TW202326577A - 太陽能發電預測方法 - Google Patents
太陽能發電預測方法 Download PDFInfo
- Publication number
- TW202326577A TW202326577A TW110147708A TW110147708A TW202326577A TW 202326577 A TW202326577 A TW 202326577A TW 110147708 A TW110147708 A TW 110147708A TW 110147708 A TW110147708 A TW 110147708A TW 202326577 A TW202326577 A TW 202326577A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- solar power
- power generation
- data set
- global
- Prior art date
Links
Images
Landscapes
- Photovoltaic Devices (AREA)
- Water Treatment By Electricity Or Magnetism (AREA)
Abstract
一種太陽能發電預測方法包含,一長短期記憶機器學習模型根據一相關於多個歷史日的第一資料集進行訓練以產生一第一太陽發電預測值。該第一資料集包括一全球水平日照度、一全球傾斜日照度追蹤和一全局傾斜日照度固定。該長短期記憶機器學習模型根據一相關於多個歷史日的第二資料集及該第一太陽發電值進行訓練用以修正該第一太陽發電值,並產生一第二太陽發電預測值。該第二資料集包括一直射水平日照度及一直射日照度。
Description
本發明是有關於一種預測方法,特別是指一種太陽能發電預測方法。
臺灣未來再生能源為發展主流之一,隨著再生能源在電網中佔比提高,電力系統供電可靠度會受再生能源間歇供電特性影響,勢必對電網造成諸多影響。以下將簡述現有發電預測技術的缺點:缺點一,習知長短期記憶模型(Long Short Term Memory,LSTM)只對輸入資料進行一層計算,預測發電量的準確度較差。缺點二,沒有資料預處理,也沒有根據季節作分類,預測準確度較差。
因此,本發明的目的,即在提供一種能夠克服先前技術至少一缺點的太陽能發電預測方法。
於是,本發明太陽能發電預測方法包含以下步驟(b)~(c)。
步驟(b)一長短期記憶機器學習模型根據一相關於多個歷史日的第一資料集進行訓練以產生一第一太陽發電預測值,該第一資料集包括一全球水平日照度、一全球傾斜日照度追蹤和一全局傾斜日照度固定。
步驟(c)該長短期記憶機器學習模型根據一相關於多個歷史日的第二資料集及該第一太陽發電值進行訓練用以修正該第一太陽發電值,並產生一第二太陽發電預測值,該第二資料集包括一直射水平日照度及一直射日照度。
本發明的功效在於:該長短期記憶機器學習模型根據該相關於該等歷史日的第二資料集及該第一太陽發電值進行訓練用以修正該第一太陽發電值,並產生該第二太陽發電預測值,進行二層發電量預測,相較於先前技術只有一層計算,能達到預測誤差明顯下降,預測準確度可以得到有效的提升。又本案的長短期記憶機器學習模型具有訓練時間短、執行速度快的優點,且該長短期記憶機器學習模型規模小,適合用於能源管理系統。
在本發明被詳細描述之前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,圖1是一流程圖,說明根據本發明太陽能發電預測方法的一實施例的步驟。該方法由一太陽能發電預測系統執行,該太陽能發電預測系統包含一資料庫與一計算處理器。該資料庫儲存一歷史日照資料與一未來日照資料。該歷史日照資料可分為一歷史實際資料及一歷史預報資料。該歷史實際資料收集來自於某一地區區在2019年1月~2019年12月每小時一筆的太陽能發電場域資料及某一地區在2020年10月~2021年3月每五分鐘一筆的太陽能發電場域資料。該歷史預報資料收集來自一氣象預報單位)。該歷史日照資料相關於一全球水平日照度(Global Horizontal Irradiance ,GHI)、一全球傾斜日照度追蹤(Global tilted irradiance Tracking,GTI Tracking)、一全局傾斜日照度固定(Global Tilted Irradiance Fixed Tilt,GTI Fixed Tilt)、一直射水平日照度(Direct (beam) Horizontal Irradiance,EBH)及一直射日照度(Direct Normal Irradiance,DNI),但不限於此,也可以是其他正相關於太陽能發電量的日照資料。該未來日照資料收集來自於該氣象預報網站Solcast。該未來日照資料相關於該全球水平日照度、該全球傾斜日照度追蹤、該全局傾斜日照度固定、該直射水平日照度及該直射日照度,但不限於此,也可以是其他正相關於太陽能發電量的日照資料。
在步驟101中,該計算處理器將該歷史預報資料進行數據過濾,以產生一歷史過濾後資料。數據過濾的定義是刪除缺失值、異常值、離群值,其中,缺失值為空白值(null)、異常值為超過儀器可測量之上限、離群值為若一資料點大幅偏離整體趨勢(如上升趨勢與下降趨勢)or超過平均值過多的值。
在步驟102中,該計算處理器將該歷史過濾後資料進行正規化處理,以產生一第一資料集、一第二資料集、一第一測試資料集,及一第二測試資料集。在數據分析過程中,會出現數據範圍不同的問題,造成不同程度的變化,影響統計分析的結果。為了解決此問題,並提高模型的收斂速度,因此對數據進行正規化。該正規化是一最小值最大值正規化(Min-max Normalization),用以使該歷史過濾後資料的數值落在0~1區間。該歷史日照資料包括過去某一整年(例如,2019年)的資料依四季分成四組,將歷史資料以1:1的比例,分為訓練資料與測試資料,例如:該第一資料集及該第二資料集是相關於每一組的每個月的上半個月的資料,該第一測試資料集及該第二測試資料集是相關於每一組的每個月的下半個月的資料,但不限於此。舉例來說,該第一資料集及該第二資料集是2019年的1月~3月、2019年的4月~6月、2019年的7月~9月及2019年的10月~12月,每一組的每個月的上半個月的資料。該第一測試資料集及該第二測試資料集是2019年的1月~3月、2019年的4月~6月、2019年的7月~9月及2019年的10月~12月,每一組的每個月的下半個月的資料。
在步驟103中,一長短期記憶機器學習模型根據該相關於多個歷史日的第一資料集進行訓練以產生一第一太陽發電預測值。需注意的是,該第一太陽發電預測值是該長短期記憶機器學習模型的第一層預測。
在步驟104中,該長短期記憶機器學習模型根據該相關於多個歷史日的第二資料集及該第一太陽發電值進行訓練用以修正該第一太陽發電值,並產生一第二太陽發電預測值。需注意的是,該第二太陽發電預測值是該長短期記憶機器學習模型的第二層預測。
訓練完成後的該長短期記憶機器學習模型會進行測試,用以驗證該長短期記憶機器學習模型。該長短期記憶機器學習模型根據該相關於多個歷史日的第一測試資料集進行測試用以產生一第一測試太陽發電預測值,該長短期記憶機器學習模型根據該相關於多個歷史日的第二測試資料集及該第一測試太陽發電值進行測試用以修正該第一測試太陽發電值,並產生一第二測試太陽發電預測值。需注意的是,該第一測試太陽發電值是該長短期記憶機器學習模型的第一層預測,該第二測試太陽發電值是該長短期記憶機器學習模型的第二層預測。
該計算處理器根據該第二測試太陽發電預測值與該歷史實際資料計算得出一平均相對誤差(Mean Relative Error,MRE)、一均方根誤差(Root Mean Square Error, RMSE)及一平均絕對百分誤差(Mean Absolute Percentage Error ,MAPE)。需注意的是,本發明以該平均相對誤差作為主要指標來比較不同模型的性能。
參閱圖2,在步驟201中,該計算處理器將該未來日照資料進行數據過濾,以產生一未來過濾後資料。數據過濾的定義是刪除缺失值、異常值、離群值。
在步驟202中,該計算處理器將該未來過濾後資料進行正規化處理,以產生相關於多個未來日的一第三資料集及一第四資料集。該正規化是該最小值最大值正規化,用以使該未來過濾後資料的數值落在0~1區間。該第三資料集是相關於未來某一取樣區間中的連續多筆資料;該第四資料集是相關於未來某另一取樣區間中的連續多筆資料,該取樣區間的每一單位包括k小時,k≧1,k是正整數。在此舉例說明,該第三資料集是相關於未來某一天中以1小時為單位,取得連續的12筆資料為一取樣區間。該第四資料集是相關於未來某另一天中以1小時為單位,取得連續的12筆資料。該未來某一天取樣的區間可以不同於該未來某另一天。舉例來說,可以取該未來某一天的早上6點至下午5點連續的12筆資料,接著取該未來某另一天的早上5點至下午4點連續的12筆資料,也可以取該未來某一天及該未來某另一天的早上6點至下午5點連續的12筆資料,也就是說,取樣的區間需為連續,但取樣與取樣之間沒有時間關聯性。
該第三資料集也可以是相關於未來某一取樣區間中的連續多筆資料;該第四資料集是相關於未來某另一取樣區間中的連續多筆資料,該取樣區間的每一單位包括j分鐘,j≧1,j是正整數。例如,相關於未來某一小時以5分鐘為單位,取得連續的12筆資料為一取樣區間。該第四資料集也可以是相關於未來某另一小時以5分鐘為單位,取得一連續的12筆資料。該未來某一小時取樣的區間可以不同於該未來某另一小時。舉例來說,可以取未來某一天的早上6點到早上7點連續的12筆資料,接著取該未來某某一天早上7點到早上8點的連續的12筆資料,也可以取該未來某一天的早上6點到早上7點連續的12筆資料,接著取該未來某一天的早上9點至早上10點連續的12筆資料,還可以取該未來某一天的早上6點到早上7點連續的12筆資料,接著取未來某另一天的早上11點至中午12點連續的12筆資料,也就是說,取樣的區間需為連續,但取樣與取樣之間沒有時間關聯性。透過批次訓練及隨機打散的方式,可以確保該長短期記憶機器學習模型的訓練方法是穩定的。
在步驟203中,該步驟104訓練過的該長短期記憶機器學習模型根據該第三資料集進行訓練以產生一第三太陽發電預測值。需注意的是,該第三太陽發電預測值是該長短期記憶機器學習模型的第一層預測。
在步驟204中,該長短期記憶機器學習模型根據該第四資料集及該第三太陽發電值進行訓練用以修正該第三太陽發電值,並產生一第四太陽發電預測值。需注意的是,該第四太陽發電預測值是該長短期記憶機器學習模型的第二層預測。
參閱圖3與圖4,圖3是2019年1月在某一地區每小時一筆的太陽發電的折線圖,圖4是2019年6月在某一地區每小時一筆的太陽發電的折線圖。預測誤差如表1所示。
表1、各模型的預測誤差
模型 | 本案的 長短期記憶機器學習模型 | 習知的 長短期記憶模型 |
2019年1月預測誤差(MRE) | 1.8459% | 4.8331% |
2019年6月預測誤差(MRE) | 5.6141% | 7.7171% |
可以看到透過該長短期記憶機器學習模型預測太陽發電量比起該單一長短期記憶模型,預測誤差明顯下降,預測準確度可以得到有效的提升。
綜上所述,上述實施例具有以下優點:優點一,提升預測準確度,從圖3~4與表1可知本案的步驟103、104、203、204使用二層的長短期記憶機器學習模型對太陽發電量進行預測,可達較佳的預測準確度。
優點二,本案的步驟102、202,所進行的資料預處理,對於不同季節的太陽輻射,將資料劃分為四個季節可以提高該長短期記憶機器學習模型的準確性,可達效果是太陽發電曲線被限制在特定範圍內,從而導致模型訓練和預測結果的改善。故確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
101:數據過濾的步驟
102:資料正規化的步驟
103~104:長短期記憶機器學習模型訓練的步驟
201:數據過濾的步驟
202:資料正規化的步驟
203~204:長短期記憶機器學習模型訓練的步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是本發明太陽能發電預測方法的一實施例的一流程圖;
圖2是該實施例的一流程圖;
圖3是2019年1月在雲林,最後透過長短期記憶機器學習模型的預測發電量與單一長短期記憶模型的預測發電量及實際發電量的比較示意圖;及
圖4是2019年6月在雲林,最後透過長短期記憶機器學習模型的預測發電量與單一長短期記憶模型的預測發電量及實際發電量的比較示意圖。
101:數據過濾的步驟
102:資料正規化的步驟
103~104:長短期記憶機器學習模型訓練的步驟
Claims (10)
- 一種太陽能發電預測方法,包含: (b)一長短期記憶機器學習模型根據一相關於多個歷史日的第一資料集進行訓練以產生一第一太陽發電預測值,該第一資料集包括一全球水平日照度、一全球傾斜日照度追蹤和一全局傾斜日照度固定;及 (c)該長短期記憶機器學習模型根據一相關於多個歷史日的第二資料集及該第一太陽發電值進行訓練用以修正該第一太陽發電值,並產生一第二太陽發電預測值,該第二資料集包括一直射水平日照度及一直射日照度。
- 如請求項1所述的太陽能發電預測方法,還包含以下步驟: (a1)將一歷史日照資料進行數據過濾,以產生一歷史過濾後資料,其中,該歷史日照資料相關於該全球水平日照度、該全球傾斜日照度追蹤、該全局傾斜日照度固定、該直射水平日照度及該直射日照度,其中,數據過濾的定義是刪除缺失值、異常值、離群值;及 (a2)將該歷史過濾後資料進行正規化處理,以產生該第一資料集及該第二資料集。
- 如請求項2所述的太陽能發電預測方法,其中,該步驟(a2)的該正規化的定義是使該歷史過濾後資料的數值落在0~1區間。
- 如請求項1所述的太陽能發電預測方法,還包含以下步驟: (d1)將一未來日照資料進行數據過濾,以產生一未來過濾後資料,其中,該未來日照資料相關於該全球水平日照度、該全球傾斜日照度追蹤、該全局傾斜日照度固定、該直射水平日照度及該直射日照度,其中,數據過濾的定義是刪除缺失值、異常值、離群值;及 (d2)將該未來過濾後資料進行正規化處理,以產生相關於多個未來日的一第三資料集及一第四資料集,其,該第三資料集包括該全球水平日照度、該全球傾斜日照度追蹤和該全局傾斜日照度固定,該第四資料集包括該直射水平日照度及該直射日照度。
- 如請求項4所述的太陽能發電預測方法,其中,步驟(d2)的該正規化的定義是使該未來過濾後資料的數值落在0~1區間。
- 如請求項4所述的太陽能發電預測方法,其中,該方法還包含以下步驟: (f)該步驟(c)訓練過的該長短期記憶機器學習模型根據該第三資料集進行訓練以產生一第三太陽發電預測值;及 (g)該長短期記憶機器學習模型根據該第四資料集及該第三太陽發電值進行訓練用以修正該第三太陽發電值,並產生一第四太陽發電預測值。
- 如請求項4所述的太陽能發電預測方法,其中,該第三資料集是相關於未來某一取樣區間中的連續多筆資料;該第四資料集是相關於未來某另一取樣區間中的連續多筆資料,該取樣區間的每一單位包括k小時,k≧1,k是正整數。
- 如請求項4所述的太陽能發電預測方法,其中,該第三資料集是相關於未來某一取樣區間中的連續多筆資料;該第四資料集是相關於未來某另一取樣區間中的連續多筆資料,該取樣區間的每一單位包括j分鐘,j≧1,j是正整數。
- 如請求項2所述的太陽能發電預測方法,其中,該歷史日照資料包括過去某一整年的資料依四季分成四組,其中,該第一資料集是相關於每一組的每個月的資料根據1:1所分的訓練資料與測試資料的其中之一。
- 如請求項9所述的太陽能發電預測方法,其中,該第二資料集是相關於每一組的每個月的資料根據1:1所分的訓練資料與測試資料的其中之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110147708A TWI810750B (zh) | 2021-12-20 | 2021-12-20 | 太陽能發電預測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110147708A TWI810750B (zh) | 2021-12-20 | 2021-12-20 | 太陽能發電預測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202326577A true TW202326577A (zh) | 2023-07-01 |
TWI810750B TWI810750B (zh) | 2023-08-01 |
Family
ID=88147696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110147708A TWI810750B (zh) | 2021-12-20 | 2021-12-20 | 太陽能發電預測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI810750B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200057175A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Weather dependent energy output forecasting |
KR20210004762A (ko) * | 2019-07-03 | 2021-01-13 | (주)파트론 | 마이크로폰 |
CN111091139B (zh) * | 2019-11-18 | 2024-04-19 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN110852655B (zh) * | 2019-11-29 | 2023-08-15 | 湖南科技大学 | 带有太阳能供电系统的家庭用电负荷分解系统与分解方法 |
TW202129587A (zh) * | 2020-01-15 | 2021-08-01 | 池欣慶 | 負載預測與電力潮流分析之邊緣計算裝置 |
CN112947672B (zh) * | 2021-02-08 | 2022-09-02 | 南京邮电大学 | 一种光伏电池最大功率点跟踪方法及装置 |
-
2021
- 2021-12-20 TW TW110147708A patent/TWI810750B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI810750B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhimish et al. | Evaluating power loss and performance ratio of hot-spotted photovoltaic modules | |
Dobos et al. | P50/P90 analysis for solar energy systems using the system advisor model | |
CN109726867B (zh) | 一种基于多模式集合的高分辨率电力气象预报方法 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
Li et al. | A novel wind speed-sensing methodology for wind turbines based on digital twin technology | |
CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN114048896B (zh) | 光伏发电数据的预测方法、系统、设备及介质 | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
CN110674864A (zh) | 一种含同步相量量测装置的风电异常数据辨识方法 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN107256437B (zh) | 一种光伏电站超短期辐照度预测方法及系统 | |
CN116054740A (zh) | 光伏发电设备的故障检测、故障检测模型处理方法和装置 | |
Khilar et al. | Improving the efficiency of photovoltaic panels using machine learning approach | |
Qu et al. | An unsupervised hourly weather status pattern recognition and blending fitting model for PV system fault detection | |
Guo et al. | A new approach for interval forecasting of photovoltaic power based on generalized weather classification | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
TWI810750B (zh) | 太陽能發電預測方法 | |
CN115660132B (zh) | 一种光伏发电功率预测方法及系统 | |
CN116663727A (zh) | 一种光伏功率预测方法及系统 |