CN117748495A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117748495A CN117748495A CN202311806989.0A CN202311806989A CN117748495A CN 117748495 A CN117748495 A CN 117748495A CN 202311806989 A CN202311806989 A CN 202311806989A CN 117748495 A CN117748495 A CN 117748495A
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- layer
- data
- residual neural
- 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 56
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000010248 power generation Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 8
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 28
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011423 initialization method Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 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
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,包括以下步骤:1、收集光伏发电站的历史发电功率及气象数据;2、进行数据清理和预处理;3、利用时间序列分析法进行特征提取并使用皮尔逊相关性分析法微相关分析;4、构建残差神经网络模型;5、利用定时间窗滑动提取特征矩阵,作为模型输入;6、初始化残差神经网络的参数;7、将数据输入至残差神经网络模型进行训练,模型输出预测结果;8、利用MSE损失函数计算预测损失,根据损失使用反向传播算法求解模型梯度,采用Adam优化器更新模型参数;9、保存残差神经网络参数;10、将待预测日的数据作为输入,得到光伏短期发电功率的预测结果。能够捕获各项特征时序间内在联系。
Description
技术领域
本发明涉及光伏场站短期发电功率预测技术领域,尤其涉及基于残差神经网络的光伏电站短期发电功率预测方法。
背景技术
光伏发电凭借其零碳排放、分布广泛、易获取、永不衰竭的特点,在诸多领域得到了应用。但光伏发电受到天气等复杂因素的影响,这些天气因素的变化往往不易准确预测,尤其是在较长时间尺度上,且光伏组件的性能会随着时间的推移而衰减,并受到环境因素、污染和机械磨损等影响。我国太阳能资源十分丰富,提高光伏短期发电功率预测精度有助于优化电力***的调度和运行,优化地区的能源结构。
光伏电站发电功率的传统预测主要利用灰色理论、时间序列法和回归分析法等统计学方法,从现有的研究来看,短期及超短期预测有助于电力***调配及运行,中长期预测有利于电站规划及资源评估,保障电力***电量平衡,在宏观层面提高光电消纳。
经检索,申请号CN107358323A的中国专利,公开了一种短期光伏发电的功率预测方法,其提出现有发电功率预测中,在没有气温、降雨、湿度等气象数据,只有辐照度与光伏发电功率,数据具有毛刺性、多源性的光伏预测问题。
申请号CN111369045A的中国专利,公开了一种短期光伏发电功率预测的方法,其提出现有的光伏电站输出功率的超短期预测精度还未达到令人满意的程度的问题,并公开了基于pca-stacking的超短期光伏预测的技术手段。
然而,光伏电站短期发电功率预测模型仍有较大提升空间,需要在光伏电站短期时间尺度功率宏观波动特性分类与研究的基础上进一步提高模型预测能力。因此,如何精确预测多因素导致的多种波动特性下的光伏发电功率是短期光伏发电功率预测的主要难点。
残差神经网络模型通过引入残差连接来克服传统深层网络在训练过程中的梯度消失和梯度***问题。残差神经网络模型通过引入残差连接,充分利用局部相关特征,并且可以捕捉到序列数据中的长期依赖关系。由于残差连接的存在,信息可以直接在不同层之间进行传递,从而允许网络学习到更复杂的序列模式。这种特性使得残差神经网络在处理序列数据时具有优势,能够更好地捕获序列中的长期依赖关系和上下文信息。由于用于主要用来预测光伏发电功率的特征向量是相对独立的时间序列特征,如温度、湿度、太阳辐照度、天气波动变量等,因此较难描述各项特征时序间的内在联系。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的基于残差神经网络的光伏电站短期发电功率预测方法。
为了实现上述目的,本发明采用了如下技术方案:
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,提出了考虑短期光伏电站历史气象波动特性并结合其他相关特征序列以及历史光伏发电功率;
该方法包括以下步骤:
S1:收集光伏发电站的历史数据,包括光伏发电功率数据以及与之相关的气象数据,如太阳辐射强度、温度等;
S2:对收集到的原始数据进行数据清理和预处理,包括缺失值处理、异常值处理、平滑处理等,以保证数据的准确性和完整性;
S3:对经过预处理的数据利用时间序列分析法进行特征提取;
S4:使用皮尔逊相关性分析法对天气信息做相关性分析,筛选相关性较大的特征,生成最终的特征矩阵;
S5:将特征矩阵划分为训练集(80%)和测试集(20%);
S6:建立基于残差神经网络的短期光伏发电功率预测模型,初始化残差神经网络权重和偏置,设定最大迭代次数K;
S7:将训练集数据按照时间步长输入至残差神经网络模型进行训练,残差神经网络输入预测结果;
S8:使用MSE函数计算损失,根据损失使用反向传播算法求解模型梯度,采用Adam优化器更新模型参数;
S9:重复S6-S8,直到达到预设迭代次数(k>K),训练终止,保存残差神经网络模型参数;
S10:利用测试集数据对模型进行验证与测试,并根据评估结果对模型进一步优化;
S11:将待预测日的数据作为输入,使用训练完成的残差神经网络模型进行短期光伏发电功率预测,得到光伏短期发电功率的预测结果。
进一步地,在步骤S3-S5中特征值处理的具体步骤如下:
步骤一:利用时间序列分析法提取气象变量波动时序并考虑其他相关特征序列以及历史光伏发电功率建立特征矩阵;
步骤二:对特征矩阵进行缩放和归一化,以确保不同特征之间的数值范围一致;
步骤三:利用皮尔逊相关性分析法对天气信息做相关性分析,计算公式如(1)所示,筛选相关性较大的特征,生成最终的特征矩阵;
式中:N为变量个数;x和y为计算相关性的两个变量。
进一步地,在步骤S6中残差神经网络模型的结构具体包括卷积神经网络和残差神经网络;
其中:
对于卷积神经网络:
对于一个尺寸(x,y)的输入数据来说,经过大小为(h,w)后,数据尺寸的压缩过程如公式(2)-(3)所示
式中:x'、y'为调整后的参数;x、y是原始输入数据尺寸;h与w为卷积核大小;s为步长,其中:
池化层能够放缩特征尺寸,以筛选出重要的特征,全连接层则可以对输出的特征进行分类。
将历史的天气特征与历史功率特征进行卷积操作,得到新的输入,其包含多个历史数据,卷积层的前向传递过程如公式(4)所示:
式中:Ci为卷积单元第i层的输入;Ci-1为卷积单元第i-1层的输入;Wi为卷积单元第i层网络的权重;bi为卷积单元第i层网络的偏置;
对于残差神经网络:
残差神经网络采用残差块堆叠的设计,每个残差块里为双通道的3×3卷积层,每个卷积层后接一个批量归一化层和ReLU激活函数;
由于残差连接的存在,输入数据可以不经过卷积层直接到达最后输出,其中,输出与输入通道形状都相同的两个卷积层才进行相加;
当输入和输出通道不同时,则引入一个额外的1×1卷积层进行一维卷积操作来将输入进行升降维操作,变换成所需的形状后进行残差求和运算,其中:
残差网络的前向传递过程如公式(5)-(6)所示
yl=h(xl)+F(xl,Wl) (5)
xl+1=f(yl) (6)
式中:h是直接映射函数;f是激活函数,即ReLU;xl为模型中第l层的输入;F为模型中第l层的卷积层;Wl为模型中第l层卷积层的权重;xl+1为模型中第l+1层的输入;
残差神经网络模型的输入与输出的关系如公式(7)所示:
xl+1=xl+F(xl,Wl) (7)
反向传播过程可以使用复合导数的链式求导法则表示,即损失函数ε对xl的梯度如公式(8)所示:
进一步地,训练残差神经网络模型的具体步骤包括:
步骤一:初始化残差神经网络模型的参数;
步骤二:利用定时间窗滑动提取训练集的特征矩阵,作为模型的输入;
步骤三:由最后一个残差块输出的特征矩阵经过最大池化层降维、再经过全连接层,全连接层位于整个模型的最后,对输出的特征进行分类输出初步的预测结果;
步骤四:利用MSE损失函数计算预测值与真实值之间的误差,利用反向传播算法来计算损失函数对模型参数的梯度,使用Adam优化器优化更新网络模型参数。
进一步地,步骤一中初始化残差神经网络结构参数的具体步骤如下:
利用He初始化法初始化权重,利用零初始化法初始化偏置。使用高斯分布初始化卷积层、跳跃连接和全连接层的权重,将卷积层、全连接层的偏置项初始化为0,将批量归一化层的缩放因子初始化为1,偏置项初始化为0。
进一步地,步骤四中的具体内容如下:
在损失函数中:
均方根误差公式(9)所示:
式中:ypre.i为第i组数据的预测值;ytru.i为第i组数据的真实值;n为数据总组数;
在Adam优化器中:
Adam算法将指数移动平均与自适应梯度下降算法结合,随机梯度下降通过单一的学习率来更新所有的权重,对不同参数自动调整学习率。
进一步地,步骤S8的优化方法包括:
1)利用正则化技术来控制模型的复杂度,以避免过拟合;
2)引入Dropout层,可以降低神经元与神经元之间的过度依赖,并能增加网络模型的鲁棒性及其泛化能力;
3)引入批量归一化层,可以缩短训练模型的时间,并增加模型的可收敛性。
相比于现有技术,本发明的有益效果在于:
(1)本发明方法考虑了气象变量并考虑其他相关特征序列以及历史光伏发电功率,进而考虑光伏电站短期发电功率宏观波动特性;
(2)提出改进残差神经网络预测模型,该模型综合考虑了气象变量并考虑其他相关特征序列以及历史光伏发电功率时序建立特征矩阵,引入了正则化技术,并引入Dropout层,可以降低神经元与神经元之间的过度依赖,并能增加网络模型的鲁棒性及其泛化能力,并且引入批量归一化层,可以缩短训练模型的时间,并增加模型的可收敛性。另外,利用Adam优化器更新模型参数,可提高效率,且更适用于大规模数据及参数的场景。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明实施例中的CNN结构简图;
图2为本发明实施例中的残差块单元结构;
图3为本发明实施例中的ResNet-18模型;
图4:(图4a、图4b、图4c)为本发明实施例中的三个场站的实际功率与预测功率对比图;
图5为本发明实施例中的基于残差神经网络的光伏电站短期发电功率预测方法的逻辑示意图。
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。
参照图1-5,基于残差神经网络的光伏电站短期发电功率预测方法,该方法包括下列步骤:
S1:收集光伏发电站的历史数据,包括光伏发电功率数据以及与之相关的气象数据,如太阳辐射强度、温度等;
S2:对收集到的原始数据进行数据清理和预处理,包括缺失值处理、异常值处理、平滑处理等,以保证数据的准确性和完整性;
S3:对经过预处理的数据利用时间序列分析法进行特征提取;
S4:利用皮尔逊相关性分析法对气象信息做相关性分析,筛选相关性较大的特征,生成最终的特征矩阵;
S5:将特征矩阵划分为训练集(80%)和测试集(20%);
S6:建立基于残差神经网络的光伏短期发电功率预测模型,初始化残差神经网络权重和偏置,设定最大迭代次数K;
S7:将训练集数据按照时间步长输入至残差神经网络模型进行训练,通过残差神经网络输出预测结果;
S8:利用MSE损失函数计算预测损失,根据损失使用反向传播算法求解模型梯度,采用Adam优化器更新模型参数;
S9:重复S6-S8,直到达到预设迭代次数(k>K),训练终止,保存残差神经网路模型参数;
S10:利用测试集数据对模型进行验证与测试,并根据评估结果对模型进一步优化;
S11:将待预测日的数据作为输入,使用训练完成的残差神经网络模型进行短期光伏发电功率预测,得到光伏短期发电功率预测结果。
作为本申请的优选实施例,在步骤S3-S5中特征值处理的具体步骤如下:
步骤一:利用时间序列分析法提取气象变量波动时序并考虑其他相关特征序列以及历史光伏发电功率建立特征矩阵;
步骤二:对特征矩阵进行缩放和归一化,以确保不同特征之间的数值范围一致;
步骤三:利用皮尔逊相关性分析法对天气信息做相关性分析,计算公式如(1)所示,筛选相关性较大的特征,生成最终的特征矩阵;
式中:N为变量个数;x和y为计算相关性的两个变量。
步骤四:将特征矩阵划分为训练集(80%)和测试集(20%)。
作为本申请的优选实施例,在步骤S4中残差神经网络的具体结构如下:
卷积神经网络:
卷积神经网络(CNN)是一种基于卷积操作的深层前馈神经网络。CNN的基本组成包括输入层、卷积层、激活函数、归一化层、池化层、全连接层以及输出层等,其中卷积层是CNN的最重要的层次。而卷积层的核心结构卷积核可以利用卷积操作对数据进行特征提取,并利用反向传播算法更新卷积核参数,当输入数据经过卷积操作后,数据大小将会压缩。具体的,对于一个尺寸(x,y)的输入数据来说,经过大小为(h,w)后,数据尺寸的压缩过程如公式(2)-(3)所示
式中:x'、y'为调整后的参数;x、y是原始输入数据尺寸;h与w为卷积核大小;s为步长。
池化层能够放缩特征尺寸,以筛选出重要的特征。而全连接层则可以对输出的特征进行分类,CNN结构如图1所示。
将历史的天气特征与历史功率特征进行卷积操作,可以得到新的输入,其包含多个历史数据,卷积层的前向传递过程如公式(4)所示:
式中:Ci为卷积单元第i层的输入;Ci-1为卷积单元第i-1层的输入;Wi为卷积单元第i层网络的权重;bi为卷积单元第i层网络的偏置。
残差神经网络:
残差神经网络核心结构为残差块,每个残差块之间使用跳跃连接的连接方式,因此可以缓解由于增加深度带来的梯度消失问题,所以残差神经网络可以利用增加相当的深度来提高准确率。每个残差连接将前一层的输入直接加至当前层的输出上,如图2所示,这种的设计允许信息实现层与层之间的直接传输,使得梯度在网络中的传播更容易,从而可以更好地拟合数据
残差神经网络采用残差块堆叠的设计,每个残差块里为双通道的3×3卷积层。每个卷积层后接一个批量归一化层和ReLU激活函数。由于残差连接的存在,输入数据可以不经过卷积层直接到达最后输出。因此需要输出与输入通道形状都相同的两个卷积层才可以相加。当输入和输出通道不同时,则需引入一个额外的1×1卷积层进行一维卷积操作来将输入进行升降维操作,变换成所需的形状后才能进行残差求和运算。残差块单元结构如图2所示。
残差网络的前向传递过程如公式(5)-(6)所示
yl=h(xl)+F(xl,Wl) (5)
xl+1=f(yl) (6)
式中:h是直接映射函数;f是激活函数,即ReLU;xl为模型中第l层的输入;F为模型中第l层的卷积层;Wl为模型中第l层卷积层的权重;xl+1为模型中第l+1层的输入;
因此,残差神经网络模型的输入与输出的关系如公式(7)所示:
xl+1=xl+F(xl,Wl) (7)
反向传播过程可以使用复合导数的链式求导法则表示,即损失函数ε对xl的梯度如公式(8)所示:
训练过程中,由于不等于-1,由上式可知/>,因此解决了梯度消失的问题。
作为本申请的另一优选实施例,训练残差神经网络模型的具体步骤包括:
步骤一:初始化残差神经网络模型的参数;
步骤二:利用定时间窗滑动提取训练集的特征矩阵,作为模型的输入;
步骤三:由最后一个残差块输出的特征矩阵经过最大池化层降维、再经过全连接层,全连接层位于整个模型的最后,对输出的特征进行分类输出初步的预测结果;
步骤四:利用MSE损失函数计算预测值与真实值之间的误差,利用反向传播算法来计算损失函数对模型参数的梯度,使用Adam优化器优化更新网络模型参数。
作为本申请的另一优选实施例,,步骤一中初始化残差神经网络结构参数的具体步骤如下:
利用He初始化法初始化权重,利用零初始化法初始化偏置。使用高斯分布初始化卷积层、跳跃连接和全连接层的权重,将卷积层、全连接层的偏置项初始化为0,将批量归一化层的缩放因子初始化为1,偏置项初始化为0。
作为本申请的优选实施例,步骤四中的具体内容如下:
损失函数:
均方根误差(MSE)是预测问题常用的误差,它是预测数据与原始真实数据对应点的误差值平方和的均值,如公式(9)所示:
式中:ypre.i为第i组数据的预测值;ytru.i为第i组数据的真实值;n为数据总组数。
Adam优化器:
Adam算法将指数移动平均(RMSProp)与自适应梯度下降算法(AdaGrad)结合。随机梯度下降通过单一的学习率来更新所有的权重,与其不同的是Adam综合考虑梯度的一阶矩估计和二阶矩估计,对不同参数自动调整学习率。计算高效,适合应用于大规模的数据及参数的场景。
在本申请的具体实施例中,步骤S8的优化方法包括:
1)利用正则化技术来控制模型的复杂度,以避免过拟合
2)引入Dropout层,可以降低神经元与神经元之间的过度依赖,并能增加网络模型的鲁棒性及其泛化能力。
3)引入批量归一化层,可以缩短训练模型的时间,并增加模型的可收敛性。
为了更好的理解本申请的技术方案,以下结合具体实施例的步骤进一步说明。
上述技术方案,本实施例具体步骤如下:
S1:收集三个场站光伏运行的典型时间序列数据,包括光伏发电站的实际功率;10米、30米、50米、70米、80米、90米、110米风向、风速及温度;湿度;太阳辐射强度;气压等相关的气象数据,表1-2所示为本实例部分原始数据;
10米风向 | 90米风向 | 10米风速 | 90米风速 | 10米温度 |
116.96 | 122.48 | 2.02 | 3.36 | 3.31 |
117.99 | 123.88 | 2.03 | 3.33 | 3.38 |
119.21 | 125.33 | 2.04 | 3.31 | 3.45 |
120.65 | 126.84 | 2.06 | 3.30 | 3.52 |
122.31 | 128.45 | 2.09 | 3.29 | 3.60 |
124.22 | 130.16 | 2.12 | 3.29 | 3.69 |
126.26 | 131.89 | 2.17 | 3.29 | 3.77 |
表1
实际功率 | 气压 | 湿度 | 辐射 |
0.87 | 860.70 | 55.22 | 2.23 |
1.15 | 860.75 | 55.54 | 4.72 |
1.53 | 860.80 | 55.90 | 12.82 |
2.23 | 860.85 | 56.33 | 26.30 |
3.08 | 860.90 | 56.82 | 48.01 |
4.5 | 860.96 | 57.38 | 71.75 |
5.99 | 861.01 | 58.03 | 96.39 |
表2
S2:数据预处理:以96个数据为一个样本点,计算可创建样本数,然后按照序列长度提取数据。96个样本对应的目标生成目标序列,其中每个样本的特征生成特征序列,使用归一化进行数据处理,如公式(10)所示,
式中:x为每一个特征的元素;min为特征最小值;max为特征最大值。
表3-4所示为本实例部分预处理后的数据;
表3
实际功率 | 气压 | 湿度 | 辐射 |
0.01050 | 0.023241 | 0.34638 | 0.01176 |
0.07224 | 0.02335 | 0.34477 | 0.03629 |
0.15205 | 0.02345 | 0.34320 | 0.07406 |
0.20000 | 0.02356 | 0.34161 | 0.11830 |
0.24899 | 0.02361 | 0.34050 | 0.16274 |
0.42610 | 0.02364 | 0.33995 | 0.20621 |
0.53575 | 0.02363 | 0.33999 | 0.24767 |
表4
S3:读取本地数据集,转换数据为numy数组格式,定义序列长度为96,按照8:2的比例划分数据为训练集和测试集,并实例化训练集和测试集的数据集对象和数据加载对象,定义批量大小为64,分别将训练集和测试集封装;
S4:定义ResNet-18模型:
将输入通道数设置为实际的输入数据通道数,定义一个残差块的结构为:输入层、3×3卷积层、归一化层、ReLU激活函数、3×3卷积层、归一化层、ReLU激活函数、输出层;
ResNet-18模型中有18个卷积层,如图3所示(未加批量归一化层和池化层)。
S5:定义模型输入和输出结构:
输入序列为96,卷积层尺寸为25,输出序列为96,随机生成示例输入数据;
S6:初始化ResNet-18模型,输出模型结构,将训练集数据按照时间步长输入至残差神经网络模型进行训练,通过残差神经网络输出预测结果;
S8:利用MSE损失函数计算预测损失,根据损失使用反向传播算法求解模型梯度,采用Adam优化器更新模型参数;
S9:绘制预测功率曲线并保存图像。
本实施例中,实际功率与预测功率对比图如图4(图4a、图4b、图4c)所示
由上述可知:
本方法提出了一种改进残差神经网络算法,利用时间序列分析法提取气象变量波动时序并考虑其他相关特征序列以及历史光伏发电功率时序建立特征矩阵。对特征矩阵进行缩放和归一化,以确保不同特征之间的数值范围一致,并利用皮尔逊相关性分析法对气象信息做相关性分析,筛选相关性较大的特征,生成最终的特征矩阵,之后将特征矩阵划分为训练集(80%)和测试集(20%)。初始化残差神经网络的参数,利用He初始化法初始化权重,利用零初始化法初始化偏置,使用高斯分布初始化卷积层、跳跃连接和全连接层的权重,将卷积层、全连接层的偏置项初始化为0,将批量归一化层的缩放因子初始化为1,偏置项初始化为0,利用定时间窗滑动截取训练集的特征矩阵,作为模型的输入,由最后一个残差块输出的特征矩阵经过最大池化层降维、再经过全连接层输出特征向量,得到初步预测结果,再利用MSE损失函数计算预测值与真实值之间的误差,根据误差损失通过反向传播算法求解模型梯度,利用Adam优化器优化更新网络模型参数。将待测日的特征矩阵输入到改进的残差神经网络模型中得到光伏发电功率预测值。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于残差神经网络的光伏电站短期发电功率预测方法,其特征在于,该方法包括下列步骤:
S1:收集光伏发电站的历史数据,包括光伏发电功率数据以及与之相关的气象数据,如太阳辐射强度、温度等;
S2:对收集到的原始数据进行数据清理和预处理,包括缺失值处理、异常值处理、平滑处理等,以保证数据的准确性和完整性;
S3:对经过预处理的数据利用时间序列分析法进行特征提取;
S4:利用皮尔逊相关性分析法对气象信息做相关性分析,筛选相关性较大的特征,生成最终的特征矩阵;
S5:将特征矩阵划分为训练集和测试集;
S6:建立基于残差神经网络的光伏短期发电功率预测模型,初始化残差神经网络权重和偏置,设定最大迭代次数K;
S7:将训练集数据按照时间步长输入至残差神经网络模型进行训练,通过残差神经网络输出预测结果;
S8:利用MSE损失函数计算预测损失,根据损失使用反向传播算法求解模型梯度,采用Adam优化器更新模型参数;
S9:重复S6-S8,直到达到预设迭代次数,训练终止,保存残差神经网路模型参数;
S10:利用测试集数据对模型进行验证与测试,并根据评估结果对模型进一步优化;
S11:将待预测日的数据作为输入,使用训练完成的残差神经网络模型进行短期光伏发电功率预测,得到光伏短期发电功率预测结果。
2.根据权利要求1所述的基于残差神经网络的光伏电站短期发电功率预测方法,其特征在于,在步骤S3-S5中特征值处理的具体步骤如下:
步骤一:利用时间序列分析法提取气象变量波动时序并考虑其他相关特征序列以及历史光伏发电功率建立特征矩阵;
步骤二:对特征矩阵进行缩放和归一化,以确保不同特征之间的数值范围一致;
步骤三:利用皮尔逊相关性分析法对天气信息做相关性分析,计算公式如(1)所示,筛选相关性较大的特征,生成最终的特征矩阵;
式中:N为变量个数;x和y为计算相关性的两个变量。
3.根据权利要求1所述的基于残差神经网络的光伏电站短期发电功率预测方法,其特征在于,在步骤S6中残差神经网络模型的结构具体包括卷积神经网络和残差神经网络;
其中:
对于卷积神经网络:
对于一个尺寸(x,y)的输入数据来说,经过大小为(h,w)后,数据尺寸的压缩过程如公式(2)-(3)所示
式中:x'、y'为调整后的参数;x、y是原始输入数据尺寸;h与w为卷积核大小;s为步长,其中:
池化层能够放缩特征尺寸,以筛选出重要的特征,全连接层则可以对输出的特征进行分类;
将历史的天气特征与历史功率特征进行卷积操作,得到新的输入,其包含多个历史数据,卷积层的前向传递过程如公式(4)所示:
式中:Ci为卷积单元第i层的输入;Ci-1为卷积单元第i-1层的输入;Wi为卷积单元第i层网络的权重;bi为卷积单元第i层网络的偏置;
对于残差神经网络:
残差神经网络采用残差块堆叠的设计,每个残差块里为双通道的3×3卷积层,每个卷积层后接一个批量归一化层和ReLU激活函数;
由于残差连接的存在,输入数据可以不经过卷积层直接到达最后输出,其中,输出与输入通道形状都相同的两个卷积层才进行相加;
当输入和输出通道不同时,则引入一个额外的1×1卷积层进行一维卷积操作来将输入进行升降维操作,变换成所需的形状后进行残差求和运算,其中:
残差网络的前向传递过程如公式(5)-(6)所示
yl=h(xl)+F(xl,Wl) (5)
xl+1=f(yl) (6)
式中:h是直接映射函数;f是激活函数,即ReLU;xl为模型中第l层的输入;F为模型中第l层的卷积层;Wl为模型中第l层卷积层的权重;xl+1为模型中第l+1层的输入;
残差神经网络模型的输入与输出的关系如公式(7)所示:
xl+1=xl+F(xl,Wl) (7)
反向传播过程可以使用复合导数的链式求导法则表示,即损失函数ε对xl的梯度如公式(8)所示:
4.根据权利要求1所述的基于残差神经网络的光伏电站短期发电功率预测方法,其特征在于,训练残差神经网络模型的具体步骤包括:
步骤一:初始化残差神经网络模型的参数;
步骤二:利用定时间窗滑动提取训练集的特征矩阵,作为模型的输入;
步骤三:由最后一个残差块输出的特征矩阵经过最大池化层降维、再经过全连接层,全连接层位于整个模型的最后,对输出的特征进行分类输出初步的预测结果;
步骤四:利用MSE损失函数计算预测值与真实值之间的误差,利用反向传播算法来计算损失函数对模型参数的梯度,使用Adam优化器优化更新网络模型参数。
5.根据权利要求4所述的基于残差神经网络的光伏电站短期发电功率预测方法,其特征在于,步骤一中初始化残差神经网络结构参数的具体步骤如下:
利用He初始化法初始化权重,利用零初始化法初始化偏置,使用高斯分布初始化卷积层、跳跃连接和全连接层的权重,将卷积层、全连接层的偏置项初始化为0,将批量归一化层的缩放因子初始化为1,偏置项初始化为0。
6.根据权利要求4所述的基于残差神经网络的光伏电站短期发电功率预测方法,其特征在于,步骤四中的具体内容如下:
在损失函数中:
均方根误差公式(9)所示:
式中:ypre.i为第i组数据的预测值;ytru.i为第i组数据的真实值;n为数据总组数;
在Adam优化器中:
Adam算法将指数移动平均与自适应梯度下降算法结合,随机梯度下降通过单一的学习率来更新所有的权重,对不同参数自动调整学习率。
7.根据权利要求1或6所述的基于残差神经网络的光伏电站短期发电功率预测方法,其特征在于,步骤S8的优化方法包括:
1)利用正则化技术来控制模型的复杂度,以避免过拟合;
2)引入Dropout层,可以降低神经元与神经元之间的过度依赖,并能增加网络模型的鲁棒性及其泛化能力;
3)引入批量归一化层,可以缩短训练模型的时间,并增加模型的可收敛性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311806989.0A CN117748495A (zh) | 2023-12-25 | 2023-12-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311806989.0A CN117748495A (zh) | 2023-12-25 | 2023-12-25 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117748495A true CN117748495A (zh) | 2024-03-22 |
Family
ID=90257497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311806989.0A Pending CN117748495A (zh) | 2023-12-25 | 2023-12-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117748495A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993519A (zh) * | 2024-04-03 | 2024-05-07 | 长江三峡集团实业发展(北京)有限公司 | 光伏发电站功率预测模型的训练、预测方法及装置 |
CN118014041A (zh) * | 2024-04-10 | 2024-05-10 | 国网山东省电力公司蒙阴县供电公司 | 一种电力设备能耗预测模型的训练方法及装置 |
-
2023
- 2023-12-25 CN CN202311806989.0A patent/CN117748495A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993519A (zh) * | 2024-04-03 | 2024-05-07 | 长江三峡集团实业发展(北京)有限公司 | 光伏发电站功率预测模型的训练、预测方法及装置 |
CN117993519B (zh) * | 2024-04-03 | 2024-06-11 | 长江三峡集团实业发展(北京)有限公司 | 光伏发电站功率预测模型的训练、预测方法及装置 |
CN118014041A (zh) * | 2024-04-10 | 2024-05-10 | 国网山东省电力公司蒙阴县供电公司 | 一种电力设备能耗预测模型的训练方法及装置 |
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 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及*** | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
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 | |
CN110070228B (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
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 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN113487064A (zh) | 基于主成分分析和改进lstm的光伏功率预测方法及*** | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN113627674A (zh) | 一种分布式光伏电站出力预测方法、装置及存储介质 | |
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*** | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN116578551A (zh) | 一种基于gru-gan的电网数据修复方法 | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN110782013A (zh) | 一种基于广义互熵自编码器的火电厂NOx排放量预测方法 | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 |
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 |