Ultra-Short-Term Solar PV Power Forecasting Method Based on Frequency-Domain Decomposition and Deep Learning

Author(s):  
Lin Hu ◽  
Zhao Zhen ◽  
Fei Wang ◽  
Gang Qiu ◽  
Yu Li ◽  
...  
2020 ◽  
Vol 2020 ◽  
pp. 1-9 ◽  
Author(s):  
Qian Zhang ◽  
Yuan Ma ◽  
Guoli Li ◽  
Jinhui Ma ◽  
Jinjin Ding

In this paper, we focus on the accuracy improvement of short-term load forecasting, which is useful in the reasonable planning and stable operation of the system in advance. For this purpose, a short-term load forecasting model based on frequency domain decomposition and deep learning is proposed. The original load data are decomposed into four parts as the daily and weekly periodic components and the low- and high-frequency components. Long short-term memory (LSTM) neural network is applied in the forecasting for the daily periodic, weekly periodic, and low-frequency components. The combination of isolation forest (iForest) and Mallat with the LSTM method is constructed in forecasting the high-frequency part. Finally, the four parts of the forecasting results are added together. The actual load data of a Chinese city are researched. Compared with the forecasting results of empirical mode decomposition- (EMD-) LSTM, LSTM, and recurrent neural network (RNN) methods, the proposed method can effectively improve the accuracy and reduce the degree of dispersion of forecasting and actual values.


Energy ◽  
2022 ◽  
Vol 238 ◽  
pp. 121946 ◽  
Author(s):  
Fei Wang ◽  
Xiaoxing Lu ◽  
Shengwei Mei ◽  
Ying Su ◽  
Zhao Zhen ◽  
...  

Electronics ◽  
2020 ◽  
Vol 9 (10) ◽  
pp. 1717
Author(s):  
Wanxing Ma ◽  
Zhimin Chen ◽  
Qing Zhu

With the fast expansion of renewable energy systems during recent years, the stability and quality of smart grids using solar energy have been challenged because of the intermittency and fluctuations. Hence, forecasting photo-voltaic (PV) power generation is essential in facilitating planning and managing electricity generation and distribution. In this paper, the ultra-short-term forecasting method for solar PV power generation is investigated. Subsequently, we proposed a radial basis function (RBF)-based neural network. Additionally, to improve the network generalization ability and reduce the training time, the numbers of hidden layer neurons are limited. The input of neural network is selected as the one with higher Spearman correlation among the predicted power features. The data are normalized and the expansion parameter of RBF neurons are adjusted continuously in order to reduce the calculation errors and improve the forecasting accuracy. Numerous simulations are carried out to evaluate the performance of the proposed forecasting method. The mean absolute percentage error (MAPE) of the testing set is within 10%, which show that the power values of the following 15 min. can be predicted accurately. The simulation results verify that our method shows better performance than other existing works.


Bauingenieur ◽  
2016 ◽  
Vol 91 (04) ◽  
pp. S 2-S 9
Author(s):  
Rune Brincker ◽  
Anela Bajric ◽  
Reto Cantieni

Am Beispiel der experimentellen Untersuchung der dynamischen Eigenschaften einer Fußgängerbrücke werden Probleme bei der Bestimmung der Dämpfungskapazität eines Ingenieurtragwerkes diskutiert. Aus Gründen der Verständlichkeit wird zunächst relativ ausführlich auf diese Experimente, die für die Identifikation der modalen Eigenschaften der Brücke benützten Methoden und die dabei verwendeten Parameter eingegangen.   Solange man sich für die Bestimmung der Dämpfung auf dem Boden analoger Zeitsignale bewegt, sind keine gröberen Fehler zu erwarten. Die manuelle Untersuchung eines freien, rein harmonischen Ausschwingvorganges ist zwar auch nicht vor Ungenauigkeiten gefeit. Da es die „lineare, rein viskos gedämpfte“ Struktur nicht gibt, gibt es auch den rein exponentiellen Ausschwingvorgang nicht. Der aus dem Beginn eines Ausschwingvorganges bestimmte Dämpfungswert wird nicht mit jenem übereinstimmen, der sich aus der Auswertung des Endes des Vorganges ergibt [1]. Man wird sich aber in einem begrenzten Bereich bewegen, maximal vielleicht +/- 30...50 % des „wahren“ Wertes.   Nach der Beschreibung der Versuche wird auf die Probleme eingegangen, die zwangsweise auftreten, wenn für die Bestimmung der Dämpfung ein gemessenes Zeitsignal digitalisiert, in den Frequenzbereich und wieder zurück in den Zeitbereich transformiert wird. Der dabei auftretende, systematische Fehler kann für tiefe Frequenzen exorbitante Ausmaße annehmen. Dass dies hier am Beispiel der im ARTeMIS Softwarepaket angebotenen EFDD-Methode (EFDD = Enhanced Frequency Domain Decomposition, [2]) vorgeführt wird, ist Zufall. EFDD wird auch in anderen Softwarepaketen verwendet. Das gleiche gilt auch für das hier nur am Rand diskutierte Problem, dass auch bei Verwendung der in der Wissenschaft populären SSI Methode (SSI = Stochastic Subspace Identification) unter Umständen sehr grobe Fehler an der identifizierten Dämpfung auftreten können. Am Rand wird dieses Problem hier diskutiert, weil der Grund für solche Fehler noch nicht wissenschaftlich dokumentiert ist.   Der praktisch tätige Ingenieur sollte sich darauf verlassen können, dass die Anwendung eines kommerziell vertriebenen Softwarepaketes für die Auswertung seiner Experimente brauchbare Werte für die Dämpfung liefert. Die Kenntnis der Dämpfungskapazität ist von zentraler Wichtigkeit, wenn es darum geht, die möglichen Auswirkungen von Resonanzzuständen (oder resonanzähnlichen Zuständen) zu beurteilen. Dies trifft gerade für die ersten, tieffrequenten Eigenschwingungen eines Tragwerkes zu. Für exorbitante, systematische Fehler der Auswertemethoden ist hier kein Platz. Wenn man diese aber kennt, kann ihnen aus dem Weg gegangen werden.


Sign in / Sign up

Export Citation Format

Share Document