基于宽度学习系统的光伏发电功率超短期预测

周楠; 徐潇源; 严正; 陆建宇; 李亚平

doi:10.7500/AEPS20200228002

您当前的位置：

首页 >

文章列表页 >

基于宽度学习系统的光伏发电功率超短期预测

新能源电力系统预测技术及其应用 | 更新时间：2025-06-16

- 基于宽度学习系统的光伏发电功率超短期预测
- Ultra-short-term Forecasting of Photovoltaic Power Generation Based on Broad Learning System
- 电力系统自动化-方正平台 2021年45卷第1期页码：55-64
- 作者机构：
  
  1.电力传输与功率变换控制教育部重点实验室（上海交通大学），上海市 200240
  2.国家电网公司华东分部，上海市 200120
  3.中国电力科学研究院有限公司（南京），江苏省南京市 210003
- 作者简介：
  
  周楠(1997—)，男，硕士研究生，主要研究方向：新能源发电预测。E-mail：zhounan2015@sjtu.edu.cn
  徐潇源(1989—)，男，通信作者，助理教授，主要研究方向：电力系统不确定性分析、电力系统优化运行。E-mail：xuxiaoyuan@sjtu.edu.cn
  严正(1964—)，男，教授，博士生导师，主要研究方向：电力系统优化运行、电力系统稳定分析及智能电网。E-mail：yanz@sjtu.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(52077136)
- DOI：10.7500/AEPS20200228002
  中图分类号：
- 收稿日期：2020-02-28，
  
  修回日期：2020-08-24，
  
  网络出版日期：2020-10-01，
  
  纸质出版日期：2021-01-10
- 稿件说明：
移动端阅览
周楠,徐潇源,严正等.基于宽度学习系统的光伏发电功率超短期预测[J].电力系统自动化,2021,45(1):55-64.

ZHOU Nan,XU Xiaoyuan,YAN Zheng,et al.Ultra-short-term Forecasting of Photovoltaic Power Generation Based on Broad Learning System[J].Automation of Electric Power Systems,2021,45(1):55-64.
周楠,徐潇源,严正等.基于宽度学习系统的光伏发电功率超短期预测[J].电力系统自动化,2021,45(1):55-64. DOI： 10.7500/AEPS20200228002.

ZHOU Nan,XU Xiaoyuan,YAN Zheng,et al.Ultra-short-term Forecasting of Photovoltaic Power Generation Based on Broad Learning System[J].Automation of Electric Power Systems,2021,45(1):55-64. DOI： 10.7500/AEPS20200228002.

摘要

近年来，深度学习被应用于光伏发电预测中，体现出预测精度较高的优点，但也存在训练耗时等问题。对此，提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先，采用自组织映射对各时刻的光伏数据进行精细化聚类，提取不同时段与气象条件下的出力波动特征；然后，构建基于宽度学习系统的光伏发电功率多步长预测模型，在网络宽度上扩展节点数目，并通过求解矩阵伪逆训练神经网络，在保证较强高维数据拟合能力的同时，具有较高的计算效率；最后，采用实际光伏发电数据进行算例分析，通过与常用的光伏发电超短期预测方法进行比较，验证所提出的方法在预测精度与训练效率上的优越性。

Abstract

In recent years

deep learning has been applied to photovoltaic (PV) power forecasting and shows the advantage of high accuracy. However

there also exist problems such as time-consuming training. In order to handle these problems

an ultra-short-term forecasting model of PV power generation based on the self-organizing map (SOM) and broad learning system (BLS) is proposed. Firstly

the SOM is applied to cluster the PV data at each moment to extract the fluctuation characteristics during different periods and under different meteorological conditions. Secondly

a multi-step forecasting model of PV power generation based on BLS is constructed

which increases the number of neurons in width and is trained by calculating the pseudoinverse matrix

thus guaranteeing strong capability for fitting high-dimensional data while keeping high computation efficiency. Finally

the actual PV power generation data are used to carry out the case study. By comparing with commonly used ultra-short-term forecasting methods

the superiority of the proposed method in terms of forecasting accuracy and training efficiency is verified. This work is supported by National Natural Science Foundation of China (No. 52077136).

关键词

Keywords

references

王晗，严正，徐潇源，等 . 基于稀疏多项式混沌展开的孤岛微电网全局灵敏度分析［J］. 电力系统自动化， 2019 ， 43 （ 10 ）： 44 - 57 .

WANG Han ， YAN Zheng ， XU Xiaoyuan ， et al . Global sensitivity analysis for islanded microgrid based on sparse polynomial chaos expansion ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 10 ）： 44 - 57 .

龚莺飞，鲁宗相，乔颖，等 . 光伏功率预测技术［J］. 电力系统自动化， 2016 ， 40 （ 4 ）： 140 - 151 .

GONG Yingfei ， LU Zongxiang ， QIAO Ying ， et al . An overview of photovoltaic energy system output forecasting technology ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 4 ）： 140 - 151 .

光伏发电站功率预测系统技术要求：NB/T 32011—2013 ［S］. 北京：中国电力出版社， 2013 .

Technical requirement of power forecasting system for PV power station： NB/T 32011—2013 ［S］. Beijing ： China Electric Power Press ， 2013 .

LARSON D P ， NONNENMACHER L ， COIMBRA C F M . Day-ahead forecasting of solar power output from photovoltaic plants in the American Southwest ［J］. Renewable Energy ， 2016 ， 91 ： 11 - 20 .

朱想，居蓉蓉，程序，等 . 组合数值天气预报与地基云图的光伏超短期功率预测模型［J］. 电力系统自动化， 2015 ， 39 （ 6 ）： 4 - 10 .

ZHU Xiang ， JU Rongrong ， CHENG Xu ， et al . A very short-term prediction model for photovoltaic power based on numerical weather prediction and ground-based cloud images ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 6 ）： 4 - 10 .

叶林，陈政，赵永宁，等 . 基于遗传算法-模糊径向基神经网络的光伏发电功率预测模型［J］. 电力系统自动化， 2015 ， 39 （ 16 ）： 16 - 22 .

YE Lin ， CHEN Zheng ， ZHAO Yongning ， et al . Photovoltaic power forecasting model based on genetic algorithm and fuzzy radial basis function neural network ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 16 ）： 16 - 22 .

LIU Jun ， FANG Wanliang ， ZHANG Xudong ， et al . An improved photovoltaic power forecasting model with the assistance of aerosol index data ［J］. IEEE Transactions on Sustainable Energy ， 2015 ， 6 （ 2 ）： 434 - 442 .

程港，林小峰，宋绍剑，等 . 基于PCA-GA-ELM的光伏发电功率预测研究［J］. 可再生能源， 2019 ， 37 （ 10 ）： 1440 - 1447 .

CHENG Gang ， LIN Xiaofeng ， SONG Shaojian ， et al . Research on photovoltaic power generation forecasting based on PCA-GA-ELM ［J］. Renewable Energy Resources ， 2019 ， 37 （ 10 ）： 1440 - 1447 .

WANG Huaizhi ， YI Haiyan ， PENG Jianchun ， et al . Deterministic and probabilistic forecasting of photovoltaic power based on deep convolutional neural network ［J］. Energy Conversion and Management ， 2017 ， 153 ： 409 - 422 .

WANG Kejun ， QI Xiaoxia ， LIU Hongda . A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network ［J］. Applied Energy ， 2019 ， 251 ： 113315 .

CHANG G W ， LU H J . Integrating grey data preprocessor and deep belief network for day-ahead PV power output forecast ［J］. IEEE Transactions on Sustainable Energy ， 2020 ， 11 （ 1 ）： 185 - 194 .

CHEN C L P ， LIU Zhulin . Broad learning system： an effective and efficient incremental learning system without the need for deep architecture ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2018 ， 29 （ 1 ）： 10 - 24 .

CHEN C L P ， LIU Zhulin ， FENG Shuang . Universal approximation capability of broad learning system and its structural variations ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2019 ， 30 （ 4 ）： 1191 - 1204 .

尹忠东，涂菁菁，徐永海 . 基于宽度学习的风光容量配置研究［J］. 电测与仪表， 2019 ， 56 （ 13 ）： 45 - 50 .

YIN Zhongdong ， TU Jingjing ， XU Yonghai . Based on broad learning system for the capacity configuration of wind and photovoltaic power generations ［J］. Electrical Measurement & Instrumentation ， 2019 ， 56 （ 13 ）： 45 - 50 .

崔江，冯赛，张卓然，等 . 基于BLS的无刷发电机旋转整流器特征提取技术研究［J］. 中国电机工程学报， 2020 ， 40 （ 12 ）： 4004 - 4013 .

CUI Jiang ， FENG Sai ， ZHANG Zhuoran ， et al . Research on feature extraction technology of brushless generator rotating rectifier based on BLS ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 12 ）： 4004 - 4013 .

单英浩，付青，耿炫，等 . 基于改进BP-SVM-ELM与粒子化SOM-LSF的微电网光伏发电组合预测方法［J］. 中国电机工程学报， 2016 ， 36 （ 12 ）： 3334 - 3343 .

SHAN Yinghao ， FU Qing ， GENG Xuan ， et al . Combined forecasting of photovoltaic power generation in microgrid based on the improved BP-SVM-ELM and SOM-LSF with particlization ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 12 ）： 3334 - 3343 .

FENG Cong ， CUI Mingjian ， HODGE B ， et al . Unsupervised clustering-based short-term solar forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2019 ， 10 （ 4 ）： 2174 - 2185 .

管霖，赵琦，周保荣，等 . 基于多尺度聚类分析的光伏功率特性建模及预测应用［J］. 电力系统自动化， 2018 ， 42 （ 15 ）： 24 - 30 .

GUAN Lin ， ZHAO Qi ， ZHOU Baorong . Multi-scale clustering analysis based modeling of photovoltaic power characteristics and its application in prediction ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 15 ）： 24 - 30 .

谭津，邓长虹，杨威，等 . 微电网光伏发电的Adaboost天气聚类超短期预测方法［J］. 电力系统自动化， 2017 ， 41 （ 21 ）： 33 - 39 .

TAN Jin ， DENG Changhong ， YANG Wei ， et al . Ultra-short-term photovoltaic power forecasting in microgrid based on Adaboost clustering ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 21 ）： 33 - 39 .

KOHONEN T . The self-organizing map ［J］. Proceedings of the IEEE ， 1990 ， 78 （ 9 ）： 1464 - 1480 .

李智勇，吴晶莹，吴为麟，等 . 基于自组织映射神经网络的电力用户负荷曲线聚类［J］. 电力系统自动化， 2008 ， 32 （ 15 ）： 66 - 70 .

LI Zhiyong ， WU Jingying ， WU Weilin ， et al . Power customers load profile clustering using the SOM neural network ［J］. Automation of Electric Power Systems ， 2008 ， 32 （ 15 ）： 66 - 70 .

PAO Y H ， PARK G H ， SOBAJIC D J . Learning and generalization characteristics of the random vector functional-link net ［J］. Neurocomputing ， 1994 ， 6 （ 2 ）： 163 - 180 .

YANG Wanqi ， GAO Yang ， SHI Yinghuan ， et al . MRM-Lasso： a sparse multiview feature selection method via low-rank analysis ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2015 ， 26 （ 11 ）： 2801 - 2815 .

BOYD S ， PARIKH N ， CHU E ， et al . Distributed optimization and statistical learning via the alternating direction method of multipliers ［J］. Foundations & Trends in Machine Learning ， 2010 ， 3 （ 1 ）： 1 - 122 .

WAN Can ， LIN Jin ， WANG Jianhui ， et al . Direct quantile regression for nonparametric probabilistic forecasting of wind power generation ［J］. IEEE Transactions on Power Systems ， 2016 ， 32 （ 4 ）： 2767 - 2778 .

HOTTEL H C . A simple model for estimating the transmittance of direct solar radiation through clear atmospheres ［J］. Solar Energy ， 1976 ， 18 （ 2 ）： 129 - 134 .

CRISTADI L ， LEONE G ， OTTOBONI R . A hybrid approach for solar radiation and photovoltaic power short-term forecast ［C］// 2017 IEEE International Instrumentation and Measurement Technology Conference （I2MTC）， May 22 - 25 ， 2017 ， Turin， Italy： 1 - 6 .

GOLESTANEH F ， PINSON P ， GOOI H B . Very short-term nonparametric probabilistic forecasting of renewable energy generation—with application to solar energy ［J］. IEEE Transactions on Power Systems ， 2016 ， 31 （ 5 ）： 3850 - 3863 .

Solar Radiation Monitoring Laboratory ， University of Oregon . Download solar data ［EB/OL］. ［ 2020-02-05 ］. http：//solardata.uoregon.edu/SolarData.html http://solardata.uoregon.edu/SolarData.html .

DKA Solar Centre . Download data ［EB/OL］. ［ 2019-05-13 ］. http：//dkasolarcentre.com.au/historical-data/download http://dkasolarcentre.com.au/historical-data/download .

黎敏，林湘宁，张哲原，等 . 超短期光伏出力区间预测算法及其应用［J］. 电力系统自动化， 2019 ， 43 （ 3 ）： 10 - 18 .

LI Min ， LIN Xiangning ， ZHANG Zheyuan ， et al . Interval prediction algorithm for ultra-short-term photovoltaic output and its application ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 3 ）： 10 - 18 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 197 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 197 .

赵亮，刘友波，余莉娜，等 . 基于深度信念网络的光伏电站短期发电量预测［J］. 电力系统保护与控制， 2019 ， 47 （ 18 ）： 11 - 19 .

ZHAO Liang ， LIU Youbo ， YU Lina ， et al . Short-term power generation forecast of PV power station based on deep belief network ［J］. Power System Protection and Control ， 2019 ， 47 （ 18 ）： 11 - 19 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向光储电站运行收益提升的光伏功率价值导向预测方法

基于改进自组织映射的用户电碳画像构建方法

基于自组织映射神经网络的电力用户负荷曲线聚类