CN116760017A - 一种光伏发电的预测方法 - Google Patents
一种光伏发电的预测方法 Download PDFInfo
- Publication number
- CN116760017A CN116760017A CN202310669104.0A CN202310669104A CN116760017A CN 116760017 A CN116760017 A CN 116760017A CN 202310669104 A CN202310669104 A CN 202310669104A CN 116760017 A CN116760017 A CN 116760017A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- neural network
- weather
- photovoltaic
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 239000000203 mixture Substances 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 12
- 230000007774 longterm Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000020411 cell activation Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明属于电网预测技术领域,尤其涉及一种光伏发电的预测方法,包括:获取光伏发电地区的天气数据、卫星云图数据和历史发电功率数据;根据所述卫星云图数据,通过卷积神经网络算法,获取光伏发电地区的气象类型;根据所述天气数据,通过循环神经网络算法,获取各个的天气数据对光伏发电功率的影响权重系数;根据所述历史发电功率数据、所述气象类型和所述影响权重系数,通过长短期神经网络算法以及注意力机制,获取光伏短期功率预测值;根据光伏短期功率预测值,通过高斯混合模型,获取光伏发电功率区间预测数据。本发明通过卷积神经网络算法、循环神经网络算法和长短期神经网络算法融合多源数据,提高光伏功率的短期以及超短期预测的精度。
Description
技术领域
本发明属于电网预测技术领域,尤其涉及一种光伏发电的预测方法。
背景技术
随着光伏电站的大量接入电网,光伏出力的随机性和波动性,给电网的可靠运行带来了极大的挑战。而电网的可靠和准确调度,将越来越依赖于光伏出力预测的准确性。因此,开发基于复杂神经网络的功率预测模块,提升光伏发力预测的准确性变的极为重要。
光伏功率预测指的是利用数值天气预报数据、卫星图像数据或者是光伏场的实测数据并结合光伏电场的实际位置以及周边环境等建立光伏功率预测模型,对未来一段时间内的光伏输出功率进行预测。光伏发电功率预测过程一般分为间接法和直接法两种,间接法一般先从光照幅度建立预测模型,再根据光照幅度和光伏发电站附近的气象参数作为输入预测光伏发电功率;直接法将光伏输出功率和历史数据以及相关环境参数的历史数据作为输入直接预测输出值,该方法直接对输入输出的非线性函数进行拟合,而间接法需建立多个模型,容易出现叠加误差。从预测时间长度上可分为超短期预测、短期预测、中长期预测,国内研究主要针对短期和超短期范围内的功率预测,预测方法由早期的时间序列法、相似日法、回归分析法逐渐发展到支持向量机、随机森林、人工神经网络等。国外研究偏向使用非线性方法预测,以历史光伏功率数据作为输入,通过统计学方法对光伏功率进行预测,具体方法有差分整合移动平均自回归模型、贝叶斯统计等传统统计法、机器学习法、模拟视觉神经的深度学习法。随着计算机算力的巨大提升,传统模型的预测精度已不能满足预测要求。
发明内容
本发明提供了一种光伏发电的预测方法,解决了现有的光伏预测方法精度不足,不能满足预测要求的问题。
本发明提供了如下技术方案:一种光伏发电的预测方法,包括:
S10:获取光伏发电地区的天气数据、卫星云图数据和历史发电功率数据;
S20:根据所述卫星云图数据,通过卷积神经网络算法,获取光伏发电地区的气象类型;
S30:根据所述天气数据,通过循环神经网络算法,获取各个的天气数据对光伏发电功率的影响权重系数;
S40:根据所述历史发电功率数据、所述气象类型和所述影响权重系数,通过长短期神经网络算法以及注意力机制,获取光伏短期功率预测值;
S50:根据光伏短期功率预测值,通过高斯混合模型,获取光伏发电功率区间预测数据。
进一步地,还包括在所述S10与S20之间执行的:
S110:建立基于卷积神经网络算法、循环神经网络算法和长短期神经网络算法的光伏发电功率预测混合神经网络模型;
S120:将所述天气数据、卫星云图数据和历史发电功率数据进行预处理;
S130:将所述天气数据、卫星云图数据和历史发电功率数据分为训练集和测试集;
S140:根据所述训练集和测试集,通过粒子群优化算法对所述光伏发电功率预测混合神经网络模型进行模型训练和测试。
进一步地,所述预处理包括:异常数据检测和处理、缺失数据的填补和数据归一化。
进一步地,还包括在步骤S130之前进行的:
获取所述天气数据中各个数据特征的相关度以及重要性;
筛除相关度低以及重要性低的数据特征。
进一步地,所述获取所述天气数据中各个数据特征的相关度以及重要性包括:
通过最大互信息系数定量分析各个数据特征的相关度;
通过梯度提升决策树算法获取各个数据特征的重要性。
进一步地,所述步骤S40中的注意力机制包括:
对所述长短期神经网络算法的隐藏层赋予概率权重系数。
进一步地,所述注意力机制的公式如下:
其中,ht为长短期神经网络算法隐藏层t时刻的输出,at为概率权重系数,st为注意力机制t时刻的输出。
进一步地,所述步骤S50包括:
S510:划分多种天气场景,将所述历史发电功率数据分类至对应的天气场景下;
S520:根据各个天气场景下历史发电功率的预测误差分布,通过高斯混合模型对预测误差分布进行拟合,获得各个天气场景的预测误差概率密度函数;
S530:根据光伏短期功率预测值以及各个天气场景的预测误差概率密度函数,通过计算指定置信水平下的置信区间,获取各个天气场景下光伏发电功率区间预测数据。
进一步地,所述天气场景包括晴天天气场景、阴云天天气场景和雨天天气场景。
进一步地,所述步骤S510包括:通过K-means聚类算法将各个天气场景下历史发电功率与历史光伏短期功率预测值之间的误差进行聚类,生成历史发电功率的预测误差分布。
本发明的有益效果:本发明通过搭建基于卷积神经网络算法、循环神经网络算法和长短期神经网络算法的模型,融合多源数据,采集和汇聚来源于不同传感器,和不同接收途径的相关性数据,提高光伏功率的短期以及超短期预测的精度。本发明所提出的预测方法融合注意力机制,通过赋予长短期神经网络隐藏层不同的概率权重系数,增强重要信息的作用,相比传统方法具备更高的预测精度。本发明所提出的预测方法,对天气类型进行划分,将预测误差进行聚类,采用高斯混合模型对预测误差分布拟合,通过计算指定置信水平下的置信区间获得出光伏发电的区间预测结果,所得区间预测结果更准确,适用性更高。
附图说明
图1为本发明光伏发电的预测方法的流程图。
图2为本发明光伏发电的预测方法中模型建立的流程图。
图3为本发明光伏发电的预测方法中循环神经网络算法的结构框图。
图4为本发明光伏发电的预测方法中提取影响权重系的示意图。
图5为本发明光伏发电的预测方法中长短期神经网络的结构示意图。
图6为本发明光伏发电的预测方法中长短期神经网络融合注意力机制的示意图。
图7为本发明光伏发电的预测方法中高斯混合模型进行光伏发电功率区间预测流程图。
具体实施方式
为了使本领域技术人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
在本发明的实施例中,图1是根据本发明一种光伏发电的预测方法的具体流程提供的流程图,如图1所示,需要注意的是,以下步骤的顺序可根据实际情况进行调换,也可根据实际情况同时进行,故在此不作限定,本发明具体包括:
S10:获取光伏发电地区的天气数据、卫星云图数据和历史发电功率数据。
其中,天气数据包括温度、湿度、降雨量、风速和太阳辐射量,天气数据和卫星云图数据均可以通过光伏发电地区的气象站获取。历史发电功率数据通过电网***的后台服务器中获取。
在获取到相关数据后需要建立混合网络模型,具体步骤如图2所示,
S110:建立基于卷积神经网络算法、循环神经网络算法和长短期神经网络算法的光伏发电功率预测混合神经网络模型。
在获取到天气数据后,需要对天气数据进行如下处理:
获取所述天气数据中各个数据特征的相关度以及重要性,其中,具体是通过最大互信息系数定量分析各个数据特征的相关度,通过梯度提升决策树算法获取各个数据特征的重要性。
其中,互信息系数以I(X;Y)进行表示:
其中,P(X,Y)是X和Y的联合概率分布函数,而P(X)和P(Y)分别是X和Y的边缘概率分布函数。使用互信息系数定量分析随机变量之间的非线性关系,表征变量间的依赖关系。当两者互信息系数达到最大时,意味着一个变量给定后,另一个变量的变化性就被其锚定了;最小值为0,表征两变量无相关性。
最大互信息系数计算公式如下:
上式中a,b是进行散点图网格划分时x轴和y轴的单元格数量,B为数据量的0.6次方。当最大互信息系数处在0~0.3之间时,认定为微弱相关或不相关;当最大互信息系数处在0.3~0.5之间时,认定为弱相关;当最大互信息系数处在0.5~0.8时,认定为中度相关;当最大互信息系数处在0.8~1之间时,认定为高度相关。
使用梯度提升决策树算法(XGBoost)算法获取数据特征的重要性,进行有效的特征筛选。基于XGBoost算法进行特征选择,使用决策树作为底层模型,不断训练决策树模型,除第一次训练外,其余树模型的拟合对象都是上一个模型的残差,并且每一次训练时树模型都对上一次训练中误差率较高的样本进行重点学习。
具体的,XGBoost算法的输出如公式如下:
其中,xi代表第i个样本,k代表第k棵树,代表第i个样本的预测值。
其次XGBoost算法的优化目标为结构风险最小化,目标函数如下所示:
上式中,l代表残差函数,Ω(ft)代表正规化项。
在获取到数据特征的相关度以及重要性之后,筛除相关度低以及重要性低的数据特征。具体可以是,以相关度以及重要性为关键词对数据特征进行排序,将排序位于最后几位的数据特征进行剔除,具体剔除多少数据特征可以由技术人员根据实际情况进行选择,或者剔除最大互信系数处在0~0.3之间的数据。通过筛除相关度低以及重要性低的数据特征,能够增强模型泛化能力。
S120:将所述天气数据、卫星云图数据和历史发电功率数据进行预处理。
其中,预处理包括:异常数据检测和处理、缺失数据的填补和数据归一化。
针对单点异常值,使用下列公式进行平滑处理,平滑处理以异常值为中心,计算异常值前后n个量的平均值代替异常值,平滑处理的公式如下:
上式中,Xi'代表平滑处理后的异常值,Xi+1代表i+1个数据。
针对长时间段异常值,则使用临近日的同一时段的值进行补齐。
数据归一化处理公式如下:
上式中,X'代表归一化之后的数据,X代表原始数据集,Xmin代表原始数据集的最小值,Xmax代表原始数据集的最大值。
S130:将所述天气数据、卫星云图数据和历史发电功率数据分为训练集和测试集;
S140:根据所述训练集和测试集,通过粒子群优化算法对所述光伏发电功率预测混合神经网络模型进行模型训练和测试。
对预处理完毕的数据分为训练集和测试集,通过粒子群优化算法采用训练集对模型进行模型训练,并通过测试集对模型进行测试。
在基于卷积神经网络算法、循环神经网络算法和长短期神经网络算法的光伏发电功率预测混合神经网络模型中,各模型起到的作用如下:
S20:根据所述卫星云图数据,通过卷积神经网络算法,获取光伏发电地区的气象类型。
其中,所述卷积神经网络以卫星云图数据作为输入数据,来提取卫星云图数据的空间特征,从而获得气象类型。卷积神经网络算法主要包括输入层、卷积层、激活层、池化层、全连接层和输出层等。
其中,卷积神经网络算法的卷积层,通过将输入特征图与卷积核进行卷积,通过激活函数生成输出特征图,其中,输入特征图为卫星云图数据,具体公式如下:
其中,代表第l层的第j个特征图,/>代表第l-1层的第i个特征图,Mj代表输入图的选择,/>代表第i个输入特征图和第j个输出特征图之间的权重,/>代表偏差,f代表整流线性单元激活函数。
S30:根据所述天气数据,通过循环神经网络算法,获取各个的天气数据对光伏发电功率的影响权重系数。
如图3所示,其中,X是为向量,表示输入层的值;S是为向量,表示隐藏层的值;U是输入层到隐藏层的权重矩阵;O为向量,表示输出层的值;V是隐藏层到输出层的权重矩阵,权重矩阵W是隐藏层上一次的输出值,其作为这一次的输入权重,影响权重系数即为图4中的影响因子。
如图4所示,其中,天气数据包括温度、湿度、降雨量、风速和太阳辐射量等,选择这些变量作为模型的输入变量,建立各个天气数据和历史发电功率的映射关系,获取各个的天气数据对光伏发电功率的影响权重系数。温度数据由气温测温箱进行获取,湿度数据由电子式湿度传感器获取,风速数据由风速传感器获取,降雨量数据由雨量计获取,太阳辐射量数据由光照强度测试仪获取。
S40:根据所述历史发电功率数据、所述气象类型和所述影响权重系数,通过长短期神经网络算法以及注意力机制,获取光伏短期功率预测值。
长短期神经网络算法如图5所示,长短期神经网络中引入门的概念,通过门控制单元将历史训练信息结合,解决了梯度消失的问题。
LSTM的前向计算公式如下式所示:
ft=σ(Wf*[ht-1,xt]+bf)
it=σ(Wi*[ht-1,xt]+bi)
ot=σ(Wo*[ht-1,xt]+bo)
ht=ot*tanh(ct)
上式中,ft表示遗忘门,it表示输入门,ot表示输出门,ht-1表示t-1时刻LSTM的输出值,xt表示t时间的输入。
Wf、Wi、Wc、Wo均表示权重矩阵;bf、bi、bc、bo均表示偏置项;tanh表示激活函数,σ表示sigmoid函数;ct,ct-1,表示单元状态;ht表示t时刻长短期神经网络算法隐藏层的输出。其中,上面公式中的xt为LSTM的输入数据,即输入历史功率数据、气象类型、影响权重系数以矩阵形式构成LSTM的输入数据xt。
如图6所示,注意力机制指的是对所述长短期神经网络算法的隐藏层赋予概率权重系数。注意力机制用来提取高质量的深度特征,增强重要信息的作用,更高精度地完成光伏功率预测。
注意力机制是一种资源分配的机制,给输入特征分配不同的权值,使得重要的特征不会随步长的增大而消失,进而突显重要信息的作用,使模型更容易处理长时间序列的依赖关系。注意力机制的实质是模拟人脑注意力的资源分配。在某个特定的时刻人脑会把注意力放在需要重点关注的区域,减少对其他区域的关注,以便获取更多需要关注的信息,抑制其他无用信息,其核心是忽略无用信息且放大所需信息。注意力机制对关键的信息给予足够的关注,突显重要信息的作用,进而提高模型的精度。注意力机制能够改进LSTM网络因时序数据过长而丢失重要信息的情况,用概率分配权重的方式替代随机分配权重的方式。
LSTM网络融合了注意力机制,采用赋予概率权重系数的方式计算权重矩阵,注意力层权重系数的表示如下:
et=utanh(wht+b)
式中,ht表示t时刻长短期神经网络算法隐藏层的输出;at为概率权重系数;b表示偏置系数;u和w表示权重系数;et为概率分布;st为注意力机制t时刻的输出。
S50:根据光伏短期功率预测值,通过高斯混合模型,获取光伏发电功率区间预测数据。
如图7所示,具体过程如下:
S510:划分多种天气场景将所述历史发电功率数据分类至对应的天气场景下。其中,天气场景具体可以分为晴天天气场景、阴云天天气场景和雨天天气场景。
通过K-means聚类算法将各个天气场景下历史发电功率与历史光伏短期功率预测值之间的误差进行聚类,生成历史发电功率的预测误差分布,其中,历史光伏短期预测值指的是通过使用历史参数(历史发电功率当天实际的天气数据以及实际的卫星云图数据)经过上述卷积神经网络算法、循环神经网络算法和长短期神经网络算法的光伏发电功率预测混合神经网络模型计算获得。
S520:根据各个天气场景下历史发电功率的预测误差分布,通过高斯混合模型对预测误差分布进行拟合,获得各个天气场景的预测误差概率密度函数。
高斯混合模型(高斯分布)类比于数学中常见的“正态分布”,即用高斯分布来拟合历史发电功率的预测误差分布。
S530:根据光伏短期功率预测值以及各个天气场景的预测误差概率密度函数,通过计算指定置信水平下的置信区间,获取各个天气场景下的光伏发电功率区间预测数据。根据置信水平要求求解各个天气场景的置信区间,得到光伏短期功率区间预测结果。光伏发电功率区间预测数据具体指的是预测功率值的波动区间,在一定置信水平下给出输出功率的上下界值。
上述的高斯混合模型是多个单高斯概率密度函数的线性组合,通过调整高斯混合模型的各个组成参数,包括成分数、权重系数、均值和每个成分的协方差矩阵,常用来对多维随机变量的联合概率密度函数建模,来精确描述各种概率密度分布。
单个高斯分布概率密度函数可表示为:
上式中,μ、σ2分别表示高斯分布的均值和方差。
高斯混合分布的概率密度函数可表示为:
上式中,θ为各个高斯分量的均值和方差的参数集集合,ak为第k个高斯分量所包含加权系数;表示高斯分布的概率密度函数,其表达式为:
上式中,σk、μk分别是第k个高斯分布的标准差和均值,θk是第k个高斯分布的方差和均值的参数集集合。
根据功率误差样本,求解参数值用极大似然估计法,高斯混合模型的优化方程为:
上式是一个非凸优化方程,选择最大期望算法来求解模型参数,它通过迭代和求解模型参数来实现。通过输入每个部分设置的初始值来计算对数似然函数,直到模型的参数并收敛到局部最优解。在得到分布模型后,通过求解模型的累计概率函数,计算得出指定置信水平下的置信区间,进而获得光伏发电概率性区间预测结果。
采用高斯混合模型描述光伏发电功率预测误差分布的多峰性和不对称性等方面相较于典型单一分布模型具有明显优势,所得区间预测结果更准确,适用性较高。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种光伏发电的预测方法,其特征在于,包括:
S10:获取光伏发电地区的天气数据、卫星云图数据和历史发电功率数据;
S20:根据所述卫星云图数据,通过卷积神经网络算法,获取光伏发电地区的气象类型;
S30:根据所述天气数据,通过循环神经网络算法,获取各个的天气数据对光伏发电功率的影响权重系数;
S40:根据所述历史发电功率数据、所述气象类型和所述影响权重系数,通过长短期神经网络算法以及注意力机制,获取光伏短期功率预测值;
S50:根据光伏短期功率预测值,通过高斯混合模型,获取光伏发电功率区间预测数据。
2.如权利要求1所述的光伏发电的预测方法,其特征在于,还包括在所述S10与S20之间执行的:
S110:建立基于卷积神经网络算法、循环神经网络算法和长短期神经网络算法的光伏发电功率预测混合神经网络模型;
S120:将所述天气数据、卫星云图数据和历史发电功率数据进行预处理;
S130:将所述天气数据、卫星云图数据和历史发电功率数据分为训练集和测试集;
S140:根据所述训练集和测试集,通过粒子群优化算法对所述光伏发电功率预测混合神经网络模型进行模型训练和测试。
3.如权利要求2所述的光伏发电的预测方法,其特征在于,所述预处理包括:异常数据检测和处理、缺失数据的填补和数据归一化。
4.如权利要求2所述的光伏发电的预测方法,其特征在于,还包括在步骤S130之前进行的:
获取所述天气数据中各个数据特征的相关度以及重要性;
筛除相关度低以及重要性低的数据特征。
5.如权利要求4所述的光伏发电的预测方法,其特征在于,所述获取所述天气数据中各个数据特征的相关度以及重要性包括:
通过最大互信息系数定量分析各个数据特征的相关度;
通过梯度提升决策树算法获取各个数据特征的重要性。
6.如权利要求1所述的光伏发电的预测方法,其特征在于,所述步骤S40中的注意力机制包括:
对所述长短期神经网络算法的隐藏层赋予概率权重系数。
7.如权利要求6所述的光伏发电的预测方法,其特征在于,所述注意力机制的公式如下:
其中,ht为长短期神经网络算法隐藏层t时刻的输出,at为概率权重系数,st为注意力机制t时刻的输出。
8.如权利要求1所述的光伏发电的预测方法,其特征在于,所述步骤S50包括:
S510:划分多种天气场景,将所述历史发电功率数据分类至对应的天气场景下;
S520:根据各个天气场景下历史发电功率的预测误差分布,通过高斯混合模型对预测误差分布进行拟合,获得各个天气场景的预测误差概率密度函数;
S530:根据光伏短期功率预测值以及各个天气场景的预测误差概率密度函数,通过计算指定置信水平下的置信区间,获取各个天气场景下的光伏发电功率区间预测数据。
9.如权利要求8所述的光伏发电的预测方法,其特征在于,所述天气场景包括晴天天气场景、阴云天天气场景和雨天天气场景。
10.如权利要求8所述的光伏发电的预测方法,其特征在于,所述步骤S510包括:通过K-means聚类算法将各个天气场景下历史发电功率与历史光伏短期功率预测值之间误差进行聚类,生成历史发电功率的预测误差分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669104.0A CN116760017A (zh) | 2023-06-07 | 2023-06-07 | 一种光伏发电的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669104.0A CN116760017A (zh) | 2023-06-07 | 2023-06-07 | 一种光伏发电的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116760017A true CN116760017A (zh) | 2023-09-15 |
Family
ID=87947083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310669104.0A Pending CN116760017A (zh) | 2023-06-07 | 2023-06-07 | 一种光伏发电的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116760017A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318052A (zh) * | 2023-11-28 | 2023-12-29 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
-
2023
- 2023-06-07 CN CN202310669104.0A patent/CN116760017A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318052A (zh) * | 2023-11-28 | 2023-12-29 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
CN117318052B (zh) * | 2023-11-28 | 2024-03-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115270965B (zh) | 一种配电网线路故障预测方法和装置 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及*** | |
CN114254561A (zh) | 一种内涝预测方法、***及存储介质 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN111369045A (zh) | 一种短期光伏发电功率预测的方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN116760017A (zh) | 一种光伏发电的预测方法 | |
CN112381282A (zh) | 基于宽度学习***的光伏发电功率预测方法 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
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 | |
CN116634030A (zh) | 一种光伏电站功率预测的网关机及分布式电站拓扑结构 | |
CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及*** | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
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 | |
CN113033910A (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
CN117493798A (zh) | 一种气象环境数据分析方法及*** | |
Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
CN115062551B (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
Sedlar et al. | Development of a random-forest cloud-regime classification model based on surface radiation and cloud products | |
CN113408816B (zh) | 一种基于深度神经网络的电网灾情评估方法 | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和*** | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data |
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 |