多种因素影响的新能源发电功率预测分析方法及系统与流程

本发明涉及新能源发电功率预测,具体为多种因素影响的新能源发电功率预测分析方法及系统。
背景技术:
1、新能源发电功率受多种因素影响,主要包括天气条件(如风速、太阳辐射强度、温度、湿度等)、地理位置、季节变化、设备状态等。传统的统计方法在处理这类高维、非线性数据时可能显得力不从心。相比之下,人工神经网络(anns)能够自动提取输入数据中的复杂特征,通过多层结构的非线性变换,建立输入(如历史功率数据和气象参数)到输出(未来发电功率预测值)的映射关系。常见的神经网络模型包括但不限于bp神经网络、递归神经网络(rnn)、长短时记忆网络(lstm)、卷积神经网络(cnn)以及它们的组合变体。bp神经网络预测模型:早期应用中,基于误差反向传播(back propagation,bp)的神经网络模型被广泛用于风电和光伏发电功率预测。该模型通过调整网络权重来最小化预测误差,能够处理多变量输入,但对训练数据的质量和数量要求较高,且容易陷入局部最优。lstm网络模型:随着深度学习的发展,长短期记忆网络(lstm)因其在时间序列预测方面的优越性能而受到青睐。lstm通过门控机制解决了rnn中的梯度消失和梯度爆炸问题,适用于捕捉长期依赖关系,特别适合于风电和光伏功率的短期及超短期预测。cnn-lstm混合模型:考虑到风速、辐射强度等气象数据具有空间和时间上的相关性,结合卷积神经网络(cnn)和lstm的模型被提出。cnn用于提取输入数据的空间特征,lstm则用于处理时间序列信息,两者的结合提高了预测精度。集成学习方法:为了进一步提高预测性能,一些研究采用集成学习策略,结合多个神经网络模型(如不同的结构或不同的初始化参数)的预测结果,通过投票或加权平均等方式得出最终预测值,以提高模型的泛化能力。综上所述,基于神经网络的新能源发电功率预测技术不断演进,通过结合不同类型的神经网络结构、集成学习策略以及先进的优化算法,持续推动预测精度的提升,以满足电力系统对精确预测日益增长的需求。
2、近几年,新能源发电行业在技术与国家政策支持下不断发展,发电站数量不断增加,并且装机容量也在不断扩充,在一定程度上增加了发电功率预测难度。由于国内关于该方面研究起步比较晚,现有的预测理论还不够成熟,预测技术水平相比较发达国家还存在较大的差距,虽然近几年发电功率预测问题受到研究领域重视与关注,相关学者与专家开展了一系列研究,提出了一些预测方法和思路,但目前大部分新能源光伏电站仍旧采用传统的预测方法,在实际预测中存在较大的平均绝对误差,无法取得预期的预测效果,继续探究出一套新的预测方法,为此提出本次课题研究,为新能源发电功率预测提供参考依据。
技术实现思路
1、鉴于上述存在的问题,提出了本发明。
2、因此,本发明解决的技术问题是:本发明是解决发电站数量不断增加,并且装机容量也在不断扩充,在一定程度上增加了发电功率预测难度,目前大部分新能源光伏电站仍旧采用传统的预测方法,在实际预测中存在较大的平均绝对误差,无法取得预期的预测效果的问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、第一方面,本发明提供了多种因素影响的新能源发电功率预测分析方法,包括:
5、获取历史发电功率,利用神经网络分析所述历史发电功率,得到所述历史发电功率的影响因子,根据所述历史发电功率与影响因子之间的关系,建立发电功率预测数据库;
6、对所述发电功率预测数据库中的原始数据利用插值方法进行预处理,得到第一发电功率预测数据库;
7、利用相关性分析对所述第一发电功率预测数据库的变量因子进行相关性计算,选择相关性非零的变量因子为预测数据;
8、根据神经网络建立预测模型,将所述预测数据进行归一化处理,得到第一预测数据,将所述第一预测数据输入所述预测模型中,利用神经元激活函数对第一预测数据进行训练,输出发电功率的预测值,对所述预测值进行反归一化,得最终预测结果。
9、作为本发明所述的多种因素影响的新能源发电功率预测分析方法的一种优选方案,其中:发电功率预测数据库包括:
10、将发电功率作为目标变量,影响因子作为自变量,构建决策树模型;
11、根据决策树模型输出影响因子的重要性指标,判断影响因子对发电功率影响的大小;
12、第一判断包括,若该影响因子的重要性指标值大于第一阈值,则将该影响因子纳入发电功率预测数据库中;若该影响因子的重要性指标小于第一阈值,则剔除该影响因子;
13、对重要性指标值大于第一阈值进行第二判断,若该影响因子的重要性指标值大于第二阈值,则该影响因子为关键影响因子。
14、作为本发明所述的多种因素影响的新能源发电功率预测分析方法的一种优选方案,其中:利用插值方法进行预处理包括:
15、遍历电功率预测数据库,标记所有缺失值的位置信息,对于每个缺失值位置,查找前后有效数据点;
16、设置时间间隔阈值,若相邻的有效数据点之间的时间间隔小于第一时间间隔阈值,则计算前后有效数据点的零阶差商为时间序列区间内数据的平均值除以缺失数据的后一时刻值减去缺失数据的前一时刻值,对缺失部分用均值代替;
17、若相邻的有效数据点之间的时间间隔大于第一时间间隔阈值,则利用线性插值对缺失值进行二次填补,查找缺失的位置前后的有效数据点,计算缺失值的插值为后一时刻的数值减去前一时刻的数值加上前一时刻的数值乘以缺失时间减去前一时刻除以后一时刻减去前一时刻,用线性插值的结果进行填补;
18、将原始数据减去原始数据的最小值除以原始数据的最大值减去最小值,得到归一化的数据,得到第一发电功率预测数据库。
19、作为本发明所述的多种因素影响的新能源发电功率预测分析方法的一种优选方案,其中:利用相关性分析对所述第一发电功率预测数据库的变量因子进行相关性计算包括:
20、对第一发电功率预测数据库的原始数据进行数据转换,原始数据平均值减去归一化的数据除以原始数据方差得到均值归一化处理后的数据;
21、对归一化处理后的数据进行相关性分析;
22、若相关系数值为零,则不将该变量因子纳入预测因子队列;若相关系数为正数或者负数,则将该变量因子纳入预测因子队列。
23、作为本发明所述的多种因素影响的新能源发电功率预测分析方法的一种优选方案,其中:根据神经网络建立预测模型包括:
24、计算输入变量与目标变量之间的相关性,设定相关系数阈值,若输入变量与目标变量之间的相关性系数大于相关系数阈值,则将该变量纳入预测模型输入;
25、隐藏层的神经元数量为训练集的样本数除以输入层神经元个数加上输出神经元个数乘以任意变量值。
26、作为本发明所述的多种因素影响的新能源发电功率预测分析方法的一种优选方案,其中:利用神经元激活函数对第一预测数据进行训练包括:
27、第一预测数据从输入层输入,在输入层中进行数据排列以及映射处理,将第一预测数据输入到下一个功能层,在隐藏层中利用神经元激活函数对第一预测数据进行训练;
28、将输入层各个变量与对应的权重相乘,得到加权和;
29、加权和与偏移值相加,得到神经元的总输入;
30、将总输入通过激活函数进行非线性变换,得到神经元的激活值。
31、作为本发明所述的多种因素影响的新能源发电功率预测分析方法的一种优选方案,其中:对所述预测值进行反归一化包括:
32、输出变量的最大值减去输出变量的最小值乘以预测输出加上输出变量的最小值得到输出变量,为最终预测结果。
33、第二方面,本发明提供了多种因素影响的新能源发电功率预测分析的系统,包括:
34、数据库建立模块,用于获取历史发电功率,利用神经网络分析所述历史发电功率,得到所述历史发电功率的影响因子,根据所述历史发电功率与影响因子之间的关系,建立发电功率预测数据库;
35、预处理模块,用于对所述发电功率预测数据库中的原始数据利用插值方法进行预处理,得到第一发电功率预测数据库;
36、相关性分析模块,用于利用相关性分析对所述第一发电功率预测数据库的变量因子进行相关性计算,选择相关性非零的变量因子为预测数据;
37、训练模块,用于根据神经网络建立预测模型,将所述预测数据进行归一化处理,得到第一预测数据,将所述第一预测数据输入所述预测模型中,利用神经元激活函数对第一预测数据进行训练,输出发电功率的预测值,对所述预测值进行反归一化,得最终预测结果。
38、第三方面,本发明提供了一种计算设备,包括:
39、存储器和处理器;
40、所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现所述多种因素影响的新能源发电功率预测分析方法的步骤。
41、第四方面,本发明提供了一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现所述多种因素影响的新能源发电功率预测分析方法的步骤。
42、本发明的有益效果:本发明所提出的多种因素影响的新能源发电功率预测分析方法及系统充分利用历史数据,识别出影响发电功率的关键因素,采用归一化和反归一化,提高模型训练的稳定性和预测结果的可解释性,通过相关性分析选择重要变量,避免了冗余信息对模型性能的影响,使用神经网络模型具有较强的非线性建模能力,可以捕捉复杂的发电功率规律,基于神经网络的新能源发电功率预测技术因其高度的灵活性、自适应性和对复杂关系的强大建模能力,在提高预测精度、优化电力系统运行和促进新能源高效利用方面展现出了明显的优势。
技术研发人员:代江,田年杰,赵翔宇,朱思霖,田石金,单克,赵倩,姜有泉,唐翀,禤培正,程兰芬,朱继松,肖杨,张碧元,刘与铮,丁涛
技术所有人:贵州电网有限责任公司
备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明 :此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除