Nothing Special   »   [go: up one dir, main page]

CN118035728A - 一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法 - Google Patents

一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法 Download PDF

Info

Publication number
CN118035728A
CN118035728A CN202410294163.9A CN202410294163A CN118035728A CN 118035728 A CN118035728 A CN 118035728A CN 202410294163 A CN202410294163 A CN 202410294163A CN 118035728 A CN118035728 A CN 118035728A
Authority
CN
China
Prior art keywords
layer
prediction
photovoltaic power
decomposition
follows
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
CN202410294163.9A
Other languages
English (en)
Inventor
陈船宇
熊国江
方厚康
罗颖勋
刘夜雨
吴晨昊
田博
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.)
Guizhou University Survey Design And Research Institute Co ltd
Guizhou University
Original Assignee
Guizhou University Survey Design And Research Institute Co ltd
Guizhou University
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 Guizhou University Survey Design And Research Institute Co ltd, Guizhou University filed Critical Guizhou University Survey Design And Research Institute Co ltd
Priority to CN202410294163.9A priority Critical patent/CN118035728A/zh
Publication of CN118035728A publication Critical patent/CN118035728A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，主要包括：步骤1、利用最大重叠离散小波变换MODWT算法对光伏功率时间序列进行分解；步骤2、利用自适应噪声完备集合经验模态分解算法对MODWT分解后的分量进行再分解；步骤3、利用斯皮尔曼相关系数将分解得到的分量划分为时序分量和随机分量；步骤4、将时序分量输入门控循环单元进行模型训练和功率预测，同时将随机分量和天气因子输入卷积神经网络进行模型训练和功率预测；步骤5、将各子序列预测值叠加，得到光伏功率点预测结果；步骤6、利用分位数回归基于点预测结果形成置信区间，最终得到光伏功率概率区间预测结果。有益效果在于，解决了现有技术中难以充分挖掘数据内在特征、考虑多因素影响等问题。

Description

一种基于双重信号分解和双网络通道的短期光伏功率集成预 测方法
技术领域
本发明属于光伏发电功率预测技术领域，涉及一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法。
背景技术
光伏发电受天气、季节等影响，具有不稳定性和波动性。传统的预测方法，基于统计模型和物理模型，无法充分考虑光伏发电的动态特性和天气因子的影响，同时受到模型复杂和参数调节的限制，致使预测精度不高。本项目采用集成算法，充分提取数据中蕴含的有效信息，合理构建光伏功率集成预测模型，为电网调度提供决策支持。保障电网安全，保障国计民生，为国家做出贡献。
发明内容
本发明的目的是提供一种基于数据驱动的短期光伏功率集成预测方法，解决了现有光伏功率预测技术中难以融合多源影响因素进行协同预测，以及难以模拟光伏功率时间序列的动态特性等问题。
本发明所采用的技术方案是，一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，具体按照以下步骤实施：
步骤1、利用最大重叠离散小波变换(Maximum Overlapping Discrete WaveletTransform，MODWT)算法对光伏功率时间序列进行分解，得到若干个S分量；
步骤2、利用自适应噪声完备集合经验模态分解(Complete Ensemble EmpiricalMode Decomposition with Adaptive Noise,CEEMDAN)算法对S分量进行再分解，得到若干个分量IMF和残差；
步骤3、利用斯皮尔曼相关系数(Spearman Correlation Coefficient)将分解得到的分量划分为时序分量和随机分量；
步骤4、将时序分量输入门控循环单元(Gated Cycle Unit，GRU)进行模型训练和功率预测，同时将随机分量和天气因子输入卷积神经网络(Convolutional NeuralNetwork Attention，CNNAT)进行模型训练和功率预测；
步骤5、将各子序列预测值叠加，得到光伏功率点预测结果；
步骤6、利用分位数回归基于点预测结果形成置信区间，最终得到光伏功率概率区间预测结果。
本发明的特点还在于：
步骤1具体按照以下实施：
对任意信号采集长度Xn，MODWT把信号分解为log2 N级；同时MODWT变换的第j级小波系数Wj,n和尺度系数Vj,n的定义如下：
式中Lj为第j级滤波器宽度；L为滤波器的宽度；分别为MODWT第j级尺度滤波器和小波滤波器；/>为第L-1-l个高通滤波器和低通滤波器的系数。
步骤2具体按照以下实施：
基于CEEMDAN算法分解若干S分量的步骤如下：
①对MODWT分解后的S分量加入k次白噪声信号后得到待分解序列yn t，n＝1,2,…,k。
②对yn t展开1次经验模态分解获取IMF(Intrinsic Mode Function,IMF)分量，对分解结果处理获得第1阶模态函数IMF1 t,并计算得到第1阶残余项R1(t)＝x(t)-IMF1(t)。
③对第一阶残余项加入噪声，得到R1 t+ε1E1wnt，继续展开经验模态分解。
④依次得到第i阶模式下的IMF分量和残余项为：
Ri(t)＝Ri-1(t)-IMFi t (6)式中：Ei-1·为分解后的第i-1个IMF分量；Ri-1t为第i-1阶残余项；εi-1为白噪声权值系数；ωn t为第n次处理产生的白噪声。
⑤重复第④步直至序列不能进行下一步分解，最终得到所有的IMF分量和残余项，分解步骤结束。
步骤3具体按照以下实施：
利用斯皮尔曼相关系数将数据分为时序分量和随机分量，具体公式如下：
式中，Rt和Rr分别表示时间序列和信号的位次；和/>分别表示时间序列和信号的平均位次。以ρ＝0.003为分界线，ρ≤0.003的数据线性相关性弱，将其存入随机分量，而ρ＞0.003的数据存入时序分量。
步骤4具体按照以下实施：
对时序分量和随机分量的模型训练和功率预测步骤如下：
①利用门控循环单元GRU对时序分量进行模型训练，GRU具有两个门，分别是更新门zt和重置门rt。GRU实质是对LSTM中的遗忘门、输入门两者进行集成，构成一个新的更新门zt，用一个重置门rt替换LSTM中的输出门，决定上一时刻的状态将会有哪些被再次写入到此刻的候选集上，GRU的数学模型为：
rt＝σWr·[ht-1,xt] (8)
zt＝σWz·[ht-1,xt] (9)
式中ht-1为上一时刻的状态变量；ht为当前时刻的状态变量；rt为更新门状态变量；zt为重置门状态变量；为此刻候选集状态；Wr、Wz、W为可训练的权重；σ为sigmoid激活函数；tanh为tanh激活函数。
②利用卷积神经网络CNNAT对随机分量进行模型训练和功率分析，将随机分量输入卷积神经网络经卷积层(Convolutional Layer)提取特征值，将特征值输入池化层(Pooling Layer)，再经数据平铺后传输到完全连接层进而输出。设δI+1是网络中第I+1层的误差项，J(W,b；x,y)为损失函数，其中(W,b)为误差参数，(x,y)是训练数据和标签对。如果第I层是全连接层且直接连接到第I+1层，则第I层的误差：
δ(I)＝((w(I))T(I+1))f′(z(I)) (12)
其参数的梯度式分别为：
如果第一层是卷积层和池化层，则第I层的误差：
式中，k为过滤器的编号，而f′zk l为激活函数的导数。上采样(Up-sample)操作通过计算从输入层到池化层中每个单元的误差将误差传播到池化层。如果使用平均池化层(Average Pooling Layer),则上采样操作仅将单个池化单元的误差均匀地分布到上一层中的池化单元中。如果使用最大池化层(Max Pooling Layer),那么被选为最大值的池化单元会接收到所有误差。
最后，通过边界处理卷积运算得到每个过滤器的梯度，并用翻转卷积层中过滤器的方式同样翻转误差矩阵δk l,参数的梯度式分别为：
式中，ai l表示第I层的输入，表示第I层中第i个输入与第k个过滤器的误差之间的卷积。与其他深度学习模型的架构相比，CNN在数据的特征表示方面具有优越的能力，可以处理网格状拓扑结构数据之间的空间相关性。
步骤5具体按照以下实施：
将各子序列预测值叠加，得到光伏功率预测值，完成预测。
步骤6具体按照以下实施：
利用分位数回归基于点预测结果形成置信区间，要先生成点预测结果，然后利用分位数回归基于点预测结果形成置信区间。不同置信概率下的理想预测区间，可通过选取恰当的分位点计算条件分位数获得。本文基于点预测结果分析其预测的相对误差，建模过程如下：
式中：——预测相对误差；/>——时间t处分位数为q的实际值；/>——时间t处分位数为q的预测值。
的置信区间预测函数定义如下：
式中：M——中位数函数；g——滞后期数；N——逆正态分布函数；q——累积分布值。
在分位数回归过程中，本模型引入滞后期数的概念，滞后期数表示将当前时间点的观测变量或误差项延迟若干个时间步骤之后作为自变量引入模型，通过适当调整滞后期数，可以更好地捕捉数据的短期依赖性，提高模型的预测能力。基于上述推导，可建立分位数回归预测模型：
假设给定的置信概率为m，则选取分位点q＝1-m，记做下分位点和上分位点，再带入上公式中计算出光伏功率的下分位数和上分位数，得出预测区间的下限值和上限值。
本发明的有益效果是：首先利用最大重叠离散小波变换算法对光伏功率时间序列进行分解，得到若干个S分量；利用自适应噪声完备集合经验模态分解算法对S分量进行再分解，得到若干个分量IMF和残差；其中CEEMDAN与MODWT结合使用可以更全面更连续地提取信号的时域和频域信息。利用斯皮尔曼相关系数将分解得到的分量划分为时序分量和随机分量；将时序分量输入门控循环单元进行模型训练和功率预测，同时将随机分量和天气因子输入卷积神经网络进行模型训练和功率预测；将各子序列预测值叠加，得到光伏功率点预测结果；最后利用分位数回归基于点预测结果形成置信区间，最终得到光伏功率概率区间预测结果。其中，GRU模型适用于处理时序数据，并能捕捉序列的长期依赖关系，CNN-Attention模型则适合处理空间特征，通过卷积和注意力机制可以提取空间上的相关特征。将随机分量和天气因子输入CNN-Attention模型能够利用CNN的特征提取和注意力机制的优势，从而丰富特征表示、融合空间和时间信息，并实现多源信息的融合，提高光伏功率预测的准确性。
附图说明
图1是本发明一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法中GRU神经网络结构图。
图2是本发明一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法中CNN-Attention神经网络结构图。
图3是本发明一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法中系统总体流程图。
图4是本发明一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法中皮尔逊相关性分析图。
图5是本发明一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法中MODWT分解图。
图6是本发明一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法中MODWT-CEEMDAN分解图。
图7是本发明一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法中的区间预测结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，具体按照以下步骤实施：
步骤1具体按照以下实施：
对任意信号采集长度Xn，MODWT把信号分解为log2 N级；同时MODWT变换的第j级小波系数Wj,n和尺度系数Vj,n的定义如下：
式中Lj为第j级滤波器宽度；L为滤波器的宽度；分别为MODWT第j级尺度滤波器和小波滤波器；/>为第L-1-l个高通滤波器和低通滤波器的系数。
步骤2具体按照以下实施：
基于CEEMDAN算法分解若干S分量的步骤如下：
①对MODWT分解后的S分量加入k次白噪声信号后得到待分解序列ynt，n＝1,2,…,k。
②对yn t展开1次经验模态分解获取IMF(Intrinsic Mode Function,IMF)分量，对分解结果处理获得第1阶模态函数IMF1t,并计算得到第1阶残余项R1(t)＝x(t)-IMF1(t)。
③对第一阶残余项加入噪声，得到R1t+ε1E1ωnt，继续展开经验模态分解。
④依次得到第i阶模式下的IMF分量和残余项为
Ri(t)＝Ri-1(t)-IMFi t (6)式中：Ei-1·为分解后的第i-1个IMF分量；Ri-1t为第i-1阶残余项；εi-1为白噪声权值系数；ωnt为第n次处理产生的白噪声。
⑤重复第④步直至序列不能进行下一步分解，最终得到所有的IMF分量和残余项，分解步骤结束。
步骤3具体按照以下实施：
利用斯皮尔曼相关系数将数据分为时序分量和随机分量，具体公式如下：
式中，Rt和Rr分别表示时间序列和信号的位次；和/>分别表示时间序列和信号的平均位次。以ρ＝0.003为分界线，ρ≤0.003的数据线性相关性弱，将其存入随机分量，而ρ＞0.003的数据存入时序分量。
步骤4具体按照以下实施：
对时序分量和随机分量的模型训练和功率预测步骤如下：
①利用门控循环单元GRU对时序分量进行模型训练，GRU具有两个门，分别是更新门zt和重置门rt。GRU实质是对LSTM中的遗忘门、输入门两者进行集成，构成一个新的更新门zt，用一个重置门rt替换LSTM中的输出门，决定上一时刻的状态将会有哪些被再次写入到此刻的候选集上，GRU的数学模型为：
rt＝σWr·[ht-1,xt] (8)
zt＝σWz·[ht-1,xt] (9)
式中ht-1为上一时刻的状态变量；ht为当前时刻的状态变量；rt为更新门状态变量；zt为重置门状态变量；为此刻候选集状态；Wr、Wz、W、为可训练的权重；σ为sigmoid激活函数；tanh为tanh激活函数。
②利用卷积神经网络CNNAT对随机分量进行模型训练和功率分析，将随机分量输入卷积神经网络经卷积层(Convolutional Layer)提取特征值，将特征值输入池化层(Pooling Layer)，再经数据平铺后传输到完全连接层进而输出。设δI+1是网络中第I+1层的误差项，J(W,b；x,y)为损失函数，其中(W,b)为误差参数，(x,y)是训练数据和标签对。如果第I层是全连接层且直接连接到第I+1层，则第I层的误差：
δ(I)＝((w(I))T(I+1))f(z(I)) (12)
其参数的梯度式分别为：
如果第一层是卷积层和池化层，则第I层的误差：
式中，k为过滤器的编号，而f′zk l为激活函数的导数。上采样(Up-sample)操作通过计算从输入层到池化层中每个单元的误差将误差传播到池化层。如果使用平均池化层(Average Pooling Layer),则上采样操作仅将单个池化单元的误差均匀地分布到上一层中的池化单元中。如果使用最大池化层(Max Pooling Layer),那么被选为最大值的池化单元会接收到所有误差。
最后，通过边界处理卷积运算得到每个过滤器的梯度，并用翻转卷积层中过滤器的方式同样翻转误差矩阵δk l,参数的梯度式分别为：
式中，ai l表示第I层的输入，表示第I层中第i个输入与第k个过滤器的误差之间的卷积。与其他深度学习模型的架构相比，CNN在数据的特征表示方面具有优越的能力，可以处理网格状拓扑结构数据之间的空间相关性。
步骤5具体按照以下实施：
将各子序列预测值叠加，得到光伏功率预测值，完成预测。
步骤6具体按照以下实施：
利用分位数回归基于点预测结果形成置信区间，要先生成点预测结果，然后利用分位数回归基于点预测结果形成置信区间。不同置信概率下的理想预测区间，可通过选取恰当的分位点计算条件分位数获得。本文基于点预测结果分析其预测的相对误差，建模过程如下：
式中：——预测相对误差；/>——时间t处分位数为q的实际值；/>——时间t处分位数为q的预测值。
的置信区间预测函数定义如下：
式中：M——中位数函数；g——滞后期数；N——逆正态分布函数；q——累积分布值。
在分位数回归过程中，本模型引入滞后期数的概念，滞后期数表示将当前时间点的观测变量或误差项延迟若干个时间步骤之后作为自变量引入模型，通过适当调整滞后期数，可以更好地捕捉数据的短期依赖性，提高模型的预测能力。基于上述推导，可建立分位数回归预测模型：
假设给定的置信概率为m，则选取分位点q＝1-m，记做下分位点和上分位点，再带入上公式中计算出光伏功率的下分位数和上分位数，得出预测区间的下限值和上限值。
实施例
本发明选取国外某光伏电站的历史数据作为实验的数据集，天气具有不稳定性，数据集中包括了晴天、雨天、多云，将采集到的数据样本作为数据集。本文实验采用的是晴天数据集，其中前216天为训练集，后24天为测试集，每5分钟为1个采样点，共2880个数据点。首先用MODWT对功率时间序列进行分解，有助于时序信号的强化、以及信号之间的比较以及后期的分解，算法处理的结果如图5所示，将MODWT分解后的若干S分量用CEEMDAN进行再分解，充分提取局部瞬时特征，算法处理结果如图6所示将MODWT与CEEMDAN结合使用各自发展其优势。
随后利用斯皮尔曼相关系数将数据集划分为时序分量和随机分量，以0.003为分界线，大于0.003为时序分量，小于0.003为随机分量。
光伏发电功率同时也受到天气因子的影响包括温度、露点、风速。对光伏功率影响因素进行相关性分析，选取皮尔逊系数进行量化，各因素与光伏功率的皮尔逊值如图。
将时序分量输入GRU模型，将随机分量和天气因子输入CNN-Attention模型。首先筛选掉空矩阵，为消除特征数值间的差异，然后进行归一化处理，随后将数据加入预测模型的输入序列中。
基于GRU-CNN-Attention混合模型的短期功率预测具体实现过程如下：将2880组样本数据中的前2592组数据用于训练及验证，后282组用于测试，得到最终的短期预测结果，均方根误差为187.7554,均方误差为130.4528,平均绝对百分比误差为4.56％，此双通道模型相比于GRU与CNNAT两种单通道的模型在三种衡量指标上误差都更小，见表1，总体能够较好地反映短期光伏功率变化地规律。
表1各模型预测指标对比

Claims (7)

1.一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，具体按照以下步骤实施：
步骤1、利用最大重叠离散小波变换(Maximum Overlapping Discrete WaveletTransform，MODWT)算法对光伏功率时间序列进行分解，得到若干个S分量；
步骤2、利用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical ModeDecomposition with Adaptive Noise,CEEMDAN)算法对S分量进行再分解，得到若干个分量IMF和残差；
步骤3、利用斯皮尔曼相关系数(Spearman Correlation Coefficient)将分解得到的分量划分为时序分量和随机分量；
步骤4、将时序分量输入门控循环单元(Gated Cycle Unit，GRU)进行模型训练和功率预测，同时将随机分量和天气因子输入卷积神经网络(Convolutional Neural NetworkAttention，CNNAT)进行模型训练和功率预测；
步骤5、将各子序列预测值叠加，得到光伏功率点预测结果；
步骤6、利用分位数回归基于点预测结果形成置信区间，最终得到光伏功率概率区间预测结果。
2.根据权利要求1所述的一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，所述步骤1具体按照以下实施：
对任意信号采集长度Xn，MODWT把信号分解为log2 N级；同时MODWT变换的第j级小波系数Wj,n和尺度系数Vj,n的定义如下：
式中Lj为第j级滤波器宽度；L为滤波器的宽度；分别为MODWT第j级尺度滤波器和小波滤波器；/>为第L-1-l个高通滤波器和低通滤波器的系数。
3.根据权利要求1所述的一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，所述步骤2具体按照以下实施：
基于CEEMDAN算法分解若干S分量的步骤如下：
①对MODWT分解后的S分量加入k次白噪声信号后得到待分解序列yn tn＝1,2,…,k。
②对yn t展开1次经验模态分解获取IMF(Intrinsic Mode Function,IMF)分量，对分解结果处理获得第1阶模态函数IMF1 t,并计算得到第1阶残余项R1(t)＝x(t)-IMF1(t)。
③对第一阶残余项加入噪声，得到R1 t+ε1E1ωnt，继续展开经验模态分解。
④依次得到第i阶模式下的IMF分量和残余项为
Ri(t)＝Ri-1(t)-IMFi t (6)
式中：Ei-1·为分解后的第i-1个IMF分量；Ri-1t为第i-1阶残余项；εi-1为白噪声权值系数；ωn t为第n次处理产生的白噪声。
⑤重复第④步直至序列不能进行下一步分解，最终得到所有的IMF分量和残余项，分解步骤结束。
4.根据权利要求1所述的一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，所述步骤3具体按照以下实施：
利用斯皮尔曼相关系数将数据分为时序分量和随机分量，具体公式如下：
式中，R t和R r分别表示时间序列和信号的位次；和/>分别表示时间序列和信号的平均位次。以ρ＝0.003为分界线，ρ≤0.003的数据线性相关性弱，将其存入随机分量，而ρ＞0.003的数据存入时序分量。
5.根据权利要求1所述的一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，所述步骤4具体按照以下实施：
对时序分量和随机分量的模型训练和功率预测步骤如下：
①利用门控循环单元GRU对时序分量进行模型训练，GRU具有两个门，分别是更新门zt和重置门rt。GRU实质是对LSTM中的遗忘门、输入门两者进行集成，构成一个新的更新门zt，用一个重置门rt替换LSTM中的输出门，决定上一时刻的状态将会有哪些被再次写入到此刻的候选集上，GRU的数学模型为：
rt＝σWr·[ht-1,xt] (8)
zt＝σWz·[ht-1,xt] (9)
式中ht-1为上一时刻的状态变量；ht为当前时刻的状态变量；rt为更新门状态变量；zt为重置门状态变量；为此刻候选集状态；Wr、Wz、W为可训练的权重；σ为sigmoid激活函数；tanh为tanh激活函数。
②利用卷积神经网络CNNAT对随机分量进行模型训练和功率分析，将随机分量输入卷积神经网络经卷积层(Convolutional Layer)提取特征值，将特征值输入池化层(PoolingLayer)，再经数据平铺后传输到完全连接层进而输出。设δI+1是网络中第I+1层的误差项，J(W,b；x,y)为损失函数，其中(W,b)为误差参数，(x,y)是训练数据和标签对。如果第I层是全连接层且直接连接到第I+1层，则第I层的误差：
δ(I)＝((w(I))Tδ(I+1))f′(z(I)) (12)
其参数的梯度式分别为：
如果第一层是卷积层和池化层，则第I层的误差：
式中，k为过滤器的编号，而f′zk l为激活函数的导数。上采样(Up-sample)操作通过计算从输入层到池化层中每个单元的误差将误差传播到池化层。如果使用平均池化层(AveragePooling Layer),则上采样操作仅将单个池化单元的误差均匀地分布到上一层中的池化单元中。如果使用最大池化层(Max Pooling Layer),那么被选为最大值的池化单元会接收到所有误差。
最后，通过边界处理卷积运算得到每个过滤器的梯度，并用翻转卷积层中过滤器的方式同样翻转误差矩阵δk l,参数的梯度式分别为：
式中，ai l表示第I层的输入，表示第I层中第i个输入与第k个过滤器的误差之间的卷积。与其他深度学习模型的架构相比，CNN在数据的特征表示方面具有优越的能力，可以处理网格状拓扑结构数据之间的空间相关性。
6.根据权利要求1所述的一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，所述步骤5具体按照以下实施：
将各子序列预测值叠加，得到光伏功率预测值，完成预测。
7.根据权利要求1所述的一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法，所述步骤6具体按照以下实施：
利用分位数回归基于点预测结果形成置信区间，要先生成点预测结果，然后利用分位数回归基于点预测结果形成置信区间。不同置信概率下的理想预测区间，可通过选取恰当的分位点计算条件分位数获得。本文基于点预测结果分析其预测的相对误差，建模过程如下：
式中：——预测相对误差；Pt q——时间t处分位数为q的实际值；/>——时间t处分位数为q的预测值。
的置信区间预测函数定义如下：
式中：M——中位数函数；g——滞后期数；N——逆正态分布函数；q——累积分布值。
在分位数回归过程中，本模型引入滞后期数的概念，滞后期数表示将当前时间点的观测变量或误差项延迟若干个时间步骤之后作为自变量引入模型，通过适当调整滞后期数，可以更好地捕捉数据的短期依赖性，提高模型的预测能力。基于上述推导，可建立分位数回归预测模型：
假设给定的置信概率为m，则选取分位点q＝1-m，记做下分位点和上分位点，再带入上公式中计算出光伏功率的下分位数和上分位数，得出预测区间的下限值和上限值。
CN202410294163.9A 2024-03-14 2024-03-14 一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法 Pending CN118035728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410294163.9A CN118035728A (zh) 2024-03-14 2024-03-14 一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410294163.9A CN118035728A (zh) 2024-03-14 2024-03-14 一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法

Publications (1)

Publication Number Publication Date
CN118035728A true CN118035728A (zh) 2024-05-14

Family

ID=90985769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410294163.9A Pending CN118035728A (zh) 2024-03-14 2024-03-14 一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法

Country Status (1)

Country Link
CN (1) CN118035728A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118153754A (zh) * 2024-03-14 2024-06-07 深圳职业技术大学 一种基于MODWT-Informer网络的风电功率区间预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118153754A (zh) * 2024-03-14 2024-06-07 深圳职业技术大学 一种基于MODWT-Informer网络的风电功率区间预测方法

Similar Documents

Publication Publication Date Title
CN111667098B (zh) 一种基于多模型组合优化的风力电站输出功率预测方法
CN110580543A (zh) 一种基于深度信念网络的电力负荷预测方法及系统
CN110443417A (zh) 基于小波变换的多模型集成负荷预测方法
CN114595874B (zh) 一种基于动态神经网络的超短期电力负荷预测方法
CN104463349A (zh) 一种基于多时段综合相似日的光伏发电功率预测方法
CN105760961A (zh) 光伏输出功率预测方法和系统
CN115409258A (zh) 一种混合深度学习短期辐照度预测方法
CN112434891A (zh) 基于wcnn-alstm的太阳辐照度时间序列的预测方法
CN114781744A (zh) 基于编码解码器的深度学习多步长辐照度预测方法
CN118035728A (zh) 一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法
CN116822920B (zh) 一种基于循环神经网络的流程预测方法
CN115965150A (zh) 一种基于权重分配的电力负荷预测方法
CN116703644A (zh) 一种基于Attention-RNN的短期电力负荷预测方法
CN117239722A (zh) 一种考虑多元负荷影响的系统风荷短期预测方法
CN115169742A (zh) 一种短期风力发电功率预测方法
CN118013408A (zh) 一种考虑多尺度时序信息的负荷预测方法
CN117293790A (zh) 一种考虑预测误差不确定性的短期电力负荷预测方法
CN109408896B (zh) 一种污水厌氧处理产气量多元智能实时监控方法
CN108537581B (zh) 基于gmdh选择性组合的能源消费量时间序列预测方法及装置
CN109359741A (zh) 一种废水处理进水水质时序变化智能预测方法
Zhou et al. Short-term wind power prediction based on EMD-LSTM
CN118134284A (zh) 一种基于多阶段注意力机制的深度学习风电功率预测方法
CN115860277B (zh) 一种数据中心能耗预测方法及系统
CN118095891A (zh) 考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统
CN114091646B (zh) 一种基于emd和bp神经网络的太阳10.7厘米射电流量中短期预报方法

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