CN117117859B - 基于神经网络的光伏发电功率预测方法及系统 - Google Patents

基于神经网络的光伏发电功率预测方法及系统 Download PDF

Info

Publication number
CN117117859B
CN117117859B CN202311361404.9A CN202311361404A CN117117859B CN 117117859 B CN117117859 B CN 117117859B CN 202311361404 A CN202311361404 A CN 202311361404A CN 117117859 B CN117117859 B CN 117117859B
Authority
CN
China
Prior art keywords
photovoltaic power
power generation
data
whale
initial
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
Application number
CN202311361404.9A
Other languages
English (en)
Other versions
CN117117859A (zh
Inventor
张宏
王海侠
刘剑锋
靖鑫
高宏伟
李岩
赵彦睿
原桦
崔博玮
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.)
Huaneng New Energy Co Ltd Shanxi Branch
Original Assignee
Huaneng New Energy Co Ltd Shanxi Branch
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 Huaneng New Energy Co Ltd Shanxi Branch filed Critical Huaneng New Energy Co Ltd Shanxi Branch
Priority to CN202311361404.9A priority Critical patent/CN117117859B/zh
Publication of CN117117859A publication Critical patent/CN117117859A/zh
Application granted granted Critical
Publication of CN117117859B publication Critical patent/CN117117859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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

Landscapes

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

Abstract

本发明涉及光伏发电功率预测技术领域，尤其是提供一种基于神经网络的光伏发电功率预测方法及系统，方法包括：获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；构建初始光伏发电功率预测模型；基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果。其目的在于，用以提升光伏发电功率预测的准确性和稳定性。

Description

基于神经网络的光伏发电功率预测方法及系统
技术领域
本发明涉及光伏发电功率预测技术领域，具体而言，涉及一种基于神经网络的光伏发电功率预测方法及系统。
背景技术
近年来，随着人口增长和经济发展，全球能源需求不断增加，传统的不可再生能源已经难以满足这种需求。因此，分布式可再生能源发电技术，尤其是光伏发电技术，因其高性能、高效率和成本低在全球范围内得到了广泛的应用。然而，随着光伏发电容量的不断增加，光伏发电的功率输出具有较强的随机性、波动性和间歇性，给电力系统的安全稳定运行带来了严重的挑战。
为此，结合人工智能技术的发展，越来越多的神经网络算法被应用至光伏发电功率预测领域中，然而现有基于神经网络的光伏发电功率预测方案中，一方面特征数据具有较大的波动性，另一方面利用智能算法对超参数进行寻优易陷入局部最优，随着数据集的增加，会使得超参数寻优效率偏低，进而导致模型预测效率低下、预测点存在预测误差、预测效果存在随机性的问题，为此，我们提出一种基于神经网络的光伏发电功率预测方法及系统。
发明内容
本发明的目的在于提供一种基于神经网络的光伏发电功率预测方法及系统，用以提升光伏发电功率预测的准确性和稳定性。
本发明第一方面的技术方案提供了一种基于神经网络的光伏发电功率预测方法，包括如下步骤：
获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；
利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；
构建初始光伏发电功率预测模型；
基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；
获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果。
进一步地，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集具体包括：
构建比较数据序列和参考数据序列，并获取比较数据序列和参考数据序列的初始灰色关联系数，初始灰色关联系数的表达式为：
式中，为初始灰色关联系数，/>为历史运行数据指示量，/>为气象因子指示量，为比较数据序列的气象因子指示量与参考数据序列的气象因子指示量之间的绝对差值，/>为绝对差值的最大值，/>为绝对差值的最小值，/>为分辨系数；
式中，为参考数据序列，/>，/>为比较数据序列，，/>为气象因子总数，/>为历史运行数据总数；
获取比较数据序列的信息熵值，其表达式为：
式中，为信息熵值，/>为比较数据/>在比较数据序列总和的占比值；
根据初始灰色关联系数和信息熵值，获取改进后的灰色关联系数；
根据预设的分辨系数和改进后的灰色关联系数筛选比较数据序列，并对历史运行数据集进行划分，获取不同天气类型下的相似日数据集。
进一步地，改进后的灰色关联系数的表达式为：
式中，为改进后的灰色关联系数。
进一步地，利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集具体包括：
将不同天气类型下的相似日数据集转换为相似日数据矩阵并构建相似日数据矩阵的转换矩阵，其表达式为：
式中，为主成分矩阵，/>为主成分矩阵的协方差矩阵，/>为相似日数据矩阵，，/>为相似日数据集的行向量，/>为相似日数据矩阵的转换矩阵，/>为单位特征向量矩阵，/>为转置，/>为相似日数据的总数；
根据主成分矩阵中备选主成分行向量的方差累计贡献率，选择对应数量的备选主成分作为主成分，其表达式为：
式中，为备选主成分行向量的方差累计贡献率，/>为主成分的数量，/>为备选主成分行向量的方差；
根据主成分，对不同天气类型下的相似日数据集进行数据降维，获取数据降维后的相似日数据集；
对降维后的相似日数据集进行归一化，获取不同天气类型下的历史模型训练数据集。
进一步地，不同天气类型下的历史模型训练数据集的表达式为：
式中，为归一化后的相似日数据，/>为归一化前降维后的相似日数据，/>归一化前降维后的相似日数据的最大值，/>归一化前降维后的相似日数据的最小值。
进一步地，初始光伏发电功率预测模型包括依次连接的输入层、基于CNN网络构建的空间特征提取层、基于Attention机制构建的注意力权重层、基于BiGRU网络构建的特征学习层、基于KELM网络构建的误差预测层以及输出层。
进一步地，基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型具体包括：
选取初始光伏发电功率预测模型中的初始参数，将初始参数作为初始寻优目标并将初始寻优目标作为鲸鱼种群中鲸鱼个体的位置；
初始化鲸鱼寻优算法参数，利用Tent-Logistic-Cosine混沌映射序列获取初始化鲸鱼种群位置，其表达式为：
式中，为混沌映射序列获取的鲸鱼种群中鲸鱼个体的初始位置，/>为随机生成的鲸鱼种群的初始位置，/>为预设的混沌映射序列参数；
计算鲸鱼种群中每个鲸鱼个体的适应度值，并根据适应度值保留初始的最优鲸鱼个体，适应度值的表达式为：
式中，为适应度函数，/>为BiGRU网络的输出误差函数，/>第/>个BiGRU网络节点的真实输出值，/>第/>个BiGRU网络节点的理想输出值，/>为网络节点指示量，/>为网络节点总数；
针对每个鲸鱼个体，根据预设的更新参数和收敛因子优化步长系数，进行包围猎物行为、搜索猎物行为或泡泡网攻击行为，更新鲸鱼种群位置；
根据更新后的鲸鱼种群进行动态反向学习，获取反向鲸鱼种群；
计算更新后的鲸鱼种群和反向鲸鱼种群中每个鲸鱼个体的适应度值，并根据所有鲸鱼个体的适应度值，更新初始的最优鲸鱼个体，得到更新后的最优鲸鱼个体；
根据更新后的最优鲸鱼个体获取优化后的初始寻优目标；
根据优化后的初始寻优目标，获取优化后的初始光伏发电功率预测模型的初始参数；
将优化后初始参数的初始光伏发电功率预测模型，输入历史模型训练数据集进行训练，得到优化后的光伏发电功率预测模型。
进一步地，根据更新后的鲸鱼种群进行动态反向学习，获取反向鲸鱼种群具体包括：
动态反向学习的表达式为：
式中，为第/>个鲸鱼个体在第/>维度的反向解位置，/>为第/>个鲸鱼个体在第维度的正向解位置，/>为更新后鲸鱼种群第/>维度的上界，/>为更新后鲸鱼种群第/>维度的下界，/>为递减惯性因子，/>，/>为当前迭代次数，/>为最大迭代次数；
判断当前迭代次数是否达到预设迭代次数要求，输出更新后最优的鲸鱼个体对应的全局最优解的位置。
进一步地，获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果具体包括：
获取光伏发电站的实时气象数据，并将实时气象数据输入优化后的光伏发电功率预测模型的输入层；
使用空间特征提取层提取实时气象数据的空间特征，并将空间特征输入特征学习层；
使用注意力权重层设置特征学习层的输出注意力权重值；
根据输出注意力权重值，使用特征学习层获取实时气象数据的原始预测值；
获取原始预测值与真实值的原始误差值，并使用误差预测层对原始误差值进行修正，得到预测误差值；
根据实时气象数据的原始预测值和预测误差值，利用输出层输出最终预测值，其表达式为：
式中，为实时气象数据的最终预测值，对应于一个光伏发电功率预测标签，/>为特征学习层输出的原始预测值，/>为误差预测层输出的预测误差值。
本发明第二方案的技术方案提供一种基于神经网络的光伏发电功率预测系统，采用本发明第一方面技术方案中任一项所述的基于神经网络的光伏发电功率预测方法，包括：
数据采集模块，用于获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；
预处理模块，用于利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；
构建模块，用于构建初始光伏发电功率预测模型；
处理模块，用于基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；
预测模块，用于获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果。
本发明实施例的技术方案至少具有如下优点和有益效果：
1.本发明提供的基于神经网络的光伏发电功率预测方法及系统，采用信息熵加权的改进后的灰色关联度分析法对光伏发电站的历史运行数据集进行关联度聚类，基于相似日理论联合灰色关联度进行数据判定，获取不同天气类型下的相似日数据集，可有效消除特征数据的波动性，避免出现随机性的预测结果，进而提高光伏发电功率的预测精度和光伏发电功率预测模型对数据的学习效率；
2.基于改进后鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，优化初始光伏发电功率预测模型的模型超参数，优化后的光伏发电功率预测模型，训练速度更快，超参数选取更精准，进一步提升了光伏发电功率预测模型的预测效果，减少预测误差。
附图说明
图1为本发明实施例提供的基于神经网络的光伏发电功率预测方法的流程示意图；
图2为本发明实施例提供的基于神经网络的光伏发电功率预测系统的结构示意图；
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
请参见图1所示，本发明第一方面的技术方案提供了一种基于神经网络的光伏发电功率预测方法，包括如下步骤：
步骤S100：获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；其中，不同天气类型至少包括晴天、阴天以及多云天气，光伏发电站的历史运行数据集中包括有历史气象数据，历史气象数据的气象因子至少包括日最高温度、日最低温度、日照辐射、相对湿度、日降雨量以及风向；
步骤S100中，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集具体包括：
步骤S110：构建比较数据序列和参考数据序列，并获取比较数据序列和参考数据序列的初始灰色关联系数，初始灰色关联系数的表达式为：
式中，为初始灰色关联系数，/>为历史运行数据指示量，/>为气象因子指示量，为比较数据序列的气象因子指示量与参考数据序列的气象因子指示量之间的绝对差值，/>为绝对差值的最大值，/>为绝对差值的最小值，/>为分辨系数，/>具体为一个用于设置灰色关联系数的预设相关系数；
式中，为参考数据序列，/>，/>为比较数据序列，，/>为气象因子总数，/>为历史运行数据总数；
步骤S120：获取比较数据序列的信息熵值，其表达式为：
式中，为信息熵值，/>为比较数据/>在比较数据序列总和的占比值；其中，信息熵用于衡量比较数据序列中每个气象因子的分布情况，具体地，对于每个比较数据序列/>，通过计算每个气象因子的占比值/>，然后计算其对数值的期望值，最后得到信息熵值/>；信息熵值越高，表示比较数据序列中的气象因子分布越均匀，即数据序列的随机性和不确定性越大，进而通过比较数据序列的信息熵值，可以获取到数据序列的特征，进而用于计算改进后的灰色关联系数和筛选相似日数据集；通过引入信息熵值，可以根据比较数据序列的分布情况对灰色关联系数进行优化，进而更合理地设置改进后的灰色关联系数，提高关联度聚类的效果。
步骤S130：根据初始灰色关联系数和信息熵值，获取改进后的灰色关联系数；
在步骤S130中，改进后的灰色关联系数的表达式为：
式中，为改进后的灰色关联系数。
步骤S140：根据预设的分辨系数和改进后的灰色关联系数筛选比较数据序列，并对历史运行数据集进行划分，获取不同天气类型下的相似日数据集，本实施例中，例如，将分辨系数预设为，其具体实施方式为：
获取比较数据序列和参考数据序列的初始灰色关联系数；
获取比较数据序列的信息熵值；
根据初始灰色关联系数和信息熵值，获取比较数据序列和参考数据序列的改进后的灰色关联系数；
将参考数据序列中改进灰色关联系数大于0.85的历史运行数据集中的比较数据序列筛选出来，得到与参考数据序列属于同一种天气类型下的相似日数据集；
遍历所有天气类型的参考数据序列，重复上述步骤，最终即可得到不同天气类型下的相似日数据集；
综上，通过利用改进后的灰色关联度分析法，计算改进后的灰色关联系数，改进后的灰色关联系数可以更好地展示比较数据序列与参考数据序列之间的关联关系，进而提高关联度聚类的准确性；通过筛选出不同天气类型下的相似日数据集，通过对历史运行数据集进行关联度聚类，可以将相似的天气类型下的数据归为一类，为后续的光伏发电功率预测提供更可靠的基础。
步骤S200：利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；利用主成分分析法对不同天气类型下的相似日数据集进行数据降维，将原始冗余数据拟合到低维坐标系中建立新的数据集，即保留了数据在原始空间的相对关系，又提高了模型的训练速度；
步骤S200中，利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集具体包括:
步骤S210：将不同天气类型下的相似日数据集转换为相似日数据矩阵并构建相似日数据矩阵的转换矩阵，其表达式为：
式中，为主成分矩阵，/>为主成分矩阵的协方差矩阵，/>为相似日数据矩阵，，/>为相似日数据集的行向量，/>为相似日数据矩阵的转换矩阵，/>为单位特征向量矩阵，/>为转置，/>为相似日数据的总数；
步骤S220：根据主成分矩阵中备选主成分行向量的方差累计贡献率，选择对应数量的备选主成分作为主成分，选择对应数量的备选主成分包括：获取主成分矩阵，其中/>为备选主成分的列向量，/>，然后根据所有备选主成分的方差累计贡献率，若超过85%，则将对应的主成分的数量/>小于等于预设数量阈值/>的备选主成分作为主成分，最终的表达式为：
式中，为备选主成分行向量的方差累计贡献率，/>为主成分的数量，/>为备选主成分行向量的方差；
其中，备选主成分是指在主成分分析中，通过计算特征值和特征向量，得到的一组可能成为主成分的向量，其中每个备选主成分都对应的方差，其方差越大表示该备选主成分所包含的信息越多，因此，在计算方差累计贡献率时，可以根据备选主成分的方差大小选择一定数量的备选主成分作为最终的主成分；方差贡献率则是指单个公因子引起的变异占总变异的比例,说明此公因子对因变量的影响力大小；方差累计贡献率是所有公因子引起的变异占总变异比例,说明所有公因子对因变量的合计影响力。
步骤S230：根据主成分，对不同天气类型下的相似日数据集进行数据降维，获取数据降维后的相似日数据集；
步骤S240：对降维后的相似日数据集进行归一化，获取不同天气类型下的历史模型训练数据集；对降维后的相似日数据集进行归一化处理，可以将数据映射到统一的尺度范围内，消除不同特征之间的量纲差异，其中，不同天气类型下的历史模型训练数据集的表达式为：
式中，为归一化后的相似日数据，/>为归一化前降维后的相似日数据，/>归一化前降维后的相似日数据的最大值，/>归一化前降维后的相似日数据的最小值。
综上，在步骤S200中，通过主成分分析法，将原始的相似日数据集进行降维处理，以此减少了数据的维度，降低了数据的复杂性，进而可以减少后续光伏发电功率预测模型的计算量，提高模型训练的效率；另一方面，通过选择累计贡献率达到预设阈值的主成分数量，可以保留足够的信息，同时减少冗余信息，进而提高模型的泛化能力和预测准确性。
步骤S300：构建初始光伏发电功率预测模型；
步骤S300中，初始光伏发电功率预测模型包括依次连接的输入层、基于CNN网络构建的空间特征提取层、基于Attention机制构建的注意力权重层、基于BiGRU网络构建的特征学习层、基于KELM网络构建的误差预测层以及输出层，输出层用于输出光伏发电功率的预测结果，其中：
空间特征提取层主要用于对光伏数据序列进行空间特征的提取，空间特征提取层包括2个卷积层和1个池化层，由于光伏数据序列的特点，2 个卷积层都设计为 1 维卷积，空间特征提取层的激活函数是sigmoid，填充为same；为了保存更多波动信息，池化层优选的最大池化；
注意力权重层则可以模仿生物观察活动的内在过程，其是一个模仿认知注意力的机制，从大量信息中迅速过滤出高价值信息，其关键用途在于合理分配权重，即对重要信息赋予较大的权重，以便更合理地改变对信息的外部注意，忽略无关信息，放大所需信息；本实施例中引入 Attention机制为BiGRU网络的隐含层输出赋予权重，可减少因时序过长造成的信息丢失，并且突出强相关特征的影响，减少弱相关特征的影响；
特征学习层是利用前向和反向的BiGRU网络对CNN网络提取的特征进行学习，通过搭建两层的BiGRU结构，对提取特征充分学习，捕捉光伏历史数据集的双向信息流，学习光伏特征的动态变化规律；
误差预测层是基于极限学习机（Extreme Learning Machine,ELM）并结合核函数的改进算法，通过KELM能够在保留ELM优点的基础上提高模型的预测性能，对预测误差进行优化，相较于传统神经网络能有效避免产生局部最优解，进一步提升光伏发电功率的预测精度；
综上，采用组合模型CNN-BiGRU-Attention-KELM，相较于现有技术中单个神经网络进行预测，该模型更具有全面性，实现模型优势互补，进一步提高了预测精度和模型预测效果，并且组合模型的预测误差及误差波动范围相比于单一模型更小，相较于传统预测方法，在不同天气类型下具有较高的预测稳定性；
步骤S400：基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；
步骤S400具体包括：
步骤S410：选取初始光伏发电功率预测模型中的初始参数，将初始参数作为初始寻优目标并将初始寻优目标作为鲸鱼种群中鲸鱼个体的位置；其中，初始参数至少包括：BiGRU网络的隐含层神经元数量、神经元的初始权值、神经元的阈值、初始学习率；KELM网络的正则化系数和核参数；
步骤S420：初始化鲸鱼寻优算法参数，利用Tent-Logistic-Cosine混沌映射序列获取初始化鲸鱼种群位置，其表达式为：
式中，为混沌映射序列获取的鲸鱼种群中鲸鱼个体的初始位置，/>为随机生成的鲸鱼种群的初始位置，/>为预设的混沌映射序列参数；
在步骤S420中，利用Tent-Logistic-Cosine混沌映射序列产生初始化鲸鱼种群位置，相比于随机分布的种群，改进后的初始鲸鱼种群位置分布更加均匀，扩大了鲸鱼种群在空间中的搜索范围，增加了群体位置的多样性，一定程度上改善了算法容易陷入局部极值的缺陷，从而提高了算法的寻优效率；
步骤S430：计算鲸鱼种群中每个鲸鱼个体的适应度值，并根据适应度值保留初始的最优鲸鱼个体，适应度值的表达式为：
式中，为适应度函数，/>为BiGRU网络的输出误差函数，/>第/>个BiGRU网络节点的真实输出值，/>第/>个BiGRU网络节点的理想输出值，/>为网络节点指示量，/>为网络节点总数；
步骤S440：针对每个鲸鱼个体，根据预设的更新参数和收敛因子优化步长系数，进行包围猎物行为、搜索猎物行为或泡泡网攻击行为，更新鲸鱼种群位置；
下面提供一种步骤S440的具体实施例：
首先，随机生成一个更新参数P1,并预设一个收敛因子优化的步长系数A：
若P1<0.5且|A|<1，则执行收敛因子改进的包围猎物行为，更新鲸鱼种群位置，包围猎物行为的表达式：
式中，为包围猎物行为更新后的鲸鱼个体位置；/>为包围猎物行为下的最优的鲸鱼个体位置；/>为当前鲸鱼个体与最优的鲸鱼个体之间的距离；/>，/>为从2减少到0的收敛因子；
收敛因子的表达式为：
式中，为收敛因子；/>为双曲正切函数，/>为当前迭代次数、/>为最大迭代次数，/>、/>分别为收敛因子的最大值、最小值，/>为递减速率参数，/>为递减周期参数，，/>；
若P1<0.5且|A|≥1，则执行收敛因子改进的搜索猎物行为，更新鲸鱼种群位置，搜索猎物行为的表达式为：
式中，为搜索猎物行为更新后的鲸鱼个体位置，/>为从鲸鱼种群中选择的随机鲸鱼个体位置；
若P1≥0.5，则执行收敛因子改进的泡泡网攻击行为，更新鲸鱼种群位置，泡泡网攻击行为的表达式为：
式中，为泡泡网攻击行为更新后的鲸鱼个体位置，/>为当前鲸鱼个体与猎物之间的距离，/>为定义螺旋方程的常量，/>，/>为[−1,1] 之间的随机数；
需要说明的是，迭代前期，当收敛因子的值较大，更新的A也较大， |A|≥1，后续改进鲸鱼算法在迭代前期长时间处于搜索猎物的行为，增强算法的全局搜索能力；迭代前期，收敛因子/>的值较小，那么更新的A也较小，|A|<1，后续改进鲸鱼算法在迭代前期长时间处于包围猎物的行为，增强算法的局部包围能力，提高局部捕猎的能力；
步骤S450：根据更新后的鲸鱼种群进行动态反向学习，获取反向鲸鱼种群；
步骤S450具体包括：
动态反向学习的表达式为：
式中，为第/>个鲸鱼个体在第/>维度的反向解位置，/>为第/>个鲸鱼个体在第维度的正向解位置，/>为更新后鲸鱼种群第/>维度的上界，/>为更新后鲸鱼种群第/>维度的下界，/>为递减惯性因子，/>，/>为当前迭代次数，/>为最大迭代次数；通过动态反向学习，可有效减少搜索盲点，进而避免鲸鱼算法早熟，陷入局部最优值；
其中，本实施例中还需要，判断当前迭代次数是否达到预设迭代次数要求，输出更新后最优的鲸鱼个体对应的全局最优解的位置；当前迭代次数达到预设迭代次数阈值，则说明迭代完成，若适应度值满足要求，则说明最优的鲸鱼个体的位置为最优位置，即最优解。
步骤S460：计算更新后的鲸鱼种群和反向鲸鱼种群中每个鲸鱼个体的适应度值，并根据所有鲸鱼个体的适应度值，更新初始的最优鲸鱼个体，得到更新后的最优鲸鱼个体，其中，每个鲸鱼个体的适应度值对应网络输出误差小于预设的阈值，即说明鲸鱼个体此时的位置接近最优位置；
步骤S470：根据更新后的最优鲸鱼个体获取优化后的初始寻优目标；
步骤S480：根据优化后的初始寻优目标，获取优化后的初始光伏发电功率预测模型的初始参数，其中，优化后的初始光伏发电功率预测模型的初始参数即上述最优的BiGRU网络的隐含层神经元数量、神经元的初始权值、神经元的阈值、初始学习率；KELM网络的正则化系数和核参数；
步骤S490：将优化后初始参数的初始光伏发电功率预测模型，输入历史模型训练数据集进行训练，得到优化后的光伏发电功率预测模型；具体的，依据最优的BiGRU网络的隐含层神经元数量、神经元的初始权值、神经元的阈值、初始学习率；KELM网络的正则化系数和核参数，设置初始光伏发电功率预测模型；
综上，本申请步骤S400，通过使用改进的初始鲸鱼种群位置生成方式，扩大了搜索空间，增加了种群的多样性，减少了陷入局部极值的可能性，从而提高了算法的寻优效率；通过收敛因子优化的搜索猎物行为、包围猎物行为、泡泡网攻击行为，算法在迭代前期能够长时间保持全局搜索的行为，增强了算法的全局搜索能力，有助于找到更优的解。总之，通过改进的鲸鱼寻优算法对光伏发电功率预测模型进行优化，可以提高寻优效率、增强全局搜索和局部包围能力、加快收敛速度、增强探索和利用能力，提高算法的稳定性，从而产生更好的预测结果。
步骤S500：获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果；
步骤S500具体包括：
获取光伏发电站的实时气象数据，并将实时气象数据输入优化后的光伏发电功率预测模型的输入层；
使用空间特征提取层提取实时气象数据的空间特征，并将空间特征输入特征学习层；
使用注意力权重层设置特征学习层的输出注意力权重值；
根据输出注意力权重值，使用特征学习层获取实时气象数据的原始预测值；
获取原始预测值与真实值的原始误差值，并使用误差预测层对原始误差值进行修正，得到预测误差值；
根据实时气象数据的原始预测值和预测误差值，利用输出层输出最终预测值，其表达式为：
式中，为实时气象数据的最终预测值，对应于一个光伏发电功率预测标签，/>为特征学习层输出的原始预测值，/>为误差预测层输出的预测误差值。
综上所述，本申请所提供的基于神经网络的光伏发电功率预测方法，采用信息熵加权的改进灰色关联度分析法，基于相似日理论联合灰色关联度进行数据判定，通过对同季节原始日数据进行相似日聚类，得到与预测日相对应的原始气象相似数据，进而消除了特征数据的波动性，避免出现随机性的预测结果，从而提高了预测精度和对数据的学习效率；此外，采用主成分分析法对不同天气类型下的相似日数据集进行数据降维，通过将原始冗余数据拟合到低维坐标系中建立新的数据集，即保留了数据在原始空间的相对关系，又提高了模型的训练速度；为了进一步提高光伏发电功率的预测精度和效果，我们采用了组合模型CNN-BiGRU-Attention-KELM，相较于现有技术中单个神经网络进行光伏发电功率预测，该组合模型更具有全面性，实现了模型优势互补，并且组合模型的预测误差及误差波动范围相比于单一模型更小，相较于传统预测方法，在不同天气类型下具有较高的预测稳定性；最终，我们采用了改进后的鲸鱼寻优算法优化组合模型的模型超参数，该优化方法提高了模型训练速度，使超参数选取更精准科学，有效提高模型的预测效果。
请参见图2所示，本发明第二方案的技术方案提供一种基于神经网络的光伏发电功率预测系统，采用本发明第一方面技术方案中任一项所述的基于神经网络的光伏发电功率预测方法，包括：
数据采集模块，用于获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；
预处理模块，用于利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；
构建模块，用于构建初始光伏发电功率预测模型；
处理模块，用于基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；
预测模块，用于获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (8)

1.基于神经网络的光伏发电功率预测方法，其特征在于，包括如下步骤：
获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集， 具体包括：
构建比较数据序列和参考数据序列/>，并获取比较数据序列和参考数据序列的初始灰色关联系数，初始灰色关联系数的表达式为：
式中，为初始灰色关联系数，/>为历史运行数据指示量，/>为气象因子指示量，/>为比较数据序列的气象因子指示量与参考数据序列的气象因子指示量之间的绝对差值，为绝对差值的最大值，/>为绝对差值的最小值，/>为分辨系数；
式中，为参考数据序列，/>，/>为比较数据序列，，/>为历史运行数据指示量，/>为气象因子指示量，/>为气象因子总数，/>为历史运行数据总数；
获取比较数据序列的信息熵值，其表达式为：
式中，为信息熵值，/>为比较数据/>在比较数据序列总和的占比值；
根据初始灰色关联系数和信息熵值，获取改进后的灰色关联系数；
根据预设的分辨系数和改进后的灰色关联系数筛选比较数据序列，并对历史运行数据集进行划分，获取不同天气类型下的相似日数据集；
利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；
构建初始光伏发电功率预测模型；
基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型，具体包括：
选取初始光伏发电功率预测模型中的初始参数，将初始参数作为初始寻优目标并将初始寻优目标作为鲸鱼种群中鲸鱼个体的位置；
初始化鲸鱼寻优算法参数，利用Tent-Logistic-Cosine混沌映射序列获取初始化鲸鱼种群位置，其表达式为：
式中，为混沌映射序列获取的鲸鱼种群中鲸鱼个体的初始位置，/>为随机生成的鲸鱼种群的初始位置，/>为预设的混沌映射序列参数；
计算鲸鱼种群中每个鲸鱼个体的适应度值，并根据适应度值保留初始的最优鲸鱼个体，适应度值的表达式为：
式中，为适应度函数，/>为BiGRU网络的输出误差函数，/>第/>个BiGRU网络节点的真实输出值，/>第/>个BiGRU网络节点的理想输出值，/>为网络节点指示量，/>为网络节点总数；
针对每个鲸鱼个体，根据预设的更新参数和收敛因子优化步长系数，进行包围猎物行为、搜索猎物行为或泡泡网攻击行为，更新鲸鱼种群位置；
根据更新后的鲸鱼种群进行动态反向学习，获取反向鲸鱼种群；
计算更新后的鲸鱼种群和反向鲸鱼种群中每个鲸鱼个体的适应度值，并根据所有鲸鱼个体的适应度值，更新初始的最优鲸鱼个体，得到更新后的最优鲸鱼个体；
根据更新后的最优鲸鱼个体获取优化后的初始寻优目标；
根据优化后的初始寻优目标，获取优化后的初始光伏发电功率预测模型的初始参数；
将优化后初始参数的初始光伏发电功率预测模型，输入历史模型训练数据集进行训练，得到优化后的光伏发电功率预测模型；
获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果。
2.根据权利要求1所述的基于神经网络的光伏发电功率预测方法，其特征在于，改进后的灰色关联系数的表达式为：
式中，为改进后的灰色关联系数。
3.根据权利要求1所述的基于神经网络的光伏发电功率预测方法，其特征在于，利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集具体包括：
将不同天气类型下的相似日数据集转换为相似日数据矩阵并构建相似日数据矩阵的转换矩阵，其表达式为：
式中，为主成分矩阵，/>为主成分矩阵的协方差矩阵，/>为相似日数据矩阵，，/>为相似日数据集的行向量，/>为相似日数据矩阵的转换矩阵，/>为单位特征向量矩阵，/>为转置，/>为相似日数据的总数；
根据主成分矩阵中备选主成分行向量的方差累计贡献率，选择对应数量的备选主成分作为主成分，其表达式为：
式中，为备选主成分行向量的方差累计贡献率，/>为主成分的数量，/>为备选主成分行向量的方差；
根据主成分，对不同天气类型下的相似日数据集进行数据降维，获取数据降维后的相似日数据集；
对降维后的相似日数据集进行归一化，获取不同天气类型下的历史模型训练数据集。
4.根据权利要求3所述的基于神经网络的光伏发电功率预测方法，其特征在于，不同天气类型下的历史模型训练数据集的表达式为：
式中，为归一化后的相似日数据，/>为归一化前降维后的相似日数据，/>归一化前降维后的相似日数据的最大值，/>归一化前降维后的相似日数据的最小值。
5.根据权利要求1至4任一项所述的基于神经网络的光伏发电功率预测方法，其特征在于，初始光伏发电功率预测模型包括依次连接的输入层、基于CNN网络构建的空间特征提取层、基于Attention机制构建的注意力权重层、基于BiGRU网络构建的特征学习层、基于KELM网络构建的误差预测层以及输出层。
6.根据权利要求5所述的基于神经网络的光伏发电功率预测方法，其特征在于，根据更新后的鲸鱼种群进行动态反向学习，获取反向鲸鱼种群具体包括：
动态反向学习的表达式为：
式中，为第/>个鲸鱼个体在第/>维度的反向解位置，/> 为第/>个鲸鱼个体在第/>维度的正向解位置，/>为更新后鲸鱼种群第/>维度的上界，/>为更新后鲸鱼种群第/>维度的下界，/>为递减惯性因子，/>，/>为当前迭代次数，/>为最大迭代次数；
判断当前迭代次数是否达到预设迭代次数要求，输出更新后最优的鲸鱼个体对应的全局最优解的位置。
7.根据权利要求6所述的基于神经网络的光伏发电功率预测方法，其特征在于，获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果具体包括：
获取光伏发电站的实时气象数据，并将实时气象数据输入优化后的光伏发电功率预测模型的输入层；
使用空间特征提取层提取实时气象数据的空间特征，并将空间特征输入特征学习层；
使用注意力权重层设置特征学习层的输出注意力权重值；
根据输出注意力权重值，使用特征学习层获取实时气象数据的原始预测值；
获取原始预测值与真实值的原始误差值，并使用误差预测层对原始误差值进行修正，得到预测误差值；
根据实时气象数据的原始预测值和预测误差值，利用输出层输出最终预测值，其表达式为：
式中，为实时气象数据的最终预测值，对应于一个光伏发电功率预测标签，/>为特征学习层输出的原始预测值，/>为误差预测层输出的预测误差值。
8.基于神经网络的光伏发电功率预测系统，其特征在于，采用权利要求1至7任一项所述的基于神经网络的光伏发电功率预测方法，包括：
数据采集模块，用于获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；
预处理模块，用于利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；
构建模块，用于构建初始光伏发电功率预测模型；
处理模块，用于基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；
预测模块，用于获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果。
CN202311361404.9A 2023-10-20 2023-10-20 基于神经网络的光伏发电功率预测方法及系统 Active CN117117859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311361404.9A CN117117859B (zh) 2023-10-20 2023-10-20 基于神经网络的光伏发电功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311361404.9A CN117117859B (zh) 2023-10-20 2023-10-20 基于神经网络的光伏发电功率预测方法及系统

Publications (2)

Publication Number Publication Date
CN117117859A CN117117859A (zh) 2023-11-24
CN117117859B true CN117117859B (zh) 2024-01-30

Family

ID=88805815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311361404.9A Active CN117117859B (zh) 2023-10-20 2023-10-20 基于神经网络的光伏发电功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN117117859B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117477563A (zh) * 2023-12-27 2024-01-30 深圳力高新能技术有限公司 一种光伏发电功率预测用样本日搜索方法、系统及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法
CN112927097A (zh) * 2021-01-29 2021-06-08 国网辽宁省电力有限公司阜新供电公司 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法
CN113469426A (zh) * 2021-06-23 2021-10-01 国网山东省电力公司东营供电公司 基于改进bp神经网络的光伏输出功率预测方法及系统
CN113761023A (zh) * 2021-08-24 2021-12-07 国网甘肃省电力公司 一种基于改进广义神经网络的光伏发电短期功率预测方法
CN114266416A (zh) * 2021-12-30 2022-04-01 南京洁源电力科技发展有限公司 基于相似日的光伏发电功率短期预测方法、装置及存储介质
CN114492944A (zh) * 2021-12-30 2022-05-13 中南大学 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质
CN114897129A (zh) * 2022-03-24 2022-08-12 华北电力大学 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
CN115310669A (zh) * 2022-07-06 2022-11-08 国家能源集团新能源技术研究院有限公司 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法
CN116128150A (zh) * 2023-03-02 2023-05-16 南京邮电大学 一种基于两级优化的光伏智能出力预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852902A (zh) * 2019-11-14 2020-02-28 合肥工业大学 一种基于bas-bp的光伏发电功率预测方法
CN112927097A (zh) * 2021-01-29 2021-06-08 国网辽宁省电力有限公司阜新供电公司 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法
CN113469426A (zh) * 2021-06-23 2021-10-01 国网山东省电力公司东营供电公司 基于改进bp神经网络的光伏输出功率预测方法及系统
CN113761023A (zh) * 2021-08-24 2021-12-07 国网甘肃省电力公司 一种基于改进广义神经网络的光伏发电短期功率预测方法
CN114266416A (zh) * 2021-12-30 2022-04-01 南京洁源电力科技发展有限公司 基于相似日的光伏发电功率短期预测方法、装置及存储介质
CN114492944A (zh) * 2021-12-30 2022-05-13 中南大学 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质
CN114897129A (zh) * 2022-03-24 2022-08-12 华北电力大学 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
CN115310669A (zh) * 2022-07-06 2022-11-08 国家能源集团新能源技术研究院有限公司 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法
CN116128150A (zh) * 2023-03-02 2023-05-16 南京邮电大学 一种基于两级优化的光伏智能出力预测方法

Also Published As

Publication number Publication date
CN117117859A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN112653142B (zh) 优化深度Transformer网络的风电功率预测方法及系统
CN108564192B (zh) 一种基于气象因子权重相似日的短期光伏功率预测方法
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN112733997B (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
CN117117859B (zh) 基于神经网络的光伏发电功率预测方法及系统
CN109063355A (zh) 基于粒子群优化与Kriging模型的近似优化方法
CN114019370B (zh) 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法
CN110987436B (zh) 基于激励机制的轴承故障诊断方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN115204035A (zh) 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质
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
CN115099461A (zh) 基于双分支特征提取的太阳辐射预测方法及系统
CN112906935A (zh) 一种风电场超短期功率预测方法
CN115907195A (zh) 一种光伏发电功率预测方法、系统、电子设备及介质
CN116933922A (zh) 基于woa-cnn-lstm光伏发电功率预测的方法
CN116578551A (zh) 一种基于gru-gan的电网数据修复方法
CN115905855A (zh) 一种改进的元学习算法MG-Reptile
CN111783688B (zh) 一种基于卷积神经网络的遥感图像场景分类方法
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
CN116681154A (zh) 一种基于emd-ao-delm的光伏功率计算方法
CN114494284B (zh) 一种基于显式监督区域关系的场景解析模型及方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
KR102515608B1 (ko) 태양광 발전량 예측 방법 및 시스템
CN115829123A (zh) 基于灰色模型与神经网络的天然气需求预测方法及装置
CN113449466B (zh) 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统

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
GR01 Patent grant
GR01 Patent grant