公开/公告号CN112633572A
专利类型发明专利
公开/公告日2021-04-09
原文格式PDF
申请/专利权人 国网甘肃省电力公司电力科学研究院;国网甘肃省电力公司;
申请/专利号CN202011521577.9
申请日2020-12-21
分类号G06Q10/04(20120101);G06Q50/06(20120101);G06K9/62(20060101);G06N3/04(20060101);
代理机构11833 北京化育知识产权代理有限公司;
代理人涂琪顺
地址 730070 甘肃省兰州市安宁区万新路249号
入库时间 2023-06-19 10:32:14
技术领域
本发明主要涉及光伏发电输出预测的技术领域,具体为一种基于 预测气象数据的日分类双模型光伏发电组合预测法。
背景技术
一直以来,科学技术的飞速发展为人们带来许多便利的同时,也 在导致能源的不断消耗。一些科学家认为,能源问题可能成为本世纪 人类面临的最严重的问题。因此近年来,新能源尤其是太阳能的使用 得到了广泛的研究,太阳能资源丰富,各国都在迅速发展光伏发电的 相关技术,我国的光伏发电产业也在不断地发展,并且取得了令人瞩 目的成就。但是光伏发电系统的输出功率受到外界众多因素的影响, 如辐照度、温度等气象因素,还受到云的遮挡、雾霾等极端天气的影 响。同时,它也受各种内部因素的影响,例如光伏组件型号、质量以 及太阳能电池组件的倾斜角度等。研究表明,如果太阳能发电厂的装 机功率超过电网的15%,那么太阳能发电的波动就可能会使电网瘫痪。 因此,光伏电站投入使用后,大规模、高容量的并网安全保护问题将 是一个巨大的挑战,所以为光伏装置提供准确的短期预测就成为了将 光伏装置安全集成到现有电网中的关键因素。
发明内容
本发明主要提供了一种基于预测气象数据的日分类双模型光伏 发电组合预测法,用以解决上述背景技术中提出的技术问题。
本发明解决上述技术问题采用的技术方案为:
一种基于预测气象数据的日分类双模型光伏发电组合预测法,包 括K-means聚类算法,所述K-means聚类算法包括以下算法步骤:
步骤一:随机选取K个对象作为初始的聚类中心,即我们希望将 数据集经过聚类得到k个集合。x
步骤二:计算每个对象与各个种子聚类中心之间的距离,把每个 对象分配给距离它最近的聚类中心,Cluster
Cluster
步骤三:聚类中心以及分配给它们的对象就代表一个聚类,每分 配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算;
步骤四:不断重复以上步骤直到满足某个终止条件,终止条件可 以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最 小数目)聚类中心再发生变化,误差平方和局部最小。
进一步的,所述K-means聚类算法结合天气数据对进行分类,然 后对温度和辐照度进行预测,并且使用这两个预测的天气因素来对预 测时段进行归类;归类后对于不同日类型的数据选用不同的预测模型 进行训练预测,对于光伏输出功率波动较大的类型使用小波分解后选 择ARIMA模型进行预测;对于光伏输出功率波动幅度较小的类型使用 EMD分解后选择用SA优化后的DBN网络进行预测,以得到更加准确 的预测值。
进一步的,一种基于预测气象数据的日分类双模型光伏发电组合 预测法,所述K-means聚类算法分类后可以得到几个聚类中心和聚类 下的所有数据,在多维度天气数据中,通过辐照度和温度基本可以锁 定某时段的类型,所以通过预测出的辐照度值R
进一步的,一种基于预测气象数据的日分类双模型光伏发电组合 预测法,所述EMD算法步骤:
步骤一:找到原始信号所有的极值点后,拟合出极值点的包络线 并求出包络线的均值;
步骤二:用原始信号减去包络线均值并判断结果是否为IMF,若 不是,则用结果替代原始信号并且重复之前的步骤,直到求出满足判 据的IMF;
步骤三:每得到一阶IMF后,就将其从原始信号中扣除,重复求 IMF的步骤直到最后剩余部分r为单调序列或常值序列。
进一步的,一种基于预测气象数据的日分类双模型光伏发电组合预测 法,所述SA包括Metropolis算法和退火算法,所述Metropolis算 法以一定的概率来接受一个比当前解要差的解,因此有可能会跳出这 个局部的最优解,达到全局的最优解,即当E(n+1)≥E(n)能量 上升而没有下降时,当前解会被拒绝,即P=0,但是Metropolis算 法会以
进一步的,一种基于预测气象数据的日分类双模型光伏发电组合 预测法,所述DBN以3层隐藏层结构的DBN-DNN为例,网络一共由3 个受限玻尔兹曼机(RBM)单元堆叠而成,其中RBM一共有两层,上 层为隐层,下层为显层,堆叠成DNN的时,前一个RBM的输出层(隐 层)作为下一个RBM单元的输入层(显层),依次堆叠,便构成了基 本的DBN结构,最后再添加一层输出层,最终构成的DBN-DNN结构。
进一步的,一种基于预测气象数据的日分类双模型光伏发电组合 预测法,所述ARIMA由三部分组成:即自回归部分(AR)、移动平均 部分(MA)和差分部分,因此包含三个阶数,可以表示为ARIMA(p,d,q), p代表预测模型中采用的时序数据本身的滞后数(lags),也叫做 AR/Auto-Regressive项,q代表预测模型中采用的预测误差的滞后数 (lags),也叫做MA/Moving Average项,d代表时序数据需要进行几 阶差分化,才是稳定的,也叫Integrated项,
p阶自回归过程的公式定义:
q阶自回归过程的公式定义:
其中y
d就是差分的阶数,首先通过ADF检验,看原时间序列的平稳性, 如果原时间序列是平稳的,那么d=0,通过ADF检验直到时间序列平 稳。
与现有技术相比,本发明的有益效果为:
本发明通过K-means聚类法分类后的数据的预测效果会优于分 类前,所以使用EDM-SA-DBN时序模型对这辐照度、温度天气因素进 行预测,并且使用这两个预测的天气因素来对待预测时段进行归类; 然后对于光伏输出波动幅度大的类型使用小波分解-ARIMA模型进行 预测;对光伏输出功率波动幅度小的类型使用EDM-SA-DBN模型进行 预测,能有效得到评估模型的预测效果。
以下将结合附图与具体的实施例对本发明进行详细的解释说明。
附图说明
图1为本发明的基于预测气象数据的日分类双模型光伏 发电组合预测法的流程结构示意图;
图2为本发明的K-means聚类算法流程结构示意图;
图3为本发明的模拟退火算法逻辑结构示意图;
图4为本发明的深度置信神经网络(DBN-DNN)结构
3)小波分解-ARIMA预测模型结构示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更加全 面的描述,附图中给出了本发明的若干实施例,但是本发明可以通过 不同的形式来实现,并不限于文本所描述的实施例,相反的,提供这 些实施例是为了使对本发明公开的内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直 接在另一个元件上也可以存在居中的元件,当一个元件被认为是“连 接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在 居中元件,本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发 明的技术领域的技术人员通常连接的含义相同,本文中在本发明的说 明书中所使用的术语知识为了描述具体的实施例的目的,不是旨在于 限制本发明,本文所使用的术语“及/或”包括一个或多个相关的所 列项目的任意的和所有的组合。
请着重参照附图1-4,一种基于预测气象数据的日分类双模型光 伏发电组合预测法,包括K-means聚类算法,所述K-means聚类算法 包括以下算法步骤:
步骤一:随机选取K个对象作为初始的聚类中心,即我们希望将 数据集经过聚类得到k个集合。x
步骤二:计算每个对象与各个种子聚类中心之间的距离,把每个 对象分配给距离它最近的聚类中心,Cluster
Cluster
步骤三:聚类中心以及分配给它们的对象就代表一个聚类,每分 配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算;
步骤四:不断重复以上步骤直到满足某个终止条件,终止条件可 以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最 小数目)聚类中心再发生变化,误差平方和局部最小;所述K-means 聚类算法结合天气数据对进行分类,然后对温度和辐照度进行预测, 并且使用这两个预测的天气因素来对预测时段进行归类;归类后对于 不同日类型的数据选用不同的预测模型进行训练预测,对于光伏输出 功率波动较大的类型使用小波分解后选择ARIMA模型进行预测;对于 光伏输出功率波动幅度较小的类型使用EMD分解后选择用SA优化后 的DBN网络进行预测;所述K-means聚类算法分类后可以得到几个聚 类中心和聚类下的所有数据,在多维度天气数据中,通过辐照度和温 度基本可以锁定某时段的类型所以通过预测出的辐照度值R
步骤一:找到原始信号所有的极值点后,拟合出极值点的包络线 并求出包络线的均值;
步骤二:用原始信号减去包络线均值并判断结果是否为IMF,若 不是,则用结果替代原始信号并且重复之前的步骤,直到求出满足判 据的IMF;
步骤三:每得到一阶IMF后,就将其从原始信号中扣除,重复求 IMF的步骤直到最后剩余部分r为单调序列或常值序列;
所述SA包括Metropolis算法和退火算法,所述Metropolis算 法以一定的概率来接受一个比当前解要差的解,因此有可能会跳出这 个局部的最优解,达到全局的最优解,即当E(n+1)≥E(n)能量 上升而没有下降时,当前解会被拒绝,即P=0,但是Metropolis算法会以
所述DBN以3层隐藏层结构的DBN-DNN为例,网络一共由3个受 限玻尔兹曼机(RBM)单元堆叠而成,其中RBM一共有两层,上层为 隐层,下层为显层,堆叠成DNN的时,前一个RBM的输出层(隐层) 作为下一个RBM单元的输入层(显层),依次堆叠,便构成了基本的 DBN结构,最后再添加一层输出层;所述ARIMA由三部分组成:即自 回归部分(AR)、移动平均部分(MA)和差分部分,因此包含三个阶 数,可以表示为ARIMA(p,d,q),p代表预测模型中采用的时序数据本 身的滞后数(lags),也叫做AR/Auto-Regressive项,q代表预测模 型中采用的预测误差的滞后数(lags),也叫做MA/Moving Average项; d代表时序数据需要进行几阶差分化,才是稳定的,也叫Integrated 项,
p阶自回归过程的公式定义:
q阶自回归过程的公式定义:
其中y
d就是差分的阶数,首先通过ADF检验,看原时间序列的平稳性, 如果原时间序列是平稳的,那么d=0。
上述结合附图对本发明进行了示例性描述,显然本发明具体实现 并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进 行的这种非实质改进,或未经改进将本发明的构思和技术方案直接应 用于其他场合的,均在本发明的保护范围之内。
机译: 一种基于AI的帕金森氏病诊断信息方法,该方法使用机器学习对NIGROSOME-1区域进行分类,并通过多种学习模型对多种预测结果进行分类
机译: 两类分类/预测模型制作方法,计算机可读记录介质分类/预测模型制作程序和两类分类/预测模型制作装置
机译: 两种分类预测模型的生成方法,具有该分类预测模型的生成装置和计算机可读记录介质的程序,两种分类预测模型的生成装置