CN114004405A - 基于Elman神经网络和卫星云图的光伏功率预测方法及*** - Google Patents
基于Elman神经网络和卫星云图的光伏功率预测方法及*** Download PDFInfo
- Publication number
- CN114004405A CN114004405A CN202111294879.1A CN202111294879A CN114004405A CN 114004405 A CN114004405 A CN 114004405A CN 202111294879 A CN202111294879 A CN 202111294879A CN 114004405 A CN114004405 A CN 114004405A
- Authority
- CN
- China
- Prior art keywords
- elman
- data
- photovoltaic power
- model
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005611 electricity Effects 0.000 claims abstract description 21
- 238000010248 power generation Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000000306 recurrent effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000238413 Octopus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于光伏发电相关技术领域,提供了一种基于Elman神经网络和卫星云图的光伏功率预测方法及***,包括:获取待预测用电***的历史用电数据和卫星图像并进行预处理;搭建Elman动态递归神经网络模型,并输入预处理后的数据进行训练;将预处理后的数据输入训练好的Elman模型,输出预测结果;针对卫星云图的灰度值进行高精度提取,为Elman神经网络预测模型建模做准备;同时考虑历史运行数据和卫星云图灰度值的Elman的光伏功率预测模型及算法;测值与真实值的误差计算方式,得到模型误差评价,从而提高功率预测的精度。
Description
技术领域
本发明属于光伏发电相关技术领域,尤其涉及一种基于Elman神经网络和卫星云图的光伏功率预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着工业化电气化进程加快,人类对能源的需求量猛增,尤其是对电能的需求,更是呈现逐年攀升的趋势。对于发电能源,煤、石油、天然气等一次性能源的消耗负担加剧并且伴随成本和污染的问题尤为突出。以光伏为主导的新能源发电得以大力发展,但由于天气条件的不稳定性,使光伏发电具有很强的间歇性和随机性,对现有电力***的规划和运行造成挑战。
目前使用较多的光伏功率预测工具主要是人工神经网络。其中Elman和BP神经网络作为递归神经网络,都属于人工神经网络。但Elman神经网络由于其承接层的记忆功能相比于BP神经网络,全局稳定性更高。另外考虑到天气因素,阴雨天时,云层的运和消散呈现无惯性的突变,为光伏功率预测带来难点。利用云图进行光伏功率的预测开始探索。现有研究中进行光伏功率预测使用的云图主要分为两类:地基云图和卫星云图。其中基于地基云图的光伏功率预测方法研究较多。但地基云图的观测范围有限,安装维护的成本较高,广泛地应用存在困难。而卫星云图在国内气象数据网站获取相对容易且范围较广,所以基于卫星云图进行光伏发电功预测的研究逐渐引起重视。本发明主要解决光伏功率的准确预测,来提高电力***运行的可靠性,可以降低用电成本,降低能耗,节能减排,提高经济效益。
发明人发现,在光伏发电功率预测模型中,历史发电功率数据所含特征有限,而传统的递归网络BP神经网络无动态特性,并且存在收敛速度慢,全局稳定性较差。使得应用在光伏发电功率预测方面误差较大,不能很好地改善预测精度。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于Elman神经网络和卫星云图的光伏功率预测方法及***,其解决数据特征有限、全局稳定性问题,有效利用气象规律,从而提高功率预测的精度。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于Elman神经网络和卫星云图的光伏功率预测方法,包括:
获取待预测用电***的历史用电数据和卫星图像并进行预处理;
搭建Elman动态递归神经网络模型,并输入预处理后的数据进行训练;
将预处理后的数据输入训练好的Elman模型,输出预测结果。
本发明的第二个方面提供一种基于Elman神经网络和卫星云图的光伏功率预测***,包括:
数据获取模块,被配置为获取待预测用电***的历史用电数据和卫星图像并进行预处理;
模型搭建模块,被配置为搭建Elman动态递归神经网络模型,并输入预处理后的数据进行训练;
光伏功率预测模块,被配置为将预处理后的数据输入训练好的Elman模型,输出预测结果。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于Elman神经网络和卫星云图的光伏功率预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,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计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的基于Elman神经网络和卫星云图的光伏功率预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明针对卫星云图的灰度值进行高精度提取,为Elman神经网络预测模型建模做准备;同时考虑历史运行数据和卫星云图灰度值的Elman的光伏功率预测模型及算法;测值与真实值的误差计算方式,得到模型误差评价,从而提高功率预测的精度;
2、本发明将卫星云图和历史发电数据共同作为特征输入,进一步使数据集更加丰富并且一定程度上提高了预测精度;选用优于BP模型的Elman模型,具有收敛速度快、全局稳定性好的有点。同时也弥补了BP模型的无记忆性、静态性的缺点。
3、本发明创新性的结合卫星数据的Elman模型应用于光伏功率预测领域。;
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一的Elman神经网络光伏功率预测流程;
图2(a)是本发明实施例一的3月21日9点时刻的卫星云图示例;
图2(b)是本发明实施例一的4月13日8点时刻卫星云图示例;
图3(a)是本发明实施例一的3月4日8点卫星云图的灰度化图像;
图3(b)是本发明实施例一的3月9日10点15分卫星云图的灰度化图像;
图3(c)是本发明实施例一的3月22日10点15分卫星云图的灰度化图像;
图3(d)是本发明实施例一的4月13日8点卫星云图的灰度化图像;
图4是本发明实施例一的各灰度值区间聚类数目统计图;
图5是本发明实施例一的Elman神经网络结构图;
图6是本发明实施例一的模型1测试误差评价图;
图7是本发明实施例一的模型2测试误差评价图;
图8是本发明实施例一的功率预测值与实际值对比柱状图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1-8所示,本实施例提供了一种基于Elman神经网络和卫星云图的光伏功率预测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和***,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
步骤S100:获取待预测用电***的历史用电数据和卫星图像并进行预处理;
数据获取和卫星云图处理,数据归一化,划分数据集为训练数据和测试数据。
步骤S200:搭建Elman动态递归神经网络模型,并输入预处理后的数据进行训练;
训练数据输入Elman网络模型,进行模型训练。
步骤S300:将预处理后的数据输入训练好的Elman模型,输出预测结果;
测试数据输入训练好的模型中,得到预测值,并进行反归一化,得到最终的预测值;
最终的预测值与真实值进行误差计算,得到模型误差评价。
具体来说,对于步骤S100,包括卫星图像获取、图像灰度化处理、灰度值区间划分。
步骤S101:首先,以光伏功率数据来源于山东省章丘区的某光伏电厂。该光伏电厂装机容量为10MW,占地面积为405亩,年均上网发电量预计达1200万kWh,相当于节煤3670吨。主要采用该电厂2021年3-4月份的历史光伏发电功率数据,时间间隔为15分钟。
卫星云图选定区域的纬度为[117.00-118.00]和经度[36-37],包含了512*450个像素点,其分辨率为1000m。选择上午8:00-10:30的卫星云图,并使得功率数据与卫星云图数据保持对应,最终确定数据点103个。当云层越厚时,太阳光反射越强烈,对应区域的像素值越大。相反天空晴朗时相应区域的像素值较小。如图2所示,分别为2021年3月21日和4月13日山东省章丘区可见光影像示例。
需要注意的是,历史数据为电厂的发电功率数据,分辨率为15分钟。结合云图数据,取8:00-10:30的数据。云图数据为电厂所在地区经纬度裁剪的图像数据,分辨率为1000m。考虑可见光图像特性,取8:00-10:30的数据。
步骤S102:然后进行图像的灰度化处理。根据已知电厂精确的经纬度,对图片进行裁剪,得到50*50个像素点的卫星云图。然后对云图进行灰度化处理,即像素矩阵中的每一个像素点都满足R=G=B,提取每个像素点的灰度值。本发明选择四个不同时间点的卫星云图进行灰度化,得到灰度图如图3所示。已知四个时刻的发电功率Pa=1840kw,Pb=5902kw,Pc=7169kw,Pd=2869kw,可以得到:卫星云图的灰度值越小,云层稀疏,发电功率越大;灰度值越大,云层越厚,发电功率越小。
步骤S103:最后灰度值区间划分。对灰度值进行区间聚类划分。以上面提及的四张卫星云图为例,灰度值范围0-255,进行10个区间的聚类划分,统计结果如表1所示。柱状对比图如图4所示。结果显示,采用区间聚类划分得到的像素点个数大小仍遵循灰度值与发电功率的变化关系,因此提出将区间聚类统计结果作为模型输入去预测发电功率的方法。下面以具体的示例进行说明。
表1是各灰度值区间的像素点个数统计表。
表1
步骤S104:数据归一化。历史发电功率和卫星云图灰度值信息网络训练之前对灰度值区间聚类统计结果和历史发电功率进行归一化处理,使其取值范围为[0,1]。
步骤S105:划分数据集为训练数据和测试数据。90%的数据点用来训练,10%的数据点用来测试模型并进行误差评价。
步骤S200:包括模型的搭建和基本参数的选取
步骤S201:Elman神经网络是一种典型的动态递归神经网络,相比于BP神经网络,它在隐含层增加一个承接层。其网络结构一般分为四层:输入层、隐藏层、承接层和输出层,其结构图如图5所示。其中,u为输入向量,y为输出向量,x为n维隐含层单元向量,c为承接层的n维反馈向量,w1,w2,w3分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值。网络的计算公式如下:
y(t)=g(w3x(t)) (1)
x(t)=f(w1c(t)+w2(u(t-1))) (2)
c(t)=x(t-1) (3)
输入层单元起到信号传输作用,输出层单元起到加权作用。而承接层则用来记忆隐层单元前一时刻的输出值,可以认为是一个有一步迟延的延时算子。隐层单元通常采用取Signmoid非线性激励函数。它将其输出通过承接层的延迟与存储,自联到它的输入。这种自联方式使其对历史数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到动态建模的目的。同时使***具有适应时变特性的能力,增强了网络的全局稳定性。
步骤S202:Elman神经网络的基本参数设定如下:
①输入输出层节点的确定。因本发明主要研究卫星云图信息对预测模型的精度的影响,因此不同模型的输入节点依据数据量的不同。其中模型1输入变量为历史发电功率,所以输入层节点数为1;模型2加入卫星云图灰度值的区间聚类数目,输入层节点为11。输出均为当前时刻的实际功率。
②隐含层节点数的选取。隐含层神经元的数目对神经网络的性能影响较大,会影响到预测的精度。当隐含层神经元数量过少时,网络无法进行全面的学习,预测结果精度不高;数量过多时,学习速度降低的同时,还可能导致“过拟合”现象的产生。本发明依据经验公式确定隐含层节点的数量:
式中:Mh、Mi、Mo依次为隐含层、输入层和输出层的节点个数;a通常取值1~8。根据经验公式尝试输入不同的隐含层节点,对比每次训练的误差值,本发明最终选择隐含层节点为3个。
在步骤步骤S300中,具体包括:
步骤S301:测试数据输入训练好的模型中,得到预测值,并进行反归一化。反归一化即为把模型输出的无量纲的预测试转化为实际功率单位的预测值,作为最终的预测值。
步骤S302:最终的预测值与真实值进行误差计算,得到模型误差评价。
为比较加入卫星云图后对预测精度的影响,输出两组预测值并通过与真实值的误差来衡量。所采用的误差为均方根误差(RMSE)和相对变化系数(Relative Coefficient ofVariation),其中均方根误差是衡量预测值与真实值之间的偏差,与发电功率有相同的量纲;为消除量纲,更直观的分析模型的预测精度,本发明引入了相对变化系数,即均方根误差与平均发电功率的比值。相应的计算公式如下:
模型1:利用前一时刻的发电功率预测下一时刻的发电功率,模型测试结果如图6所示。
模型2:前一时刻的发电功率和卫星云图提取的灰度区间聚类数目作为输入预测下一时刻的发电功率,模型测试结果如图7所示。两个模型的功率预测值和实际值均相差不大。
为更直观的对比两个模型的预测精度,将预测结果如图8所示。不同模型的预测精度列于表2。结合表2的统计结果,加入卫星云图的像素信息后,模型2的精度整体是提高的,其中均方根误差从191.3141降低到154.7513,RMSE-C从0.05415降低到0.04010,说明卫星云图像素信息的加入对提高精度是可行且可靠的。原因是卫星云图像素信息的加入可以反映预测时刻的太阳辐照信息,有用信息输入越多,预测也就更加精确。
表2不同模型的预测精度
表2
RMSE | RMSE-C | |
模型1 | 191.3141 | 0.05415 |
模型2 | 142.0417 | 0.04010 |
实施例二
本实施例提供了一种基于Elman神经网络和卫星云图的光伏功率预测***,包括:
数据获取模块,被配置为获取待预测用电***的历史用电数据和卫星图像并进行预处理;
模型搭建模块,被配置为搭建Elman动态递归神经网络模型,并输入预处理后的数据进行训练;
光伏功率预测模块,被配置为将预处理后的数据输入训练好的Elman模型,输出预测结果。
此处需要说明的是,上述数据获取模块、模型搭建模块和光伏功率预测模块对应于实施例一中的步骤S100至S300,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于Elman神经网络和卫星云图的光伏功率预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,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计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于Elman神经网络和卫星云图的光伏功率预测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于Elman神经网络和卫星云图的光伏功率预测方法,其特征在于,包括:
获取待预测用电***的历史用电数据和卫星图像并进行预处理;
搭建Elman动态递归神经网络模型,并输入预处理后的数据进行训练;
将预处理后的数据输入训练好的Elman模型,输出预测结果。
2.如权利要求1所述的一种基于Elman神经网络和卫星云图的光伏功率预测方法,其特征在于,所述获取待预测用电***的历史用电数据和卫星图像并进行预处理,具体为:
获取历史光伏发电功率数据和发电厂的位置卫星云图;
对卫星云图进行图像的灰度化处理,并对灰度值进行区间聚类划分;
对灰度值区间聚类划分结果和历史发电功率进行归一化处理,形成数据集;
将数据集划分为训练数据和测试数据。
3.如权利要求1所述的一种基于Elman神经网络和卫星云图的光伏功率预测方法,其特征在于,所述搭建Elman模型,并输入预处理后的数据进行训练,具体为:
搭建Elman模型,包括输入层、隐藏层、承接层和输出层;
设定Elman模型参数;
将预处理后的数据中的训练数据输入到Elman模型中;
得到训练好的Elman模型。
4.如权利要求1所述的一种基于Elman神经网络和卫星云图的光伏功率预测方法,其特征在于,所述将预处理后的数据输入训练好的Elman模型,输出预测结果,具体为:
将预处理后的数据中的测试数据输入到训练好的Elman模型,得到预测值;
将预测值进行反归一化,得到实际功率单位的预测值;
将实际功率单位的预测值与实际的光伏发电功率进行误差计算,得到模型误差评价。
7.如权利要求2所述的一种基于Elman神经网络和卫星云图的光伏功率预测方法,其特征在于,将数据集划分为训练数据和测试数据,90%的数据点用来训练,10%的数据点用来测试模型并进行误差评价。
8.一种基于Elman神经网络和卫星云图的光伏功率预测***,其特征在于,包括:
数据获取模块,被配置为获取待预测用电***的历史用电数据和卫星图像并进行预处理;
模型搭建模块,被配置为搭建Elman动态递归神经网络模型,并输入预处理后的数据进行训练;
光伏功率预测模块,被配置为将预处理后的数据输入训练好的Elman模型,输出预测结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于Elman神经网络和卫星云图的光伏功率预测方法中的步骤。
10.一种计算机设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于Elman神经网络和卫星云图的光伏功率预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294879.1A CN114004405A (zh) | 2021-11-03 | 2021-11-03 | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294879.1A CN114004405A (zh) | 2021-11-03 | 2021-11-03 | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004405A true CN114004405A (zh) | 2022-02-01 |
Family
ID=79926899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111294879.1A Pending CN114004405A (zh) | 2021-11-03 | 2021-11-03 | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004405A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564100A (zh) * | 2022-09-22 | 2023-01-03 | 济南大学 | 光伏功率预测方法、***及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大***研究院 | 一种基于elman神经网络的光伏发电***功率预测方法 |
CN106779154A (zh) * | 2016-11-22 | 2017-05-31 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN110533063A (zh) * | 2019-07-17 | 2019-12-03 | 赛德雷特(珠海)航天科技有限公司 | 一种基于卫星影像和gmdh神经网络的云量计算方法及装置 |
-
2021
- 2021-11-03 CN CN202111294879.1A patent/CN114004405A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大***研究院 | 一种基于elman神经网络的光伏发电***功率预测方法 |
CN106779154A (zh) * | 2016-11-22 | 2017-05-31 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN110533063A (zh) * | 2019-07-17 | 2019-12-03 | 赛德雷特(珠海)航天科技有限公司 | 一种基于卫星影像和gmdh神经网络的云量计算方法及装置 |
Non-Patent Citations (1)
Title |
---|
司志远等: "基于卫星云图特征区域定位的超短期光伏功率预测方法", 《高电压技术》, vol. 47, no. 4, 30 April 2021 (2021-04-30), pages 1214 - 1223 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564100A (zh) * | 2022-09-22 | 2023-01-03 | 济南大学 | 光伏功率预测方法、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network | |
Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
CN109524993B (zh) | 用于中长期优化调度的风电光伏典型周出力场景生成方法 | |
CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析***及方法 | |
CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
CN107204615B (zh) | 一种实现功率预测的方法及*** | |
CN112200377A (zh) | 基于sarimax模型的光伏中长期发电量预报方法及装置 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及*** | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及*** | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和*** | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 |
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 |