CN116663727A - 一种光伏功率预测方法及*** - Google Patents
一种光伏功率预测方法及*** Download PDFInfo
- Publication number
- CN116663727A CN116663727A CN202310635698.3A CN202310635698A CN116663727A CN 116663727 A CN116663727 A CN 116663727A CN 202310635698 A CN202310635698 A CN 202310635698A CN 116663727 A CN116663727 A CN 116663727A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power generation
- data
- prediction
- power prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000010248 power generation Methods 0.000 claims abstract description 81
- 230000007787 long-term memory Effects 0.000 claims abstract description 32
- 230000006403 short-term memory Effects 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004379 similarity theory Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种光伏功率预测方法及***，该方法包括以下步骤：获取光伏发电数据；基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型；将光伏发电数据输入功率预测模型，以使功率预测模型预测出若干个预测输出值；基于若干个预测输出值获取光伏功率预测值和预测区间，实现对光伏功率的预测。本发明提供的一种光伏功率预测方法，利用分位数回归法对传统的长短期记忆网络进行改进，获取用于光伏功率预测的功率预测模型，可以完成光伏功率点预测和区间概率预测，预测输出可以反映发电的概率范围和波动特征，也可以量化发电的不确定性，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
Description
技术领域
本发明涉及光伏技术领域，尤其是涉及一种光伏功率预测方法及***。
背景技术
随着新能源技术的快速发展，光伏、风电等绿色能源发电以其清洁可再生的特点成为了新的研究热点，拥有良好的发展前景。作为新能源发电的重点模块，近几年光伏发电的装机容量也迅速增加。然而，随着大规模光伏并网，其发电的随机性和波动性会对电网的运行造成巨大的冲击，而精准的光伏功率预测可以优化电网的运行调度计划，提高电网运行的安全性和稳定性。
现有的光伏功率预测方法可以分为物理法、统计法、机器学习法和混合法。物理法指根据光伏发电原理建立数学模型，利用数值天气预报等方式得到的气象数据直接计算得到光伏发电功率；统计法是将处理过的历史数据，通过曲线拟合、参数估计、关联关系分析等手段，建立输入-输出数据之间的关联映射关系，实现对未来光伏发电出力预测；机器学习法通常是指利用神经网络通过相关算法来学习输入和输出之间的映射关系来进行预测；混合法是结合两种或更多种预测模型的方法。其中机器学习法模型简便且准确性较高，是目前光伏预测的主流预测方法，常见的模型包括回归树、支持向量机、人工神经网络等。
然而，现有的光伏功率预测方法大多采用了单一模型，预测模型结构简单，例如物理模型、机器学习模型等。每种模型都存在自身局限性，因此现有的预测模型仍然存在各种问题，例如预测效果存在滞后，难以追踪剧烈波动场景的输出，预测效果不够精确等。
从预测模型来看，虽然机器学习法，即基于神经网络的光伏功率预测取得了一定的效果，但是其预测模型容易出现过拟合、梯度消失和梯度***等问题。从预测结果来看，现有光伏功率预测方法大多是点预测。点预测也称确定性预测，输出为单点功率数值，因此点预测难以精准输出发电功率的实际值，无法量化发电的不确定性，从而导致最终预测的精确度低。
发明内容
本发明旨在提供一种光伏功率预测方法及***，以解决上述技术问题，通过分位数回归法对长短期记忆网络进行改进，获取用于光伏功率预测的功率预测模型，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
为了解决上述技术问题，本发明提供了一种光伏功率预测方法，包括以下步骤：
获取光伏发电数据；
基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型；
将光伏发电数据输入功率预测模型，以使功率预测模型预测出若干个预测输出值；
基于若干个预测输出值获取光伏功率预测值和预测区间，实现对光伏功率的预测。
上述方案利用分位数回归法对传统的长短期记忆网络进行改进，获取用于光伏功率预测的功率预测模型，可以完成光伏功率点预测和区间概率预测，预测输出可以反映发电的概率范围和波动特征，也可以量化发电的不确定性，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
进一步地，在所述基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型中，所述功率预测模型与分位数τ对应，在时间t∈[1,T]内，与分位数τ对应的功率预测模型损失函数具体表示为：
式中：L(·)表示损失函数；W(τ)＝(Wf(τ),Wi(τ),Wc(τ),Wo(τ))，表示分位数τ下长短期记忆网络的权重矩阵，其中Wf(·)表示遗忘门的权重矩阵，Wi(·)表示输入门的权重矩阵，Wc(·)表示记忆环节的权重矩阵，Wo(·)表示输出门的权重矩阵；b(τ)＝(bf(τ),bi(τ),bc(τ),bo(τ))，表示分位数τ下长短期记忆网络的偏置矩阵，其中bf(·)表示遗忘门的偏置矩阵，bi(·)表示输入门的偏置矩阵，bc(·)表示记忆环节的偏置矩阵，bo(·)表示输出门的偏置矩阵；ρτ为检验函数；Yt表示t时刻的响应变量；Xt表示t时刻的输入变量。
进一步地，在所述基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型中，所述分位数回归法中分位数τ对应的参数向量β(τ)计算公式为：
式中，通过最小化上述函数确定分位数τ对应的参数向量β(τ)的最优值；X'为输入变量的转置矩阵；Y为响应变量。
进一步地，所述获取光伏发电数据，包括：获取光伏发电数据并根据时间按比例划分光伏发电数据，获取所有时间下对应的组合相似时刻数据，用于作为功率预测模型的输入；其中所述光伏发电数据包括时间及所有时间对应下的光伏发电输出功率、历史气象数据以及数值天气预报NWP数据。
上述方案中，由于光伏功率输出与气象因素密切相关，相似日的光伏功率输出具有很大相似性。因此，可以选择与待预测日数据相关性高的历史数据(即相似日数据)进行模型训练以提高光伏发电功率预测的精度。
进一步地，所述获取所有时间下对应的组合相似时刻数据，包括：通过计算时刻i与不同时刻所对应的光伏发电数据之间的最小欧式距离，得到时刻i的相似时刻j及相似时刻j所对应的组合相似时刻数据。
上述方案改进了传统相似日选取算法，通过获取组合相似时刻数据，可以更有效地反应现实中光伏数据的波动特征，进一步保障每一时段的相似性，追踪剧烈波动场景，从而提高模型的预测精度。
上述方案利用了组合相似日和分位数回归对传统的长短期记忆网络进行改进，进而获取到用于光伏功率预测的功率预测模型。其中，组合相似日保障了每一时段的相似性，即组合相似时刻数据的相似性，有助于提高预测精度；而分位数回归实现了光伏功率预测的点输出和概率输出，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
本发明提供一种光伏功率预测***，包括：
数据获取模块，用于获取光伏发电数据；
模型构建模块，用于基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型；
模型执行模块，用于将光伏发电数据输入功率预测模型，以使功率预测模型预测出若干个预测输出值；
光伏功率预测模块，用于基于若干个预测输出值获取光伏功率预测值和预测区间。
上述***架构简单，易于搭建及进行应用推广，其利用分位数回归法对传统的长短期记忆网络进行改进，获取用于光伏功率预测的功率预测模型，完成对光伏功率点预测和区间概率预测。预测输出可以反映发电的概率范围和波动特征，也可以量化发电的不确定性，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
进一步地，所述模型构建模块，用于基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型，具体为：所述功率预测模型与分位数τ对应，在时间t∈[1,T]内，与分位数τ对应的功率预测模型损失函数具体表示为：
式中：L(·)表示损失函数；W(τ)＝(Wf(τ),Wi(τ),Wc(τ),Wo(τ))，表示分位数τ下长短期记忆网络的权重矩阵，其中Wf(·)表示遗忘门的权重矩阵，Wi(·)表示输入门的权重矩阵，Wc(·)表示记忆环节的权重矩阵，Wo(·)表示输出门的权重矩阵；b(τ)＝(bf(τ),bi(τ),bc(τ),bo(τ))，表示分位数τ下长短期记忆网络的偏置矩阵，其中bf(·)表示遗忘门的偏置矩阵，bi(·)表示输入门的偏置矩阵，bc(·)表示记忆环节的偏置矩阵，bo(·)表示输出门的偏置矩阵；ρτ为检验函数；Yt表示t时刻的响应变量；Xt表示t时刻的输入变量。
进一步地，在所述模型构建模块中，所述分位数回归法中分位数τ对应的参数向量β(τ)计算公式为：
式中，通过最小化上述函数确定分位数τ对应的参数向量β(τ)的最优值；X'为输入变量的转置矩阵；Y为响应变量。
进一步地，用于获取光伏发电数据，具体为：获取光伏发电数据并根据时间按比例划分光伏发电数据，获取所有时间下对应的组合相似时刻数据，用于作为功率预测模型的输入；其中所述光伏发电数据包括时间及所有时间对应下的光伏发电输出功率、历史气象数据以及数值天气预报NWP数据。
进一步地，在所述数据获取模块中，所述获取所有时间下对应的组合相似时刻数据，包括：通过计算时刻i与不同时刻所对应的光伏发电数据之间的最小欧式距离，得到时刻i的相似时刻j及相似时刻j所对应的组合相似时刻数据。
附图说明
图1为本发明一实施例提供的一种光伏功率预测方法流程示意图；
图2为本发明一实施例提供的一种光伏功率预测方法应用流程示意图；
图3为本发明一实施例提供的一种长短期记忆网络LSTM的单元结构图；
图4为本发明一实施例提供的改进方法的预测效果示意图；
图5为本发明一实施例提供的现有技术的预测效果示意图；
图6为本发明一实施例提供的一种光伏功率预测***架构示意图。
具体实施方式
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作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。
请参见图1，本实施例提供一种光伏功率预测方法，包括以下步骤：
S1：获取光伏发电数据；
S2：基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型；
S3：将光伏发电数据输入功率预测模型，以使功率预测模型预测出若干个预测输出值；
S4：基于若干个预测输出值获取光伏功率预测值和预测区间，实现对光伏功率的预测。
本实施例利用分位数回归法对传统的长短期记忆网络进行改进，获取用于光伏功率预测的功率预测模型，可以完成光伏功率点预测和区间概率预测，预测输出可以反映发电的概率范围和波动特征，也可以量化发电的不确定性，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
进一步地，在所述基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型中，所述功率预测模型与分位数τ对应，在时间t∈[1,T]内，与分位数τ对应的功率预测模型损失函数具体表示为：
式中：L(·)表示损失函数；W(τ)＝(Wf(τ),Wi(τ),Wc(τ),Wo(τ))，表示分位数τ下长短期记忆网络的权重矩阵，其中Wf(·)表示遗忘门的权重矩阵，Wi(·)表示输入门的权重矩阵，Wc(·)表示记忆环节的权重矩阵，Wo(·)表示输出门的权重矩阵；b(τ)＝(bf(τ),bi(τ),bc(τ),bo(τ))，表示分位数τ下长短期记忆网络的偏置矩阵，其中bf(·)表示遗忘门的偏置矩阵，bi(·)表示输入门的偏置矩阵，bc(·)表示记忆环节的偏置矩阵，bo(·)表示输出门的偏置矩阵；ρτ为检验函数；Yt表示t时刻的响应变量；Xt表示t时刻的输入变量。
进一步地，在所述基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型中，所述分位数回归法中分位数τ对应的参数向量β(τ)计算公式为：
式中，通过最小化上述函数确定分位数τ对应的参数向量β(τ)的最优值；X'为输入变量的转置矩阵；Y为响应变量。
进一步地，所述获取光伏发电数据，包括：获取光伏发电数据并根据时间按比例划分光伏发电数据，获取所有时间下对应的组合相似时刻数据，用于作为功率预测模型的输入；其中所述光伏发电数据包括时间及所有时间对应下的光伏发电输出功率、历史气象数据以及数值天气预报NWP数据。
在本实施例中，由于光伏功率输出与气象因素密切相关，相似日的光伏功率输出具有很大相似性。因此，可以选择与待预测日数据相关性高的历史数据(即相似日数据)进行模型训练以提高光伏发电功率预测的精度。
进一步地，所述获取所有时间下对应的组合相似时刻数据，包括：通过计算时刻i与不同时刻所对应的光伏发电数据之间的最小欧式距离，得到时刻i的相似时刻j及相似时刻j所对应的组合相似时刻数据。
本实施例改进了传统相似日选取算法，通过获取组合相似时刻数据，可以更有效地反应现实中光伏数据的波动特征，进一步保障每一时段的相似性，追踪剧烈波动场景，从而提高模型的预测精度。
本实施例利用了组合相似日和分位数回归对传统的长短期记忆网络进行改进，进而获取到用于光伏功率预测的功率预测模型。其中，组合相似日保障了每一时段的相似性，即组合相似时刻数据的相似性，有助于提高预测精度；而分位数回归实现了光伏功率预测的点输出和概率输出，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
为了进一步说明本技术方案的技术要点，凸显其技术优势，请参见图2所示，本实施例提供了一种基于组合相似日和分位数回归(QR)的光伏功率预测应用框架，该框架可以有效追踪剧烈波动场景，提高预测精度，实现精准的点预测和概率区间预测，具有较好的可靠度和综合性能。具体地：
需先获取光伏发电数据并导入，包括时间及所有时间对应下的光伏发电输出功率、历史气象数据以及数值天气预报NWP数据等，如二者的太阳辐照强度、温度、湿度、气压、降水量等。
对于获取的光伏发电数据，还可以进行数据预处理。数据预处理分为异常数据处理和归一化处理。其中，异常数据处理需要剔除负数等异常数据，并利用异常数据附近的数据均值进行修正。假设存在异常数据那么修正后的数据值为：
其中xi-1和xi+1代表i时刻前后两个正常数据值。而归一化处理的计算公式如下：
其中xi为归一化的数据，为修正的原始数据，xmax和xmin分别代表数据集中选定列的最大值和最小值。
其次，可以根据时间按比例将光伏发电数据划分为训练数据集和测试集数据，并计算获取所有时间下对应的组合相似时刻数据，作为后续预测模型的输入。在训练集数据中，模型的输入变量可以为训练时刻历史气象数据对应的相似时刻的历史气象数据和光伏输出，输出变量为训练时刻的光伏功率；为了还原预测场景，针对测试集数据，模型输入变量为测试时刻NWP数据对应的相似时刻的历史气象数据和光伏功率。通过计算时刻i与不同时刻所对应的光伏发电数据之间的最小欧式距离，得到时刻i的相似时刻j及相似时刻j所对应的组合相似时刻数据，即有：
其中，和/>分别表示时刻i和时刻j的第x个气象特征，k表示气象特征总数。
本实施例将组合相似日理论结合到光伏功率预测方法中，可以为了进一步提高光伏功率预测模型的预测准确度。即对每个时刻的气象数据选取相对应的相似时刻数据，相似时刻的气象数据组合构成了组合相似日的气象数据，然后可以利用所选取的数据作为模型输入进行预测。基于改进方法的预测效果和基于传统相似日的预测效果可参见图3、图4。显然，与传统相似日理论相比，组合相似日进一步保障了每一时段的相似性，可以有效追踪剧烈波动场景，有助于提高预测精度。
接着，可以基于分位数回归法对长短期记忆网络进行改进，即改进长短期记忆网络的损失函数，构建功率预测模型。
在分位数回归模型中，对分位数τ对应的参数向量β(τ)可以下式进行计算：
其中X'为输入变量的转置矩阵，Y为响应变量。进而通过确定参数向量β(τ)的最小值确定分位数τ的最优值。因此，在确定分位数τ后，可以将分位数回归引入长短期记忆网络，在时间t∈[1,T]内，分位数τ对应的模型的损失函数为：
式中：L(·)表示损失函数；W(τ)＝(Wf(τ),Wi(τ),Wc(τ),Wo(τ))，表示分位数τ下长短期记忆网络的权重矩阵，其中Wf(·)表示遗忘门的权重矩阵，Wi(·)表示输入门的权重矩阵，Wc(·)表示记忆环节的权重矩阵，Wo(·)表示输出门的权重矩阵；b(τ)＝(bf(τ),bi(τ),bc(τ),bo(τ))，表示分位数τ下长短期记忆网络的偏置矩阵，其中bf(·)表示遗忘门的偏置矩阵，bi(·)表示输入门的偏置矩阵，bc(·)表示记忆环节的偏置矩阵，bo(·)表示输出门的偏置矩阵；ρτ为检验函数；Yt表示t时刻的响应变量；Xt表示t时刻的输入变量。其中，检验函数可以具体表示为：
需要说明的一点是，当分位数τ取0.5时，损失函数的计算退化为最小一乘回归，此时的预测效果与基于LSTM的点预测模型相同。
最后，在不同的分位数的条件下对多个长短期记忆网络模型进行训练，输出不同分位数下的光伏功率预测结果。对输出数据进行反归一化处理，由此分位数取值τ1＝0.5的预测模型1最终生成光伏功率的点预测值，而分位数取值τ2∈(0,0.5)的预测模型2和分位数取值τ3∈(0.5,1)的预测模型3分别生成预测区间的上下限。
需要说明的是，长短期记忆网络LSTM作为一种典型的深度学习算法，其单元结构可参见图5，在有效获取输入输出时序关系的基础上，有效解决了在模型训练中梯度消失和***的问题。
需要说明的是，本实施例除采用长短期记忆网络实现的机器学习实现，也可采用其它机器学习方法，例如神经网络，循环门单元等，也可以实现功率预测。
请参见图6，本实施例提供一种光伏功率预测***，用于实现一种光伏功率预测方法，具体包括：
数据获取模块，用于获取光伏发电数据；
模型构建模块，用于基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型；
模型执行模块，用于将光伏发电数据输入功率预测模型，以使功率预测模型预测出若干个预测输出值；
光伏功率预测模块，用于基于若干个预测输出值获取光伏功率预测值和预测区间。
本实施例提供的***架构简单，易于搭建及进行应用推广，其利用分位数回归法对传统的长短期记忆网络进行改进，获取用于光伏功率预测的功率预测模型，完成对光伏功率点预测和区间概率预测。预测输出可以反映发电的概率范围和波动特征，也可以量化发电的不确定性，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
进一步地，所述模型构建模块，用于基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型，具体为：所述功率预测模型与分位数τ对应，在时间t∈[1,T]内，与分位数τ对应的功率预测模型损失函数具体表示为：
式中：L(·)表示损失函数；W(τ)＝(Wf(τ),Wi(τ),Wc(τ),Wo(τ))，表示分位数τ下长短期记忆网络的权重矩阵，其中Wf(·)表示遗忘门的权重矩阵，Wi(·)表示输入门的权重矩阵，Wc(·)表示记忆环节的权重矩阵，Wo(·)表示输出门的权重矩阵；b(τ)＝(bf(τ),bi(τ),bc(τ),bo(τ))，表示分位数τ下长短期记忆网络的偏置矩阵，其中bf(·)表示遗忘门的偏置矩阵，bi(·)表示输入门的偏置矩阵，bc(·)表示记忆环节的偏置矩阵，bo(·)表示输出门的偏置矩阵；ρτ为检验函数；Yt表示t时刻的响应变量；Xt表示t时刻的输入变量。
进一步地，在所述模型构建模块中，所述分位数回归法中分位数τ对应的参数向量β(τ)计算公式为：
式中，通过最小化上述函数确定分位数τ对应的参数向量β(τ)的最优值；X'为输入变量的转置矩阵；Y为响应变量。
进一步地，用于获取光伏发电数据，具体为：获取光伏发电数据并根据时间按比例划分光伏发电数据，获取所有时间下对应的组合相似时刻数据，用于作为功率预测模型的输入；其中所述光伏发电数据包括时间及所有时间对应下的光伏发电输出功率、历史气象数据以及数值天气预报NWP数据。
进一步地，在所述数据获取模块中，所述获取所有时间下对应的组合相似时刻数据，包括：通过计算时刻i与不同时刻所对应的光伏发电数据之间的最小欧式距离，得到时刻i的相似时刻j及相似时刻j所对应的组合相似时刻数据。
本实施例改进了传统相似日选取算法，通过获取组合相似时刻数据，可以更有效地反应现实中光伏数据的波动特征，进一步保障每一时段的相似性，追踪剧烈波动场景，从而提高模型的预测精度。
本实施例利用了组合相似日和分位数回归对传统的长短期记忆网络进行改进，进而获取到用于光伏功率预测的功率预测模型。其中，组合相似日保障了每一时段的相似性，即组合相似时刻数据的相似性，有助于提高预测精度；而分位数回归实现了光伏功率预测的点输出和概率输出，保障光伏功率预测值和预测区间的准确性，提高最终的预测精确度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种光伏功率预测方法，其特征在于，包括以下步骤：
获取光伏发电数据；
基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型；
将光伏发电数据输入功率预测模型，以使功率预测模型预测出若干个预测输出值；
基于若干个预测输出值获取光伏功率预测值和预测区间，实现对光伏功率的预测。
2.根据权利要求1所述的一种光伏功率预测方法，其特征在于，在所述基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型中，所述功率预测模型与分位数τ对应，在时间t∈[1,T]内，与分位数τ对应的功率预测模型损失函数具体表示为：
式中：L(·)表示损失函数；W(τ)＝(Wf(τ),Wi(τ),Wc(τ),Wo(τ))，表示分位数τ下长短期记忆网络的权重矩阵，其中Wf(·)表示遗忘门的权重矩阵，Wi(·)表示输入门的权重矩阵，Wc(·)表示记忆环节的权重矩阵，Wo(·)表示输出门的权重矩阵；b(τ)＝(bf(τ),bi(τ),bc(τ),bo(τ))，表示分位数τ下长短期记忆网络的偏置矩阵，其中bf(·)表示遗忘门的偏置矩阵，bi(·)表示输入门的偏置矩阵，bc(·)表示记忆环节的偏置矩阵，bo(·)表示输出门的偏置矩阵；ρτ为检验函数；Yt表示t时刻的响应变量；Xt表示t时刻的输入变量。
3.根据权利要求2所述的一种光伏功率预测方法，其特征在于，在所述基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型中，所述分位数回归法中分位数τ对应的参数向量β(τ)计算公式为：
式中，通过最小化上述函数确定分位数τ对应的参数向量β(τ)的最优值；X'为输入变量的转置矩阵；Y为响应变量。
4.根据权利要求1～3任一项所述的一种光伏功率预测方法，其特征在于，所述获取光伏发电数据，包括：
获取光伏发电数据并根据时间按比例划分光伏发电数据，获取所有时间下对应的组合相似时刻数据，用于作为功率预测模型的输入；其中所述光伏发电数据包括时间及所有时间对应下的光伏发电输出功率、历史气象数据以及数值天气预报NWP数据。
5.根据权利要求4所述的一种光伏功率预测方法，其特征在于，所述获取所有时间下对应的组合相似时刻数据，包括：
通过计算时刻i与不同时刻所对应的光伏发电数据之间的最小欧式距离，得到时刻i的相似时刻j及相似时刻j所对应的组合相似时刻数据。
6.一种光伏功率预测***，其特征在于，包括：
数据获取模块，用于获取光伏发电数据；
模型构建模块，用于基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型；
模型执行模块，用于将光伏发电数据输入功率预测模型，以使功率预测模型预测出若干个预测输出值；
光伏功率预测模块，用于基于若干个预测输出值获取光伏功率预测值和预测区间。
7.根据权利要求6所述的一种光伏功率预测***，其特征在于，所述模型构建模块，用于基于分位数回归法对长短期记忆网络进行改进，构建功率预测模型，具体为：所述功率预测模型与分位数τ对应，在时间t∈[1,T]内，与分位数τ对应的功率预测模型损失函数具体表示为：
式中：L(·)表示损失函数；W(τ)＝(Wf(τ),Wi(τ),Wc(τ),Wo(τ))，表示分位数τ下长短期记忆网络的权重矩阵，其中Wf(·)表示遗忘门的权重矩阵，Wi(·)表示输入门的权重矩阵，Wc(·)表示记忆环节的权重矩阵，Wo(·)表示输出门的权重矩阵；b(τ)＝(bf(τ),bi(τ),bc(τ),bo(τ))，表示分位数τ下长短期记忆网络的偏置矩阵，其中bf(·)表示遗忘门的偏置矩阵，bi(·)表示输入门的偏置矩阵，bc(·)表示记忆环节的偏置矩阵，bo(·)表示输出门的偏置矩阵；ρτ为检验函数；Yt表示t时刻的响应变量；Xt表示t时刻的输入变量。
8.根据权利要求7所述的一种光伏功率预测***，其特征在于，在所述模型构建模块中，所述分位数回归法中分位数τ对应的参数向量β(τ)计算公式为：
式中，通过最小化上述函数确定分位数τ对应的参数向量β(τ)的最优值；X'为输入变量的转置矩阵；Y为响应变量。
9.根据权利要求6～8任一项所述的一种光伏功率预测***，其特征在于，所述数据获取模块，用于获取光伏发电数据，具体为：
获取光伏发电数据并根据时间按比例划分光伏发电数据，获取所有时间下对应的组合相似时刻数据，用于作为功率预测模型的输入；其中所述光伏发电数据包括时间及所有时间对应下的光伏发电输出功率、历史气象数据以及数值天气预报NWP数据。
10.根据权利要求9所述的一种光伏功率预测***，其特征在于，在所述数据获取模块中，所述获取所有时间下对应的组合相似时刻数据，包括：
通过计算时刻i与不同时刻所对应的光伏发电数据之间的最小欧式距离，得到时刻i的相似时刻j及相似时刻j所对应的组合相似时刻数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310635698.3A CN116663727A (zh) | 2023-05-31 | 2023-05-31 | 一种光伏功率预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310635698.3A CN116663727A (zh) | 2023-05-31 | 2023-05-31 | 一种光伏功率预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116663727A true CN116663727A (zh) | 2023-08-29 |
Family
ID=87709239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310635698.3A Pending CN116663727A (zh) | 2023-05-31 | 2023-05-31 | 一种光伏功率预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663727A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862079A (zh) * | 2023-09-04 | 2023-10-10 | 应辉环境科技服务(烟台)有限公司 | 一种企业污染物排放预测方法及预测*** |
-
2023
- 2023-05-31 CN CN202310635698.3A patent/CN116663727A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862079A (zh) * | 2023-09-04 | 2023-10-10 | 应辉环境科技服务(烟台)有限公司 | 一种企业污染物排放预测方法及预测*** |
| CN116862079B (zh) * | 2023-09-04 | 2023-12-05 | 应辉环境科技服务(烟台)有限公司 | 一种企业污染物排放预测方法及预测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network | |
| CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
| CN112906987B (zh) | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 | |
| CN106548270A (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
| CN112381282B (zh) | 基于宽度学习***的光伏发电功率预测方法 | |
| CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
| CN116663727A (zh) | 一种光伏功率预测方法及*** | |
| 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 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
| CN117117819A (zh) | 一种光伏发电短期功率预测方法、***、设备和介质 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
| CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
| Zheng et al. | Short-term photovoltaic power prediction based on daily feature matrix and deep neural network | |
| CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
| CN116707331A (zh) | 基于模型预测的逆变器输出电压高精度调节方法及*** | |
| CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
| CN114819382B (zh) | 一种基于lstm的光伏功率预测方法 | |
| CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
| Huang et al. | Photovoltaic Power Prediction Model Based on Weather Forecast | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及*** | |
| CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及*** | |
| Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network |
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 |