CN116451826A - 一种基于改进长短期记忆神经网络的光伏发电预测方法 - Google Patents
一种基于改进长短期记忆神经网络的光伏发电预测方法 Download PDFInfo
- Publication number
- CN116451826A CN116451826A CN202310074525.9A CN202310074525A CN116451826A CN 116451826 A CN116451826 A CN 116451826A CN 202310074525 A CN202310074525 A CN 202310074525A CN 116451826 A CN116451826 A CN 116451826A
- Authority
- CN
- China
- Prior art keywords
- super
- neural network
- parameters
- lstm
- gbest
- 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 41
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010248 power generation Methods 0.000 title claims abstract description 25
- 230000007787 long-term memory Effects 0.000 title claims description 5
- 230000006403 short-term memory Effects 0.000 title claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 20
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- G06N3/08—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
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (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
本发明涉及一种基于改进长短期记忆神经网络的光伏发电预测方法,应用Mohsen Shahrouzi提出的EBS优化算法,在提供原始学习数据和LSTM层组成的LSTM神经网络超参数后进一步提出OLSTM模型,将得到比传统模型更高预测精度和实时性的优化结果。LSTM神经网络带有m*n个单元的m个隐藏层和1个密集层构成,利用EBS算法就可以完成高精度超参数的选择,采用OLSTM模型输入超参数XGbest,并将归一化后的数据通过MATLAB工具箱里的LSTM训练函数及预测函数进行训练再对功率进行预测,最终得到预测值。相比于传统的LSTM模型,通过EBS优化和LSTM神经网络结合的OLSTM可以通过自动搜索一套最佳的超参数来取代人工计算找到的超参数,从而显著提高了精确度。
Description
技术领域
本发明属于光伏发电预测方法,涉及一种基于改进长短期记忆神经网络的光伏发电预测方法,涉及一种改进长短期记忆神经网络中人工超参数选择问题的优化算法。
背景技术
传统的预测模型中往往是基于历史数据的数学和物理模型,通常忽略了一些实际条件的构建。为了解决这样一类问题,新型的预测方法均通过解决时间序列预测的回归问题提出。实际的工程运用中,已经实现了非线性自动回归的递归神经网络算法,借助气象数据预测短期光伏输出功率。也可利用双阶段递归神经网络来预测太阳辐照度和云量,进一步预测输出。尽管上述方法可以提供一个相对较好的预测结果,但是浅层配置的人工神经网络会受到存储能力不足的限制,其引起的记忆衰减和梯度消失等问题都会导致预测结果不理想。深度学***衡各种大气条件下的天空图像数量,提高了预测精度。而DL中的的长短期记忆(LSTM)神经网络在不同置信度百分比中都有着十分良好的预测能力。尽管上述模型已经考虑了由光伏场地选择、天气条件和数据特征提取等影响因素,但是LSTM预测模型中人工超参数选择带来了精确度低且时效性差的不足。考虑到EBS优化算法的准确性和便利性,我们采用结合EBS算法的LSTM模型进行超参数选择并作数据预测。结果表明,预测精度和时效性等方面均明显优于传统LSTM模型。
逃逸鸟算法是受到鸟类在户外捕食猎物行为的启发,从数学上开发的一种优化搜索策略,其与其他的元启发式算法有所不同。首先,从实用的角度来看,EBS算法是一种用于全局优化的无参数元启发式算法,使用简单且功能强大。同时,传统的LSTM算法采用的人工选择超参数虽然能满足部分场景的需求,但精确度较低,对于光伏***的发电预测,LSTM神经网络仍然有着改进的空间。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于改进长短期记忆神经网络的光伏发电预测方法,对LSTM神经网络算法进行改造。通过结合EBS算法的优点,即考虑初始权值的影响,来提高算法的性能进而使EBS神经网络算法在PV***的应用中获得更好的动态性能。利用EBS来调整超参数的选择从而提高LSTM神经网络算法的精确性。
技术方案
一种基于改进长短期记忆神经网络的光伏发电预测方法,其特征在于步骤如下:
步骤1:将收集所得数据作归一化处理:
其中:ym(m=1,2,3)表示原始数据,y1为功率;y2为太阳辐照度;y3为环境温度;而ym,max,ym,min对应各个参数的最大值和最小值;(n=1,2,3)对应原始参数ym(m=1,2,3)归一化后的数据,/>为归一化后的功率,且-1<yn<1;
将处理后的数据分为两组,选取总数据集的80%的一组数据作为训练集,通过神经网络求得预测模型;另一组采用剩余20%数据作为测试集;
步骤2:在EBS算法中,由下式初始化LSTM的超参数Xi,给定所需要的初始参数N,D,Tmax:
其中,Xi∈[N,D],[N,D]用以衡量给定超参数矩阵的大小,N代表给定超参数数目,D代表维数,即参数的个数,Tmax表示最大迭代次数提供了循环的终止条件;Lbi表示超参数的下边界值,ubi表示超参数的上边界值,R为随机向量;
步骤3:对所有超参数下的功率值进行评估并将最佳超参数保存到XGbest,形成超参数矩阵;
所述最佳超参数XGbest为均方误差MSE最小时对应的超参数:
其中:Pp(i)是预测功率值,为实际功率值,i是指第几个功率,n是功率值总数;
步骤4:在超参数矩阵中随机选择一对超参数定义为AB和EB,两个超参数中AB的均方误差MSE小于EB,其中AB的影响因子为CR,EB的影响因子ER:
CR=1-ER
其中,MPEB为EB的均方误差MSE,MPAB表示AB的均方误差MSE;
所述超参数的尺寸大小分别由下式表示:
MPi=bi*||Vi||β
其中:||Vi||是欧几里得距离,对应前述的矩阵方位,bi是通过超参数的最大最小适配值Cmax,Cmin和初始值Ci计算所得,ε是一个避免分母为零的最小常数;
步骤5:由下式更新超参数,并通过步骤3的均方误差MSE进行评估,与原来的XGbest进行比较,若比/>XGbest下的误差更小,则将/>赋给XGbest,同理,若/>比/>XGbest下的误差更小,则将/>赋给XGbest;
其中,r1,r2为0~1之间的随机数,XAB,XEB分别为两个超参数的初始值,且更新的方向相反,XGbest是最佳超参数,Opp(XAB)表示XAB,的反向矢量;
步骤6:返回步骤4进行迭代计算,达到最大迭代次数后得到超参数XGbest输入LSTM神经网络,并将归一化后的数据通过MATLAB工具箱里的LSTM训练函数及预测函数进行训练再对功率进行预测,最终得到预测值Pp。
所述预测值Pp的评估是:将预测值Pp输出与进行比较,通过评估的均方误差MSE、标准差RMSE、平均绝对误差MAE和相关系数R的大小来进行评估预测性能。
所述评估的均方误差
所述标准差
所述平均绝对误差
所述相关系数
有益效果
本发明提出的一种基于改进长短期记忆神经网络的光伏发电预测方法,虽然利用神经网络对PV***发电量进行预测时已经考虑了由光伏场地选择、天气条件和数据特征提取组成的影响因素,但预测模型配置的功能仍因人工选择的预测超参数而存在精度上的不足。而应用Mohsen Shahrouzi提出的EBS优化算法,在提供原始学习数据和LSTM层组成的LSTM神经网络超参数后进一步提出OLSTM模型,将得到比传统模型更高预测精度和实时性的优化结果。LSTM神经网络带有m*n个单元的m个隐藏层和1个密集层构成,如何选择m和n的具体数目就是超参数选择问题,利用EBS算法就可以完成高精度超参数的选择。采用OLSTM模型输入超参数XGbest,并将归一化后的数据通过MATLAB工具箱里的LSTM训练函数及预测函数进行训练再对功率进行预测,最终得到预测值。
本工作的具体贡献如下:
(1)基于LSTM神经网络算法已应用于光伏发电的预测,提出一种增强精确性的优化算法OLSTM,以增强PV***中发电量预测的精确性。
(2)综合考虑单一输入预测和多重输入预测,将OLSTM对于光伏发电的预测结果与LSTM的预测结果进行比较分析,并利用可视化方法展示了前后两种模型的性能差异。
(3)利用优化设计问题的性能指标,包括平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对误差(MAE)、相关系数(R),提高性能评判的准确性和全面性。
相比于传统的LSTM模型,通过EBS优化和LSTM神经网络结合的OLSTM可以通过自动搜索一套最佳的超参数来取代人工计算找到的超参数,从而显著提高了精确度。
附图说明
图1:本方法的EBS优化LSTM神经网络流程图
图2:基于不同机组数量的单一输入数据,OLSTM和LSTM的预测值和实际发电量的比较
图3:不同长度的时间序列数据的单一输入变量序列数据中,OLSTM和LSTM模型的R值比较
具体实施方式
现结合实施例、附图对本发明作进一步描述:
虽然利用神经网络对PV***发电量进行预测时已经考虑了由光伏场地选择、天气条件和数据特征提取组成的影响因素,但预测模型配置的功能仍因人工选择的预测超参数而存在精度上的不足。而应用Mohsen Shahrouzi提出的EBS优化算法,在提供原始学习数据和LSTM层组成的LSTM神经网络超参数后进一步提出OLSTM模型,将得到比传统模型更高预测精度和实时性的优化结果。LSTM神经网络带有m*n个单元的m个隐藏层和1个密集层构成,如何选择m和n的具体数目就是超参数选择问题,利用EBS算法就可以完成高精度超参数的选择。方法流程如图1所示,具体步骤如下:
(1)将收集所得数据利用式(1)作归一化处理以减轻数据波动带来的不利影响,且将处理后的数据分为两组,一组选取总数据集的80%用作训练,通过神经网络求得预测模型。另一组采用剩余20%数据作为测试。
其中,ym(m=1,2,3)表示原始数据(y1为功率;y2为太阳辐照度;y3为环境温度),而ym,max,ym,min对应各个参数的最大值和最小值,(n=1,2,3)对应原始参数ym(m=1,2,3)归一化后的数据(其中,/>为归一化后的功率),且-1<yn<1。
(2)在EBS算法中,由下式初始化LSTM的超参数Xi,给定所需要的初始参数N,D,Tmax。
其中,Xi∈[N,D],[N,D]用以衡量给定超参数矩阵的大小,N代表了给定超参数数目,D代表维数,即参数的个数,Tmax表示最大迭代次数提供了循环的终止条件。Lbi表示超参数的下边界值,ubi表示超参数的上边界值,R为随机向量。
(3)对所有超参数下的功率值进行评估并将最佳超参数保存到XGbest,即,均方误差MSE最小时对应的超参数为最佳超参数XGbest。
其中,Pp(i)是预测功率值,为实际功率值,i是指第几个功率,n是功率值总数。
(4)在超参数矩阵中随机选择一对超参数AB和EB,AB表示其中较好的一个,而选出最佳值的影响因子为CR,以及与之对应的影响因子ER可分别表述如下式(4a)式(4b):
CR=1-ER (4b)
其中,MPEB和MPAB表示EB和AB的性能差异。这由两个因素决定,一个是超参数所处环境因素,即所处矩阵方位,一个是几何因素,即超参数的尺寸大小分别由下式表示:
MPi=bi*||Vi||β (4c)
其中,||Vi||是欧几里得距离,对应前述的矩阵方位,bi是通过超参数的最大最小适配值Cmax,Cmin和初始值Ci计算所得,ε是一个避免分母为零的最小常数。
(5)由下式更新超参数,并通过式(3)进行评估,与原来的XGbest进行比较,若比/>XGbest下的误差更小,则将/>赋给XGbest,同理,若比/>XGbest下的误差更小,则将/>赋给XGbest。
其中,r1,r2为0~1之间的随机数,XAB,XEB分别为两个超参数的初始值,且更新的方向相反,XGbest是最佳超参数,Opp(XAB)表示XAB,的反向矢量。
(6)满足优化条件后,输入超参数XGbest,并将归一化后的数据通过MATLAB工具箱里的LSTM训练函数及预测函数进行训练再对功率进行预测,最终得到预测值Pp,并将预测值Pp输出与/>进行比较。通过均方误差MSE、标准差RMSE、平均绝对误差MAE和相关系数R的大小来进行评估预测性能。
实施实例中:
(1)单一输入数据的结果分析
由图2可见EBS优化算法允许LSTM在简单的结构和可接受的时间内实现更高的预测精度,为解决可视化问题,对预测值和实际值放大,根据放大后的图像可以看出表示OLSTM所代表的蓝线更接近于实际结果。表1也可看出,OLSTM预测模型的各种指标都优于传统的LSTM模型,其MSE、RMSE、MAE指标更低,相关系数R更高。
表1基于单一输入变量的OLSTM与LSTM模型发电量预测比较
(2)多重输入数据的结果分析
因为不仅考虑了超参数的优化和数据序列的长度,而且还考虑考虑了更多相关因素,所以OLSTM神经网络有更好的拟合效果,由于预测数据太多,因此取出14h内的预测结果和评价指标表示如图3和表2所示:
图3中的紫色线条表示期望值,最近的蓝色线是OLSTM模型的预测结果,其他线是LSTM模型的预测结果。拟合曲线的结果表明,在基于多重输入数据的不同长度的时间序列数据中,OLSTM预测结果明显优于传统LSTM模型。
表2基于多输入变量的OLSTM与LSTM模型发电量预测比较
预测模型 | MSE | RMSE | 减少量(%) | MAE | 减少量(%) | R | 提高量(%) |
OLSTM60 | 0.0078 | 0.0884 | --- | 0.0522 | --- | 0.9904 | --- |
LSTM50 | 0.0090 | 0.0949 | 13.33 | 0.0563 | 7.28 | 0.9891 | 0.13 |
LSTM70 | 0.0088 | 0.0937 | 11.36 | 0.0542 | 3.69 | 0.9893 | 0.11 |
LSTM80 | 0.0092 | 0.0958 | 15.22 | 0.0564 | 7.45 | 0.9891 | 0.13 |
LSTM40 | 0.0087 | 0.0933 | 10.34 | 0.0546 | 4.40 | 0.9896 | 0.08 |
表2中的评估指标显示了OLSTM模型的MSE、RMSE、MAE、R的变化情况。这样的结果显示,平均指标从0.0090、0.0088、0.0092和0.0087降到0.0078,最明显的降低值为15.22%,平均MAE指标从0.0563、0.0542、0.0564和0.0546降低到0.0522,最明显的降低值为7.5%,而平均R指标只有相对轻微改善。经过优化的超参数和关于时间序列数据长度的数值(60)的LSTM模型比LSTM模型具有更高的预测精度和更好的预测性能。
针对传统LSTM神经网络模型采取大量人工试验选取超参数导致的精确度较低,时效性较差的不足,提出的一种基于逃逸鸟搜索算法和应用优化长短期记忆算法的光伏发电预测模型。根据澳大利亚帕斯每小时的历史发电量和同步数据得到各项指标的仿真结果表明,OLSTM神经网络的预测精度相对于LSTM预测模型有所提升。极大提高了对LSTM***控制的实时性和精确性要求。此外,EBS优化算法还可用于处理可再生能源领域的实际优化问题,具有强大的全局优化能力。
Claims (6)
1.一种基于改进长短期记忆神经网络的光伏发电预测方法,其特征在于步骤如下:
步骤1:将收集所得数据作归一化处理:
其中:ym(m=1,2,3)表示原始数据,y1为功率;y2为太阳辐照度;y3为环境温度;而ym,max,ym,min对应各个参数的最大值和最小值;对应原始参数ym(m=1,2,3)归一化后的数据,/>为归一化后的功率,且-1<yn<1;
将处理后的数据分为两组,选取总数据集的80%的一组数据作为训练集,通过神经网络求得预测模型;另一组采用剩余20%数据作为测试集;
步骤2:在EBS算法中,由下式初始化LSTM的超参数Xi,给定所需要的初始参数N,D,Tmax:
其中,Xi∈[N,D],[N,D]用以衡量给定超参数矩阵的大小,N代表给定超参数数目,D代表维数,即参数的个数,Tmax表示最大迭代次数提供了循环的终止条件;Lbi表示超参数的下边界值,ubi表示超参数的上边界值,R为随机向量;
步骤3:对所有超参数下的功率值进行评估并将最佳超参数保存到XGbest,形成超参数矩阵;
所述最佳超参数XGbest为均方误差MSE最小时对应的超参数:
其中:Pp(i)是预测功率值,为实际功率值,i是指第几个功率,n是功率值总数;
步骤4:在超参数矩阵中随机选择一对超参数定义为AB和EB,两个超参数中AB的均方误差MSE小于EB,其中AB的影响因子为CR,EB的影响因子ER:
其中,MPEB为EB的均方误差MSE,MPAB表示AB的均方误差MSE;
所述超参数的尺寸大小分别由下式表示:
MPi=bi*‖Vi‖β
其中:||Vi||是欧几里得距离,对应前述的矩阵方位,bi是通过超参数的最大最小适配值Cmax,Cmin和初始值Ci计算所得,ε是一个避免分母为零的最小常数;
步骤5:由下式更新超参数,并通过步骤3的均方误差MSE进行评估,与原来的XGbest进行比较,若比/>XGbest下的误差更小,则将/>赋给XGbest,同理,若比/>XGbest下的误差更小,则将/>赋给XGbest;
其中,r1,r2为0~1之间的随机数,XAB,XEB分别为两个超参数的初始值,且更新的方向相反,XGbest是最佳超参数,Opp(XAB)表示XAB,的反向矢量;
步骤6:返回步骤4进行迭代计算,达到最大迭代次数后得到超参数XGbest输入LSTM神经网络,并将归一化后的数据通过MATLAB工具箱里的LSTM训练函数及预测函数进行训练再对功率进行预测,最终得到预测值Pp。
2.根据权利要求1所述基于改进长短期记忆神经网络的光伏发电预测方法,其特征在于:所述预测值Pp的评估是:将预测值Pp输出与进行比较,通过评估的均方误差MSE、标准差RMSE、平均绝对误差MAE和相关系数R的大小来进行评估预测性能。
3.根据权利要求1所述基于改进长短期记忆神经网络的光伏发电预测方法,其特征在于:所述评估的均方误差
4.根据权利要求1所述基于改进长短期记忆神经网络的光伏发电预测方法,其特征在于:所述标准差
5.根据权利要求1所述基于改进长短期记忆神经网络的光伏发电预测方法,其特征在于:所述平均绝对误差
6.根据权利要求1所述基于改进长短期记忆神经网络的光伏发电预测方法,其特征在于:所述相关系数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310074525.9A CN116451826A (zh) | 2023-01-20 | 2023-01-20 | 一种基于改进长短期记忆神经网络的光伏发电预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310074525.9A CN116451826A (zh) | 2023-01-20 | 2023-01-20 | 一种基于改进长短期记忆神经网络的光伏发电预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451826A true CN116451826A (zh) | 2023-07-18 |
Family
ID=87129109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310074525.9A Pending CN116451826A (zh) | 2023-01-20 | 2023-01-20 | 一种基于改进长短期记忆神经网络的光伏发电预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451826A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992779A (zh) * | 2023-09-22 | 2023-11-03 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能***仿真方法及*** |
-
2023
- 2023-01-20 CN CN202310074525.9A patent/CN116451826A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992779A (zh) * | 2023-09-22 | 2023-11-03 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能***仿真方法及*** |
CN116992779B (zh) * | 2023-09-22 | 2024-01-05 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能***仿真方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485262B (zh) | 一种母线负荷预测方法 | |
CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
CN110570034B (zh) | 一种基于多XGBoost模型融合的母线负荷预测方法 | |
CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及*** | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** | |
CN112288164A (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN113158582A (zh) | 基于复数值前向神经网络的风速预测方法 | |
CN107436971B (zh) | 适用于非正定型相关性控制的改进拉丁超立方抽样方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及*** | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
CN106651660B (zh) | 基于g1-熵权法寻找电网静态薄弱点的综合评价方法 | |
CN111178616A (zh) | 基于负相关学习和正则化极限学习机集成的风速预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN113657660A (zh) | 基于分站负荷和热网滞后模型的热源负荷预测方法 | |
CN116451826A (zh) | 一种基于改进长短期记忆神经网络的光伏发电预测方法 | |
CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN116526478B (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及*** | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN114418174A (zh) | 电动汽车充电负荷预测方法 | |
CN117748495A (zh) | 一种基于残差神经网络的光伏电站短期发电功率预测方法 | |
CN112949895A (zh) | 一种基于动态可扩展神经网络模型的风速预测方法 | |
CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 |
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 |