CN117154690A - 一种基于神经网络的光伏发电功率预测方法及*** - Google Patents

一种基于神经网络的光伏发电功率预测方法及*** Download PDF

Info

Publication number
CN117154690A
CN117154690A CN202310948756.8A CN202310948756A CN117154690A CN 117154690 A CN117154690 A CN 117154690A CN 202310948756 A CN202310948756 A CN 202310948756A CN 117154690 A CN117154690 A CN 117154690A
Authority
CN
China
Prior art keywords
prediction
power generation
power
neural network
day
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
Application number
CN202310948756.8A
Other languages
English (en)
Inventor
张福超
王昊
王国栋
屈强
郭鹏
程文利
张一诺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qufu Power Supply Co Of State Grid Shandong Electric Power Co
Jining Power Supply Co
Original Assignee
Qufu Power Supply Co Of State Grid Shandong Electric Power Co
Jining Power Supply Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qufu Power Supply Co Of State Grid Shandong Electric Power Co, Jining Power Supply Co filed Critical Qufu Power Supply Co Of State Grid Shandong Electric Power Co
Priority to CN202310948756.8A priority Critical patent/CN117154690A/zh
Publication of CN117154690A publication Critical patent/CN117154690A/zh
Pending legal-status Critical Current

Links

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004Generation forecast, e.g. methods or systems for forecasting future energy generation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • G06N3/0442Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/086Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于神经网络的光伏发电功率预测方法及***,涉及光伏发电功率预测技术领域,该方法包括:获取光伏电站的发电历史数据和预测日的关联气象数据;将预测日之前多个历史日的发电历史数据输入至基于注意力机制和LSTM网络的第一预测模型中,根据提取的发电历史数据的时间序列特征,输出预测日的第一功率预测结果;将预测日的关联气象数据输入至基于改进BP神经网络的第二预测模型中,根据提取的预测日的气象特征,输出预测日的第二功率预测结果;对预测日的两个功率预测结果进行权值分配组合,得到最终预测结果。本发明通过构建两种侧重点不同的预测模型进行功率预测,综合两种预测结果,实现更精确的光伏发电功率预测。

Description

一种基于神经网络的光伏发电功率预测方法及***
技术领域
本发明涉及光伏发电功率预测技术领域,尤其涉及一种基于神经网络的光伏发电功率预测方法及***。
背景技术
光伏发电具有高效、低污染、安全便利等特点,近年来,光伏发电功率预测成为了国内外的研究热点。由于光伏发电具有间歇性和随机性,大规模的光伏并网可能会影响到电力***的稳定性与安全性。高精度的光伏发电功率预测可以提供功率的瞬变信息,对保障电网平稳运行、优化电力***调度具有重要的意义。
目前,光伏发电功率的预测方法包括基于对太阳辐射度的预测从而计算光伏发电功率的间接预测法和基于历史数据和天气表现特征的直接预测法。其中,基于太阳辐照度的间接预测法具有一定的难度,通常采用直接预测法进行预测。
现有技术中通常采用构建神经网络预测模型的方式进行预测,如利用改进粒子群算法确定DBN(Deep belief networks,深度信念网络)神经网络最优的初始权值,然后用灰色关联度法选出与预测日气象特征相似度高的日期,对DBN网络进行训练并建立预测模型,但是这一方法忽略了天气类型对预测精度的影响;如建立基于长短期记忆(Long-shortTerm Memory,LSTM)神经网络光伏发电功率预测模型,但此模型在预测时较耗时,在实际应用中有一定的局限性;除此之外,主成分分析、深度学习、支持向量机、基于互信息的主成分分析法(Principal Component Analysis,PCA)等作为优化参数方法也经常应用于光伏发电功率预测模型中。但是,上述构建的神经网络模型预测方法单一,进行光伏发电功率预测的准确性较差。
发明内容
为解决上述现有技术的不足,本发明提供了一种基于神经网络的光伏发电功率预测方法及***,分析影响光伏发电功率的关联气象因素,以该关联气象因素数据和光伏历史发电功率数据,分别训练基于注意力机制和LSTM网络、基于改进BP(back propagation,反向传播)神经网络的功率预测模型,基于训练完成的预测模型实现更高准确率的光伏发电功率预测结果。
第一方面,本公开提供了一种基于神经网络的光伏发电功率预测方法。
一种基于神经网络的光伏发电功率预测方法,包括:
获取光伏电站的发电历史数据和预测日的关联气象数据;所述发电历史数据包括光伏历史发电功率和历史关联气象数据;
将预测日之前多个历史日的光伏电站的发电历史数据输入至基于注意力机制和LSTM网络的第一预测模型中,根据提取的发电历史数据的时间序列特征,输出预测日的第一功率预测结果;
将预测日的关联气象数据输入至基于改进BP神经网络的第二预测模型中,根据提取的预测日的气象特征,输出预测日的第二功率预测结果;
对预测日的第一功率预测结果和第二功率预测结果进行权值分配组合,得到最终预测结果。
第二方面,本公开提供了一种基于神经网络的光伏发电功率预测***。
一种基于神经网络的光伏发电功率预测***,包括:
数据获取模块,用于获取光伏电站的发电历史数据和预测日的关联气象数据;所述发电历史数据包括光伏历史发电功率和历史关联气象数据;
初步预测模块,用于将预测日之前多个历史日的光伏电站的发电历史数据输入至基于注意力机制和LSTM网络的第一预测模型中,根据提取的发电历史数据的时间序列特征,输出预测日的第一功率预测结果;将预测日的关联气象数据输入至基于改进BP神经网络的第二预测模型中,根据提取的预测日的气象特征,输出预测日的第二功率预测结果;
最终预测模块,用于对预测日的第一功率预测结果和第二功率预测结果进行权值分配组合,得到最终预测结果。
以上一个或多个技术方案存在以下有益效果:
1、本发明提供了一种基于神经网络的光伏发电功率预测方法及***,分析影响光伏发电功率的关联气象因素,以该关联气象因素数据和光伏历史发电功率数据,分别训练基于注意力机制和LSTM网络、基于改进BP神经网络的功率预测模型,基于训练完成的预测模型实现准确率更高的光伏发电功率预测;通过两种基于不同预测方式的预测模型进行预测,结合这两者的预测结果,保障最终预测结果的精确性。
2、本发明中构建了基于注意力机制和LSTM网络、基于改进BP神经网络的功率预测模型,基于注意力机制和LSTM网络的预测模型更注重时间序列中所蕴含的特征,而基于改进BP神经网络的预测模型则更注重预测日气象因素对发电功率的影响,通过综合两种侧重点不同的预测结果,得到更精确的、更贴合实际的功率预测结果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例所述基于神经网络的光伏发电功率预测方法的整体流程图;
图2为本发明实施例中基于注意力机制和LSTM网络的第一预测模型的训练流程示意图;
图3为BP神经网络的结构示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于神经网络的光伏发电功率预测方法,如图1所示,包括以下步骤:
获取光伏电站的发电历史数据和预测日的关联气象数据;所述发电历史数据包括光伏历史发电功率和历史关联气象数据;
将预测日之前多个历史日的光伏电站的发电历史数据输入至基于注意力机制和LSTM网络的第一预测模型中,根据提取的发电历史数据的时间序列特征,输出预测日的第一功率预测结果;
将预测日的关联气象数据输入至基于改进BP神经网络的第二预测模型中,根据提取的预测日的气象特征,输出预测日的第二功率预测结果;
对预测日的第一功率预测结果和第二功率预测结果进行权值分配组合,得到最终预测结果。
在本实施例中,步骤S1、获取光伏电站的发电历史数据和预测日的关联气象数据。上述发电历史数据包括光伏历史发电功率和历史关联气象数据。
气象因素是影响光伏发电的主要方面,对光伏发电可能造成影响的气象因素包括太阳辐照度、温度、天气类型、湿度、PM2.5、气温等。实际上,光伏发电输出功率不仅仅受到太阳辐照度、温度等的影响,而且光伏板的安装角度和地理位置、光伏阵列的转换效率、天气类型等众多因素也影响着光伏发电的输出功率。但对于相同的光伏电站而言,***因素的影响均是相同的,只需考虑外部环境因素的变化对光伏发电功率输出的影响即可,即利用天气数据来预测未来趋势。在保证最终预测精确性不变的前提下,为了进一步简化计算,首先从多种气象因素中筛选出影响光伏发电功率的关联气象因素,仅获取该关联气象因素所对应的气象数据(即关联气象数据)。该确定影响光伏发电功率的关联气象因素的方法,具体包括以下步骤:
步骤S1.1、获取光伏电站的光伏历史发电功率和历史气象数据,该气象数据为对光伏发电可能造成影响的多个气象因素(即候选气象因素)所对应的数据,即该气象数据为多个候选气象因素所对应数据,计算各候选气象因素与光伏发电功率之间的皮尔逊相关系数。具体的,将上述获取的各项候选气象因素数据按照时刻对齐后,计算各候选气象因素与光伏发电功率之间的皮尔逊相关系数,判断各候选气象因素与光伏发电功率的相关关系,从而筛选机器学习模型所需要的各项关联气象因素。皮尔逊相关系数的计算公式为:
上式中,Xi为某类候选气象因素的第i个时刻的具体数值大小,为其均值;Yi为第i个时刻的光伏发电功率具体数值大小,/>为其均值;计算得到的r的数值范围为[-1,1]:当其绝对值越接近1,说明光伏发电功率与当前因素的相关性越强;当其绝对值越接近0,说明光伏发电功率与当前因素的相关性越弱。
步骤S1.2、根据各候选气象因素与光伏发电功率之间的皮尔逊相关系数,将该皮尔逊相关系数与设定阈值相比较,选取皮尔逊相关系数大于设定阈值的候选气象因素,将其作为影响光伏发电功率的关联气象因素。在本实施例中,设定相关系数阈值为0.4,仅保留r>0.4的气象因子,将其作为关联气象因素,该关联气象因素包括日平均辐照度、PM2.5、湿度和温度。
步骤S2、构建基于注意力机制和LSTM网络的第一预测模型,基于获取的发电历史数据(包括光伏历史发电功率和历史关联气象数据)训练该第一预测模型,得到训练完成的第一预测模型。
具体的,传统的神经网络模型各层之间是全连接的,每层的节点之间无连接,这种结构在处理时序数据预测时存在短板,因为时序数据与之前的数据存在联系,传统的神经网络很难对之前的信息进行记忆。循环神经网络(RNN)在时序数据分析中表现出更强的适应性,其隐层神经元之间是有连接的,循环神经网络会对之前的信息进行记忆并应用到当前计算输出中,理论上循环神经网络能够对任何长度的序列数据进行处理,但在实践中循环神经网络很难学习时序数据中的长期依赖信息,训练时会出现梯度消失或者梯度***的问题。针对时序数据,采用LSTM网络,使得循环神经网络能够真正有效地处理时序数据。注意力机制是一种模拟大脑注意力形式的网络,即在特定的时刻,对于关键事物分配较多的注意力,其他事物分配较少的注意力以达到合理利用计算资源的目的。将注意力机制应用到深度神经网络中,让神经网络自适应的筛选出输入向量中与当前输出显著相关的特征,减轻其他特征的干扰,能够显著提高模型的泛化性能。
以LSTM的隐层输出向量H={h1,h2,...,hI}作为注意力机制的输入,注意力机制会寻找第i个特征量hi的注意力权重参数αi,可由下式得到:
ei=tanh(Whhi+bh),ei∈[-1,1]
其中,Wh为权值矩阵,bh为偏置项,ei为中间量。将注意力权重参数αi与特征量hi相乘,得到加入注意力后的特征量:
h′i=αi·hi
进而可得到加入注意力后的向量H′={h′1,h′2,...,h′I}。
在本实施例中,以光伏发电功率时间序列和多个关联气象数据时间序列为输入,以下一时刻的光伏发电功率为输出,利用获取的发电历史数据训练基于注意力机制和LSTM网络的第一预测模型。如图2所示,光伏发电功率和关联气象数据包含不同的信息,因此首先分别对其进行特征提取。将光伏发电功率时间序列P(1),P(2),...,P(t)输入LSTM网络进行时间序列特征提取,得到LSTM隐层输出HP,使用注意力机制对LSTM隐层输出HP进行自动关注,并对该隐层输出中的每个元素赋予不同的注意力权重,得到带权重的隐层输出H′P;同样的,以相同的方式处理多个关联气象数据,在本实施例中以温度这一关联气象数据为例,将关联气象数据时间序列T(1),T(2),...,T(t)输入LSTM网络中进行时间序列特征提取,得到LSTM隐层输出HT,并使用注意力机制对LSTM隐层输出HT进行自动关注,并对该隐层输出中的每个元素赋予不同的注意力权重,得到带权重的隐层输出H′T。之后,将H′P和H′T展开成一维向量,进行合并后通过一个全连接层输出预测的发电功率。
作为另一种实施方式,在训练上述第一预测模型时,对获取的发电历史数据进行预处理。由于光伏发电功率和关联气象数据的单位不同,数量级也相差较大,因此首先采用归一化处理该发电历史数据。
进一步的,基于发电历史数据,获取训练样本,以此构成训练样本集。训练样本通过滑窗法获取。滑动窗口在光伏发电功率时间序列和多个关联气象数据时间序列上滑动,窗口内的值作为样本特征值,下一时刻的实际功率值作为训练目标。在训练过程中,基于模型输出的下一时刻的功率预测值和实际功率值,采用平均绝对百分比误差MAPE、均方根误差RMSE和平均绝对误差MAE来评价模型的预测性能,直至满足预设条件,完成模型的训练。
步骤S3、构建基于改进BP神经网络的第二预测模型,基于获取的发电历史数据训练该第二预测模型,得到训练完成的第二预测模型。该步骤具体包括以下步骤:
步骤S3.1、基于关联气象数据,在历史日中选取与预测日气象因素相似度高的多个相似日。具体的,根据获取的历史关联气象数据和预测日的关联气象数据,以每一日的关联气象数据为一个向量,利用极差法分别对所有向量中的各分量进行归一化,归一化后预测日和历史日中的第j日的特征向量分别为:
X0=[X0(1),X0(2),...,X0(i)]T
Xj=[Xj(1),Xj(2),...,Xj(i)]T
其中,X0表示归一化后预测日的特征向量,X0(i)表示归一化后预测日第i个时刻的特征量,Xj表示归一化后第j个历史日的特征向量,Xj(i)表示归一化后第j个历史日第i个时刻的特征量。
计算预测日与每一历史日中各分量的关联系数,以此确定预测日与每一历史日的相似度,即:
X0与Xj在第k个气象因素(即分量)的关联系数为:
上式中,τj(k)=X0(k)-Xj(k);ρ为分辨系数,在本实施例中ρ取0.5。
综合各分量的关联系数,计算得到X0与Xj相似度,为:
从最近的历史日开始算起,逐一计算与预测日的相似度,选出达到要求数量的历史日,即,此时在历史日中选取与预测日相似度高的多个相似日,以这些相似日的发电历史数据(包括光伏历史发电功率和关联气象数据)作为模型的训练样本。
步骤S3.2、构建基于BP神经网络的光伏发电功率预测模型,利用改进的遗传算法优化BP神经网络,结合所获取的相似日的发电历史数据,构建基于改进BP神经网络的第二预测模型。
BP(back propagation)神经网络是一种多层前馈神经网络,其主要特点是:信号的前向传播,即输入信号经过隐藏层从输入层处理到输出层,每一层的神经元状态只影响下一层的神经元状态。在前向传播时,如果输出层和期望输出的误差不能满足预先设定的目标值,则转向误差的反向传播,并根据预测误差对权值和阈值进行调整,使BP神经网络的预测输出无限接近期望输出。BP神经网络的拓扑结构如图3所示,图3中,x1,x2,...,xn表示BP神经网络的输入值,y1,y2,...,ym表示BP神经网络的输出值,ωij和ωjK是BP神经网络连接层之间的权值,即BP神经网络中输入层i和隐含层j以及隐含层j和输出层K之间的权值;隐含层输出为输出层的输出为/>上式中,aj为隐含层j点的阈值,j=1,2,...,l,其中l为隐含层节点数,bK为输出层K点的阈值,K=1,2,...,m,其中m为输出层节点数。BP神经网络采用误差反传即误差反向传播算法进行学习。在BP神经网络中,数据从输入层经隐含层逐层向后传播,训练网络权值时,则沿着减少误差的方向,从输出层经过中间各层逐层向前修正网络的连接权值。随着学习的不断进行,最终的误差越来越小。在BP神经网络中,反向传播是指误差信号的反向传播,修正权值时,BP神经网络根据误差从后向前逐层进行修正。
考虑到BP神经网络的收敛速度不高且易于陷入局部极值,当预测光伏发电功率时会使得预测精度达不到要求,为改善这一问题,本实施例采用改进的遗传算法优化BP神经网络,构建了基于改进BP神经网络的预测模型。
遗传算法(Genetic Algorithm,GA)的工作原理是首先对输入数据进行编码,之后通过一定的概率进行选择、交叉和变异运算,直至选择出适应度最大的个体作为目标值输出,之后停止运算。在实际应用中对于交叉概率和变异概率的设定是根据研究者自身所具有的经验来确定这两个值,具有很大的盲目性和主观性,并且如果所研究的问题发生了改变,想要确定这两个值又是非常困难的;传统遗传算法的选择概率、交叉概率和变异概率使用的是固定的常数,这样在训练的前期和后期容易产生局部最优解。为了解决上述问题,本实施例采用改进的GA算法,对选择算子、交叉算子和变异算子的概率进行了改进,通过判断当前适应度值从而对选择概率、交叉概率和变异概率进行调整,随着适应度值的不断变化,预测模型的选择概率、交叉概率和变异概率会随之产生变化,使预测模型能够将各个参数调整为模型最佳的状态,最终构成基于改进遗传算法优化BP神经网络的预测模型。
上述构建基于改进BP神经网络的第二预测模型的具体步骤包括:
步骤S3.2.1、确定基于BP神经网络的预测模型的网络拓扑结构,对BP神经网络的初始权值和阈值进行编码,得到初始化种群;
步骤S3.2.2、将发电历史数据输入至预测模型中进行训练,以模型输出误差平方的倒数作为种群的适应度;进一步的,在该步骤之前,对获取的发电历史数据进行预处理,包括归一化处理等。
其中,本实施例采用误差平方的倒数作为适应度函数,公式为:
上式中,E为误差函数,P为整体输出,w为权值矢量,x为输入矢量,F为适应度,c为迭代次数。
步骤S3.2.3、对于初始化种群,依次执行选择操作、交叉操作和变异操作,再次计算种群的适应度,判断是否满足预设的终止条件,若满足则获取最优权值和阈值,否则循环执行上述操作,直至满足预设的终止条件;
步骤S3.2.4、基于所获取的最优权值和阈值,更新BP神经网络的权值和阈值,即得到BP神经网络最终的权值和阈值。
通过上述步骤,实现BP神经网络权值和阈值的最优确定,此时构建得到基于改进BP神经网络的光伏发电功率预测模型。
步骤S3.3、以所获取的发电历史数据为训练集,以训练集中的历史关联气象数据为模型的输入,以训练集中的光伏历史发电功率为模型的输出,训练基于改进BP神经网络的第二预测模型,直至模型收敛,得到训练完成的第二预测模型。
步骤S4、将预测日之前多个历史日的光伏电站的发电历史数据输入至基于注意力机制和LSTM网络的第一预测模型中,根据提取的发电历史数据的时间序列特征,输出预测日的第一功率预测结果;将预测日的关联气象数据输入至基于改进BP神经网络的第二预测模型中,根据提取的预测日的气象特征,输出预测日的第二功率预测结果;对预测日的第一功率预测结果和第二功率预测结果进行权值分配组合,得到最终预测结果。
具体的,通过上述两个模型分别得到第一功率预测结果和第二功率预测结果,对预测日的第一功率预测结果和第二功率预测结果通过权值分配组合进行误差分析,确定第一权重和第二权重,包括:为第一功率预测结果和第二功率预测结果分配初始化权重,通过预测结果与权重的乘积得到最终预测结果,根据该最终预测结果与实际功率的误差进行分析,确定第一功率预测结果和第二功率预测结果对应的第一权重和第二权重。在此基础上,通过功率预测结果与权重乘积之和,得到最终的功率预测结果。通过上述方案能够进一步提高预测结果的精确性。
本实施例中,通过基于注意力机制和LSTM网络的第一预测模型和基于改进BP神经网络的第二预测模型分别进行光伏发电功率预测,最终通过结合两者的预测结果,得到该光伏电站更准确的光伏功率预测结果,提高预测的精确性。
实施例二
本实施例提供了一种基于神经网络的光伏发电功率预测***,包括:
数据获取模块,用于获取光伏电站的发电历史数据和预测日的关联气象数据;所述发电历史数据包括光伏历史发电功率和历史关联气象数据;
初步预测模块,用于将预测日之前多个历史日的光伏电站的发电历史数据输入至基于注意力机制和LSTM网络的第一预测模型中,根据提取的发电历史数据的时间序列特征,输出预测日的第一功率预测结果;将预测日的关联气象数据输入至基于改进BP神经网络的第二预测模型中,根据提取的预测日的气象特征,输出预测日的第二功率预测结果;
最终预测模块,用于对预测日的第一功率预测结果和第二功率预测结果进行权值分配组合,得到最终预测结果。
以上实施例二中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于神经网络的光伏发电功率预测方法,其特征是,包括:
获取光伏电站的发电历史数据和预测日的关联气象数据;所述发电历史数据包括光伏历史发电功率和历史关联气象数据;
将预测日之前多个历史日的光伏电站的发电历史数据输入至基于注意力机制和LSTM网络的第一预测模型中,根据提取的发电历史数据的时间序列特征,输出预测日的第一功率预测结果;
将预测日的关联气象数据输入至基于改进BP神经网络的第二预测模型中,根据提取的预测日的气象特征,输出预测日的第二功率预测结果;
对预测日的第一功率预测结果和第二功率预测结果进行权值分配组合,得到最终预测结果。
2.如权利要求1所述的基于神经网络的光伏发电功率预测方法,其特征是,所述关联气象数据为关联气象因素所对应的气象数据,所述关联气象因素为从多种候选气象因素中筛选出的影响光伏发电功率的气象因素,所述筛选方法包括:
获取光伏电站的光伏历史发电功率和历史气象数据,计算各候选气象因素与光伏发电功率之间的皮尔逊相关系数;所述气象数据为多个候选气象因素所对应的气象数据;
根据各候选气象因素与光伏发电功率之间的皮尔逊相关系数,将皮尔逊相关系数与设定阈值相比较,选取皮尔逊相关系数大于设定阈值的候选气象因素,作为影响光伏发电功率的关联气象因素。
3.如权利要求2所述的基于神经网络的光伏发电功率预测方法,其特征是,所述关联气象因素包括日平均辐照度、PM2.5、湿度和温度。
4.如权利要求1所述的基于神经网络的光伏发电功率预测方法,其特征是,所述基于注意力机制和LSTM网络的第一预测模型的训练过程,包括:
构建基于注意力机制和LSTM网络的第一预测模型;
以光伏发电功率时间序列和多个关联气象数据时间序列为输入,以下一时刻的光伏发电功率为输出,利用所获取的发电历史数据训练基于注意力机制和LSTM网络的第一预测模型。
5.如权利要求4所述的基于神经网络的光伏发电功率预测方法,其特征是,将光伏历史发电功率时间序列输入第一预测模型中的LSTM网络,进行时间序列特征提取,使用注意力机制对LSTM隐层输出进行自动关注,并对所述隐层输出中的每个元素赋予不同的注意力权重,得到带权重的隐层输出;
将每一历史关联气象数据时间序列输入第一预测模型中的LSTM网络,进行时间序列特征提取,使用注意力机制对LSTM隐层输出进行自动关注,并对所述隐层输出中的每个元素赋予不同的注意力权重,得到带权重的隐层输出;
将得到的两个带权重的隐层输出分别展开成一维向量,进行合并后通过一个全连接层输出预测的发电功率。
6.如权利要求1所述的基于神经网络的光伏发电功率预测方法,其特征是,所述基于改进BP神经网络的第二预测模型的训练过程,包括:
基于关联气象数据,在历史日中选取与预测日气象因素相似度高的多个相似日;
构建基于BP神经网络的光伏发电功率预测模型,利用改进的遗传算法优化BP神经网络,结合所获取的相似日的发电历史数据,构建基于改进BP神经网络的第二预测模型;
以所获取的相似日的发电历史数据为训练集,以训练集中的历史关联气象数据为模型的输入,以训练集中的光伏历史发电功率为模型的输出,训练基于改进BP神经网络的第二预测模型,直至模型收敛,得到训练完成的第二预测模型。
7.如权利要求6所述的基于神经网络的光伏发电功率预测方法,其特征是,所述基于关联气象数据,在历史日中选取与预测日气象因素相似度高的多个相似日,包括:
根据获取的历史关联气象数据和预测日的关联气象数据,以每一日的关联气象数据为一个向量,利用极差法分别对所有向量中的各分量进行归一化,得到归一化后预测日和每一历史日的特征向量;
计算预测日与每一历史日的特征向量中各分量的关联系数,确定预测日与每一历史日的相似度;
根据相似度进行筛选,得到与预测日气象因素相似度大于设定阈值的多个相似日。
8.如权利要求6所述的基于神经网络的光伏发电功率预测方法,其特征是,所述利用改进的遗传算法优化BP神经网络,包括:
确定基于BP神经网络的预测模型的网络拓扑结构,对BP神经网络的初始权值和阈值进行编码,得到初始化种群;
将发电历史数据输入至预测模型中进行训练,以模型输出误差平方的倒数作为种群的适应度;
对于初始化种群,依次执行选择操作、交叉操作和变异操作,再次计算种群的适应度,判断是否满足预设的终止条件,若满足则获取最优权值和阈值,否则循环执行选择操作、交叉操作和变异操作,直至满足预设的终止条件;
基于所获取的最优权值和阈值,更新BP神经网络的权值和阈值。
9.如权利要求1所述的基于神经网络的光伏发电功率预测方法,其特征是,在训练过程中,基于预测日的第一功率预测结果和第二功率预测结果,对第一功率预测结果和第二功率预测结果通过权值分配组合进行误差分析,确定第一权重和第二权重;
在功率预测过程中,基于第一权重和第二权重,对预测日的第一功率预测结果和第二功率预测结果进行权值分配组合,得到最终的功率预测结果。
10.一种基于神经网络的光伏发电功率预测***,其特征是,包括:
数据获取模块,用于获取光伏电站的发电历史数据和预测日的关联气象数据;所述发电历史数据包括光伏历史发电功率和历史关联气象数据;
初步预测模块,用于将预测日之前多个历史日的光伏电站的发电历史数据输入至基于注意力机制和LSTM网络的第一预测模型中,根据提取的发电历史数据的时间序列特征,输出预测日的第一功率预测结果;将预测日的关联气象数据输入至基于改进BP神经网络的第二预测模型中,根据提取的预测日的气象特征,输出预测日的第二功率预测结果;
最终预测模块,用于对预测日的第一功率预测结果和第二功率预测结果进行权值分配组合,得到最终预测结果。
CN202310948756.8A 2023-07-31 2023-07-31 一种基于神经网络的光伏发电功率预测方法及*** Pending CN117154690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310948756.8A CN117154690A (zh) 2023-07-31 2023-07-31 一种基于神经网络的光伏发电功率预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310948756.8A CN117154690A (zh) 2023-07-31 2023-07-31 一种基于神经网络的光伏发电功率预测方法及***

Publications (1)

Publication Number Publication Date
CN117154690A true CN117154690A (zh) 2023-12-01

Family

ID=88906995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310948756.8A Pending CN117154690A (zh) 2023-07-31 2023-07-31 一种基于神经网络的光伏发电功率预测方法及***

Country Status (1)

Country Link
CN (1) CN117154690A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117833361A (zh) * 2024-01-02 2024-04-05 中国电力工程顾问集团有限公司 基于时间序列分析的燃煤电厂深度调峰预测方法及装置
CN118052338A (zh) * 2024-04-16 2024-05-17 华东交通大学 一种基于广域协同训练的分布式光伏功率预测方法
CN118134699A (zh) * 2024-05-10 2024-06-04 江苏超越新能源科技集团股份有限公司 一种基于智能合约的分布式光伏电站集群全周期管理***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117833361A (zh) * 2024-01-02 2024-04-05 中国电力工程顾问集团有限公司 基于时间序列分析的燃煤电厂深度调峰预测方法及装置
CN118052338A (zh) * 2024-04-16 2024-05-17 华东交通大学 一种基于广域协同训练的分布式光伏功率预测方法
CN118052338B (zh) * 2024-04-16 2024-06-21 华东交通大学 一种基于广域协同训练的分布式光伏功率预测方法
CN118134699A (zh) * 2024-05-10 2024-06-04 江苏超越新能源科技集团股份有限公司 一种基于智能合约的分布式光伏电站集群全周期管理***

Similar Documents

Publication Publication Date Title
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN108900346B (zh) 基于lstm网络的无线网络流量预测方法
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN117154690A (zh) 一种基于神经网络的光伏发电功率预测方法及***
CN112348271A (zh) 基于vmd-ipso-gru的短期光伏功率预测方法
CN112564098B (zh) 基于时间卷积神经网络的高比例光伏配电网电压预测方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN113468817B (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN110070228B (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN115347571B (zh) 基于迁移学习的光伏发电功率短期预测方法及装置
CN111191854A (zh) 一种基于线性回归及神经网络的光伏发电预测模型和方法
CN114282646B (zh) 基于两阶段特征提取和改进BiLSTM的光功率预测方法及***
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
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
CN114298377A (zh) 一种基于改进极限学习机的光伏发电预测方法
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
CN116451821A (zh) 基于深度学习的大区域新能源发电功率预测方法及***
CN113962454A (zh) 基于双重特征选择+粒子群优化的lstm能耗预测方法
CN117273188A (zh) 一种具有增量学习能力的太阳能光伏发电功率预测方法
CN111310974A (zh) 一种基于ga-elm的短期需水预测方法
CN114363262B (zh) 一种空天地一体化网络下的混沌动态拥塞预测***及方法
CN113610665B (zh) 一种基于多延迟输出回声状态网的风力发电功率预测方法
CN115496153A (zh) 多头自注意力的深度卷积嵌入聚类风光荷联合场景方法
CN115496294A (zh) 一种多因素下集中式光伏电站内的光伏板部署优化方法
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法

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