CN114266416A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114266416A CN114266416A CN202111654839.3A CN202111654839A CN114266416A CN 114266416 A CN114266416 A CN 114266416A CN 202111654839 A CN202111654839 A CN 202111654839A CN 114266416 A CN114266416 A CN 114266416A
- Authority
- CN
- China
- Prior art keywords
- power generation
- day
- short
- historical
- photovoltaic 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种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,通过获取的气象信息,并确定天气类型,然后根据气象信息和天气类型利用相似度分析理论构建相似日样本集,对相似日样本集历史光伏发电功率数据进行分解,提取中频分量构建短期预测中频信息,然后基于相似日样本集的气象信息、短期预测中频信息和历史光伏发电功率数据训练神经网络,得到光伏发电功率短期预测模型,以预测日的气象信息和短期预测中频信息作为输入,预测预测日光伏发电短期功率。可以实现不同气象条件下光伏发电短期功率的有效预测,对光伏发电并网和电站的稳定运行的拓展研究工作提供基础。
Description
技术领域
本发明涉及光伏发电功率预测技术领域,尤其涉及一种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。
背景技术
进入新世纪后,环境保护和能源危机日趋严峻,太阳能发电凭借其清洁、可再生和易于分布式推广等优点在全球范围内得到广泛应用。随着碳达峰、碳中和战略的提出,我国光伏发电产业将迎来一个新的发展良机,光伏发电量占总发电量的比重将显著上升。然而,光伏发电功率与气象因素紧密相关,其具有很强的间歇性、波动性和随机性,大规模的光伏发电并网不仅对电网造成强烈冲击而且影响电能质量,还对电力***的稳定运行和有效调度造成不利影响。光伏发电功率的合理预测,可有效减小因并网对电网造成的冲击,提高电站运行的稳定性,提升主网对光伏的接纳能力。因此,有效预测光伏发电功率对推动太阳能发电应用及整个电网的安全、高效、经济运行具有重要的意义。
现有光伏发电功率预测方法主要分为物理法和统计法两类。物理法因模型简单、且输入信息易得而被大量应用于光伏发电功率的预测,但需要考虑光伏发电设备的参数,因此其稳定性、可靠性和抗干扰能力较差。传统的统计方法虽然比物理方法更简单和精确,但其受到变量特征假设和非线性模型的限制。近年来,具有非线性处理能力的深度学习神经网络算法被广泛应用于光伏发电功率预测,但其在突变情形下的预测能力较差,且易陷入局部最优。因此,光伏发电功率短期精确预测技术还较少。
发明内容
本发明提供了一种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,以解决常规的光伏发电功率短期预测方法估计结果精度不高的问题。
第一方面,提供了一种基于相似日的光伏发电功率短期预测方法,包括:
获取预测日的气象信息,并确定其所属天气类型;
根据预测日气象信息、天气类型从历史发电日数据库中选出综合相似度最大的A个历史发电日数据构建相似日样本集,其中A为预设值;
对相似日样本集中每个历史发电日的历史光伏发电功率数据分别进行分解处理,并分别将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频信息;且将综合相似度最高的历史发电日对应的短期预测中频信息作为预测日的短期预测中频信息;
将相似日样本集的气象信息、短期预测中频信息及历史光伏发电功率数据进行归一化处理;
将归一化处理后的相似日样本集中每个历史发电日的气象信息及短期预测中频信息作为神经网络的输入,将对应的历史光伏发电功率数据作为神经网络的输出,对神经网络进行训练,得到光伏发电功率短期预测模型;
将预测日对应的气象信息及其短期预测中频信息进行归一化处理,然后输入到光伏发电功率短期预测模型,输出归一化的光伏发电预测功率;
对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
进一步地,所述根据预测日气象信息、天气类型从历史发电日数据库中选出综合相似度最大的A个历史发电日数据构建相似日样本集,具体包括:
根据预测日天气类型从历史发电日数据库中筛选出天气类型***的历史发电日数据构建相似日初始样本集;
计算基于预测日气象信息构建的气象信息特征向量与相似日初始样本集中各历史发电日的气象信息特征向量间的综合相似度,选取综合相似度最大的A个历史发电日数据构建相似日样本集。
进一步地,所述综合相似度通过如下公式计算得到:
Si=αFi+(1-α)Dcosi
其中,Si表示第i个历史发电日与预测日的综合相似度;α表示取值为[0,1]之间的经验权重系数;Fi表示第i个历史发电日与预测日的气象信息间灰色关联度,Dcosi表示第i个历史发电日与预测日的气象信息间余弦相似度;
其中,Fi计算公式如下:
式中,M为气象信息包含的分量总数;ωi(k)表示第i个历史发电日与预测日的第k个气象信息分量间的灰色关联系数,计算公式如下:
Dcosi计算公式如下:
进一步地,所述对相似日样本集中每个历史发电日的历史光伏发电功率数据分别进行分解处理,并分别将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频信息,具体包括:
对于相似日样本集中每个历史发电日,利用EEMD算法对其历史光伏发电功率数据进行分解,得到多个IMF分量和一个残差分量;
用游程检验法检验计算历史光伏发电功率数据分解得到的各IMF分量的最大游程长度和游程数,根据最大游程长度和游程数筛选出中频IMF分量;
将筛选出的中频IMF分量叠加作为该历史发电日的短期预测中频信息。
进一步地,对神经网络进行训练之前,还包括:
确定神经网络的输入层、输出层及隐含层的节点数n、m、l,给定神经网络的训练函数、节点传递函数及网络学习函数,并利用灰狼优化算法对神经网络的初始权值和阈值进行优化,并将优化后的值赋给神经网络。
进一步地,所述神经网络采用BP神经网络,其隐含层和输出层可通过下式计算:
隐含层:
输出层:
其中,bj为隐含层第j个节点,Xi为输入向量的第i个分量,wij为输入层第i个节点与隐含层第j个节点间的权值,θj为隐含层第j个节点的阈值,Yk为输出层第k个节点,vjk为隐含层第i个节点与输出层第k个节点间的权值,γk为输出层第k个节点的阈值;f1(·)为隐含层节点函数,f2(·)为输出层节点函数;
网络误差通过如下公式计算:
Ek=yk-Yk
其中,Ek为输出层第k个节点的误差,yk为输出层第k个节点的真实值,Yk为输出层第k个节点的预测值;
隐含层和输出层的权值和阈值更新方式如下:
隐含层:
输出层:
wjk=wjk+λbjEk
γk=γk+Ek
其中,λ表示网络迭代速度;
在迭代训练过程中,判定网络误差E与设定误差ε1之间的关系,若E>ε1,则更新隐含层和输出层的权值和阈值并返回到隐含层和输出层计算;否则,终止迭代,输出预测值。
进一步地,BP神经网络输入层和输出层的节点数根据训练时的输入和输出数据确定,隐含层节点数是由输出层和输入层节点数共同决定,隐含层最佳节点数由以下几种方式中的一种获得:
l=n-1
式中,C为调节常数,其取值范围为[1,10]。
进一步地,所述气象信息包括日平均太阳辐照度、最大辐照度、平均温度、最高温度、最低温度、平均湿度和平均风速。
第二方面,提供了一种基于相似日的光伏发电功率短期预测装置,包括:
数据获取模块,用于获取预测日的气象信息,并确定其所属天气类型;
相似日样本集构建模块,用于根据预测日气象信息、天气类型从历史发电日数据库中选出综合相似度最大的A个历史发电日数据构建相似日样本集,其中A为预设值;
中频信息获取模块,用于对相似日样本集中每个历史发电日的历史光伏发电功率数据分别进行分解处理,并分别将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频信息;且将综合相似度最高的历史发电日对应的短期预测中频信息作为预测日的短期预测中频信息;
归一化模块,用于将相似日样本集的气象信息、短期预测中频信息及历史光伏发电功率数据进行归一化处理;
模型训练模块,用于将归一化处理后的相似日样本集中每个历史发电日的气象信息及短期预测中频信息作为神经网络的输入,将对应的历史光伏发电功率数据作为神经网络的输出,对神经网络进行训练,得到光伏发电功率短期预测模型;
光伏发电预测模块,用于将预测日对应的气象信息及其短期预测中频信息进行归一化处理,然后输入到光伏发电功率短期预测模型,输出归一化的光伏发电预测功率;
反归一化模块,用于对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
第三方面,提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于相似日的光伏发电功率短期预测方法。
有益效果
本发明提出了一种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,通过获取的气象信息,并确定天气类型,然后根据气象信息和天气类型利用相似度分析理论构建相似日样本集,对相似日样本集历史光伏发电功率数据进行分解,提取中频分量构建短期预测中频信息,然后基于相似日样本集的气象信息、短期预测中频信息和历史光伏发电功率数据训练神经网络,得到光伏发电功率短期预测模型,以预测日的气象信息和短期预测中频信息作为输入,预测预测日光伏发电短期功率。可以实现不同气象条件下光伏发电短期功率的有效预测,对光伏发电并网和电站的稳定运行的拓展研究工作提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种光伏发电功率短期预测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
实施例1
如图1所示,本实施例提供了一种基于相似日的光伏发电功率短期预测方法,包括:
S1:获取预测日的气象信息,并确定其所属天气类型。
具体实施时,可利用热电偶、风速测试仪、湿度计和辐照表等设备对待预测电站的温度T、风速W、湿度H和太阳辐照强度I进行测量记录,可根据预设时间间隔采集并记录一次相关数据,预设时间间隔根据实际需要自行设定,如5分钟、10分钟、半小时等。基于采集的数据可提取日平均太阳辐照度Ia、最大辐照度Imax、平均温度Ta、最高温度Tmax、最低温度Tmin、平均湿度Ha和平均风速Wa等气象信息构建气象信息特征向量X*=[Ia,Imax,Ta,Tmax,Tmin,Ha,Wa],同时根据广义天气分类原则,将天气归类为晴天、雨天和多云天气三大类中的一种。
S2:根据预测日气象信息、天气类型从历史发电日数据库中选出综合相似度最大的A个历史发电日数据构建相似日样本集,其中A为预设值。
其中,历史发电日数据库可事先建立:通过事先采集待预测电站的大量历史日气象数据及各历史日的发电功率数据,构建各历史日的气象信息特征向量,并确定各历史日的天气类型,基于各历史日对应的气象特征向量、天气类型及发电功率数据建立历史发电日数据库。
基于此,步骤S2的具体过程包括:
S21:根据预测日天气类型从历史发电日数据库中筛选出天气类型***的历史发电日数据构建相似日初始样本集;
S22:计算基于预测日气象信息构建的气象信息特征向量与相似日初始样本集中各历史发电日的气象信息特征向量间的综合相似度,选取综合相似度最大的A个历史发电日数据构建相似日样本集,A的取值根据实际需要选择,如10、15、20等。
其中,所述综合相似度通过如下公式计算得到:
Si=αFi+(1-α)Dcosi
其中,Si表示第i个历史发电日与预测日的综合相似度;α表示取值为[0,1]之间的经验权重系数,计算时应与预测日具体天气情况相结合,当辐照度、相对湿度、温度等气象信息发生剧烈波动,即天气情况发生明显变化时,取值应选取接近0,否则接近1;Fi表示第i个历史发电日与预测日的气象信息特征向量间灰色关联度,Dcosi表示第i个历史发电日与预测日的气象信息特征向量间余弦相似度;
其中,Fi计算公式如下:
式中,M为气象信息特征向量维度,本实施例中为7;ωi(k)表示第i个历史发电日与预测日的第k个气象信息特征向量分量间的灰色关联系数,计算公式如下:
Dcosi计算公式如下:
采用灰色关联度分析法比较历史发电日与预测日各气象信息特征向量间的关联程度,利用余弦相似度计算历史发电日与预测日各气象信息特征向量间变化趋势的相似度,其值越接近1,表明量气象信息特征向量间的夹角越小,两气象信息特征向量越相似,他们的变化趋势(方向)也就越一致。最后将余弦相似度Dcosi和灰色关联度Fi进行加权处理而得到相似性综合指标Si,进而反映预测日和历史发电日气象信息特征向量在变化趋势和数值两方面的总体相似性,Si值越接近1,则越相似。
S3:对相似日样本集中每个历史发电日的历史光伏发电功率数据分别进行分解处理,并分别将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频信息;且将综合相似度最高的历史发电日对应的短期预测中频信息作为预测日的短期预测中频信息。
更具体地,包括如下步骤:
S31:对于相似日样本集中每个历史发电日,利用EEMD(集合经验模态分解)算法对其历史光伏发电功率数据进行分解,得到多个IMF分量和一个残差分量。具体过程为:
将高斯白噪声ei(t)添加到历史光伏发电功率数据信息序列P(t)中,添加高斯白噪声后的新序列为:
Pi(t)=P(t)+ei(t)
利用经验模态分解技术对新序列Pi(t)进行分解,获得N个IMF分量cj(t)和一个残余分量r0(t):
其中,i表示第i次对原始信号加入高斯白噪声;
重复上述过程H次,每次都对原始历史光伏发电功率数据信息序列P(t)添加新的高斯白噪声并求出相应的IMF分量;
对计算得到的IMF分量进行平均化处理,则原历史光伏发电功率数据信息序列P(t)的IMF分量可以通过如下方程表示:
最终原历史光伏发电功率数据信息序列P(t)被分解为:
S32:用游程检验法检验计算历史光伏发电功率数据分解得到的各IMF分量的最大游程长度和游程数,根据最大游程长度和游程数筛选出中频IMF分量。具体过程为:
对于每一个IMF分量cj(t),均为一个时间序列,假设用序列{G(t)}(t=1,2,…,p)表示,其平均值为Ga,则时序符号定义为:
式中,i=1,2,…,p;
连续的1或0均表示一个游程,一个游程内1或0的数量表示游程长度,最大游程长度越大代表数据越稳定,频率越低。进而可根据最大游程长度和游程数与预设阈值进行比较,筛选出中频IMF分量。
S33:将筛选出的中频IMF分量叠加作为该历史发电日的短期预测中频信息。
S4:将相似日样本集的气象信息、短期预测中频信息及历史光伏发电功率数据进行归一化处理,提高预测模型的计算效率和预测精度。
S5:将归一化处理后的相似日样本集中每个历史发电日的气象信息及短期预测中频信息作为神经网络的输入,将对应的历史光伏发电功率数据作为神经网络的输出,对神经网络进行训练,得到光伏发电功率短期预测模型。
对神经网络进行训练之前,还包括:
确定神经网络的输入层、输出层及隐含层的节点数n、m、l,给定神经网络的训练函数、节点传递函数及网络学习函数,并利用灰狼优化算法对神经网络的初始权值和阈值进行优化,并将优化后的值赋给神经网络。
本实施例中,所述神经网络采用BP神经网络,其隐含层和输出层可通过下式计算:
隐含层:
输出层:
其中,bj为隐含层第j个节点,Xi为输入向量的第i个分量,wij为输入层第i个节点与隐含层第j个节点间的权值,θj为隐含层第j个节点的阈值,Yk为输出层第k个节点,vjk为隐含层第i个节点与输出层第k个节点间的权值,γk为输出层第k个节点的阈值;f1(·)为隐含层节点函数,f2(·)为输出层节点函数;
网络误差通过如下公式计算:
Ek=yk-Yk
其中,Ek为输出层第k个节点的误差,yk为输出层第k个节点的真实值,Yk为输出层第k个节点的预测值;
隐含层和输出层的权值和阈值更新方式如下:
隐含层:
输出层:
wjk=wjk+λbjEk
γk=γk+Ek
其中,λ表示网络迭代速度;
在迭代训练过程中,判定网络误差E与设定误差ε1之间的关系,若E>ε1,则更新隐含层和输出层的权值和阈值并返回到隐含层和输出层计算;否则,终止迭代,输出预测值。还设置有另一迭代终止条件,即达到最大迭代训练次数。
BP神经网络输入层和输出层的节点数根据训练时的输入和输出数据确定,隐含层节点数是由输出层和输入层节点数共同决定,隐含层最佳节点数由以下几种方式中的一种获得:
l=n-1
式中,C为调节常数,其取值范围为[1,10]。
S6:将预测日对应的气象信息及其短期预测中频信息进行归一化处理,然后输入到光伏发电功率短期预测模型,输出归一化的光伏发电预测功率Pn。
S7:对光伏发电预测功率Pn进行反归一化处理得到预测日光伏发电短期预测功率Pa。
实施例2
本实施例提供了一种基于相似日的光伏发电功率短期预测装置,包括:
数据获取模块,用于获取预测日的气象信息,并确定其所属天气类型;
相似日样本集构建模块,用于根据预测日气象信息、天气类型从历史发电日数据库中选出综合相似度最大的A个历史发电日数据构建相似日样本集,其中A为预设值;
中频信息获取模块,用于对相似日样本集中每个历史发电日的历史光伏发电功率数据分别进行分解处理,并分别将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频信息;且将综合相似度最高的历史发电日对应的短期预测中频信息作为预测日的短期预测中频信息;
归一化模块,用于将相似日样本集的气象信息、短期预测中频信息及历史光伏发电功率数据进行归一化处理;
模型训练模块,用于将归一化处理后的相似日样本集中每个历史发电日的气象信息及短期预测中频信息作为神经网络的输入,将对应的历史光伏发电功率数据作为神经网络的输出,对神经网络进行训练,得到光伏发电功率短期预测模型;
光伏发电预测模块,用于将预测日对应的气象信息及其短期预测中频信息进行归一化处理,然后输入到光伏发电功率短期预测模型,输出归一化的光伏发电预测功率;
反归一化模块,用于对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
实施例3
本实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例所述的基于相似日的光伏发电功率短期预测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于相似日的光伏发电功率短期预测方法,其特征在于,包括:
获取预测日的气象信息,并确定其所属天气类型;
根据预测日气象信息、天气类型从历史发电日数据库中选出综合相似度最大的A个历史发电日数据构建相似日样本集,其中A为预设值;
对相似日样本集中每个历史发电日的历史光伏发电功率数据分别进行分解处理,并分别将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频信息;且将综合相似度最高的历史发电日对应的短期预测中频信息作为预测日的短期预测中频信息;
将相似日样本集的气象信息、短期预测中频信息及历史光伏发电功率数据进行归一化处理;
将归一化处理后的相似日样本集中每个历史发电日的气象信息及短期预测中频信息作为神经网络的输入,将对应的历史光伏发电功率数据作为神经网络的输出,对神经网络进行训练,得到光伏发电功率短期预测模型;
将预测日对应的气象信息及其短期预测中频信息进行归一化处理,然后输入到光伏发电功率短期预测模型,输出归一化的光伏发电预测功率;
对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
2.根据权利要求1所述的基于相似日的光伏发电功率短期预测方法,其特征在于,所述根据预测日气象信息、天气类型从历史发电日数据库中选出综合相似度最大的A个历史发电日数据构建相似日样本集,具体包括:
根据预测日天气类型从历史发电日数据库中筛选出天气类型***的历史发电日数据构建相似日初始样本集;
计算基于预测日气象信息构建的气象信息特征向量与相似日初始样本集中各历史发电日的气象信息特征向量间的综合相似度,选取综合相似度最大的A个历史发电日数据构建相似日样本集。
3.根据权利要求1或2所述的基于相似日的光伏发电功率短期预测方法,其特征在于,所述综合相似度通过如下公式计算得到:
Si=αFi+(1-α)Dcosi
其中,Si表示第i个历史发电日与预测日的综合相似度;α表示取值为[0,1]之间的经验权重系数;Fi表示第i个历史发电日与预测日的气象信息间灰色关联度,Dcosi表示第i个历史发电日与预测日的气象信息间余弦相似度;
其中,Fi计算公式如下:
式中,M为气象信息包含的分量总数;ωi(k)表示第i个历史发电日与预测日的第k个气象信息分量间的灰色关联系数,计算公式如下:
Dcosi计算公式如下:
4.根据权利要求1所述的基于相似日的光伏发电功率短期预测方法,其特征在于,所述对相似日样本集中每个历史发电日的历史光伏发电功率数据分别进行分解处理,并分别将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频信息,具体包括:
对于相似日样本集中每个历史发电日,利用EEMD算法对其历史光伏发电功率数据进行分解,得到多个IMF分量和一个残差分量;
用游程检验法检验计算历史光伏发电功率数据分解得到的各IMF分量的最大游程长度和游程数,根据最大游程长度和游程数筛选出中频IMF分量;
将筛选出的中频IMF分量叠加作为该历史发电日的短期预测中频信息。
5.根据权利要求1所述的基于相似日的光伏发电功率短期预测方法,其特征在于,对神经网络进行训练之前,还包括:
确定神经网络的输入层、输出层及隐含层的节点数n、m、l,给定神经网络的训练函数、节点传递函数及网络学习函数,并利用灰狼优化算法对神经网络的初始权值和阈值进行优化,并将优化后的值赋给神经网络。
6.根据权利要求5所述的基于相似日的光伏发电功率短期预测方法,其特征在于,所述神经网络采用BP神经网络,其隐含层和输出层可通过下式计算:
隐含层:
输出层:
其中,bj为隐含层第j个节点,Xi为输入向量的第i个分量,wij为输入层第i个节点与隐含层第j个节点间的权值,θj为隐含层第j个节点的阈值,Yk为输出层第k个节点,vjk为隐含层第i个节点与输出层第k个节点间的权值,γk为输出层第k个节点的阈值;f1(·)为隐含层节点函数,f2(·)为输出层节点函数;
网络误差通过如下公式计算:
Ek=yk-Yk
其中,Ek为输出层第k个节点的误差,yk为输出层第k个节点的真实值,Yk为输出层第k个节点的预测值;
隐含层和输出层的权值和阈值更新方式如下:
隐含层:
输出层:
wjk=wjk+λbjEk
γk=γk+Ek
其中,λ表示网络迭代速度;
在迭代训练过程中,判定网络误差E与设定误差ε1之间的关系,若E>ε1,则更新隐含层和输出层的权值和阈值并返回到隐含层和输出层计算;否则,终止迭代,输出预测值。
8.根据权利要求1所述的基于相似日的光伏发电功率短期预测方法,其特征在于,所述气象信息包括日平均太阳辐照度、最大辐照度、平均温度、最高温度、最低温度、平均湿度和平均风速。
9.一种基于相似日的光伏发电功率短期预测装置,其特征在于,包括:
数据获取模块,用于获取预测日的气象信息,并确定其所属天气类型;
相似日样本集构建模块,用于根据预测日气象信息、天气类型从历史发电日数据库中选出综合相似度最大的A个历史发电日数据构建相似日样本集,其中A为预设值;
中频信息获取模块,用于对相似日样本集中每个历史发电日的历史光伏发电功率数据分别进行分解处理,并分别将分解处理得到的表示短期规律的IMF分量叠加作为短期预测中频信息;且将综合相似度最高的历史发电日对应的短期预测中频信息作为预测日的短期预测中频信息;
归一化模块,用于将相似日样本集的气象信息、短期预测中频信息及历史光伏发电功率数据进行归一化处理;
模型训练模块,用于将归一化处理后的相似日样本集中每个历史发电日的气象信息及短期预测中频信息作为神经网络的输入,将对应的历史光伏发电功率数据作为神经网络的输出,对神经网络进行训练,得到光伏发电功率短期预测模型;
光伏发电预测模块,用于将预测日对应的气象信息及其短期预测中频信息进行归一化处理,然后输入到光伏发电功率短期预测模型,输出归一化的光伏发电预测功率;
反归一化模块,用于对光伏发电预测功率进行反归一化处理得到预测日光伏发电短期预测功率。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于相似日的光伏发电功率短期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654839.3A CN114266416A (zh) | 2021-12-30 | 2021-12-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111654839.3A CN114266416A (zh) | 2021-12-30 | 2021-12-30 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266416A true CN114266416A (zh) | 2022-04-01 |
Family
ID=80831836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111654839.3A Pending CN114266416A (zh) | 2021-12-30 | 2021-12-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266416A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759483A (zh) * | 2023-01-06 | 2023-03-07 | 国能日新科技股份有限公司 | 光伏电场太阳辐照度预测方法、电子设备及存储介质 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及*** |
CN118095784A (zh) * | 2024-04-17 | 2024-05-28 | 杭州城投建设有限公司 | 工程项目管理方法、***与存储介质 |
-
2021
- 2021-12-30 CN CN202111654839.3A patent/CN114266416A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759483A (zh) * | 2023-01-06 | 2023-03-07 | 国能日新科技股份有限公司 | 光伏电场太阳辐照度预测方法、电子设备及存储介质 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及*** |
CN117117859B (zh) * | 2023-10-20 | 2024-01-30 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及*** |
CN118095784A (zh) * | 2024-04-17 | 2024-05-28 | 杭州城投建设有限公司 | 工程项目管理方法、***与存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及*** | |
CN114266416A (zh) | 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 | |
Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
CN111582551B (zh) | 风电场短期风速预测方法、***及电子设备 | |
CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN109583588B (zh) | 一种短期风速预测方法及*** | |
CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及*** | |
CN111553510A (zh) | 一种短期风速预测方法 | |
CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及*** | |
CN111144644A (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN113052469A (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
CN116151464A (zh) | 一种光伏发电功率预测方法、***及可存储介质 | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
Sun | Real estate evaluation model based on genetic algorithm optimized neural network | |
Usman et al. | Data analytics for short term price and load forecasting in smart grids using enhanced recurrent neural network | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN104239689B (zh) | 基于优化相关向量机的短期风速预测方法 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN114492944A (zh) | 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 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 |
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 |