CN117132132A - 基于气象数据的光伏发电功率预测方法 - Google Patents
基于气象数据的光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN117132132A CN117132132A CN202311145681.6A CN202311145681A CN117132132A CN 117132132 A CN117132132 A CN 117132132A CN 202311145681 A CN202311145681 A CN 202311145681A CN 117132132 A CN117132132 A CN 117132132A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic power
- power generation
- prediction
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 241000283153 Cetacea Species 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 7
- 230000002596 correlated effect Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000008685 targeting Effects 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biophysics (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)
- Photovoltaic Devices (AREA)
Abstract
基于气象数据的光伏发电功率预测方法,属于光伏功率预测领域,为了解决基于气象数据的光伏发电功率预测中降低噪音影响的问题,要点是对影响光伏发电功率的气象数据进行相关性分析,确定相关的气象因素;采用经过鲸鱼算法优化后的变分模态分解VMD算法提取光伏发电功率数据的本征模态向量和残差项,将残差项剔除;得到改进Transformer模型;将分解后的低频分量和气象数据分别输入至改进的Transformer模型进行预测,将分解后的高频分量和气象数据分别输入至LSTM模型进行预测;将预测结果叠加,得到光伏发电功率预测结果,效果是可以降低光伏发电功率数据噪声,提高预测精度。
Description
技术领域
本发明属于光伏功率预测领域,特别涉及一种基于组合模型的光伏发电功率预测方法。
背景技术
光伏大量并网可能会导致电力系统不稳定,因为太阳能发电系统的输出功率受日照强度和天气等因素影响,波动不定且难以预测和控制。电力输出有可能下降或突然过剩,在高负荷时段,电网需要依赖其他发电系统满足需求;而在低负荷时段,多余的电力则可能无法吸收,导致电压波动和电网故障。同时,由于太阳能发电系统输出功率波动,可能会导致负荷需求和电力生产之间不能平衡,进而造成电力系统不稳定和电力供应中断。光伏发电功率的精准预测不仅有助于能源管理、电网规划和平衡供需,而且还能帮助协调调度电池存储、负荷和电源之间的能量。因此,对光伏发电功率进行精确预测的研究意义主要体现在以下几个方面:
(1)保障电网的可靠性、安全性和稳定性:精确的光伏发电功率预测可以帮助电力系统及时了解到光伏发电的情况,从而采取有效措施保障电网的可靠性、安全性和稳定性。
(2)实现可再生能源的有效整合:利用高效的电力系统控制、能源交易和储能装置的管理,进一步提高可再生能源在能源结构中的比重。
(3)缓解消纳问题、降低弃光率和加大绿色资源利用率:光伏功率预测可以帮助电力系统合理调度光伏发电的输出功率,缓解消纳问题,降低弃光率和提高绿色资源的利用率。
(4)提高电网电力管理效率以及辅助发电商制定决策。
目前,很多专家和学者提出了关于光伏发电功率预测的方法。其中物理建模法和时间序列法等传统预测方法受到复杂的实际环境和气象影响,预测出的精度较低且难以提高;随后又提出了基于数据驱动的预测方法,包括支持向量机(SVM)、人工神经网络(ANN)等。然而随着人工智能在各个领域的广泛发展与应用,以模拟视觉神经的卷积神经网络(CNN)、模拟海马体的长短期记忆神经网络(LSTM)和模拟人类注意力的注意力机制等模型也在光伏发电功率预测中得到应用并且取得了不错的效果。但是在天气波动较大时预测精度较低。
发明内容
为了解决基于气象数据的光伏发电功率预测中降低噪音影响的问题,用于提高预测精度,根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,包括
步骤1:对光伏发电功率数据进行预处理;
步骤2:对影响光伏发电功率的气象数据进行相关性分析,确定相关的气象因素,包括全球水平辐照度、风速、温度和湿度;
步骤3:采用经过鲸鱼算法优化后的变分模态分解VMD算法提取光伏发电功率数据的本征模态向量和残差项,本征模态向量包括高频分量和低频分量,将残差项剔除;
步骤4:通过使用ProbSparse Self-attention机制替换Transformer模型的self-attention机制,得到改进Transformer模型;
步骤5:将分解后的低频分量和气象数据分别输入至改进的Transformer模型进行预测,将分解后的高频分量和气象数据分别输入至LSTM模型进行预测;
步骤6:将改进的Transformer模型输出的低频预测分量的预测结果和LSTM模型输出的高频分量的预测结果叠加,得到光伏发电功率预测结果。
根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,步骤1中的预处理包括对光伏发电功率数据进行填充缺失数据、剔补异常数据以及数据归一化。
根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,通过线性插值法填充缺失数据,对于光伏发电功率数据的点A(x1,y1)和光伏发电功率数据的点B(x2,y2),以及两个点之间的插值位置x:
其中,x是要进行插值的位置的横坐标,y是通过插值得到的在位置x处的纵坐标估计值,x1和x2是点A和点B的横坐标,y1和y2是点A和点B的纵坐标。
根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,归一化由如下公式表示:
式中,xa、xb分别为光伏功率数据归一化后和归一化前的数据;xmax、xmin分别为光伏功率数据的最大值和最小值。
根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,对影响光伏发电功率的气象数据进行相关性分析,由下式表示:
式中,n为光伏功率数据的样本数,xi和yi是第i个光伏功率数据样本点的两个变量的值,和y为变量x和y的平均值,sx和sy为变量x和y的标准差。
根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,采用经过鲸鱼算法优化后的变分模态分解VMD算法提取光伏发电功率数据的本征模态向量,包括
输入光伏发电功率数据,通过鲸鱼优化算法,得到光伏发电功率数据对应的最优解K和α;
将最优解K和α带入VMD算法;
将光伏发电功率数据输入最优解为K和α的VMD算法,输出光伏发电功率数据的本征模态向量,包括高频分量和低频分量。
根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,排列熵作为采用经过鲸鱼算法优化后的变分模态分解VMD算法的适应度函数。
根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,K=5,α=100。
根据本申请一些实施例的基于气象数据的光伏发电功率预测方法,步骤4中,通过将ProbSparse Self-attention机制把Transformer模型的self-attention机制的关键字K替换成关键字稀疏向量只关注前t个元素,其余的元素都被0填充,t的大小受到采样因子s的长度控制,关系表达式:t=slnLK,Lk为key矩阵的时间长度;
其中,获取稀疏向量的方法是随机选取t个查询Q中的元素和关键字K计算稀疏度量M,再从稀疏度量M中选t个元素组成关键字稀疏向量/>其中,稀疏度量M由如下公式表示:
式中,M为稀疏度量,Lk为key矩阵的时间长度,表示缩放系数,qi表示查询Q中第i个元素,kj表示K中第j个元素。
本发明的有益效果:本发明将VMD、Transformer模型和LSTM模型结合进行光伏发电功率预测。首先,将鲸鱼算法进行参数寻优后的VMD对原始光伏发电功率序列进行分解,以克服光伏发电功率的波动性和随机性特点,同时得到若干个低频分量和高频分量;然后使用优化的Transformer模型和LSTM模型分别对低高频部分进行预测;最后,对各个分量的预测值进行叠加合成,得到最终的光伏功率预测结果。
在第一方面上,相较于单一模型对光伏发电功率数据进行预测,模型效率更高,预测数据准确性提高。
在第二方面上,考虑到光伏系统功率数据在不同尺度下的精度,将光伏数据的高频分量和低频分量分别用对应的方法进行预测,从而使预测结果更为精确。
在第三方面上,将把Transformer进行了改进,将原始模型的self-attention机制使用ProbSparse Self-attention机制进行替换。一方面可以减少内存消耗,另一方面可以大幅度降低计算资源。
在第四方面上,将原始光伏发电功率数据数据直接预测方式,由于噪声影响,一般性的降噪途径使用,在光伏发电功率数据预测上已难以提高预测精度。发明人发现,对光伏发电功率数据可以提取本征模态分量和残差项,将残差项剔除,能够降低噪声影响,具有提高预测精度的可能性。但是基于该思路,所得到的本征模态分量包括高低频分量,不再是现有预测方法(即数据直接输入网络模型的预测方法)中的只有一种类型的向量数据。若按照一般性的处理,将本征模态分量的高低频分量一并输入Transformer模型,在实验中发现,Transformer模型或者改进的Transformer模型都只能对高频分量敏感,单一使用一种模型的预测精度并不理想。为此,本发明通过改进的Transformer模型处理高频分量,通过LSTM模型处理低频分量,使得高低频分量所输入的模型对对应分量均敏感,在对两个模型输出的预测结果叠加,得到光伏发电功率预测结果,且预测精度较高。由此,本发明使用改进的Transformer模型和LSTM模型分别对高低频分量处理后对预测结果叠加,该手段的实际作用是为适应解决降低数据噪音问题,从而提高预测精度。
附图说明
图1为本发明提供的光伏功率预测流程图;
图2为本发明提供变量相关系数热图;
图3为本发明提供的WOA-VMD模态分解结果图;
图4为基于VMD-Transformer-LSTM的光伏发电功率预测结果图。
具体实施方式
本发明结合鲸鱼算法优化的变分模态分解,对光伏发电功率数据的高频分量和低频分量区分之后,将分解出的低频和高频分量连同气象数据分别输入改进的Transformer模型和LSTM模型来预测每个模态分量的值。其中,模型加入多个气象特征后,会导致计算资源过大、内存过度消耗和模型训练时间太长。因此,本发明首先引入多个气象因素作为VMD-Transformer-LSTM模型特征输入,以此解决了目前基于单变量因素的预测模型效率低和稳定性差的缺陷;其次,通过使用ProbSparse Self-attention机制替换原始模型的self-attention机制,解决了多个特征加入时导致浪费计算资源和内存过度消耗等问题;最后将预测出来的序列进行叠加得到最终预测结果。下面以澳大利亚沙漠知识太阳能中心(https://dkasolarcentre.com.au/)的一个光伏发电站为对象,利用实际的公开数据进行了算例分析。最后通过仿真实验验证了本发明提出的光伏发电功率组合预测模型的性能。
如附图1所示,本发明实施例提供一种基于气象数据的光伏发电功率预测方法,是一种基于变分模态分解、Transformer模型和LSTM模型的光伏发电功率预测方法,包括以下步骤:
步骤1:对光伏发电功率数据进行预处理,填充缺失数据,剔补异常数据,进行数据归一化:
在检测到极值数据时,一种常见的处理方法是将其视为缺失数据并将其设置为空值。在光伏发电数据中,数据缺失是一种常见的现象,这可能是由于数据采集和传输设备等原因导致的。缺失数据不仅会给数据处理带来复杂性,而且还会使后续预测模型的研究变得困难。因此,对缺失数据进行处理是非常必要的。目前最简捷的处理方法就是将缺失数据直接删除,如果是多维数据,就直接删除整个属性的数据,以获取完整的、没有缺失数据的数据集。但是这种方法只适用于当缺失比例较小时的数据。对于缺失数据比例较大时,会极大影响数据的推理能力。此外,如果是在多维数据中,不同属性特征的数据之间存在一定的关联性,将其中某一特征直接删除会影响数据分布的判断。因此,应该综合考虑数据缺失比例、数据集的样本量和数据分布的特点等因素来选择合适的处理方法。具体的处理方法应该根据具体情况进行选择。
按照数据缺失程度,本发明最终选择线性插值法来进行缺失数据的填补。通过线性插值法填充缺失数据,对于光伏发电功率数据的点A(x1,y1)和光伏发电功率数据的点B(x2,y2),以及两个点之间的插值位置x:
其中,x是要进行插值的位置的横坐标,y是通过插值得到的在位置x处的纵坐标估计值,x1和x2是点A和点B的横坐标,y1和y2是点A和点B的纵坐标。
对历史数据进行归一化的原因是为了减小不同特征的数据之间量纲,从而促进模型的训练,加快拟合速度其公式为:
式中:xa、xb分别为光伏功率数据归一化后和归一化前的数据;xmax、xmin分别为光伏功率数据的最大值和最小值。
步骤2:对影响光伏发电功率数据的特征进行相关性分析:
输入特征的维数太多不仅会导致信息冗余,还会提升建模的难度,增加训练时长。因此,根据相关性筛选出与光伏发电功率强相关的特征进行输入是非常有必要的。本发明利用皮尔逊相关系数(Pearson Correlation Coefficient)来计算光伏发电功率和各气候因素的线性相关程度,进而选取重要的特征进行预测。
皮尔逊相关系数是用来描述两个变量间的线性相关程度,其数值介于-1和1之间,其绝对值越大,表明两者间的相关性越大。可以将其划分为极强相关(0.8-1.0)、强相关(0.6-0.8)、中等程度相关(0.4-0.6)、弱相关(0.2-0.4)和极弱相关(0.0-0.2)。皮尔逊相关系数的定义如下:
式中,n为光伏功率数据的样本数,xi和yi是第i个光伏功率数据样本点的两个变量的值,x和为变量x和y的平均值,sx和sy为变量x和y的标准差。
附图2是发电功率与各个气象因素之间的相关性矩阵图。由图2可见,与功率呈极强相关的因素有很多,为了减少后续模型中的计算量,在所有呈极强相关和强相关的变量中保留一个,在中等相关中选择与光伏发电功率呈正相关的温度和呈负相关的湿度,因此文中选取全球水平辐照度、风速、温度和湿度作为接下来模型的气象因素输入。
步骤3:采用经过鲸鱼算法优化后的变分模态分解VMD算法提取光伏系统功率数据的本征模态向量和残差项,剔除残差项:
VMD(variational mode decomposition)是将信号分解为具有本征模态特性的一种算法,该算法的主要原理是通过构建约束变分模型来求解约束变量。VMD的性能与参数K和a取值有必要的联系。为了选取最优的参数组合(K,α),本发明采用鲸鱼算法来优化VMD模型。
鲸鱼优化算法(Whale OptimizationAlgorithm,WOA)是模拟鲸鱼捕猎行为的一种优化算法。该算法的基本原理可以概括为两个阶段:局部开发阶段和全局探索阶段。
(1)局部开发阶段,目标位置为猎物的当前位置,并以50%的概率选择收缩包围机制或者螺旋更新不断更新位置,数学模型描述为:
式中:b是常数;l是(-1,1)之间的随机数。
(2)全局探索阶段,鲸鱼不停更新自己的位置进行搜索,数学模型可为:
X(t+1)=Xrand(t)-A·D
式中:|A|>1;Xrand是随机选择的鲸鱼位置。
在使用鲸鱼算法来对VMD进行优化时,问题的核心是适应度函数的选取。本发明使用排列熵是一种度量混沌时间序列复杂性的平均熵参数,并具备计算简单,抗干扰能力强等优点。因此,本发明选用排列熵作为WOA-VMD算法的适应度函数。
经过鲸鱼算法(WOA)优化后确定最佳模态分解个数K=5和α=100,附图3所示为WOA-VMD分解结果。
步骤4:通过使用ProbSparse Self-attention机制替换原始Transformer模型的self-attention机制,得到改进的Transformer模型:
在原始自注意力模型中,注意力是由输入序列中某一元素与序列中其他元素之间的关联程度来决定的,联系越紧密,表示元素之间的注意力越大。然而,这种联系呈现出长尾式分布,并且稀疏分散。某个元素只有与少量元素之间的联系才是重要的,与大部分元素之间的联系则是不必要的。这可能会造成大量的计算资源和内存资源的极大浪费。为了改善资源的浪费,研究者提出了基于概率稀疏自注意力机制的模型。在数学形式上,概率稀疏自注意力模型的表达式与原始自注意力模型相似,只是把K替换成了这是一个大小与K相同的稀疏向量K,但它只关注前t个元素,其余的元素都被0填充。t的大小受到采样因子s的长度控制,它们之间的关系可以用表达式t=slnLK来表示。最大-均值度量是一种以前t个元素为基础,根据其重要性和相关性来确定后续元素重要程度的方法。它采用KL散度的变体,根据每个元素与前t个元素的相关性来评估其重要性,从而区分重要联系和不重要联系。
式中,M为稀疏度量,Lk为key矩阵的时间长度,表示缩放系数,qi表示查询Q中第i个元素,kj表示关键字K中第j个元素。这样只要随机选取t个Q中的元素和K计算M,然后再从M中选t个元素组成K,就能够有效简化计算和内存资源,而且自注意力模型的性能损失不会太大。
步骤5:将分解后的低频分量和气象数据分别输入至改进的Transformer模型进行预测,分解后的高频分量和气象数据分别输入至LSTM模型进行预测:
Transformer是一种基于编码器-解码器结构的模型,而自注意力机制贯穿了整个Transformer模型,是模型中重要的组成部分,它可以进行并行计算,因为它能把上下词之间的关系加到位置编码上,极大的缩短了训练时间。其计算公式为:
式中,dk代表K的维度。相似度是通过向量的点积获取,并使用dk对结果进行尺度缩放,最后使用softmax函数来获取权重。
长短期记忆网络(LSTM)模型是在循环神经网络(RNN)的基础上改良的模型。LSTM主要由遗忘门、输入门和输出门三部分组成,它有效地解决了RNN模型存在的梯度爆炸的问题,原因是LSTM可以增加或去除“细胞状态”的信息,只保留重要信息。
在对光伏功率历史预测数据进行训练前格式处理后,划分训练集和测试集,通过将训练集数据协助构建LSTM网络的构建,将测试集数据代入长短期记忆LSTM网络进行预测得到测试集的预测值。
表1和2显示了Transformer-LSTM组合模型取得最佳表现时的参数值,所有参数都是根据控制变量法来确定的。
表1Transformer模型参数表
表2LSTM模型参数表
步骤6:将各个分量的预测结果进行叠加,得出最终光伏发电功率预测结果:
本发明方法预测结果如图4所示,可以发现,经过VMD算法有效地分解数据中的混合模态,为后续的预测奠定了基础。发明的光伏发电功率预测模型在减小数据之间的干扰的同时还建立起数据之间内部的联系,进而提高了光伏发电功率预测精度。
模型 | MAE | MSE | RMSE | R2 |
Ours | 0.1152 | 0.0263 | 0.1622 | 0.9973 |
本发明提出的分解方法更加适合光伏发电数据,并且选择的LSTM和Transformer模型对分解出的高低频数据适用性更高。本发明的模型的预测结果呈现在上表中,从结果可以看出,所提出模型可以大幅度提升光伏发电的预测精度。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种基于气象数据的光伏发电功率预测方法,其特征在于,包括
步骤1:对光伏发电功率数据进行预处理;
步骤2:对影响光伏发电功率的气象数据进行相关性分析,确定相关的气象因素,包括全球水平辐照度、风速、温度和湿度;
步骤3:采用经过鲸鱼算法优化后的变分模态分解VMD算法提取光伏发电功率数据的本征模态向量和残差项,本征模态向量包括高频分量和低频分量,将残差项剔除;
步骤4:通过使用ProbSparse Self-attention机制替换Transformer模型的self-attention机制,得到改进Transformer模型;
步骤5:将分解后的低频分量和气象数据分别输入至改进的Transformer模型进行预测,将分解后的高频分量和气象数据分别输入至LSTM模型进行预测;
步骤6:将改进的Transformer模型输出的低频预测分量的预测结果和LSTM模型输出的高频分量的预测结果叠加,得到光伏发电功率预测结果。
2.根据权利要求1所述的基于气象数据的光伏发电功率预测方法,其特征在于,步骤1中的预处理包括对光伏发电功率数据进行填充缺失数据、剔补异常数据以及数据归一化。
3.根据权利要求2所述的基于气象数据的光伏发电功率预测方法,其特征在于,通过线性插值法填充缺失数据,对于光伏发电功率数据的点A(x1,y1)和光伏发电功率数据的点B(x2,y2),以及两个点之间的插值位置x:
其中,x是要进行插值的位置的横坐标,y是通过插值得到的在位置x处的纵坐标估计值,x1和x2是点A和点B的横坐标,y1和y2是点A和点B的纵坐标。
4.根据权利要求2所述的基于气象数据的光伏发电功率预测方法,其特征在于,归一化由如下公式表示:
式中,xa、xb分别为光伏功率数据归一化后和归一化前的数据;xmax、xmin分别为光伏功率数据的最大值和最小值。
5.根据权利要求1所述的基于气象数据的光伏发电功率预测方法,其特征在于,对影响光伏发电功率的气象数据进行相关性分析,由下式表示:
式中,n为光伏功率数据的样本数,xi和yi是第i个光伏功率数据样本点的两个变量的值,和/>为变量x和y的平均值,sx和sy为变量x和y的标准差。
6.根据权利要求1所述的基于气象数据的光伏发电功率预测方法,其特征在于,采用经过鲸鱼算法优化后的变分模态分解VMD算法提取光伏发电功率数据的本征模态向量,包括
输入光伏发电功率数据,通过鲸鱼优化算法,得到光伏发电功率数据对应的最优解K和α;
将最优解K和α带入VMD算法;
将光伏发电功率数据输入最优解为K和α的VMD算法,输出光伏发电功率数据的本征模态向量,包括高频分量和低频分量。
7.根据权利要求6所述的基于气象数据的光伏发电功率预测方法,其特征在于,排列熵作为采用经过鲸鱼算法优化后的变分模态分解VMD算法的适应度函数。
8.根据权利要求7所述的基于气象数据的光伏发电功率预测方法,其特征在于,K=5,α=100。
9.根据权利要求1所述的基于气象数据的光伏发电功率预测方法,其特征在于,步骤4中,通过将ProbSparse Self-attention机制把Transformer模型的self-attention机制的关键字K替换成关键字稀疏向量只关注前t个元素,其余的元素都被0填充,t的大小受到采样因子s的长度控制,关系表达式:t=slnLK,Lk为key矩阵的时间长度;
其中,获取稀疏向量的方法是随机选取t个查询Q中的元素和关键字K计算稀疏度量M,再从稀疏度量M中选t个元素组成关键字稀疏向量/>其中,稀疏度量M由如下公式表示:
式中,M为稀疏度量,Lk为key矩阵的时间长度,表示缩放系数,qi表示查询Q中第i个元素,kj表示K中第j个元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145681.6A CN117132132A (zh) | 2023-09-06 | 2023-09-06 | 基于气象数据的光伏发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145681.6A CN117132132A (zh) | 2023-09-06 | 2023-09-06 | 基于气象数据的光伏发电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132132A true CN117132132A (zh) | 2023-11-28 |
Family
ID=88859805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311145681.6A Pending CN117132132A (zh) | 2023-09-06 | 2023-09-06 | 基于气象数据的光伏发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132132A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787746A (zh) * | 2023-12-28 | 2024-03-29 | 辽宁科技大学 | 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 |
CN118277959A (zh) * | 2024-05-23 | 2024-07-02 | 安徽农业大学 | 融合共振稀疏Transformer网络的猪舍温度预测方法 |
-
2023
- 2023-09-06 CN CN202311145681.6A patent/CN117132132A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787746A (zh) * | 2023-12-28 | 2024-03-29 | 辽宁科技大学 | 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 |
CN117787746B (zh) * | 2023-12-28 | 2024-05-28 | 辽宁科技大学 | 一种基于iceemdan-idbo-bilstm的建筑能耗预测方法 |
CN118277959A (zh) * | 2024-05-23 | 2024-07-02 | 安徽农业大学 | 融合共振稀疏Transformer网络的猪舍温度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN110866633B (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 | |
CN111832838B (zh) | 一种短期风力发电输出功率的预测方法 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
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 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
Sun et al. | Short-Term Exhaust Gas Temperature Trend Prediction of a Marine Diesel Engine Based on an Improved Slime Mold Algorithm-Optimized Bidirectional Long Short-Term Memory—Temporal Pattern Attention Ensemble Model | |
Ye et al. | Optimal Component IGSCV-SVR Ensemble Model Improved by VMD for Ultra-short-term Wind Speed Forecasting. | |
Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN114298408A (zh) | 一种基于ceemd-lstm-mlr的短期电力负荷预测方法 | |
Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
Wang et al. | An attention mechanism based deep nonlinear ensemble paradigm of strengthened feature extraction method for wind power prediction | |
Bin et al. | A short-term power load forecasting method based on eemd-abgru | |
Zhang et al. | A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting | |
Sun | An extreme learning machine model optimized based on improved golden eagle algorithm for wind power forecasting | |
Zhang et al. | A method of load forecasting based on temporal convolutional network |
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 |