基于LSTM网络的太阳辐照度预测_刘译文.pdf
《基于LSTM网络的太阳辐照度预测_刘译文.pdf》由会员分享,可在线阅读,更多相关《基于LSTM网络的太阳辐照度预测_刘译文.pdf(6页珍藏版)》请在咨信网上搜索。
1、2023 年第 3 期计算机与数字工程收稿日期:2022年8月11日,修回日期:2022年9月24日作者简介:刘译文,男,硕士研究生,研究方向:新能源功率预测技术和深度神经网络应用。倪旻,男,硕士研究生,研究方向:工业控制系统入侵检测。1引言随着人们对环境问题的持续关注,新能源的利用越来越受到人们的重视。太阳能发电被认为是一种重要的新能源利用方式,而它高度依赖地理环境和天气状况,使得光伏输出功率具有明显的随机性和波动性。这种不确定性的输出功率并网对电力系统产生巨大的威胁,对电网的安全稳定运行带来了一系列的安全问题1。准确的光伏出力功率预测仍然是解决这个问题经济有效的手段之一2。因此,精确的太阳
2、能出力功率预测对电力系统的稳定运行至关重要。在实际的光伏发电站中,光伏发电输出功率受多种环境和气象因素(如太阳辐照度、环境温度、湿度、经纬度)的影响。相关气象信息的可靠程度对光伏出力预测起着决定性的作用,而太阳辐照度是影响光伏出力的主要因素3,太阳能辐照度的准确预测是准确光伏发电预测的前提4。基于 LSTM 网络的太阳辐照度预测刘译文倪旻(云南民族大学电气信息工程学院昆明650500)摘要由于太阳辐照强度和其他气象因素的不确定性,导致光伏输出功率具有明显的随机性和波动性对电网安全稳定运行有重大隐患。光伏输出功率主要受太阳辐照度的影响,准确的太阳辐照度预测是光伏功率预测的关键步骤。针对高波动的太
3、阳辐照度预测问题,文中提出一种长短期记忆网络(Long Short-Term Memory,LSTM)的方法预测太阳辐照度,LSTM网络由于其循环的结构和存储单元,可以对太阳辐照度的时间变化进行建模,与以往使用人工特征提取的方法不同,LSTM网络可以针对序列数据提取其隐含信息进行太阳辐照度预测。文中比较研究了不同网络结构对预测结果的影响,还通过与其他预测方法相比,进一步验证了该模型对太阳辐照度预测的有效性。关键词太阳辐照度预测;卷积神经网络;递归神经网络;长短期记忆网络中图分类号TM615DOI:10.3969/j.issn.1672-9722.2023.03.040Solar Irradia
4、nce Prediction Based on LSTM NetworkLIU YiwenNI Min(School of Electrical Information Engineering,Yunnan Minzu University,Kunming650500)AbstractDue to the uncertainty of solar radiation intensity and other meteorological factors,the obvious randomness and volatility of photovoltaic output power have
5、major hidden dangers to the safe and stable operation of the power grid.Photovoltaic outputpower is mainly affected by solar irradiance,and accurate solar irradiance prediction is a key step in photovoltaic power prediction.Aiming at the problem of high-fluctuation solar irradiance prediction,this p
6、aper proposes a long short-term memory network(LSTM)method to predict solar irradiance.Due to its cyclic structure and storage unit,the LSTM network can change the solar irradiance over time.For modeling,unlike previous methods that use artificial feature extraction,the LSTM network can extract hidd
7、eninformation from sequence data to predict solar irradiance.The paper compares and studies the influence of different network structures on the prediction results,and compares with other prediction methods to further verify the effectiveness of the model in predicting solar irradiance.Key Wordssola
8、r irradiance forecasting,convolutional neural network,recurrent neural network,long short term memorynetworkClass NumberTM615总第 401期2023 年第 3期计算机与数字工程Computer&Digital EngineeringVol.51No.3753第 51 卷随着预报理论和机器学习的快速发展,大量的研究方法也不断涌现,从早期的物理方法、统计学方法到现在比较热门的机器学习方法5。YantingLi等6提出用ARIMAX统计学方法来预测光伏出力功率,保持了常规ARI
9、MA模型的简单特性但比ARIMA 模型更具实用性,通过实例进行了验证。Jie Shi 等7提出了基于天气分类和支持向量机(Support Vector Machines,SVM)的光伏系统功率输出预测模型,基于天气预报数据和历史功率数据对光伏发电站提前一天进行预测,实验结果表明所提预测模型是有效的。M.Bouzerdoum等8结合季节性自回归综合移动平均法(Seasonal AutoregressiveIntegrated Moving Average,SARIMA)和支持向量机方法提出了一种新的混合模型,研究表明了混合模型的性能优于SARIMA和SVM模型。张岚等9建立了基于神经网络的光伏发
10、电功率预测模型,实验表明该方法具有较高的预测精度。李练兵等10采用Elman神经网络算法建立光伏发电短期功率预测模型,通过与BP神经网络算法对比表明,Elman神经网络具有更高的预测精度。随着深度学习理论的发展,各种神经网络不断的迁移应用到光伏功率预测领域,C.-J.Huang和P.-H.Kuo11提出了一种称为PVPNet的高精度深度神经网络模型来预测光伏系统的输出功率,该模型基于深度神经网络,利用气象信息(例如温度,太阳辐射和历史光伏系统输出数据)生成24h概率和确定性的光伏发电输出预测。Li,Wang等12提出了一种基于递归神经网络的新的预测方法,通过使用比利时法兰德斯的实际太阳能对提出
11、的预测方法进行了测试,结果表明在非常短期的预测中表现出良好的预测性能。H.Zang等13提出了一种基于深度学习的CNN预测模型,案例研究证明了所提出的预测方法的准确性和可靠性。最近,长短期记忆网络(Long Short-Term Memory,LSTM)在空气质量指数、电力负荷、语音识别预测应用中取得了不错的效果。由于其循环的体系结构和存储单元,可以对数据中的时间变化进行建模,可以捕获太阳辐照度序列中的抽象概念。文中提出利用长短期记忆(LSTM)神经网络预测太阳辐照度的方法。对不同结构的 LSTM模型在太阳能辐照度预测中的性能进行了评估,得到最佳的网络架构模型。为了验证该方法的有效性,我们将其
12、与四种广泛使用的深度神经网络太阳能辐照度预测方法进行比较验证所提模型的有效性。2LSTM神经网络2.1RNN网络递归神经网络12(Recurrent Neural Network,RNN)通过在神经元中加入循环连接解决了时间序列上的映射关系。递归神经网络能够建立上个时刻输入对下个时刻输出影响的输入输出序列映射关系,使得递归神经网络具有“记忆”的功能。递归神经网络结构(见图1)。图1递归神经网络结构如图 1所示将递归神经网络展开,每个节点代表一个单一时间步,每个时间步的神经元可以表示为h(h(),h(t-1),h(t),h(t+1),h(),则输入序列和输出序列分别为x和o,它们的前向传导过程为
13、ath=i=1Iwihxti+h=1Hwhhbt-1h(1)bth=fh(ath)(2)其中,I、H、K分别为输入层、隐含层、输出层神经元的个数,wih为输入层到隐含层的权重,whh为t-1时刻到t时刻隐含层到隐含层的权重。为得到最优权重的参数网络,模型需要反向传播得到预测误差修正权重参数,其过程为ih=f(ath)(k=1Ktkwhk+h=1Ht+1hwhh)(3)tj=Latj(4)Lwij=t=1TLatjatjwij=t=1Ttjbti(5)上式中,L表示衡量误差的代价函数,xti表示为t时刻输入层神经元i的值,atj为t时刻神经元j的输入,btj为t时刻神经元j的激活值。2.2LST
14、M网络长 短 期 记 忆 神 经 网 络14(Long Short-TermMemory,LSTM)是由递归神经网络发展而来,通过引入门控单元改进了经典的RNN网络,通过加入输入门、输出门、遗忘门和记忆单元解决RNN网络的梯度消失和梯度爆炸现象。其结构见图2。刘译文等:基于LSTM网络的太阳辐照度预测7542023 年第 3 期计算机与数字工程图 2LSTM网络结构图图 2所示的tf、ti、to分别表示在t时刻遗忘门、更新门、输出门的状态。更新门控制t时刻输入信息能否传递到t时刻记忆单元中,遗忘门控制t-1时刻记忆单元中的信息能否保留到t时刻,输出门控制t时刻记忆单元的信息是否保存在隐含层中。
15、如此,LSTM网络便拥有长期和短期的“记忆”。与BP神经网络和循环递归网络相同的是都通过前向传播和反向传播实现网络参数的训练。LSTM 网络在反向传播中也是用 BPTT(BackPropagation Through Time)的方法更新权重。LSTM单元更新公式如下:tf=(Wfat-1,xt+bf)(6)ti=(Wiat-1,xt+bi)(7)to=(Woat-1,xt+bo)(8)在t时刻遗忘门、更新门、输出门的值为tf、ti、to,输入输出的值为c?t=tanh(WCat-1,xt+bC)(9)ct=tf*ct-1+ti*c?t(10)at=to*tanh(ct)(11)yt=soft
16、max(at)(12)其中,at表示激活值,ct、c?t表示记忆单元状态和候选状态,表示激活函数。反向传播权重系数更新如下:Lat-1=Latatat-1(13)Lxt=Latatxt(14)Lto=Latatto(15)3基于LSTM网络的太阳辐照度预测模型构建3.1数据源及数据归一化处理文中数据来自澳大利亚沙漠知识数据中心Desert Knowledge Australia Solar Centre(DKA SolarCentre)太阳能数据中心15,气象数据包括温度、湿度、风速、全球水平辐射、漫反射水平辐射等,数据涵盖了2009-2018年的每日数据,数据每5min采集一次。如表1所示。
17、表1原始数据样例时间戳2018/2/4 8:002018/2/4 8:052018/2/4 8:102018/2/4 8:15WTC26.84226.97226.9127.067WRH34.90634.00434.08333.763GHR337.24360.09384.28404.2DHR40.23842.30145.81845.644WD162.84209.67217.81171.82RGT273.16295.43319342.78RDT44.55846.41148.98450.877为消除不同特征的量纲影响和保证数据处理和模型训练的高效和收敛速度,需要对原始数据影响标准化处理。具体公式如下
18、:x=x-xminxmax-xmin(16)其中,x为原始数据,xmin和xmax分别为原始样本数据的最小值和最大值,x为归一化后的值。3.2输入数据的构成与预测模型的构建为增加数据采集时间的间隔,减小数据采集的误差,需要对原始5min采集一次的原始数据进行数据融合,文中采用平均值融合,将三条5min一次的数据用平均值法进行融合得到15min分辨率的数据。为探究太阳辐照度预测模型,将采用原始数据中的全球水平辐照度作为研究对象,为减少不必要的辐照度预测,只选取早晨7:00至晚上8:00时间范围的数据作为样本数据,经数据融合后一天中有52个太阳辐照度记录点(见图3)。图3输入数据构成755第 51
19、 卷太阳辐照度具有连续性、规律性和周期性等特点,历史辐照度与待预测日辐照度有一定的时间关联性,所以将历史时刻和历史日的太阳辐照度作为预测模型的输入。按时刻时间向量表示,每15min记录一次太阳辐照度的值。通过第d天的历史数据来预测第d+1日的太阳辐照度。其中输入的太阳辐照度为Gi:Gi=Gtd,Gt+1d,Gt+51d(17)输出即预测的太阳辐照度序列为Go:Go=Gtd+1,Gt+1d+1,Gt+51d+1(18)融合后部分数据样例如表2所示。表2原始数据融合为输入数据Timestamp2016/1/12016/1/22016/1/32016/1/42016/1/57:0043.970566
- 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 LSTM 网络 太阳 辐照 预测 译文
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。