CN116307287A - 一种光伏发电有效时段的预测方法、***及预测终端 - Google Patents
一种光伏发电有效时段的预测方法、***及预测终端 Download PDFInfo
- Publication number
- CN116307287A CN116307287A CN202310566222.9A CN202310566222A CN116307287A CN 116307287 A CN116307287 A CN 116307287A CN 202310566222 A CN202310566222 A CN 202310566222A CN 116307287 A CN116307287 A CN 116307287A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power generation
- prediction
- power station
- data
- 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.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007418 data mining 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
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种光伏发电有效时段的预测方法、***及预测终端,涉及分布式新能源技术领域,收集获取预测区域内分布式光伏电站的数据信息,并进行归一化处理;建立具有权重的无向图来考虑分布式光伏电站之间的空间相关性;采用图卷积神经网络,确定每个电站的邻居电站集合;采用反向传播神经网络处理***中的缺失值和异常值;基于***中的分布式光伏电站的数据信息,进行四则运算,得到数据信息的运算后特征;利用集成学习策略建立预测模型,基于预测模型对发电有效时段执行预测进程。方法可以帮助能源管理人员更好地预测新能源发电的可用时间段,从而优化能源供应和使用计划,提高能源利用效率。
Description
技术领域
本发明涉及分布式新能源技术领域,尤其涉及一种光伏发电有效时段的预测方法、***及预测终端。
背景技术
目前分布式新能源发电技术得到了广泛的发展,分布式新能源发电可以在用户侧或电网侧布置小规模的分散式发电,通过与电网连接实现电能的互补和优化利用。与传统的集中式发电模式相比,分布式新能源发电技术具有以下优势:能够减少能源损耗、提高供电可靠性、降低能源成本、促进经济发展和环境保护等。
集中式光伏***通常是指规模较大的光伏电站,其发电量数据由集中式监控***采集和管理。与分布式光伏***相比,集中式光伏***的监测和维护相对更加容易,也更加稳定和可靠。因此,集中式光伏***的数据缺失问题相对较少,但仍然存在一些情况下可能会出现数据缺失的情况,比如设备故障、网络问题、人为操作失误等。
然而,由于分布式新能源发电设备的特殊性质,如设备分布不均、发电功率不稳定等,其发电功率具有不确定性和波动性,难以精确预测其未来的发电能力。这就给电网运营和电力市场交易带来了较大的不确定性和风险,同时也给分布式新能源发电设备的利用和规划带来了挑战。
由于分布式光伏***的数量众多,其监测与维护工作也变得更加困难。因此,在分布式光伏***中,经常会出现数据缺失的情况,即某些光伏电站的发电量数据没有被及时采集或传输。这些数据缺失可能由于多种原因引起,比如设备故障、网络问题、传输故障等。对于实际分布式光伏而言,尤其在农村一般不安装小型气象监测装置,没有小范围实时气象信息。在这种情况下能得到的只有当地大范围的模糊气象信息,尺度较大。数据缺失问题会影响分布式光伏***的性能评估、运行管理和电力市场交易等方面。而且如果某些光伏电站的发电量数据缺失,还会导致***总发电量的计算不准确,从而影响发电能力评估、发电收益计算等。数据缺失也会影响***的故障诊断和维护,降低光伏***的可靠性和安全性。
对于缺失的数据集而言,如果没有进行专门的数据增强,而是采用了简单的异常值缺失处理方法,比如平均填充等,可能会导致处理后的数据出现较大的误差。尤其是在存在大面积的数据缺失时,这种简单处理方法可能无法准确地填补缺失值,从而影响后续的数据分析和模型建模结果。在处理缺失数据时,单纯依靠欧氏距离和网格化将光伏电站分门别类,依赖的是和原点之间的距离关系来找到光伏电站之间的相互关系,过于繁琐,且经过转换之后由于本身NWP的分辨率过低,难以找到光伏电站之间的天气数据和历史功率数据的隐含关系。
发明内容
本发明提供一种光伏发电有效时段的预测方法,可以准确地预测分布式新能源的发电能力,并为电力市场和电力***调度等领域提供有力支持。
方法包括:步骤1:收集获取预测区域内分布式光伏电站的数据信息,并进行归一化处理;
步骤2:建立具有权重的无向图来考虑分布式光伏电站之间的空间相关性;
步骤3:采用图卷积神经网络,确定每个电站的邻居电站集合;
步骤4: 采用反向传播神经网络处理***中的缺失值和异常值;
步骤5: 基于***中的分布式光伏电站的数据信息,进行四则运算,得到数据信息的运算后特征,同时,进行环境特征两两交叉,以拓展出新的特征;
步骤6: 利用集成学习策略建立预测模型,基于预测模型对发电有效时段执行预测进程。
进一步需要说明的是,步骤1中分布式光伏电站的数据信息包括:位置信息、历史功率数据、光照度信息、发电电压信息、发电电流信息、蓄电池SOC信息以及气候信息。
进一步需要说明的是,步骤2中利用分布式光伏电站之间的历史功率的相关性作为边的权重,根据面积、数据集的缺失程度确定节点的权重。
进一步需要说明的是,步骤3还包括:对每个分布式光伏电站及其邻居电站构建一个局部子图;
将每个电站的特征向量与其邻居节点的特征向量拼接起来作为所述局部子图的节点特征。
进一步需要说明的是,对局部子图进行卷积操作,提取空间特征;
将卷积操作得到的节点特征作为所述节点的新特征,并学习得到电站位置、面积、周长空间特征,再将电站位置、面积、周长空间特征作为反向传播神经网络的输入,训练得到异常值和缺失值填补的模型。
进一步需要说明的是,步骤5还包括:使用得到的空间特征作为输入,已知部分分布式光伏电站和距离较近的集中式光伏电站的历史特征数据作为输出,进行训练以得到一个处理缺失值和异常值的模型;再利用数据填补模型预测模型对分布式光伏电站的缺失数据进行填充和处理。
进一步需要说明的是,步骤6还包括:利用第一个基模型XGBoost作为输入,分布式光伏电站的发电功率作为输出,训练生成输出特征,并加入到原特征中;
对输出特征进行扩展之后进行组合输入至第一LightGBM算法,以分布式光伏电站发电功率作为输出,训练预测光伏发电功率;
再以第二个基模型LightGBM算法进行拓展处理,拓展之后的特征作为输入,光伏发电功率作为输出,训练生成新的特征,并加入到原特征中,然后再通过第二个基模型XGBoost,使新的特征和扩展之后的特征进行组合作为输入,光伏发电功率作为输出,训练预测光伏发电功率;
再基于LSTM神经网络,拓展之后的特征作为输入,发电功率作为输出,在LSTM神经网络后引入注意力机制,在时间序列中学习到特征关系;
最后,按照权重3:3:4的比例将结果进行相加,得到最终预测模型。
进一步需要说明的是,步骤6之后还包括:
步骤7:将光伏发电功率和实际光伏发电功率进行误差计算,以评估预测模型的预测性能,并根据误差的大小来决定是否需要重新进行算法模型到训练;
如果误差大于预设误差阈值,则调整输入数据信息,并基于步骤6中的第一个基模型XGBoost、第二个基模型XGBoost、第一LightGBM算法、第二个基模型LightGBM算法以及LSTM神经网络再次预测模型的训练,使预测模型的预测误差在预设误差阈值之内。
本发明还提供一种光伏发电有效时段的预测***,***包括:数据收集模块、数据配置模块、数据确定模块、反向处理模块、特征处理模块以及预测模型建立模块;
数据收集模块用于收集获取预测区域内分布式光伏电站的数据信息,并进行归一化处理;
数据配置模块用于建立具有权重的无向图来考虑分布式光伏电站之间的空间相关性;
数据确定模块用于采用图卷积神经网络,确定每个电站的邻居电站集合;
反向处理模块用于采用反向传播神经网络处理***中的缺失值和异常值;
特征处理模块基于***中的分布式光伏电站的数据信息,进行四则运算,得到数据信息的运算后特征,同时,进行环境特征两两交叉,以拓展出新的特征;
预测模型建立模块用于利用集成学习策略建立预测模型,基于预测模型对发电有效时段执行预测进程。
本发明还提供一种预测终端,包括存储器、处理器及存储在所述存储器上并可在所述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光伏发电有效时段的预测方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的光伏发电有效时段的预测方法通过收集和分析分布式新能源发电的历史数据,运用数据挖掘和机器学习等技术,构建一个深度学习模型来进行光伏缺失值和异常值的处理,然后构建一个预测模型来评估其功能预测有效时段。该预测模型可以考虑多个因素,例如天气、时间、地理位置等,以提高预测的准确性和可靠性。本发明方法可以帮助能源管理人员更好地预测新能源发电的可用时间段,从而优化能源供应和使用计划,提高能源利用效率。
本发明有效的解决数据缺失也会影响***的故障诊断和维护,降低光伏***的可靠性和安全性的问题。还避免单纯依靠欧氏距离和网格化将光伏电站分门别类,依赖的是和原点之间的距离关系来找到光伏电站之间的相互关系,过于繁琐的缺陷。
附图说明
为了更清楚地说明本发明的技术方案,下面将对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为光伏发电有效时段的预测方法流程图;
图2为光伏发电有效时段的预测***示意图。
具体实施方式
本发明提供的光伏发电有效时段的预测方法主要解决分布式光伏***中数据缺失的问题,本发明可以有效实现数据补全,以提高***的性能和可靠性。
本发明可以基于人工智能技术对关联的数据进行获取和处理。其中,预测方法利用数字计算机的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
预测方法既有硬件层面的技术也有软件层面的技术。数控机床智能诊断方法基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。数控机床智能诊断方法软件技术主要包括计算机视角技术、机器学习/深度学习以及计算机程序代码。计算机程序代码包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。
当然本发明的预测方法还具有机器学习功能,其中本发明方法中的机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本发明的光伏发电有效时段的预测方法应用于一个或者多个预测终端中,所述预测终端是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、可编程门阵列(Field-ProgrammableGate Array,FPGA)、数字处理器(DigitalSignalProcessor,DSP)、嵌入式设备等。
预测终端可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(PersonalDigitalAssistant,PDA)、交互式网络电视(InternetProtocolTelevision,IPTV)、智能式穿戴式设备等。
预测终端所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork,VPN)等。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1所示,本发明的方法包括:
S1:收集获取预测区域内分布式光伏电站的数据信息,并进行归一化处理;
具体来讲,本发明可以收集的数据信息包括:位置信息、历史功率数据、光照度信息、发电电压信息、发电电流信息、蓄电池SOC信息以及气候信息,但不限于上述信息,可以基于实际需要进行收集并获取。
收集的位置可以是数据库中已储存的历史数据,也可以是当前获取的分布式光伏电站运行数据。其中本发明中涉及的电站、光伏电站以及分布式光伏电站组均表示分布式光伏电站。
本发明对获取的数据信息进行归一化处理,这里是需要对历史功率数据和天气数据等利用统计学的方法进行归一化处理,以增强模型的泛化性和鲁棒性,并提高训练收敛速度。
本发明的气候信息或者天气信息是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象的方法。
本发明还涉及气象因子,这里是对气象过程或气象事件有影响的各种因素,包括温度、湿度、气压、风速、降水等等。
S2:建立具有权重的无向图来考虑分布式光伏电站之间的空间相关性
本实施例中的带权重的无向图是一种由若干个点(顶点)和连接这些点的线(边)组成的图形,其中边没有方向,也就是说,连接两个点的边可以从任意一个点出发。而带权重的无向图在此基础上,给每条边赋予了一个权重值,用于表示该边的重要性或者成本大小。
针对分布式光伏电站可以建立一个带有权重的无向图来考虑电站之间的空间相关性,利用光伏电站之间的历史功率的相关性来作为边的权重,根据面积、数据集的缺失程度确定节点的权重。
S3:采用图卷积神经网络,确定每个电站的邻居电站集合;
通过采用图卷积神经网络,确定每个电站的邻居电站集合。本发明涉及的图卷积神经网络:是一种深度学习模型,通过学习节点的特征表示,使得具有相似结构或相邻关系的节点在特征空间中更加接近,从而能够对节点进行有效的分类和预测。
对每个电站及其邻居电站构建一个局部子图。将每个电站的特征向量与其邻居节点的特征向量拼接起来作为该局部子图的节点特征。对该局部子图进行卷积操作,提取空间特征。将卷积操作得到的节点特征作为该节点的新特征,这样可以学习到电站位置、面积、周长等空间特征,并将这些特征作为反向传播神经网络的输入,以更好地提取特征。
S4: 采用反向传播神经网络处理***中的缺失值和异常值;
本发明中处理缺失值和异常值,采用反向传播神经网络。使用得到的空间特征作为输入,已知部分分布式光伏电站和距离较近的集中式光伏电站的历史特征数据如功率、温度、湿度、太阳辐照度等作为输出,进行训练以得到一个处理缺失值和异常值的模型。之后,利用该模型对所有分布式光伏电站的缺失数据进行填充和处理。
示例性的讲,反向传播神经网络是基于多层神经元网络学习算法,反向传播神经网络是将正向传播中的损失函数传入反向传播过程,逐层求出损失函数对各神经元权重和偏置的偏导数,作为目标函数对权重和偏置的梯度。根据这个计算出来的梯度来修改权重w和偏置b,网络的学习在权重修改过程中完成。误差达到期望值时,网络学习结束。
S5: 步骤5: 基于***中的分布式光伏电站的数据信息,进行四则运算,得到数据信息的运算后特征,同时,进行环境特征两两交叉,以拓展出新的特征;
本发明涉及的特征工程中,根据实际的物理意义,对现有特征进行四则运算,如温度、湿度、太阳辐照度等,可以得到新的特征,如温差、露点等新特征。同时,还可以进行环境特征两两交叉,以拓展出新的特征,例如,对于温度和湿度这两个环境特征,可以进行交叉得到相对湿度等新特征。对于太阳辐照度和温度这两个环境特征,可以进行交叉得到光照强度等新特征。
S 6: 利用集成学习策略建立预测模型,基于预测模型对发电有效时段执行预测进程。
具体来讲,利用第一个基模型XGBoost,拓展之后的特征作为输入,光伏发电功率作为输出,训练生成新的特征,并加入到原特征中,然后再通过LightGBM,新的特征和扩展之后的特征进行组合作为输入,光伏发电功率作为输出,训练预测光伏发电功率。
第二个基模型LightGBM,拓展之后的特征作为输入,光伏发电功率作为输出,训练生成新的特征,并加入到原特征中,然后再通过第二个基模型XGBoost,新的特征和扩展之后的特征进行组合作为输入,光伏发电功率作为输出,训练预测光伏发电功率。
再基于LSTM神经网络,拓展之后的特征作为输入,发电功率作为输出,在LSTM神经网络后引入注意力机制,在时间序列中学习到特征关系;
最后,按照权重3:3:4的比例将结果进行相加,得到最终预测结果。
本发明的实施例中,所涉及的RNN循环神经网络是一种用于处理序列数据的神经网络。相比一般的神经网络来说,他能够处理序列变化的数据。
对于LSTM神经网络来讲,是为了解决长序列训练过程中的梯度消失和梯度***问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。
基模型XGBoost是基于决策树的集成学习算法,用于解决回归和分类问题。
基模型LightGBM是一个高效的开源梯度提升框架,可用于分类、回归和排序任务,是一种基于决策树算法的机器学习模型。
注意力机制(Transformer):一种模拟人类注意力的思想,在深度学习中常用于处理序列数据,可以有效地对模型进行加强和优化。具体来说,注意力机制会根据当前输入和之前的历史信息,计算每个输入对当前的输出的贡献度,然后对每个输入的权重进行调整,使得贡献度高的输入在计算输出时被更加重视。这样,模型可以自动地学习到不同输入之间的关系,从而更好地进行预测和分类。
本发明的集成学习策略是一种通过组合多个不同的学习算法来提高预测准确性的技术。集成学习可以用于各种机器学习任务,如分类、回归和聚类等。其基本思想是通过结合多个模型的预测结果来减少模型的误差,从而提高整体性能。
如果需要本发明还可以涉及特征交叉、欧氏距离、CatBoost模型等等。
其中,欧氏距离是最常见的距离度量,衡量的是多维空间中两个点之间的 绝对距离。
CatBoost主要目的是用决策树模型来预测某些目标变量的值。与传统的梯度提升决策树相比,CatBoost在训练模型时引入了两个重要的特性:自适应特征缩放和对类别型特征的处理。这些特性可以帮助CatBoost更好地处理数据中的缺失值、离散值、非线性关系等问题,并在减少过拟合方面表现出色。
特征交叉是通过组合多个原始特征来创造新的特征,以获得更好的模型性能。例如,在房屋价格预测模型中,特征可以包括房子的面积、年龄、地理位置等,而通过将这些特征进行交叉组合,可以获得更高维度的特征,例如面积和地理位置的乘积、面积和年龄的比值等等。这些新特征可以更好地描述房屋价格和其他因素之间的关系,从而提高模型的预测能力和准确度。特征交叉是通过组合多个原始特征来创造新的特征,以获得更好的模型性能。例如,在房屋价格预测模型中,特征可以包括房子的面积、年龄、地理位置等,而通过将这些特征进行交叉组合,可以获得更高维度的特征,例如面积和地理位置的乘积、面积和年龄的比值等等。这些新特征可以更好地描述房屋价格和其他因素之间的关系,从而提高模型的预测能力和准确度。
步骤7: 为了提高预测的精度,本发明将预测光伏发电功率和实际光伏发电功率进行误差计算,以评估模型的预测性能,并根据误差的大小来决定是否需要重新进行算法模型到训练。如果误差较大,则需要检查模型中可能存在的问题,如数据质量、特征选取、模型结构等,进行进一步优化和改进。如果误差较小,则说明模型预测性能较好,可以继续应用于实际生产中。
基于上述方法,通过收集和分析分布式新能源发电的历史数据,运用数据挖掘和机器学习等技术,构建一个深度学习模型来进行光伏缺失值和异常值的处理,然后构建一个预测模型来评估其功能预测有效时段。该预测模型可以考虑多个因素,例如天气、时间、地理位置等,以提高预测的准确性和可靠性。本发明方法可以帮助能源管理人员更好地预测新能源发电的可用时间段,从而优化能源供应和使用计划,提高能源利用效率。
以下是本公开实施例提供的光伏发电有效时段的预测***的实施例,该***与上述各实施例的光伏发电有效时段的预测方法属于同一个发明构思,在光伏发电有效时段的预测***的实施例中未详尽描述的细节内容,可以参考上述光伏发电有效时段的预测方法的实施例。
如图2所示,***包括:数据收集模块、数据配置模块、数据确定模块、反向处理模块、特征处理模块以及预测模型建立模块;
数据收集模块用于收集获取预测区域内分布式光伏电站的数据信息,并进行归一化处理;
数据配置模块用于建立具有权重的无向图来考虑分布式光伏电站之间的空间相关性;
数据确定模块用于采用图卷积神经网络,确定每个电站的邻居电站集合;
反向处理模块用于采用反向传播神经网络处理***中的缺失值和异常值;
特征处理模块基于***中的分布式光伏电站的数据信息,进行四则运算,得到数据信息的运算后特征,同时,进行环境特征两两交叉,以拓展出新的特征;
预测模型建立模块用于利用集成学习策略建立预测模型,基于预测模型对发电有效时段执行预测进程。
本发明提供的光伏发电有效时段的预测***中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种光伏发电有效时段的预测方法,其特征在于,方法包括:
步骤1:收集获取预测区域内分布式光伏电站的数据信息,并进行归一化处理;
步骤2:建立具有权重的无向图来考虑分布式光伏电站之间的空间相关性;
步骤3:采用图卷积神经网络,确定每个电站的邻居电站集合;
步骤4: 采用反向传播神经网络处理***中的缺失值和异常值;
步骤5: 基于***中的分布式光伏电站的数据信息,进行四则运算,得到数据信息的运算后特征,同时,进行环境特征两两交叉,以拓展出新的特征;
步骤6: 利用集成学习策略建立预测模型,基于预测模型对发电有效时段执行预测进程。
2.根据权利要求1所述的光伏发电有效时段的预测方法,其特征在于,步骤1中分布式光伏电站的数据信息包括:位置信息、历史功率数据、光照度信息、发电电压信息、发电电流信息、蓄电池SOC信息以及气候信息。
3.根据权利要求1所述的光伏发电有效时段的预测方法,其特征在于,步骤2中利用分布式光伏电站之间的历史功率的相关性作为边的权重,根据面积、数据集的缺失程度确定节点的权重。
4.根据权利要求1所述的光伏发电有效时段的预测方法,其特征在于,步骤3还包括:对每个分布式光伏电站及其邻居电站构建一个局部子图;
将每个电站的特征向量与其邻居节点的特征向量拼接起来作为所述局部子图的节点特征。
5.根据权利要求4所述的光伏发电有效时段的预测方法,其特征在于,对局部子图进行卷积操作,提取空间特征;
将卷积操作得到的节点特征作为所述节点的新特征,并学习得到电站位置、面积、周长空间特征,再将电站位置、面积、周长空间特征作为反向传播神经网络的输入,训练得到异常值和缺失值填补的模型。
6.根据权利要求1所述的光伏发电有效时段的预测方法,其特征在于,步骤5还包括:使用得到的空间特征作为输入,已知部分分布式光伏电站和距离较近的集中式光伏电站的历史特征数据作为输出,进行训练以得到一个处理缺失值和异常值的模型;再利用数据填补模型预测模型对分布式光伏电站的缺失数据进行填充和处理。
7.根据权利要求1所述的光伏发电有效时段的预测方法,其特征在于,步骤6还包括:利用第一个基模型XGBoost作为输入,分布式光伏电站的发电功率作为输出,训练生成输出特征,并加入到原特征中;
对输出特征进行扩展之后进行组合输入至第一LightGBM算法,以分布式光伏电站发电功率作为输出,训练预测光伏发电功率;
再以第二个基模型LightGBM算法进行拓展处理,拓展之后的特征作为输入,光伏发电功率作为输出,训练生成新的特征,并加入到原特征中,然后再通过第二个基模型XGBoost,使新的特征和扩展之后的特征进行组合作为输入,光伏发电功率作为输出,训练预测光伏发电功率;
再基于LSTM神经网络,拓展之后的特征作为输入,发电功率作为输出,在LSTM神经网络后引入注意力机制,在时间序列中学习到特征关系;
最后,按照权重3:3:4的比例将结果进行相加,得到最终预测模型。
8.根据权利要求1所述的光伏发电有效时段的预测方法,其特征在于,步骤6之后还包括:
步骤7:将光伏发电功率和实际光伏发电功率进行误差计算,以评估预测模型的预测性能,并根据误差的大小来决定是否需要重新进行算法模型到训练;
如果误差大于预设误差阈值,则调整输入数据信息,并基于步骤6中的第一个基模型XGBoost、第二个基模型XGBoost、第一LightGBM算法、第二个基模型LightGBM算法以及LSTM神经网络再次预测模型的训练,使预测模型的预测误差在预设误差阈值之内。
9.一种光伏发电有效时段的预测***,其特征在于,***采用如权利要求1至8任意一项所述的光伏发电有效时段的预测方法;
***包括:数据收集模块、数据配置模块、数据确定模块、反向处理模块、特征处理模块以及预测模型建立模块;
数据收集模块用于收集获取预测区域内分布式光伏电站的数据信息,并进行归一化处理;
数据配置模块用于建立具有权重的无向图来考虑分布式光伏电站之间的空间相关性;
数据确定模块用于采用图卷积神经网络,确定每个电站的邻居电站集合;
反向处理模块用于采用反向传播神经网络处理***中的缺失值和异常值;
特征处理模块基于***中的分布式光伏电站的数据信息,进行四则运算,得到数据信息的运算后特征,同时,进行环境特征两两交叉,以拓展出新的特征;
预测模型建立模块用于利用集成学习策略建立预测模型,基于预测模型对发电有效时段执行预测进程。
10.一种预测终端,包括存储器、处理器及存储在所述存储器上并可在所述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至8任一项所述光伏发电有效时段的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566222.9A CN116307287B (zh) | 2023-05-19 | 2023-05-19 | 一种光伏发电有效时段的预测方法、***及预测终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566222.9A CN116307287B (zh) | 2023-05-19 | 2023-05-19 | 一种光伏发电有效时段的预测方法、***及预测终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307287A true CN116307287A (zh) | 2023-06-23 |
CN116307287B CN116307287B (zh) | 2023-08-01 |
Family
ID=86785308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310566222.9A Active CN116307287B (zh) | 2023-05-19 | 2023-05-19 | 一种光伏发电有效时段的预测方法、***及预测终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307287B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116565865A (zh) * | 2023-07-11 | 2023-08-08 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967675A (zh) * | 2020-08-19 | 2020-11-20 | 京东方科技集团股份有限公司 | 光伏发电量的预测方法以及预测装置 |
CN113627070A (zh) * | 2021-05-24 | 2021-11-09 | 国网新疆电力有限公司经济技术研究院 | 一种短期光伏功率预测方法 |
CN113919573A (zh) * | 2021-10-14 | 2022-01-11 | 新沂维志途电气工程研究院有限公司 | 一种风力、光伏发电***输出功率短期预测应用软件及其方法 |
CN114004424A (zh) * | 2021-12-21 | 2022-02-01 | 南方电网科学研究院有限责任公司 | 一种光伏功率预测方法、***、设备及存储介质 |
AU2021104360A4 (en) * | 2021-07-20 | 2022-04-07 | Roorkee College of Engineering | Matlab simulink based solar tracking on photovoltaic module |
CN114444805A (zh) * | 2022-02-07 | 2022-05-06 | 北方工业大学 | 多光伏电站共享储能***平滑出力的控制方法 |
CN114897129A (zh) * | 2022-03-24 | 2022-08-12 | 华北电力大学 | 一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法 |
CN115224743A (zh) * | 2022-05-17 | 2022-10-21 | 国网浙江省电力有限公司乐清市供电公司 | 基于能源互联的配网调度管理方法 |
-
2023
- 2023-05-19 CN CN202310566222.9A patent/CN116307287B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967675A (zh) * | 2020-08-19 | 2020-11-20 | 京东方科技集团股份有限公司 | 光伏发电量的预测方法以及预测装置 |
CN113627070A (zh) * | 2021-05-24 | 2021-11-09 | 国网新疆电力有限公司经济技术研究院 | 一种短期光伏功率预测方法 |
AU2021104360A4 (en) * | 2021-07-20 | 2022-04-07 | Roorkee College of Engineering | Matlab simulink based solar tracking on photovoltaic module |
CN113919573A (zh) * | 2021-10-14 | 2022-01-11 | 新沂维志途电气工程研究院有限公司 | 一种风力、光伏发电***输出功率短期预测应用软件及其方法 |
CN114004424A (zh) * | 2021-12-21 | 2022-02-01 | 南方电网科学研究院有限责任公司 | 一种光伏功率预测方法、***、设备及存储介质 |
CN114444805A (zh) * | 2022-02-07 | 2022-05-06 | 北方工业大学 | 多光伏电站共享储能***平滑出力的控制方法 |
CN114897129A (zh) * | 2022-03-24 | 2022-08-12 | 华北电力大学 | 一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法 |
CN115224743A (zh) * | 2022-05-17 | 2022-10-21 | 国网浙江省电力有限公司乐清市供电公司 | 基于能源互联的配网调度管理方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116565865A (zh) * | 2023-07-11 | 2023-08-08 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
CN116565865B (zh) * | 2023-07-11 | 2023-09-26 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116307287B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Wang et al. | Short-term wind speed forecasting based on information of neighboring wind farms | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
Liu et al. | Photovoltaic generation power prediction research based on high quality context ontology and gated recurrent neural network | |
Sundararajan et al. | Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、***及预测终端 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源***冷热负荷数据驱动预测方法 | |
Jayashankara et al. | A novel approach for short-term energy forecasting in smart buildings | |
Jamil et al. | Predictive evaluation of solar energy variables for a large-scale solar power plant based on triple deep learning forecast models | |
CN111680818A (zh) | 一种短期无功负荷预测方法和*** | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
Mukherjee et al. | Solar irradiance prediction from historical trends using deep neural networks | |
CN117034780B (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
Goui et al. | A Comparative Study of LSTM/GRU Models for Energy Long-Term Forecasting in IoT Networks | |
CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
Lv et al. | Research on short-term load forecasting approach for smart grid | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
Mahin et al. | Advanced Forecasting of Wind Energy Generation Through Integration of AE-CLSTM | |
Padhan et al. | Power forecasting with minimal loss using lstm and pv model | |
CN113887843B (zh) | 一种风电场输出功率的群体预测方法和*** |
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 |