文摘

为高效的能量分布,微型电网(MG)提供重要的援助主要网格和作为电力生产和消费之间的桥梁。可再生能源发电资源,尤其是光伏(pv),被认为是作为一种清洁的能源,但高度复杂、波动和间歇性自然使他们的预测具有挑战性。因此,一个可靠的、优化和一个健壮的预测方法部署在MG客体化这些挑战提供准确的可再生能源生产预测和建立一个精确的匹配在MG发电和消费。此外,它可以确保有效的计划、操作和收购从主电网的优势或劣势的能量,分别。因此,在这项工作中,我们开发一个端到端的混合网络自动光伏功率预测,包括三个基本步骤。首先,数据预处理执行规范化、删除离群值,并突出处理缺失值。接下来,时间特性提取使用深度顺序造型方案,其次是通过卷积神经网络空间特征的提取。这些特性是美联储为最佳光伏功率预测完全连接层。在第三个步骤中,该模型评估公开光伏发电数据集,其性能显示低错误率相比,最先进的方法。

1。介绍

光伏发电是一种easiest-to-access,低成本,最有前途的可再生能源的来源。当发展中国家的能源需求增长,光伏发电每年增加;因此,它减轻了全球能源和气候变化危机(1]。根据全球未来的报告,到2050年,光伏发电容量将达到8000千瓦(2]。然而,不同的大气变量如温度、太阳辐照度,湿度和云属性导致重大不确定性整合pv微型智能电网"(毫克)3- - - - - -7]。相比之下,一个有效的光伏功率预测模型大大提高了太阳能利用率(8- - - - - -10]。因此,有效的预测模型在公用电网将电网经济运行和所需的能量传输到终端用户11,12]。多年来,为高效的能源管理和分配,MG发挥了重要作用在确保可靠性、双向功率流、自愈,需求反应(6]。虽然MG提供了几个优势,由于光伏功率的波动和间歇性,将一个更大的部分可再生能源集成到现有的发电系统创建了一些挑战,如负载和需求不匹配,可怜的调度操作,处罚执行的客户,在电力系统连接的负载波动。应对这些挑战,将智能预测模型集成到毫克大大减少了上述问题。

预测光伏电力属于时间序列(TS)预测问题,分为单变量和多变量预测(13]。基于时间范围,这些方法分为三种类型,如长期、中期和短期功率预测(14,15]。对于不同的调度和规划,每个类型都有自己的用途,例如,导致长期规划和决策如月或一年,通常使用长期预测。等中期调度,同样,展望未来一周或更少,中期预测。最后,短期预测以来最具挑战性的目标是预测一个短的时间内,如小时,但它是最可靠和准确的方法对光伏预测。预测模型分为三种类型,如物理、统计和深度学习模型(12]。历史数据不需要在物理模型,但他们使用的太阳辐射和之间的交互物理法(16),进一步包括三个子模块,如数值天气预报(17),全天空图像(18),和卫星图像19]。物理模型的建模技术可以分为回归模型(20.),自回归(21],灰色理论[22,马尔可夫链23),和模糊理论24]。然而,物理模型在ultra-short-term预测不执行,因为它需要很长时间,只有生产6个小时的气象数据(16]。有巨大的偏差和低精度的结果物理模型;因此,在光伏预测中使用它们是不切实际的(17在毫克)。统计预测模型之间建立一个映射关系历史数据和目标使用光伏发电未来的预测(预测数据16]。很容易使用和拥有强大的区际多才多艺,但由于光伏发电的复杂多变的特性,其TS是复杂的和非周期的25]。传统的统计预测模型提供了有限的性能在大型历史数据由于长期复杂的时间信息。此外,由于浅和简单的处理方法,非线性光伏发电模式高度影响光伏的预测。因此,研究人员调查了ANN-based方法和显著提高性能的光伏发电由于其学习能力的变分模式PV (26]。然而,由于不同的大气变量和复杂天气条件下的模式,它无法提取相应的深度非线性特征和TS动力学光伏发电的27,28]。非线性映射的任务和特征提取是极具挑战性的;因此,应对这些挑战的最佳方式是采用深度学习模型提取的能力区别的特性的端到端(29日,30.]。近年来,深度学习模型的应用显著提高了图像分类(31日,32)、视频分类(33- - - - - -37),和电力预报TS数据(38- - - - - -42]。例如,汗et al。43)提出了一个混合模型对电力预测在住宅和商业建筑。他们使用的CNN模型空间特征提取,然后应用双向LSTM时态特征提取(Bi-LSTM)网络。李等人。44)提出了一个混合模型,综合小波变换与CNN光伏功率预测在不同的视野。同样,在45),作者预测日前天气预报使用LSTM太阳能辐照度的数据,然后建立了一个数学模型之间的辐照度和光伏发电分析预测。尤纳(46)提出了一个新颖的方法,利用大气数据和第二天的PV的深层神经网络一代。

然而,为了准确地预测光伏发电,众多研究人员调查不同的技术来绘制历史数据和目标之间的关系属性。他们的方法主要集中在空间或时间特性,但没有关注不同的区别的特征提取策略的远程时间之间的依赖关系复杂的光伏发电模式。因此,在本文中,我们探索不同的特征提取机制,最后提出一个混合模型,将时间特性首先其次是空间特性对光伏功率预测。我们建议的模型评估四个公开光伏发电为第二天预测数据集。实验得出的结论,提出了特征提取机制实现最低的错误率与最先进的技术。该模型的贡献总结如下:(1)小说框架提出了MG准确预测一个第二发电有效管理消费者和供应商之间的能量分布。接下来,比较研究在不同的深度学习模型进行有效的特征提取机制,最后,提出了一种混合GRU-CNN网络。(2)主流方法首先学习空间,然后时间特性,降低复杂非线性光伏发电模式的整体性能。,时间特性是排在空间特性有效学习的远程复杂非线性光伏发电模式第二光伏功率预测。该模型使用多层格勒乌连续学习时间依赖性深使用卷积特性模型和空间模式,从而使我们的模型健壮和广义的第二天光伏功率预测。(3)来验证该模型的性能、标准TS均方误差等性能指标,平均绝对误差,均方根误差和偏移误差是用于与现有最先进的方法相比在基准数据集。我们的实验结果达到最低的错误率相对于其他先进的方法。

高效光伏预测,不同的研究人员使用不同的技术,例如,在早期的文学,研究人员使用浅安,与传统技术相比,取得了可喜的成果。例如,Almonacid et al。47)使用多层感知器(MLP)预测光伏发电。同样,Dahmani et al。48]使用向前传播全球太阳辐射预测模型在一定的倾斜角度为5分钟的决议。另一组研究人员(49)提出了一种神经网络与隐层(极端学习机)间歇预测。作者声称,当网络中有大量的隐藏层,它创建问题,如过度拟合和梯度消失50]。为了解决这些问题,研究人员开发了不同的技术,最后,在2006年,介绍了深度信念网(DBN) [51]。最近改进的深度学习技术在光伏功率预测,Kuremoto et al。52)与受限制的DBN使用玻耳兹曼机(元)TS预测。同样,Dalto et al。53]调查深和浅的性能网络ultra-short-term风力预测。作者声称,模型的计算复杂度降低通过仔细选择输入变量使用他们提出变量选择算法。Wan et al。54与遏制DBN)用于日前风速预测。他们用144输入和输出节点的回归模型。实验结果得出的结论是,他们的模型表现与支持向量回归相比,单隐,三层安。然而,对于高效的风力和光伏发电预测,他们的表现是受许多变量;因此,培训DBN模型层的层需要大量的培训和陷入局部最小值,。为了解决这些问题,研究人员介绍了CNN的架构,这特性在本地和全球份额减少计算复杂性和从复杂的TS数据提取有意义的模式。在这个方向,不同的技术在文献中报道,例如,Diaz-Vico et al。55美国有线电视新闻网)用于风能和太阳能辐射的预测。王等人。56)整体技术用于风力发电的预测。同样,王et al。29日光伏功率预测使用CNN。经济特区和Ozbayoglu57)使用CNN模型,改变了从2 d为TS一维数据输入格式。通常,CNN是适合从输入数据中提取和学习空间特性;然而,时间特性也扮演着一个关键角色,TS光伏功率预测。因此,研究人员使用的LSTM模型远程时间依赖性,例如,清,妞妞58]LSTM气象和天气数据作为输入使用太阳能辐照度预测模型。最近,研究人员得出结论,整合与LSTM CNN模型克服了单一模型的缺点,因为它利用了多个模型的优势,共同学习的空间和时间信息准确、复杂的光伏预测。混合模型也介绍了TS预测领域,例如,刘et al。59)使用小波变换提取低频信息,其次是CNN虽然LSTM用于高频信息提取。秦et al。60]CNN模型用于空间特征提取而LSTM模型提取的时间特性。

减少能源危机和限制气候变化的危害,研究人员提出了不同的技术如前所述光伏功率预测集成到现有的发电系统。现有的传统方法采用预测模型的结构和参数调整。他们的表现是更好的对传统预测任务。然而,由于光伏发电的极其不稳定的性质,尤其是在阴天和雨天61年,62年),他们的表现非常退化。在文献中,大多数研究人员声称对准确光伏功率预测,两个时空特性是重要的(63年,64年]。现有的独立的网络深度学习范式只是探索空间或时间特性的能力。为了解决这些难题,研究人员正在开发混合网络,有可能在同一时间学习空间和时间特性。然而,在光伏功率预测的背景下,混合网络开发的文献没有关注的区别的特征空间和时间排序。因此,在本文中,我们综合分析不同的特征提取机制通过使用混合模型。我们的实验得出结论,学习时间特性由CNN格勒乌其次是空间特性更加高效和有效的模式表示和学习潜力,从而实现最高精度,极大地减少了错误率比最先进的方法。

3所示。提出的方法

本节简要讨论了拟议的框架的整体流程,从主电网电力流经MG向最终用户,图的可视化1。在这个研究中,我们已经开发出一种智能和健壮的混合深度学习模型的启发,主要包括三个步骤:加工;模型训练;及其评价。在预处理步骤中,异常值和异常从数据中删除,而在第二阶段,培训过程应用于各种机器和深度学习模型。在第三阶段,最后的光伏预测是计算使用不同的误差度量和评估。所有这些步骤的方法将在后面的章节中讨论。


图1
提出光伏功率预测框架主要包括三个步骤。步骤1:预处理应用规范化数据,消除异常值,并填写缺失的值。步骤2:模型选择与提炼数据使用格勒乌和CNN网络。步骤3:通过指标评价模型,包括MSE、美,MBE RMSE,。
3.1。预处理

最近的一项研究表明,深度学习模型的性能高度依赖于输入数据(45]。因此,光伏电力数据是精致的填补缺失值,消除异常值,标准化、归一化,然后提出了深度学习模型更加方便有效地提取有意义的模式。现有的光伏电力数据从太阳能电池板获得的原始格式是不完整的和无组织的42]。它包含了异常,因为传感器的故障、恶劣天气条件和变量客户消费。喂养这些数据直接退化的深度学习模型整体预测(40]。因此,美联储输入数据预处理阶段来填充缺失值的意思是下一个和之前的值。然后数据规范化,通过min-max和标准偏差和异常值删除方法,分别。

3.2。时间特征提取

获取远程时间复杂的光伏发电城区数据依赖关系,大多数的研究人员使用递归神经网络(RNN)学习权重在隐藏层远程网络的依赖性在TS数据(65年]。中间的层RNN保留有意义的信息从之前的状态。RNN的可视化表示的内部结构如图2(一个),代表不同的输入和输出 和 在时间 ,同样,单隐层的输出时间 是由 ,在哪里 代表了体重指标。图2(一个)可以表示为数学方程(1)。

(一)
(一)
(b)
(b)
图2
递归神经网络可视化表示的(a),而(b)代表了封闭的复发性单位。

在方程(1条款), , ,和 用来表示非线性激活和偏见,而这个词 指的是学习权重捕获时间依赖性在光伏功率预测。RNN患有消失梯度问题目标输出的时间间隔很长,因此一个特殊变体叫做格勒乌解析梯度消失问题,这有两个structure-gated重置和更新等机制。因此,它比LSTM模型不那么复杂,因为它有更少的盖茨和培训期间需要少量的参数(66年]。他们的可视化表示如图2 (b)。

格勒乌的数学表示给出了方程(2)(5),更新和重置门为代表 和 ,同样,激活和基向量代表候选人 和 , , ,分别。的 是当前单元的输出连接到下一个单元的输入。此外, 是当前的输入单元,也是以前的输出单元。的 和 代表的激活函数,输入训练数据和相应的输出表示 和 在一个时间戳 。重置门和更新由门 和 。

3.3。空间特征提取

CNN有两个主要的属性,如本地连接和重量共享处理高维数据和提取有意义的区别的特性。CNN主要由卷积层、汇聚层,和完全连接层。卷积层是核心的层负责提取局部特征。前一层的提取特性与卷积核的乘积为形式的输出特性图 。它包含卷积与多个输入特征图;他们的数学表示给出了方程(6)。

这里,输入卷积的特征映射层 和 由 ,虽然偏见、内核和卷积的输出层表示 , ,和 ,分别。一个Relu 激活函数在整个网络和其数学表示方程所示(7)

池层主要负责减少的尺寸特性,也被称为downsampling层。它有几个变种,如平均max-pooling等等。

3.4。网络体系结构

格勒乌模块捕获远程依赖,所以它可以学习有用的信息从TS数据使用记忆细胞。被丢弃的非突信息记忆门叫做忘记门。它们的输出直接连接到CNN模块。提出的混合模型,格勒乌模块由两层组成。在第一和第二层次,32和64细胞大小,紧随其后的是一个两层CNN模块有一个内核大小3和一个过滤器在每一层大小为64。对于非线性,ReLU激活使用。给出了该模型的详细总结表1。输出特性是用16个数字然后被夷为平地,一个完全连接层的神经元。一个MSE作为损失函数模型成功地训练,然后我们评估测试数据。

表1
详细的总结提出了模型对短期提前一小时太阳能预测模型。

4所示。实验结果和讨论

在本节中,我们讨论了光伏发电数据集,评价指标,用最先进的方法进行比较分析。该模型实现Python编程语言和Keras (2.3.1) TensorFlow(1.14.0)深度学习框架。Windows 2070操作系统与GeForce RTX超级图形卡是用来加快培训过程和完整的细节表2。

表2
该模型所需培训的细节。
4.1。数据集描述

为了评估该方法的性能,我们用四个公开真实的光伏电力数据集DKASC-AS-1A等DKASC-AS-1B, DKASC-AS-2Eco, DKASC-Yulara-SITE-3A聚集在DKASC, Alice Springs(),澳大利亚(67年- - - - - -69年]。DKASC-AS-1A数据集来自1植物,从2×30产生10.5千瓦太阳能电池板,及其安装完成星期四,2009年1月8日。同样,DSKASC-ASA-1B数据集收集从1 b植物产生23.4千瓦4×30板的数量,以及他们的安装竣工星期四,2009年1月8日。每个工厂的整体细节和收集的数据信息表3。所有这些数据集记录从活跃的太阳能发电植物五分钟的分辨率不同的发电能力。它由不同的属性,例如,发电和风速等气象要素,天气温度,等。培训的目的,培训这些数据集分为70%,20%进行验证,10%用于测试。

表3
每个数据集和相应的技术细节关于发电工厂的细节。
4.2。评价指标

该模型的性能评价等四个广泛使用的预测指标MSE,梅,RMSE,和,MBE数学方程表达(8)(11)。

5。实验结果和讨论

该模型的性能评价等几个深度学习模型LSTM,格勒乌,CNN-LSTM, CNN-GRU, LSTM-CNN,最后,提出GRU-CNN模型。

5.1。详细比较分析

分析该模型的性能,我们使用四个实际光伏电力数据集,并给出他们的细节表3。在文献中,有两种类型的特征提取;一指的空间或时间特性提取,第二个是一个混合模型,空间或时间特性是优先的,分别。表4显示前一小时光伏功率预测不同的独立和混合模型。这里,错误率如MSE、美,MBE RMSE,所提出的混合模型相对低于独立的模型。图形的比较幼稚的预测结果(SVR),最先进的(LSTM-CNN),并给出该模型图3。虽然该模型在每个数据集的可视化表示在图给出4。研究结果表明,天真的性能预测方法远比最先进的,我们的方法。鉴于,如图4,有一个狭窄的实际差距模型和预测价值。这种差距在最先进的模型更高和更高的天真的预测模型。

表4
提出了模型的比较分析与现有不同深度学习模型。这里,DKASC-AS-1A DKASC-AS-1B DKASC-AS-2Eco, DKASC-Yulara-SITE-3A代表光伏发电数据集。粗体文本显示实验结果所提出的模型在一小时之前光伏功率预测。

图3
可视化表示的可预测性与天真的和最先进的模型该模型预测提前两天。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图4
提出了混合GRU-CNN预测模型的可视化表示。(一)DKASC-AS-1A数据集,(b) DKASC-AS-1B数据集,(c) DKASC-AS-2Eco和(d) DKASC-Yulara-SITE-3A实际数据集和预测价值。

总结表4实验中,在TS光伏功率预测,有效的特征提取高度与深度学习的预测模型。在我们的例子中,颞功能优先,然后降低了维数。使用1 d-cnn提取空间特性是一种有效的方法来建模复杂的光伏功率预测模式。然而,提取时间特性使用LSTM模型不是有效的,因为它使用3 - layer构建大门。因此,由于高维特性,最后一层LSTM无法识别复杂的光伏发电模式。格勒乌使用两层结构,它的特征空间是小LSTM相比;因此,格勒乌需要更少的计算和实现最高精度。GRU-CNN的性能模型的四个数据集的结论是,该模型更适合部署在实际光伏功率预测在MG。

5.2。定量评价

在本节中,讨论了实验结果比较我们的模型与深度学习模型的性能。表5显示了该模型的性能与现有最先进的模型,在此,第一部分显示了DKASC-AS-1B数据集的结果与现有的模型相比。例如,王et al。45)使用1 d-cnn模型和梅和RMSE值达到0.304和0.822,分别。

表5
提出模型的性能相比之下,现有先进的光伏功率预测模型。最好的性能以粗体显示。

同样,还使用了一个混合的方法,提取空间特征的帮助下CNN然后LSTM用于学习的时间信息,梅和RMSE值达到0.294和0.693,分别。此外,当他们第一次通过LSTM提取时间信息,其次是空间信息,它实现了0.221和0.621美和RMSE值,分别。因此,在这个方向,我们进一步提出了不同的特征提取机制,最后,我们建议的模型达到了0.1727,0.0298,0.0923,和0.0235 RMSE值,MSE,美,和,MBE分别。表的第二行5代表了DKASC-AS-2Eco数据集与现有技术相比的性能。在基线研究[44),作者的实验多层感知器(MLP)达到1.0861和0.1995,MBE RMSE值和分别。他们还使用了RNN RMSE MBE和0.1442−1.0581和报告。LSTM和格勒乌网络也用于光伏预测,他们取得了1.0382−0.084,1.0351,0.1206,MBE RMSE值,分别。在过去的模式44),作者幂级数的任务分解成子系列采用小波包分解,然后使用LSTM模型,达到0.2357和0.0067,MBE RMSE值和分别。我们建议的模型实现了性能优越的0.1646,0.0271,0.1157,和0.0641−RMSE, MSE,美,和,MBE分别相比,现有的模型。最后,该模型的性能评估在DKASC-Yulara-SITE-3A [70年]数据集与最先进的方法。陈等人。71年)提出了一个坐标分类(RCC-LSTM)呼吁太阳能辐射预测。他们提出的方法取得了0.94和0.587 RMSE值和梅DKASC-Yulara-SITE-3A数据集,分别。该方法达到了0.1715,0.0294,0.1126,和0.0099 RMSE值,MSE,美,和,MBE分别。

6。结论

准确光伏功率预测中发挥着重要作用避免处罚执行客户对各种生产公司,在能源市场建立起信任,有助于能源发电调度。主流传统和深度学习方法依赖于简单的固有特性和只考虑空间或时间特性的非线性模式PV幂级数。在拟议的框架中,我们调查了不同特征提取机制和实验证明了提出的时间和空间特征提取优于现有最先进的方法。我们建议的框架主要由三个步骤组成。在第一步中,预处理应用于输入数据填充缺失的值和规范化数据。正常化后,数据被用来喂养GRU-CNN模型首先学习的时间和空间特性。最后,给出该模型性能的评价对其竞争对手,提倡更好的错误率最低的预测能力和更好的推广潜力。在未来,我们打算部署该模型在资源受限的设备上的家用电器能源管理。

数据可用性

可以从下载代码和相关材料https://github.com/Altaf-hucn/Hybrid-Deep-Learning-Network-for-Photovoltaic-Power-Forecasting。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由韩国国家研究基金会(NRF)授予由韩国政府(MSIT)(2019号m3f2a1073179)。