一网互通(北京)科技有限公司 | 基于数据序列的峰值查找方法、装置及电子设备 |
CN118014318A (zh) * | 2024-04-09 | 2024-05-10 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多能系统的电力能源需求动态管理方法及装置 |
-
2023
- 2023-04-24 CN CN202310445305.2A patent/CN117114160A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117293826A (zh) * | 2023-11-27 | 2023-12-26 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
CN117293826B (zh) * | 2023-11-27 | 2024-04-05 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
CN118013257A (zh) * | 2024-04-07 | 2024-05-10 | 一网互通(北京)科技有限公司 | 基于数据序列的峰值查找方法、装置及电子设备 |
CN118013257B (zh) * | 2024-04-07 | 2024-06-07 | 一网互通(北京)科技有限公司 | 基于数据序列的峰值查找方法、装置及电子设备 |
CN118014318A (zh) * | 2024-04-09 | 2024-05-10 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多能系统的电力能源需求动态管理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN112508244B (zh) | 一种用户级综合能源系统多元负荷预测方法 | |
CN113642767A (zh) | 一种基于mi-vmd-da-edlstm-vec的多维特征组合预测方法 | |
CN111553510A (zh) | 一种短期风速预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN115456287A (zh) | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN107844872B (zh) | 一种用于风力发电的短期风速预报方法 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN116384586A (zh) | 一种基于vmd-svr的风速预测方法 | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
CN114897274A (zh) | 一种提升时间序列预测效果的方法和系统 | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 |
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 |