基于mRMR-ESN的单变量光伏功率预测

doi:10.12068/j.issn.1005-3026.2021.02.004

东北大学学报（自然科学版） ›› 2021, Vol. 42 ›› Issue (2): 174-179.DOI: 10.12068/j.issn.1005-3026.2021.02.004

基于mRMR-ESN的单变量光伏功率预测

韩鹏，郭天，汪晋宽，史泽伟

(东北大学秦皇岛分校计算机与通信工程学院，河北秦皇岛066000)

收稿日期:2020-06-23 修回日期:2020-06-23 接受日期:2020-06-23 发布日期:2021-03-05
通讯作者: 韩鹏
作者简介:韩鹏(1988-)，男，山东东营人，东北大学秦皇岛分校讲师，博士；汪晋宽(1957-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61603083)；河北省自然科学基金资助项目(F2017501014)；中央高校基本科研业务费专项资金资助项目(N172304028).

PV Power Forecasting with Univariate Input Based on mRMR-ESN

HAN Peng， GUO Tian， WANG Jin-kuan， SHI Ze-wei

School of Computer and Communication Engineering， Northeastern University at Qinhuangdao， Qinhuangdao 066000， China.

Received:2020-06-23 Revised:2020-06-23 Accepted:2020-06-23 Published:2021-03-05
Contact: HAN Peng
About author:-
Supported by:
-

摘要/Abstract

摘要： 设计了两种预测模型:利用天气变量作为输入的传统多变量预测模型;利用历史功率数据作为输入的新型单变量预测模型.采用最小冗余最大相关(min-redundancy and max-relevance，mRMR) 方法分别对两种模型进行特征提取，并选用在时间序列预测方面具有优势的回声状态网络( echo state network，ESN)对未来5min的光伏功率进行仿真预测.仿真结果表明，采用mRMR方法对历史光伏功率数据进行特征提取，确定能够使预测模型达到最优效果的特征子集，并将其作为单变量预测模型的输入，可以得到更准确的预测效果.所构建的新型单变量预测模型能够为光伏电站提供新的光伏预测思路.

关键词: 回声状态网络;特征提取;特征子集;单变量输入;光伏功率预测

Abstract: Two kinds of prediction model are designed， ie， the traditional multivariable forecasting model using weather variables as input and the new univariate forecasting model using historical power data as input. The mRMR(minimum-redundancy and maximum-relevance)method is used to extract the features of the two models respectively， and ESN(echo state network)， which has advantages in time series prediction， is used to simulate and predict the photovoltaic (PV) power in the next 5minutes.The simulation results show that the mRMR method is used to extract the features of the historical PV power data， then， the feature subset that can make the prediction model reach the optimal effect is determined. The feature subset is used as the input of the univariate prediction model to obtain more accurate prediction effect. The new univariate prediction model can provide a new PV prediction idea for PV power station.

Key words: echo state network; feature extraction; character subset; univariate input; photovoltaic power forecasting

中图分类号:

TP183
TM615

韩鹏，郭天，汪晋宽，史泽伟. 基于mRMR-ESN的单变量光伏功率预测[J]. 东北大学学报（自然科学版）, 2021, 42(2): 174-179.

HAN Peng， GUO Tian， WANG Jin-kuan， SHI Ze-wei. PV Power Forecasting with Univariate Input Based on mRMR-ESN[J]. Journal of Northeastern University(Natural Science), 2021, 42(2): 174-179.

参考文献

[1]耿新华.南开大学稳步推进非晶硅太阳电池产业化［J］.天津科技，2001(3):29.(Geng Xin-hua.Nankai University has steadily promoted the industrialization of amorphous silicon solar cells［J］.Tianjin Science and Technology，2001(3):29.)
[2]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 Ying-fei，Lu Zong-xiang，Qiao Ying，et al.An overview of photovoltaic energy system output forecasting technology［J］.Automation of Electric Power Systems，2016，40(4):140-151.)
[3]胡海峰，伦淑娴.基于Leaky-ESN的光伏发电输出功率预测［J］.电子设计工程，2016，24(17):15-17.(Hu Hai-feng，Lun Shu-xian.The output power forecasting based on Leaky-ESN［J］.Electronic Design Engineering，2016，24(17):15-17.)
[4]杨佳俊，闫凯，曹冉，等.基于泄漏积分型回声状态网络的在线学习光伏功率短期预测［J］.山东电力技术，2018，45(4):24-30.(Yang Jia-jun，Yan Kai，Cao Ran，et al.Online learning PV power short term forecasting based on leaky-integrator ESN［J］.Shandong Electric Power，2018，45(4):24-30.)
[5]Yao X S，Wang Z S，Zhang H G.A novel photovoltaic power forecasting model based on echo state network［J］.Neurocomputing，2019，325:182-189.
[6]Yao X S，Wang Z S，Zhang H G.Identification method for a class of periodic discrete-time dynamic nonlinear systems based on sinusoidal ESN［J］.Neurocomputing，2018，275:1511-1521.
[7]Xu X H，Ren W J.Prediction of air pollution concentration based on mRMR and echo state network［J］.Applied Sciences，2019，9(9):1811-1824.
[8]Xu X H，Ren W J.Application of a hybrid model based on echo state network and improved particle swarm optimization in PM 2.5 concentration forecasting:a case study of Beijing，China［J］.Sustainability，2019，11(11):3096-3115.
[9]Lun S X，Yao X S，Hu H F.A new echo state network with variable memory length［J］.Information Sciences，2016，370/371:103-119.
[10]Lun S X，Wang S，Guo T T，et al.An I-V model based on time warp invariant echo state network for photovoltaic array with shaded solar cells［J］.Solar Energy，2014，105:529-541.
[11]Rana M，Koprinska I，Agelidis V G.Univariate and multivariate methods for very short-term solar photovoltaic power forecasting［J］.Energy Conversion and Management，2016，121:380-390.
[12]Jaeger H，Haas H.Harnessing nonlinearity:predicting chaotic systems and saving energy in wireless communication［J］.Science，2004，304(5667):78-80.
[13]Peng H C，Long F H，Ding C.Feature selection based on mutual information:criteria of max-dependency，max-relevance，and min-redundancy［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27(8):1226-1238.
[14]Fu L，Yang Y L，Yao X L，et al.A regional photovoltaic output prediction method based on hierarchical clustering and the mRMR criterion［J/OL］.Energies，2019，12(20):3817 ［2020-04-28］.https://doi.org/10.3390/en12203817.
[15]Du P D，Zhang G，Li P L，et al.The photovoltaic output prediction based on variational mode decomposition and maximum relevance minimum redundancy［J/OL］.Applied Sciences，2019，9(17):3593 ［2020-05-04］.https://www.researchgate.net/publication/335579493_The_Photovoltaic_Output_Prediction_Based_on_Variational_Mode_Decomposition_and_Maximum_Relevance_Minimum_Redundancy.DOI:10.3390/app9173593.

基于mRMR-ESN的单变量光伏功率预测

PV Power Forecasting with Univariate Input Based on mRMR-ESN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

编辑推荐

Metrics

本文评价

[1]	翟莹莹，左丽，张恩德. 基于参数优化的RBF神经网络结构设计算法[J]. 东北大学学报:自然科学版, 2020, 41(2): 176-182.
[2]	张华伟，郑晓涛. 基于遗传算法优化神经网络的拼焊板压边力预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 241-245.
[3]	于长永，何鑫，祁欣，马海涛. GMSDenseNet:基于组多结构卷积的轻量级DenseNet[J]. 东北大学学报:自然科学版, 2020, 41(1): 12-16.
[4]	蒋芳芳，徐敬傲，李任，徐礼胜. 基于CNN的心冲击信号阵发性房颤自动检测方法[J]. 东北大学学报:自然科学版, 2019, 40(11): 1539-1543.
[5]	王占山，康云云，牛海莎. 一类求解优化问题的神经网络及其全局吸引性分析[J]. 东北大学学报:自然科学版, 2017, 38(2): 153-157.
[6]	杨明，罗艳红，王义贺. 模型未知非零和博弈问题的策略迭代算法[J]. 东北大学学报:自然科学版, 2015, 36(3): 318-322.
[7]	马海涛，路家蕊，于文鑫，于长永. 线性区域数量与PLNN表达能力的相关性[J]. 东北大学学报（自然科学版）, 2021, 42(2): 201-207.
[8]	蒋芳芳，王浩乾，程天庆，洪楚航. 基于相空间重构的心冲击信号房颤检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1547-1554.
[9]	金瑾，王鹏. 历史数据驱动的多尺度量子谐振子优化算法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 160-167.
[10]	李大鹏，赵琪珲，邢铁军，赵大哲. 基于分层注意力循环神经网络的司法案件刑期预测[J]. 东北大学学报（自然科学版）, 2022, 43(3): 344-349.