申请/专利权人：北京理工大学

申请日：2023-11-15

公开（公告）日：2024-03-19

公开（公告）号：CN117728386A

主分类号：H02J3/00

分类号：H02J3/00;H02J3/38;G06N3/0442;G06N3/045;G06N3/08;G06Q50/06;G06Q50/26

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开的一种绿色建筑可再生能源发电量的预测方法，属于建筑可再生能源供应技术领域。本发明实现方法为：通过VMD分解法将风力信号分解为趋势分量、波动分量和随机分量三个成分，并结合利用ILSTM模型遗忘随机分量长期噪音从而提取隐藏在历史风电信号中的复杂定量关系，实现风力发电的有效预测；利用MARS回归法准确识别影响光伏的核心气象因素，采用GA‑LSTM组合神经网络模型确定复杂信号推演的最优超参数组合并推演其变化趋势，实现光伏发电的有效预测。本发明能够规避建筑周边风速、风向等高精度预报数据获取困难的问题，准确捕捉光伏的非线性发电特征并识别影响的核心气象因素，提升绿色建筑可再生能源发电量的预测精度和预测效率。

主权项：1.一种绿色建筑的可再生能源预测方法，其特征在于：包括如下步骤，步骤一：收集绿色建筑风光发电量历史数据和影响光伏发电量的相关气象因素；从绿色建筑风力逆变器和光伏逆变器的数据采集系统中分别获取高频风力发电量历史数据和光伏发电量历史数据；从光伏发电机理出发，确定影响光伏发电量的潜在气象要素，通过与预设权威气象产品类型核对，保证所选的气象指标既能够获取小时级的历史观测数据，又能够由气象预报系统提供建筑所在区县气象站的气象预报数据，作为后续的光伏发电量预测的输入变量；在气象站点选取上，设置以建筑位置为中心、预定距离为半径的匹配区域，对区域内所有气象站点的数值进行反距离加权插值；步骤二：根据步骤一完成数据预处理后，对风力发电量数据进行特征选择，对光伏发电量数据进行因素识别；对于历史风力发电量和历史光伏发电量，在预测前对数据进行异常值检测和修正处理，通过四分位法检测异常值，并对异常的发电量数据进行n次样条插值处理，获得异常值替代点；对于风力发电，利用VMD分解法将非线性不平稳的风电信号分解为趋势分量、波动分量和随机分量；趋势分量等效为风力发电的长期变动的表征，波动分量等效为短期波动的表征，随机分量接近于随机信号；在构建的VMD信号分解的过程中，通过Hilbert变换将各个模态分量ukt转变成解析信号进而转化成单侧频谱，再将单侧频谱与中心频率指数项相乘将模态的频谱转换到相应的基频带上，通过高斯平滑对解调信号的带宽进行估算；对于光伏发电，针对步骤一中初步筛选的相关气象要素，利用多元适应性回归样条法MARS识别出对所在地太阳能资源及建筑光伏发电量影响较大的关键气象因素；MARS将数据空间分拆成多个子区域，采用“逐个击破”的策略，每个区域都有自己的基底函数，然后再逐步累加出一个趋近于非线性的函数式，提高对数据拟合的精度和效率；在MARS运行过程中，第一阶段，MARS基于所有输入的解释变量构造出大量基底函数；第二阶段，通过广义交叉验证GCV来删除那些对于预测无贡献的基底函数，即删除那些无用的解释变量；将光伏发电量的历史数据作为被解释变量，将所有可能影响光伏的因素作为解释变量，输入到MARS中，通过MARS的GCV机制，筛选能够有效预测发电量的因素作为后续GA-LSTM模型的输入；步骤三：构建绿色建筑可再生能源发电量的预测模型；风力发电和光伏发电的预测均基于LSTM模型的基本框架进行展开建模；针对风力发电设计的ILSTM预测模型，改进主要分为输入向量、存储单元、输出单元三个部分；将步骤二中VMD分解法得到的趋势分量、波动分量和随机分量作为模型输入，风力发电量作为输出；输入向量中的随机分量作为短时间内风电功率的一部分需要被纳入其中；基于滑动窗口的原理将步骤二中VMD分解法得到的趋势分量、波动分量和随机分量组成包括多个时间维度的样本作为输入向量，预测模型的输出即为风电发电量的预测值；预测模型对输入向量中表示的模式进行识别和学习，建立输入和输出向量之间的映射关系；在该分量记忆单元的输入中增加参数向量D＝1,1,α，其中基于预测误差评估风电信号的随机性，确定随机分量长期记忆单元抑制参数α的取值；针对光伏发电设计GA-LSTM预测模型，将步骤二中MARS识别到的影响光伏发电量的关键气象因素作为输入，光伏发电量作为输出；通过在基础LSTM模型引入遗传算法对模型的超参数进行调优，使在预测过程中的平均绝对百分比误差MAPE最小，并基于适应性变异的遗传算法GA-AM来对这一问题进行求出数值解；基于遗传算法从给定的超参数空间里面，构造出多个超参数组合；再将每个超参数组合带入GA-LSTM模型中，对数据进行训练和预测，计算目标函数值MAPE；基于前两步的核算选择MAPE较小的超参数组合，作为父代，并继续基于选出的超参数组合进行交叉重组，产生子代；在既定的参数空间内，随机对超参数组合进行调整，直至找到最好的超参数组合，完成对基础LSTM模型的超参数调优；步骤四：将步骤二中VMD分解法获得的风电趋势分量、波动分量和随机分量和MARS回归法识别出的影响光伏发电量气象因素的历史数据做归一化处理；将归一化处理后的数据分为训练集、验证集和测试集三部分；将三个风力分量信号和对应时段的历史风力发电量数据输入步骤三搭建的ILSTM模型训练风力发电的预测模型；将相关历史气象数据和对应时段的历史光伏发电量数据输入步骤三搭建的GA-LSTM模型训练光伏发电的预测模型，得到训练好的绿色建筑可再生能源发电量预测模型；步骤五：获取预测预设时间段的历史风力发电量数据，根据步骤二将风电信号分解为趋势分量、波动分量和随机分量；获取预测当日和预测当周的影响光伏发电量的关键气象因素的预报值，将风力发电和光伏发电量的相关数据均做归一化处理；将处理后的VMD分解分量输入训练好的ILSTM模型中，分别输出对应预设时间段的风力发电量预测结果；将处理后的关键气象因素预报值输入训练好的GA-LSTM模型中，分别输出对应预设时间段的光伏发电量预测结果；将预测得到的风力发电量和光伏发电量数据相加，得到绿色建筑可再生能源中短期发电量的预测结果。

全文数据：

权利要求：

百度查询： 北京理工大学 一种绿色建筑可再生能源发电量的预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD