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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。