一种基于深层卷积神经网络的光伏功率预测方法技术

本发明专利技术公开了一种基于深层卷积神经网络的光伏功率预测方法，包括：利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为若干个频率分量和一个余项分量；分别排列成二维格式数据；将二维格式的频率分量作为多通道深层卷积神经网络模型的输入并进行预测，及输出一个频率分量预测值总和；将二维格式的余项分量利用单通道深层卷积神经网络模型提取高阶特征，将所提取的高阶特征和气象数据作为支持向量机模型输入并进行预测，及输出一个余项分量的预测值；将频率分量预测值总和与余项分量的预测值相加，得到待预测时刻的光伏功率预测结果。本发明专利技术使光伏功率的预测精度明显提升，有效地指导电网调度，保证电力系统安全稳定运行。

A photovoltaic power prediction method based on deep convolution neural network

The invention discloses a photovoltaic power prediction method based on deep convolution neural network, which includes: using the variational mode decomposition algorithm to decompose the acquired historical photovoltaic power sequence into several frequency components and a remainder component, arranging the data in two-dimensional format, and arranging the frequency in two-dimensional format. Rate component is used as input of multi-channel deep convolution neural network model to predict and output a sum of predicted values of frequency components; the residual components of two-dimensional format are used to extract high-order features from single-channel deep convolution neural network model, and the extracted high-order features and meteorological data are used as input of support vector machine model. Finally, the prediction results of PV power at the time to be predicted are obtained by adding the sum of the predicted values of frequency components and the predicted values of residual components. The invention can obviously improve the prediction accuracy of photovoltaic power, effectively guide the power grid dispatch and ensure the safe and stable operation of the power system.

【技术实现步骤摘要】
一种基于深层卷积神经网络的光伏功率预测方法
本专利技术涉及一种基于深层卷积神经网络的光伏功率预测方法，属于光伏系统的

技术介绍
随着中国的大力发展，能源消耗和环境污染问题日趋严重，综合经济发展和环境治理、实现可持续发展，成为了国家的一项重要政策。而太阳能作为一种无污染、可再生的清洁能源，使得光伏发电技术得到了广泛的推广和应用。然而太阳能资源极易受天气因素影响，导致光伏发电的输出功率波动较大，导致光伏并网电力系统的运行和调度具有很大的随机性和不确定性。因此，光伏功率预测技术的发展就显得至关重要，精准的预测结果才能够保证电力系统的稳定运行。光伏功率预测通常使用人工智能算法，包括神经网络，支持向量机等；这些模型通过学习历史功率数据的特征和波动规律，并结合当前的光伏功率和气象数据等，自动预测未来的功率变化趋势。这些人工智能方法设计简单，适用范围广，因而得到了大量推广应用；然而这些方法也存在弊端，诸如模型训练使用的历史数据较少，不能够全面反映数据的特征，容易发生过拟合问题，导致预测精度可靠性降低。近年来，随着深度学习技术的快速发展，深层神经网络能够更准确、更全面地学习到海量历史数据中的规律，因而在许多应用领域取得了优异成果。在此背景下，使用一种深层的卷积神经网络，以学习光伏功率历史数据的特征，可更准确地预测光伏功率，为电力系统运营调度起到更可靠的指导作用。
技术实现思路
本专利技术针对传统光伏预测方法的不足，包括预测精度低、可以训练的样本数量有限等问题，提供一种基于深层卷积神经网络的光伏功率预测方法，基于深度学习技术，该方法结合了深层卷积神经网络模型，能够直接学习大量的历史数据样本信息，使得预测精度进一步提升。本专利技术具体采用以下技术方案解决上述技术问题：一种基于深层卷积神经网络的光伏功率预测方法，包括以下步骤：利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为具有频率规律的若干个频率分量和一个余项分量；将所分解得到的每个频率分量和余项分量分别排列成二维格式数据；将所述二维格式的频率分量输入到多通道深层卷积神经网络模型，进行预测及输出一个频率分量预测值总和；将所述二维格式的余项分量输入到另一个单通道深层卷积神经网络模型，提取并输出其高阶特征；将高阶特征和气象数据输入到支持向量机模型，进行预测及输出一个余项分量预测值；将输出的频率分量预测值总和与余项分量预测值相加，得到待预测时刻的光伏功率预测结果。进一步地，作为本专利技术的一种优选技术方案，所述方法中利用变分模态分解算法进行模态分解，包括利用交替乘子法求解最小带宽目标函数，其表达为：其中，ωk为模态的中心频率；uk为模态的包络曲线；t为时间步长；δ(t)为模态的实部；f(t)为待分解的原始信号；为偏微分运算符号；j为虚部符号，k为模态的个数。进一步地，作为本专利技术的一种优选技术方案，所述方法中包括对多通道深层卷积神经网络模型构建，具体为：初始化多通道深层卷积神经网络模型的权值和偏置，通过多通道深层卷积神经网络模型将输入进行逐层计算；利用基于误差梯度的反向传播算法调整模型中每层网络的权值和偏置，以构建得到多通道深层卷积神经网络模型。进一步地，作为本专利技术的一种优选技术方案，，所述方法中通过多通道深层卷积神经网络模型将输入进行逐层计算，包括：对卷积层进行计算，采用公式：m＝1,2,…,Co其中，ym对应第m个卷积层的输出；a为卷积层的激活函数，xi为第i个通道输入，wm为第m个卷积核，bm为偏置值，卷积核的总个数为Co个；以及，对下采样层进行计算，采用公式：其中，np是第p个通道的节点个数；xi和分别为第i个和第np个输入；ym是求出的最大值，对应第m个下采样层的输出；Ci是所有输出通道的个数。进一步地，作为本专利技术的一种优选技术方案，所述方法中还包括对输出的余项分量预测值与直接预测结果进行比较，计算均方根误差RMSE、绝对百分误差MAPE与反相关系数KR。本专利技术采用上述技术方案，能产生如下技术效果：本专利技术提供的基于深层卷积神经网络的光伏功率预测方法，具有以下特点：1)与现有技术相比，能够学习海量光伏功率历史数据的特性，学习结果的适应范围更广，泛化能力更强；2)将深层卷积神经网络模型引入光伏功率预测领域，充分发挥其多元回归能力和特征提取能力，以降低模型的优化难度；3)相比于传统的统计预测方法，本专利技术的方法预测误差指标更小、精度更高，可以推广到多种时间尺度的光伏功率预测中；4)由于预测精度的提高，预测结果可以为电力系统的运营和调度起到更可靠的指导作用。因此，本专利技术的预测方法，其可以应用于光伏发电站规划及可再生能源开发等相关研究，并能够对光伏并网电力系统的调度起到重要的指导作用。本专利技术的方法相比于传统的多元回归预测方法和深度神经网络预测方法，其光伏功率的预测精度明显提升，能够有效地指导电网调度，进而保证电力系统安全稳定运行。附图说明图1为本专利技术基于深层卷积神经网络的光伏功率预测方法的流程示意图。图2为本专利技术分解序列二维重构过程的数据结构示意图。图3为本专利技术频率分量预测过程使用的多通道深层卷积神经网络流程图。图4为本专利技术余项分量预测过程的卷积特征提取及支持向量机预测流程图。图5为本专利技术方法得到的最终预测结果展示图。具体实施方式下面结合说明书附图对本专利技术的实施方式进行描述。如图1所示，本专利技术设计了一种基于深层卷积神经网络的光伏功率预测方法，该方法具体包括以下步骤：利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为具有频率规律的若干个频率分量和一个余项分量；将所分解得到的每个频率分量和余项分量分别排列成二维格式数据；将所述二维格式的频率分量输入到多通道深层卷积神经网络模型，进行预测及输出一个频率分量预测值总和；将所述二维格式的余项分量输入到另一个单通道深层卷积神经网络模型，提取并输出其高阶特征；将高阶特征和气象数据输入到支持向量机模型，进行预测及输出一个余项分量预测值；将输出的频率分量预测值总和与余项分量预测值相加，得到待预测时刻的光伏功率预测结果。下面结合具体实施例，详细说明使用本专利技术中的方法进行光伏功率预测的具体实施过程。以一个100kW容量的光伏阵列为例，按1小时的采样频率获取其从2010年7月至2015年5月、早上6点(6a.m.)到下午7点(7p.m.)的光伏输出功率。将全部这些样本按照时间顺序循环滚动排列成用于卷积神经网络的序列样本数据；由于一个通道的二维输入数据为10×24，因此滚动样本的特征个数为240个，对应一个预测点的样本标签。样本确定后，对其进行划分，其中70％的样本用于模型训练；而剩余30％用于测试模型的预测精度，并计算预测误差指标。而70％的训练样本中，选取20％的样本对不同设定参数的神经网络进行测试，以此确定模型的参数，即深层卷积网络层数为6层、训练样本批数512个、迭代次数500次；其中，神经网络层数为6层，其中3层为卷积层，1层为下采样层，2层为全连接层，卷积层的激活函数为正切函数(tanh)，全连接层的激活函数为高斯函数(sigmoid)。在此基础上，剩余80％的训练样本将得到最终的预测模型。具体实施步骤如下：1)对训练的样本的光伏功率序列进行分解。使用变分模态分解算法，设置分解模态个数为10，令各个模态的本文档来自技高网...

【技术保护点】
1.一种基于深层卷积神经网络的光伏功率预测方法，其特征在于，包括以下步骤：利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为具有频率规律的若干个频率分量和一个余项分量；将所分解得到的每个频率分量和余项分量分别排列成二维格式数据；将所述二维格式的频率分量输入到多通道深层卷积神经网络模型，进行预测及输出一个频率分量预测值总和；将所述二维格式的余项分量输入到另一个单通道深层卷积神经网络模型，提取并输出其高阶特征；将高阶特征和气象数据输入到支持向量机模型，进行预测及输出一个余项分量预测值；将输出的频率分量预测值总和与余项分量预测值相加，得到待预测时刻的光伏功率预测结果。

【技术特征摘要】
1.一种基于深层卷积神经网络的光伏功率预测方法，其特征在于，包括以下步骤：利用变分模态分解算法对获取的历史光伏功率序列进行模态分解，将其分解为具有频率规律的若干个频率分量和一个余项分量；将所分解得到的每个频率分量和余项分量分别排列成二维格式数据；将所述二维格式的频率分量输入到多通道深层卷积神经网络模型，进行预测及输出一个频率分量预测值总和；将所述二维格式的余项分量输入到另一个单通道深层卷积神经网络模型，提取并输出其高阶特征；将高阶特征和气象数据输入到支持向量机模型，进行预测及输出一个余项分量预测值；将输出的频率分量预测值总和与余项分量预测值相加，得到待预测时刻的光伏功率预测结果。2.根据权利要求1所述基于深层卷积神经网络的光伏功率预测方法，其特征在于，所述方法中利用变分模态分解算法进行模态分解，包括利用交替乘子法求解最小带宽目标函数，其表达为：其中，ωk为模态的中心频率；uk为模态的包络曲线；t为时间步长；δ(t)为模态的实部；f(t)为待分解的原始信号；为偏微分运算符号；j为虚部符号，k为模态的个数。3.根据权利要求1所述基于深层卷积神经网络的光伏功率预测方法，其特征在于，所述方法中包括对多通道深层卷积神经网络模型构建，具体为：初始化多通道深层卷积神经网络模型的权值和偏置，通过多通道深层卷积神经网络模型对输...

【专利技术属性】
技术研发人员：臧海祥，程礼临，梁智，王苗苗，卫志农，孙国强，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32