基于CNN-VMD-PCA...融合的光伏发电功率预测研究_田雨薇.pdf
《基于CNN-VMD-PCA...融合的光伏发电功率预测研究_田雨薇.pdf》由会员分享,可在线阅读,更多相关《基于CNN-VMD-PCA...融合的光伏发电功率预测研究_田雨薇.pdf(7页珍藏版)》请在咨信网上搜索。
1、 I8 收稿日期:基金项目:国家自然科学基金资助项目()作者简介:田雨薇(),女,云南文山人,硕士研究生,主要从事建筑节能及太阳能光热利用相关研究。基于 特征融合的光伏发电功率预测研究田雨薇,罗会龙,薛国辉(昆明理工大学 建筑工程学院,云南 昆明)摘 要:为了较为准确地预测光伏发电功率,提出一种特征融合的功率预测模型。模型首先使用一维卷积神经网络(,)提取光伏光电数据深度特征,然后用变分模态分解方法(,)分解数据原特征,再把分解后的特征和深度特征融合,用主成分分析法(,)提取融合后特征的主成分,最后用(,)模型进行功率预测。根据对所提模型的实测评估,并与其他预测模型对比,得出基于 特征融合的预
2、测模型具有较高预测精度,其拟合优度达 ,能够得到更可靠的功率预测结果。关键词:变分模态分解;卷积神经网络;主成分分析法;光伏发电功率预测中图分类号:文献标识码:文章编号:(),(,):,(),(),(),(),:;引 言传统能源资源日益减少,清洁能源的使用对环境的保护作用日益突出,太阳能资源凭借其储量大且绿色可再生的优势成为人们关注的焦点,对太阳能的应用成为许多学者研究的主要方向。其中,太阳能光伏发电有着能源质量高、安全可靠、无污染无公害、发电过程简单、设备精练等许多优点,因而成为全球大力发展的方向,光伏发电产业增长迅猛。但是,受到各种气候类型因素和特殊天气原因等的综合影响,光伏发电获得能源时
3、存在季节波动等问题,这也造成在使用光伏发电时存在发电功率不稳定的问题,且大规模的集中式或分散式并网运营也可能对电力系统整体的安全稳定经济运行造成负面影响。因此,结合太阳辐射与环境温度对光伏电站的输出功率进行分析预测,对新能源与储能DOI:10.16189/ki.nygc.2023.01.006 年,第 期 I9 提前统筹安排电网运行显得更加重要。目前,针对光伏发电功率预测的方法有很多,按预测原理划分主要可分为物理预测、统计学预测及智能预测。其中物理预测精度较低,统计学预测则需要利用大量历史数据,工作量大且适应性不强。相较之下,利用更为简捷快速的神经网络智能预测 备受人们青睐。王先军等将蚁群算法
4、运用到光伏发电预测中,且与遗传算法对比准确率更高,预测的最大功率较大,但是预测时间相对较长。张波等采用 种传统机器学习算法及 种深度学习算法预测各类型天气的光伏发电功率,结果表明,除了 算法预测精度较好外,其他算法结果都差强人意,且算法较为单一,在没有光照信息的情况下不能更好地提高预测精度。王昕等提出了基于 的短期预测方法,实现了对不同天气类型条件下更为精准的光伏发电功率预测,且相较于单一的 模型预测精度更高。本文提出的基于 的预测模型将 提取的深层次特征与 分解的特征融合,用 对融合的特征进行降维,提取特征主成分,在解决信号噪声干扰以及避免模态混叠问题上相较更为有效。最后通过 模型预测,并与
5、回归预测及其他预测模型结果进行对比,结果表明该模型具有较高预测精度。光伏发电功率预测模型对光伏发电功率进行预测,不仅有利于促进电网系统及调度部门全面协调安排常规能源和光伏发电,做到及时有效地统筹配合光伏发电计划,合理安排电网运营方案,还能有利于减少光伏接入对电网整体的影响,使得电力系统运行更加安全稳定,电网运营成本得到有效降低,从而获得更大的经济和社会效益。本文提出了基于 特征融合的光伏发电功率预测模型,图 为预测模型的流程图,主要流程如下。)通过使用 模型对多状态天气参数进行综合分析,进一步提取出深层次的非线性时域特征,用以表征天气状态,从而简化模型结构,并有效保证预测精度;)利用 可以自适
6、应分解非平稳信号,将信号采用非递归的处理策略分解为若干个相对稳定的模态分量,充分展现信号局部特征;)把 分解后的特征和 提取的深度特征融合,利用 对特征数据进行降维,提取数据主成分,加快模型的收敛速度;)利用 模型对光伏发电功率进行预测,并对比此方法与其他预测方法的预测精度。图 基于 的光伏发 电功率预测模型流程图 基于 特征融合 一维卷积神经网络()本文使用一维卷积神经网络提取天气参数的深度特征,该方法与二维卷积神经网络相比在输入和运算速度上更为简单。一维卷积能够通过改变卷积核尺寸大小和移动方向直接从状态参数样本入手,实现特征的提取并进行回归分析,从而避免了构建和处理多维样本时所需的复杂操作
7、。在卷积操作中,输入数据维度为,过滤器维度为,则卷积后输出的数据维度为 。的模型结构如图 所示,其结构包括输入层、卷积层和池化层、全连接层以及输出层。变分模态分解()变分模态分解的实现主要步骤如下。)首先将变分问题进行转换,看作是用中心频率求解 个有限带宽的模态函数,并要求每个模态的带宽估计之和最小。将时间序列设为(),模态函数设为(),。()()()()|()式中:为卷积计算;()为狄拉克分布;为有限带宽的模态函数总数;为本征模态分量(,为分解得到的 个本征新能源与储能 20 图 的模型结构模态分量);()为模态函数的中心频率(,为各个分量的中心频率)。)针对上述约束变量,引进二次惩罚因子
8、以及拉格朗日乘法算子(),把约束问题转变为非约束问题,从而求得最优解。得到的增广拉格朗日函数如下:(,)()()()()()(),()()()式中引入 和()的目的是分别保证了信号的重构精度及约束条件的严格性。)为求得原问题的最优解,利用交替方向乘子算法,叠代后求得增广 函数的鞍点,所有分量都可以从频域里获取。表达式为:()()()()()()式中:()()为当前剩余量,其通过维纳滤波器之后的结果可表示为()。)算法中,利用下式可以根据各模态分量重新更新计算中心频率,得到新的,各个模态的功率谱重心处被赋予新的中心频率。()()()如图、图 所示分别为利用 将数据自适应分解七次后得到的 分解图及
9、分解后信号的频谱图,对应原数据的不同模态,从图中可以看出分解后可靠的局部信号特征。图 分解图图 分解信号的频谱图新能源与储能 年,第 期 21 主成分分析法()将 分解后的特征与 神经网络提取的深度特征融合,再用 提取主成分。主成分分析法提取主成分的基本原理如下。)假设分析的研究对象共有 组,每组的变量共有 个,可写出原始数据的矩阵表达式:|()原始数据可能存在变量量纲不统一以及数值差异过大的问题,为了消除影响,将原始矩阵标准化处理,生成的标准矩阵 算式为:()()式中:为第 个变量所对应的数据,且,(其中 ,;,);为的均值,为的方差。)相关系数矩阵 通过计算得到,计算式为:()()特征方程
10、 ,求解方程得到方程的特征根,(),并得到特征根对应的单位特征向量,。)将上式求解的特征根按照从大到小排列,利用式()计算每个特征值的贡献率。,()保留累计贡献率达 以上的特征值,取特征值的前 个所对应的单位特征向量来作为列向量,组成新的特征向量矩阵。)将上述组成的特征向量矩阵转换到由个单位特征向量构成的新空间中,得到下式:|()式中:为原始变量相关矩阵的第个特征值所对应的 维特征向量;为主成分的第 个分量。预测分析 回归预测回归预测的主要步骤如下:)确定预测目标,明确方程的自变量和因变量。本文中预测目标为光伏发电功率,则将发电功率设为因变量,自变量为天气数据。)建立回归方程,将回归方程作为预
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CNN VMD PCA 融合 发电 功率 预测 研究 田雨薇
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。