CN110689183B - 一种集群光伏功率概率预测方法、***、介质及电子设备 - Google Patents
一种集群光伏功率概率预测方法、***、介质及电子设备 Download PDFInfo
- Publication number
- CN110689183B CN110689183B CN201910894175.4A CN201910894175A CN110689183B CN 110689183 B CN110689183 B CN 110689183B CN 201910894175 A CN201910894175 A CN 201910894175A CN 110689183 B CN110689183 B CN 110689183B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- neural network
- convolutional neural
- prediction
- input
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000001537 neural effect Effects 0.000 claims abstract description 74
- 238000010248 power generation Methods 0.000 claims abstract description 51
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 25
- 239000000284 extract Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000011478 gradient descent method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种集群光伏功率概率预测方法、***、介质及电子设备,采集各光伏场站的历史数据,对采集到的历史数据进行归一化处理;利用改进的卷积神经网络‑分位数回归模型分别从单个光伏场站的输入数据中提取代表性特征,综合提取区域光伏场站之间的相关性特征;改进的卷积神经网络‑分位数回归模型根据提取到的区域光伏场站之间的相关性特征输出区域光伏发电功率的分位数预测结果;本公开改进了卷积神经网络的结构,使之成为一个多输入的深层神经网络,改进的卷积神经网络首先对区域内的每个光伏场站进行特征提取,再对整个区域的光伏场站进行相关性特征提取,极大的提高集群光伏功率概率预测的精度,降低了计算成本。
Description
技术领域
本公开涉及光伏功率预测领域,特别涉及一种集群光伏功率概率预测方法、***、介质及电子设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
光伏场站的大规模集成将会给电力***运营商带来巨大挑战。与单个光伏场站功率预测相比,多个光伏场站的功率预测误差可以相互抵消,因此集群光伏功率预测的精度相对较高,这称为平滑效应。目前,一些研究人员重点关注如何预测一个区域的光伏发电量,以便为电力***运营商做出合理的控制决策提供必要的信息。简单累加法和统计升尺度法是集群光伏功率预测常用的两种方法。简单累加法首先对区域的各光伏场站的发电量进行预测,然后将各光伏场站的功率预测相加,得到区域光伏发电量预测结果。统计升尺度法首先选取区域内具有代表性的光伏场站,然后对该区域内的代表性光伏场站的发电量进行预测。最后,将代表性光伏场站的预测结果线性组合,得到区域光伏功率预测结果。与简单累加法相比,统计升尺度法不需要预测区域内每个光伏场站的发电量,因此所需要的输入信息和训练时间较少。然而,代表性光伏场站的选择很容易影响统计升尺度法的预测精度。若代表性光伏场站选取的不具有代表性或者不准确,最终集群光伏场站发电量的预测精度将大大降低。
本公开发明人在研究中发现,根据预测结果的形式,光伏场站功率预测方法可分为点预测和概率预测,目前,大部分光伏功率预测研究集中在点预测上,即只提供确定性的光伏功率预测结果,由于光伏发电的可变性和间歇性,点预测很难准确描述光伏场站的发电量;概率预测不仅可以提供功率预测结果,还可以提供与光伏功率预测结果相对应的不确定信息。概率预测模型的输出结果形式可大致分为三种:概率密度函数(PDF)或累积分布函数(CDF)、置信区间和分位数,而现有的研究主要集中在单个光伏场站的概率预测上,对集群光伏功率的概率预测研究较少,还无法提供更准确、更全面的区域光伏功率概率预测信息。
发明内容
为了解决现有技术的不足,本公开提供了一种集群光伏功率概率预测方法、***、介质及电子设备,改进了卷积神经网络的结构,使之成为一个多输入的深层神经网络,改进的卷积神经网络首先对区域内的每个光伏场站进行特征提取,再对整个区域的光伏场站进行相关性特征提取,极大的提高集群光伏功率概率预测的精度,降低了计算成本。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供了一种集群光伏功率的概率预测方法,步骤如下:
采集各光伏场站的历史数据,对采集到的历史数据进行归一化处理;
利用改进的卷积神经网络-分位数回归模型分别从单个光伏场站的输入数据中提取代表性特征,然后综合提取区域内各光伏场站之间的相关性特征;
改进的卷积神经网络-分位数回归模型根据提取到的区域内各光伏场站之间的相关性特征输出区域光伏发电功率的分位数预测结果。
作为可能的一些实现方式,所述各光伏场站的历史数据包括但不限于历史数值天气预报信息、历史发电量、历史光伏功率、历史辐照度和历史环境温度数据;
进一步的,对采集到的历史数据进行归一化,具体为:
其中Mi *表示第i个样本的归一化值,Mi表示第i个样本的值,Mmax和Mmin分别表示样本的最大值和最小值。
作为可能的一些实现方式,所述改进的卷积神经网络-分位数回归模型包括多个输入层和卷积-池化层结构,每个光伏场站配置一个输入层和卷积-池化层结构,每个场站的输入数据通过各自的输入层输入到相应的卷积-池化层结构中,通过卷积-池化层结构对每个光伏场站进行特征提取。
作为进一步的限定,每个卷积-池化层结构将每个光伏场站特征进行提取,将提取到的特征集成输入到改进的卷积神经网络-分位数回归模型的全连接层中,在全连接层中提取各光伏场站之间的相关性特征。
作为可能的一些实现方式,所述改进的卷积神经网络-分位数回归模型的训练方法,具体为:
对改进卷积神经网络的权值和偏差进行初始化;
输入数据通过改进的卷积神经网络向前传输,计算改进的卷积神经网络-分位数回归模型输出值与区域光伏发电目标值之间的误差;
如果计算出的误差值大于预先设定的阈值,则计算出的误差将返回至改进的卷积神经网络-分位数回归模型,然后依次得到全连接层、池化层和卷积层的误差,通过最小化损失函数来更新各层的权值和偏差,使训练过程返回至数据前向传输;
如果计算的误差不超过阈值,则训练过程结束。
作为可能的一些实现方式,采用平均绝对误差和均方根误差作为确定性预测评价标准,根据可靠性和敏锐性对概率预测结果进行评价;
进一步的,利用pinball损失函数同时评价预测模型的可靠性和敏锐性。
第二方面,本公开提供了一种集群光伏功率的概率预测***,包括:
数据采集模块,被配置为:采集各光伏场站的历史数据,对采集到的历史数据进行归一化处理;
数据处理模块,被配置为:利用改进的卷积神经网络-分位数回归模型分别从单个光伏场站的输入数据中提取代表性特征,然后综合提取区域内各光伏场站之间的相关性特征;
预测模块,被配置为:改进的卷积神经网络-分位数回归模型根据提取到的区域内各光伏场站之间的相关性特征输出区域光伏发电功率的分位数预测结果。
作为可能的一些实现方式,所述各光伏场站的历史数据包括但不限于历史数值天气预报信息、历史发电量、历史光伏功率、历史辐照度和历史环境温度数据;
进一步的,对采集到的历史数据进行归一化,具体为:
其中Mi *表示第i个样本的归一化值,Mi表示第i个样本的值,Mmax和Mmin分别表示样本的最大值和最小值;
作为可能的一些实现方式,所述改进的卷积神经网络-分位数回归模型包括多个输入层和卷积-池化层结构,每个光伏场站配置一个输入层和卷积-池化层结构,每个场站的输入数据通过各自的输入层输入到相应的卷积-池化层结构中,通过卷积-池化层结构对每个光伏场站进行特征提取,每个卷积-池化层结构将每个光伏场站特征进行提取,将提取到的特征集成输入到改进的卷积神经网络-分位数回归模型的全连接层中,在全连接层中提取各光伏场站之间的相关性特征。
作为可能的一些实现方式,所述改进的卷积神经网络-分位数回归模型的训练方法,具体为:
对改进卷积神经网络的权值和偏差进行初始化;
输入数据通过改进的卷积神经网络向前传输,计算改进的卷积神经网络-分位数回归模型输出值与区域光伏发电目标值之间的误差;
如果计算出的误差值大于预先设定的阈值,则计算出的误差将返回至改进的卷积神经网络-分位数回归模型,然后依次得到全连接层、池化层和卷积层的误差,通过最小化损失函数来更新各层的权值和偏差,使训练过程返回至数据前向传输;
如果计算的误差不超过阈值,则训练过程结束。
作为可能的一些实现方式,采用平均绝对误差和均方根误差作为确定性预测评价标准,根据可靠性和敏锐性对概率预测结果进行评价;
进一步的,利用pinball损失函数同时评价预测模型的可靠性和敏锐性
第三方面,本公开提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现本公开所述的集群光伏功率的概率预测中的步骤。
第四方面,本公开提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现本公开所述的集群光伏功率的概率预测方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开改进了卷积神经网络的结构,使之成为一个多输入的深层神经网络,改进的卷积神经网络首先对区域内的每个光伏场站进行特征提取;再对整个区域的光伏场站进行相关性特征提取,这种结构的改进极大的提高了预测精度,同时降低了计算成本。
2、本公开提出了区域光伏发电的改进卷积神经网络-分位数回归的概率预测模型,与单个光伏场站的功率预测相比,区域光伏功率的概率预测可以为***运营商提供更准确、更全面的概率预测信息。
3、本公开采用卷积神经网络在特征提取方面的优势,将其用于建立非线性分位数回归模型,并对集群光伏功率进行预测,与传统神经网络相比,卷积神经网络的权重共享技术可以减少网络参数、缩短训练时间。
4、本公开所述的改进的卷积神经网络-分位数回归模型首先通过多个卷积-池化层结构分别从单个光伏场站的输入数据中提取代表性性特征,然后通过全连接层综合提取区域光伏场站之间的相关性特征,改进的卷积神经网络-分位数回归模型从两个方面分别进行特征提取,使得区域光伏发电功率预测的特征提取更加准确、全面、有效,因此,与传统的卷积神经网络-分位数回归模型相比,改进的卷积神经网络-分位数回归模型对区域光伏发电的预测精度有所提高。
5、本公开所述的改进的卷积神经网络能提取较为准确的输入数据特征,非线性分位数回归能综合提供分位数的概率预测信息,与常用的集群预测方法进行比较后结果表明,该方法能为电力***运行人员提供更全面、可靠的区域光伏发电概率预测结果。
附图说明
图1为本公开实施例1所述的改进的卷积神经网络-分位数回归预测模型结构示意图。
图2为本公开实施例1所述的改进的卷积神经网络-分位数回归模型训练流程示意图。
图3为本公开实施例1所述的区域光伏场站的位置分布图。
图4为本公开实施例1所述的2018年5月13日至15日通过改进的卷积神经网络-分位数回归模型获得的预测结果。
图5为本公开实施例1所述的简单累加法、统计升尺度法和改进的卷积神经网络分位数回归方法的点预测结果。
图6为本公开实施例1所述的分位数为5%-95%的改进的卷积神经网络-分位数回归模型和传统卷积神经网络-分位数回归模型的可靠性折线图。
图7(a)和图7(b)分别为本公开实施例1所述的2018年3月13日至15日改进的卷积神经网络-分位数回归模型和传统卷积神经网络-分位数回归模型15分钟分辨率的前瞻三天的概率预测结果。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1:
对于集群光伏功率的概率预测,预测方法需要处理区域内所有光伏场站的输入数据(如各光伏场站的数值天气预报信息和历史发电量等),如何有效地从大量的输入数据中提取特征对集群光伏功率的概率预测方法至关重要。
卷积神经网络(CNN)是一种有效的深度学习特征提取技术。卷积神经网络-分位数回归模型(CNN-QR)已经在单个光伏场站的概率预测中应用,且预测效果很好。作为该模型的核心,卷积神经网络用来学习非线性分位数回归函数,该函数建立了单个光伏场站的输入信息与输出分位数之间的非线性映射关系。卷积神经网络的结构一般包括输入层、卷积层、池化层、全连接层和输出层。对于区域光伏发电功率预测,各层功能简介如下。
(1)卷积神经网络
区域光伏功率的概率预测的输入数据包括该区域各光伏场站的数值天气预报(NWP)和历史发电数据,需要提取输入数据中包含的复杂特征,而且需要优化深度学习结构的参数。卷积神经网络作为最有效的深度学习模型之一,在特征提取方面具有优势,因此在本实施例中用于建立非线性分位数回归模型,并对集群光伏功率进行预测。与传统神经网络相比,卷积神经网络的权重共享技术可以减少网络参数、缩短训练时间。因此,卷积神经网络适合于从大量输入数据中提取特征,并用于区域光伏发电功率预测。
卷积神经网络的结构一般包括输入层、卷积层、池化层、全连接层和输出层。对于区域光伏发电功率预测,各层功能简介如下。
1)卷积层:在卷积神经网络中,用卷积层来提取数值天气预报信息和历史光伏发电数据中的非线性特征。由于大量的数据输入到卷积神经网络结构中,有大量的网络参数需要训练。而在深度学习的过程中,采用卷积神经网络的权重共享技术解决了这一难题。卷积核中的权重和偏差参数是共享的,每个卷积核都有一个局部感受视野,用来提取前一层的局部神经元特征,而且不同层之间的神经元是局部连接的。
通过计算前一层特征图与卷积核之间的点积得到卷积层的特征图,然后通过激活函数进行非线性化,如:
其中f(·)是激活函数,通常使用sigmoid函数和ReLU函数。表示第(l-1)层中的第i个特征图,表示卷积运算,Ni表示特征图的输入集,表示第(l-1)层中的第i个特征图与第l层中的第j个特征图间的权重,表示第(l-1)层中的第i个特征图与第l层中的第j个特征图间的偏差。表示第l层中的第j个特征图。
2)池化层(下采样层):池化层一般位于卷积层的后面,用于进一步提取非线性特征和减少输入数据的维数。池化层首先将输入特征图划分为一组子区域,然后通过池化函数将子区域转换为更简洁的特征图。因此,池化层可以有效地减少卷积神经网络结构的参数数量和计算复杂度。池化层的特征图如:
本实施例中的池化函数选用最大池化函数。在卷积-池化结构之后,可以将输入数据展平成一维向量,并输入到全连接中。
3)全连接层:在最后一层的池化层后面添加了几个全连接层。全连接层中的每个神经元都与前一层中的所有神经元相连。全连接层的神经元可计算为:
(2)分位数回归
分位数回归是一种典型的回归模型,用于估计解释变量在不同分位点下对响应变量的影响。传统的线性分位数回归只适用于输入和输出数据之间是线性关系。与线性分位数回归模型相比,非线性分位数回归模型适用于输入和输出数据之间是线性或非线性关系,因而非线性分位数回归模型应用范围更广。
非线性分位数回归模型的简化表达式可以描述为:
QY(τ|X)=f[X,W(τ),V(τ)] (4)
式中,τ表示分位点,取值范围为[0,1],QY(τ|X)表示响应变量y在解释变量x下的条件分位数,W(τ)和V(τ)表示权重向量,f[X,W(τ),V(τ)]表示使用解释变量和权重向量计算的非线性函数。
将非线性分位数回归模型中权重参数的估计转化为最小化损失函数的优化问题,可以描述为:
其中wi,j和vi,j表示权重,λ1和λ2是惩罚参数。为了避免过拟合,通过交叉验证对参数进行估计。
如上式所示,若获得权重向量参数,则可以计算解释变量对不同分位点处响应变量的影响。此外,当从τ从0到1连续变化时,可以得到响应变量的条件分布。
(3)改进的卷积神经网络分位数回归模型
每个光伏场站的数值天气预报数据与区域光伏发电之间的关系是非线性的,很难用精确的数学方程来描述。因此,非线性分位数回归模型使用卷积神经网络来学习和拟合输入与输出数据间的非线性关系。传统的卷积神经网络-分位数回归模型只有一个包含卷积-池化层结构,所有光伏场站的数据都通过一个输入层输入到同一个卷积-池化层结构中,然后将提取的特征输入到全连接层中,预测区域光伏发电功率。在传统的卷积神经网络-分位数回归模型中,单个光伏场站的特征提取和该区域的光伏场站之间的关联性特征提取是同时进行的,这可能导致场站间的代表特征的丢失。
本公开实施例1改进了卷积神经网络结构来提取输入数据与区域光伏发电之间的深层特征,并提出了一种改进的卷积神经网络-分位数回归(ICNN-QR)模型用于集群光伏功率的概率预测,预测模型如图1所示。与传统的卷积神经网络-分位数回归模型相比,改进的卷积神经网络-分位数回归模型具有多个输入层和卷积-池化层结构。每个光伏场站都有自己的卷积-池化层结构,每个场站的数据通过各自的输入层到相应的卷积-池化层结构中,通过卷积-池化层结构对每个光伏场站进行特征提取。然后,将每个光伏场站的提取特征集成,输入到全连接层中。在全连接层中,进一步提取各光伏场站之间的相关性特征。最后,输出层输出区域光伏发电的分位数预测结果。
简单地说,改进的卷积神经网络-分位数回归模型首先通过多个卷积-池化层结构分别从单个光伏场站的输入数据中提取代表性性特征,然后通过全连接层综合提取区域光伏场站之间的相关性特征。改进的卷积神经网络-分位数回归模型从两个方面分别进行特征提取,使得区域光伏发电功率预测的特征提取更加准确、全面、有效。因此,与传统的卷积神经网络-分位数回归模型相比,改进的卷积神经网络-分位数回归模型对区域光伏发电的预测精度有所提高。
改进的卷积神经网络-分位数回归模型的训练方法与传统的卷积神经网络模型相似,通常采用梯度下降法。梯度下降法主要包括批量梯度下降法和随机梯度下降法。由于批量梯度下降法在网络参数更新过程中使用了所有训练样本,所以随着样本数的增加,训练速度会变慢。随机梯度下降法随机选取一组训练样本,然后利用所选样本更新网络参数,大大提高了训练速度。因此,本实施例采用随机梯度下降法对改进的卷积神经网络-分位数回归模型进行训练。
改进的卷积神经网络-分位数回归模型的训练过程如图2所示。首先,对改进卷积神经网络的权值和偏差进行初始化;然后,输入数据通过改进的卷积神经网络向前传输。计算改进的卷积神经网络-分位数回归模型输出值与区域光伏发电目标值之间的误差。如果计算出的误差值大于预先设定的阈值,则计算出的误差将返回至改进的卷积神经网络-分位数回归模型,然后依次得到全连接层、池化层和卷积层的误差。通过最小化损失函数来更新各层的权值和偏差,使训练过程返回至数据前向传输。如果计算的误差不超过阈值,则训练过程结束。
本实施例还提供了相应的预测评价标准,具体如下:
(1)确定性预测评价标准
本实施例选择了平均绝对误差(MAE)和均方根误差(RMSE)作为确定性预测评价标准,可以描述为:
其中N表示样本数量,分别表示第i个样本的实际光伏发电量和光伏发电量的预测结果,Ci表示第i个样本所在光伏场站的额定容量。
(2)概率预测结果可以根据可靠性和敏锐性进行评价,如下所述:
1)可靠性:可靠性是指模型将预测分布结果与实际测量值相匹配的能力。可靠性指标可由给定置信水平下的预测区间覆盖率(PICP)计算,其可表示为:
RACE=PICP-(1-α) (8)
预测区间覆盖率可以表示为:
RACE的绝对值越小,概率预测结果的可靠性就越高,理想情况下,RACE值应为0。
2)敏锐性:敏锐性由预测区间的宽度来衡量的。敏锐性可通过预测区间带宽(PINAW)评价,可以表示为:
R表示目标值的最大值与最小值之差。
3)综合评价指标:pinball损失函数能同时评价预测模型的可靠性和敏锐性,可表示为:
2、预测结果
本实施例的算例分析中所选的五个光伏场站的位置如图3所示,光伏场站的额定容量见表1。利用各光伏场站的历史光伏功率、辐照度和环境温度数据对集群光伏发电功率预测。算例分析中包含某地2017年10月至2018年3月时间分辨率为15分钟的历史数据。光伏场站的历史数据分为两部分:训练集(前5个月的数据)和测试集(最后一个月的数据)。
表1光伏电站额定容量:
在网络训练之前,对输入数据进行归一化,以消除不同形式的原始数据造成的预测误差,具体如下:
其中Mi *表示第i个样本的归一化值,Mi表示第i个样本的值,Mmax和Mmin分别表示样本的最大值和最小值。
图4展示了2018年5月13日至15日通过改进的卷积神经网络-分位数回归模型获得的预测结果,预测时间分辨率为15分钟。实际区域光伏发电曲线也绘制在图4中。由于区域光伏场站的夜间输出功率为零,因此在算例分析中只考虑上午7:00至下午5:00的光伏发电功率。从图4中可以看出,该模型可以很好地覆盖实际区域光伏发电曲线,表明该方法具有良好的性能。
为了进一步评估该模型的性能,本章分别与点预测、概率预测模型做对比,包括简单累加法、统计升尺度法和传统的卷积神经网络-分位数回归模型。
(1)点预测模型对比
改进的卷积神经网络-分位数回归模型中间值(50%分位点的分位数)作为点预测结果,并与简单累加法和统计升尺度法进行比较。
简单累加法首先用支持向量机(SVM)对各光伏电站的功率进行预测。然后将各个场站的预测结果相加得到区域光伏发电量。统计升尺度法首先通过分析区域内光伏场站间的相关性,选择相关性较大的光伏场站作为代表性光伏场站,然后利用支持向量机方法对代表性光伏场站进行功率预测。本实施例用MAE和RMSE对三种预测方法的预测精进行了评价,结果见表2。
表2不同点预测方法的预测精度
由表2可以看出,本实施例所提出的方法的MAR和RMSE远小于简单累加法和统计升尺度法,说明了该方法预测精度高。虽然光伏场站的历史发电量和天气预报信息具有很强的不确定性和波动性,但本实施例提出的预测模型仍然具有较高的精度。这是因为改进的卷积神经网络-分位数回归模型能够有效提取输入数据的特征。
图5展示了简单累加法、统计升尺度法和改进的卷积神经网络分位数回归方法的点预测结果。在三种光伏集群预测方法中,改进的卷积神经网络-分位数回归方法得到的预测结果最接近实际区域光伏发电量。简单累加法和统计升尺度法的预测结果与实际光伏发电量存在较大偏差。总的来说,本实施例提出的方法比其他两种点预测方法具有更好的性能。
(2)概率预测模型对比
为了验证本实施例提出的模型在概率预测中的有效性,与传统的CNN-QR模型进行了比较。
图6显示了分位数为5%-95%的改进的卷积神经网络-分位数回归模型和传统卷积神经网络-分位数回归模型的可靠性。这两种模型在5%-50%分位数之间的RACE相对较大,但改进的卷积神经网络-分位数回归模型模型的RACE比传统的卷积神经网络-分位数回归模型小。这两种方法在60%-95%分位数之间的RACE相对较小,改进的卷积神经网络-分位数回归模型的RACE也小于传统的卷积神经网络-分位数回归模型。结果表明,改进的卷积神经网络-分位数回归模型的可靠性优于传统的卷积神经网络-分位数回归模型。
图7显示了2018年3月13日至15日两个模型15分钟分辨率的前瞻三天的概率预测结果。结果表明,与传统的卷积神经网络分位数回归模型相比,改进的卷积神经网络分位数回归模型模型的预测区间更窄,表明该方法得到的预测区间具有更好的敏锐性。
根据概率预测评价标准,计算了这些模型的RACE、PINAW和pinball得分,如表3所示。
表3不同概率预测模型的
从表3可以看出,与传统的卷积神经网络分位数回归模型相比,改进的卷积神经网络分位数回归模型的RACE较小,表明改进的卷积神经网络分位数回归模型具有较高的可靠性。与传统的卷积神经网络分位数回归模型相比,本实施例提出的模型的PINAW更小,这表明该模型具有更好的敏锐性。在综合评价方面,该模型的pinball得分也小于传统的卷积神经网络分位数回归模型,表明该方法具有良好的可靠性和敏锐性。
总的来说,本实施例提出的预测模型在点预测和概率预测方面都取得了较好的预测效果。本实施例通过改进的卷积神经网络能提取较为准确的输入数据特征,非线性分位数回归能综合提供分位数的概率预测信息。算例结果分析说明了该方法的有效性,并与常用的集群预测方法进行了比较。比较结果表明,该方法能为电力***运行人员提供更全面、可靠的区域光伏发电概率预测结果。
实施例2:
本公开实施例2提供了一种集群光伏功率的概率预测***,包括:
数据采集模块,被配置为:采集各光伏场站的历史数据,对采集到的历史数据进行归一化处理;
数据处理模块,被配置为:利用改进的卷积神经网络-分位数回归模型分别从单个光伏场站的输入数据中提取代表性特征,然后综合提取区域内各光伏场站之间的相关性特征;
预测模块,被配置为:改进的卷积神经网络-分位数回归模型根据提取到的区域内各光伏场站之间的相关性特征输出区域光伏发电功率的分位数预测结果。
所述各光伏场站的历史数据包括但不限于历史数值天气预报信息、历史发电量、历史光伏功率、历史辐照度和历史环境温度数据;
对采集到的历史数据进行归一化,具体为:
其中Mi *表示第i个样本的归一化值,Mi表示第i个样本的值,Mmax和Mmin分别表示样本的最大值和最小值;
所述改进的卷积神经网络-分位数回归模型包括多个输入层和卷积-池化层结构,每个光伏场站配置一个输入层和卷积-池化层结构,每个场站的输入数据通过各自的输入层输入到相应的卷积-池化层结构中,通过卷积-池化层结构对每个光伏场站进行特征提取,每个卷积-池化层结构将每个光伏场站特征进行提取,将提取到的特征集成输入到改进的卷积神经网络-分位数回归模型的全连接层中,在全连接层中提取各光伏场站之间的相关性特征。
所述改进的卷积神经网络-分位数回归模型的训练方法,具体为:
对改进卷积神经网络的权值和偏差进行初始化;
输入数据通过改进的卷积神经网络向前传输,计算改进的卷积神经网络-分位数回归模型输出值与区域光伏发电目标值之间的误差;
如果计算出的误差值大于预先设定的阈值,则计算出的误差将返回至改进的卷积神经网络-分位数回归模型,然后依次得到全连接层、池化层和卷积层的误差,通过最小化损失函数来更新各层的权值和偏差,使训练过程返回至数据前向传输;
如果计算的误差不超过阈值,则训练过程结束。
采用平均绝对误差和均方根误差作为确定性预测评价标准,根据可靠性和敏锐性对概率预测结果进行评价;
进一步的,利用pinball损失函数同时评价预测模型的可靠性和敏锐性
实施例3:
本公开实施例3提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现本公开实施例1所述的集群光伏功率的概率预测中的步骤。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现本公开实施例1所述的集群光伏功率的概率预测方法中的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种集群光伏功率的概率预测方法,其特征在于,步骤如下:
采集各光伏场站的历史数据,对采集到的历史数据进行归一化处理;
利用多个输入层的卷积神经网络-分位数回归模型分别从单个光伏场站的输入数据中提取代表性特征,然后综合提取区域内各光伏场站之间的相关性特征;
多个输入层的卷积神经网络-分位数回归模型根据提取到的区域内各光伏场站之间的相关性特征输出区域光伏发电功率的分位数预测结果。
3.如权利要求1所述的集群光伏功率的概率预测方法,其特征在于,所述多个输入层的卷积神经网络-分位数回归模型包括多个输入层和卷积-池化层结构,每个光伏场站配置一个输入层和卷积-池化层结构,每个场站的输入数据通过各自的输入层输入到相应的卷积-池化层结构中,通过卷积-池化层结构对每个光伏场站进行特征提取。
4.如权利要求3所述的集群光伏功率的概率预测方法,其特征在于,每个卷积-池化层结构将每个光伏场站特征进行提取,将提取到的特征集成输入到多个输入层的卷积神经网络-分位数回归模型的全连接层中,在全连接层中提取各光伏场站之间的相关性特征。
5.如权利要求1所述的集群光伏功率的概率预测方法,其特征在于,所述多个输入层的卷积神经网络-分位数回归模型的训练方法,具体为:
对改进卷积神经网络的权值和偏差进行初始化;
输入数据通过改进的卷积神经网络向前传输,计算多个输入层的卷积神经网络-分位数回归模型输出值与区域光伏发电目标值之间的误差;
如果计算出的误差值大于预先设定的阈值,则计算出的误差将返回至多个输入层的卷积神经网络-分位数回归模型,然后依次得到全连接层、池化层和卷积层的误差,通过最小化损失函数来更新各层的权值和偏差,使训练过程返回至数据前向传输;
如果计算的误差不超过阈值,则训练过程结束。
6.如权利要求1所述的集群光伏功率的概率预测方法,其特征在于,采用平均绝对误差和均方根误差作为确定性预测评价标准,根据可靠性和敏锐性对概率预测结果进行评价;
进一步的,利用pinball损失函数同时评价预测模型的可靠性和敏锐性。
7.一种集群光伏功率的概率预测***,其特征在于,包括:
数据采集模块,被配置为:采集各光伏场站的历史数据,对采集到的历史数据进行归一化处理;
数据处理模块,被配置为:利用多个输入层的卷积神经网络-分位数回归模型分别从单个光伏场站的输入数据中提取代表性特征,然后综合提取区域内各光伏场站之间的相关性特征;
预测模块,被配置为:多个输入层的卷积神经网络-分位数回归模型根据提取到的区域内各光伏场站之间的相关性特征输出区域光伏发电功率的分位数预测结果。
8.如权利要求7所述的集群光伏功率的概率预测***,其特征在于,所述各光伏场站的历史数据包括历史数值天气预报信息、历史发电量、历史光伏功率、历史辐照度和历史环境温度数据;
进一步的,对采集到的历史数据进行归一化,具体为:
其中Mi *表示第i个样本的归一化值,Mi表示第i个样本的值,Mmax和Mmin分别表示样本的最大值和最小值;
或者,所述多个输入层的卷积神经网络-分位数回归模型包括多个输入层和卷积-池化层结构,每个光伏场站配置一个输入层和卷积-池化层结构,每个场站的输入数据通过各自的输入层输入到相应的卷积-池化层结构中,通过卷积-池化层结构对每个光伏场站进行特征提取,每个卷积-池化层结构将每个光伏场站特征进行提取,将提取到的特征集成输入到多个输入层的卷积神经网络-分位数回归模型的全连接层中,在全连接层中提取各光伏场站之间的相关性特征;
或者,所述多个输入层的卷积神经网络-分位数回归模型的训练方法,具体为:
对改进卷积神经网络的权值和偏差进行初始化;
输入数据通过改进的卷积神经网络向前传输,计算多个输入层的卷积神经网络-分位数回归模型输出值与区域光伏发电目标值之间的误差;
如果计算出的误差值大于预先设定的阈值,则计算出的误差将返回至多个输入层的卷积神经网络-分位数回归模型,然后依次得到全连接层、池化层和卷积层的误差,通过最小化损失函数来更新各层的权值和偏差,使训练过程返回至数据前向传输;
如果计算的误差不超过阈值,则训练过程结束;
或者,采用平均绝对误差和均方根误差作为确定性预测评价标准,根据可靠性和敏锐性对概率预测结果进行评价,利用pinball损失函数同时评价预测模型的可靠性和敏锐性。
9.一种可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一项所述的集群光伏功率的概率预测方法 中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任一项所述的集群光伏功率的概率预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894175.4A CN110689183B (zh) | 2019-09-20 | 2019-09-20 | 一种集群光伏功率概率预测方法、***、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894175.4A CN110689183B (zh) | 2019-09-20 | 2019-09-20 | 一种集群光伏功率概率预测方法、***、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689183A CN110689183A (zh) | 2020-01-14 |
CN110689183B true CN110689183B (zh) | 2022-03-11 |
Family
ID=69109728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910894175.4A Active CN110689183B (zh) | 2019-09-20 | 2019-09-20 | 一种集群光伏功率概率预测方法、***、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689183B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626506B (zh) * | 2020-05-27 | 2022-08-26 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控*** |
CN111950811B (zh) * | 2020-08-27 | 2024-04-09 | 国网山东省电力公司聊城供电公司 | 基于双层人工神经网络的区域光伏功率预测方法及*** |
CN112128950B (zh) * | 2020-11-24 | 2021-03-19 | 北京蒙帕信创科技有限公司 | 一种基于多种模型对比的机房温湿度预测方法及*** |
WO2023201552A1 (en) * | 2022-04-20 | 2023-10-26 | Southeast University | County-wide photovoltaic prediction method based on cluster division and data enhancement |
CN116365591B (zh) * | 2023-05-25 | 2023-08-25 | 北京智盟信通科技有限公司 | 一种分布式光伏群调群控方法、装置和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729685A (zh) * | 2013-12-02 | 2014-04-16 | 国电南瑞科技股份有限公司 | 基于改进rbf神经网络的光伏电站群区域功率预测方法 |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180218254A1 (en) * | 2017-02-02 | 2018-08-02 | International Business Machines Corporation | Solar power forecasting with volumetric convolutional neural network |
-
2019
- 2019-09-20 CN CN201910894175.4A patent/CN110689183B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729685A (zh) * | 2013-12-02 | 2014-04-16 | 国电南瑞科技股份有限公司 | 基于改进rbf神经网络的光伏电站群区域功率预测方法 |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
Non-Patent Citations (3)
Title |
---|
A machine-learning approach for regional photovoltaic power forecasting;Yuan LI et al;《2016 IEEE Power and Energy Society General Meeting (PESGM)》;20161114;全文 * |
一种基于双通道CNN和LSTM的短期光伏功率预测方法;简献忠 等;《电力科学与工程》;20190528;第35卷(第5期);全文 * |
基于标签相关性的卷积神经网络多标签分类;余晓龙 等;《闽南师范大学学报(自然科学版)》;20190630;第32卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110689183A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689183B (zh) | 一种集群光伏功率概率预测方法、***、介质及电子设备 | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及*** | |
CN112446419B (zh) | 基于注意力机制的时空神经网络雷达回波外推预报方法 | |
CN110502806B (zh) | 一种基于lstm网络的无线频谱占用度预测方法 | |
CN110675623A (zh) | 基于混合深度学习的短时交通流量预测方法、***、装置 | |
CN112289034A (zh) | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 | |
CN107153874A (zh) | 水质预测方法及*** | |
CN114254561A (zh) | 一种内涝预测方法、***及存储介质 | |
CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及*** | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN110517488A (zh) | 基于时序分解和循环神经网络的短时交通流预测方法 | |
CN112434848A (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 | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及*** | |
CN114065996A (zh) | 基于变分自编码学习的交通流预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、***、计算机设备及存储介质 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及*** | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和*** | |
CN113988263A (zh) | 工业物联网边缘设备中基于知识蒸馏的空时预测方法 | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及*** | |
Sharma et al. | Deep Learning Based Prediction Of Weather Using Hybrid_stacked Bi-Long Short Term Memory | |
CN116706907A (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
CN116151449A (zh) | 一种电力负荷的短期预测方法及装置 |
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 |