CN110766212B - 用于历史数据缺失电场的超短期光伏功率预测方法 - Google Patents

Abstract

本发明提供的是一种用于历史数据缺失电场的超短期光伏功率预测方法。(1)选取具有充足历史数据的光伏电场A作为源域，构建源域训练集、验证集及测试集，在电场B的历史光伏功率数据上构建目标域训练集、验证集及测试集；(2)利用源域训练集及验证集数据分别对MLP预测神经网络进行初次训练和修正训练；(3)对步骤(2)得到的网络的结构进行改造；(4)利用源域训练集、目标域的训练集和验证集重新训练网络，得到服务于电场B光伏电场的功率预测网络；(5)将电场B的历史数据和实时监测数据输入步骤(4)得到的最终预测网络，预测网络输出电场B下一时刻的预测结果。本发明解决了新建光伏无法有效实施基于历史数据的功率预测问题。

Description

用于历史数据缺失电场的超短期光伏功率预测方法

技术领域

本发明涉及的是一种光伏功率预测方法，具体地说是一种超短期光伏功率预测方法。

背景技术

作为可再生能源的一种，光能已经被许多国家和地区用来发电。但是，光能具有较强的突变性，容易受地理位置和天气状态影响。因此，大规模光伏电厂的融入在实际电网运行中会给电网运行带来诸多问题，影响电力系统稳定性和供电可靠性。光伏功率预测技术可以预判未来光伏出力是处于短缺还是充沛状态，从而可以协助电力工作人员进行对光伏电站的运行管理和电力调度的统筹规划。因此，利用光伏功率预测技术可以在一定程度上消弱光伏出力的不确定性的影响，有效缓解上述问题。

光伏功率预测方法的分类方式很多，根据预测模型的不同，主要分为物理方法和统计方法；根据预测的时间尺度的不同，可分为超短期预测、短期预测，中期预测和长期预测。作为统计方法的一种，人工神经网络(ANNs)被广泛使用，它预测的精确度被许多学者证明要比物理方法高。光伏功率的中期和长期预测主要用在电力系统的中长期规划和制定维护计划上，其分钟级的超短期预测(包括5分钟，15分钟，30分钟级等低于小时级预测)则用于电网的运行管理中。本发明针对的是超短期光伏功率预测，主要用来预测当前时刻的下一时刻的功率值。

光伏功率的大小与当地当时的天气状况有密切关系，因此，许多光伏功率的预测方法利用天气变量(如云量、辐照度、气温等)建立预测模型。同时，许多学者提出了基于历史功率数据建立预测模型的方法。但利用历史功率数据建立光伏功率超短期预测模型的前提是充足的数据。在此类预测方法中，大多采用1-2年的数据进行建模。对于新建的或投入运行时间较短的光伏电场B，其已经实施监测记录并保留的数据量有限(数量不足)，因此可用于功率预测的历史数据不足，致使基于历史功率数据建立光伏功率预测模型的方法无法针对电场B实施。

所谓的迁移学习是指利用数据、任务、或模型之间的相似性，将在旧领域(术语中称为源域)学习的模型，应用于新领域(术语中称之为目标域)的一种机器学习过程。目前，迁移学习不仅在语义分析、图像识别和生物信息学领域得到了广泛应用，也有学者开始将迁移学习应用在时间序列的预测上，如公开号为CN109711620A的专利文件中，将过往的历史负荷数据当做“源域”，近期的历史负荷数据当做“目标域”，基于GRU神经网络提出了短期电力负荷预测方法，通过迁移学习利用过往历史数据的特征，最终提高了负荷预测的精度。然而，还未见基于迁移学习的超短期光伏预测研究。

发明内容

本发明的目的在于提供一种可应用于历史数据存量不足，尤其是新近投运的光伏电场的用于历史数据缺失电场的超短期光伏功率预测方法。

本发明的目的是这样实现的：

(1)根据目标域电场B的地理位置、气候类型和装机容量信息，选取具有充足历史数据的光伏电场A作为源域，利用时间窗在电场A的历史光伏功率数据上构建源域训练集、验证集及测试集，在电场B的历史光伏功率数据上构建目标域训练集、验证集及测试集；

(2)利用源域训练集及验证集数据分别对MLP预测神经网络进行初次训练和修正训练，用源域测试集验证可靠性，直到达到预测精度要求为止，得到网络记为NetA；

(3)对步骤(2)得到的网络NetA的结构进行改造：在其网络结构的基础上，增加一层输入层，做为目标域输入层；在最后一层隐层的后面，增加一层做为表征源域数据与目标域数据的差异性的自适应层，改造后的网络记为NetB’；

(4)调整网络NetB’的损失函数，同时保持NetB’的其他参数不变，利用源域训练集、目标域的训练集和验证集重新训练网络，利用目标域测试集测试可靠性，直到达到期望的预测精度要求为止，得到服务于电场B光伏电场的功率预测网络，记为NetB；

(5)将电场B的历史数据和实时监测数据输入步骤(4)得到的最终预测网络NetB，预测网络输出电场B下一时刻的预测结果。

为了描述的简洁，本发明将历史光伏数据充足的光伏电场简称为“电场A”，将可以从历史数据中挖掘出来知识的电场A简称为迁移学习中的“源域”；将新建或投入运行时间较短的光伏电场简称为“电场B”，并将其做为迁移学习中的目标域。

为了解决对数据匮乏的目标域未来时段内光伏功率的准确预测问题，本发明能在目标域历史数据很少的情况下，基于源域知识和迁移学习构成针对目标域的预测精度较高的预测方法，服务于目标域电网的运行控制。发明先通过神经网络提取源域的时间序列特征，再通过迁移学习将从源域学到的特征知识应用到目标域的功率预测中。

本发明使用历史数据充足的电场A所得到的预测模型去预测新建或投入运行时间较短的电场B的光伏功率。同时，在发明中考虑到：由于A、B的地形、气候不同，一般情况下直接使用效果通常不好(无法确保来自A场的数据可以直接被用于B场)，故在本发明中，引入迁移学习，来确保电场A的知识能有效地转移到电场B中。

本发明的有益效果表现在：提出一种可应用于历史数据存量不足，尤其是新近投运的光伏电场的超短期光伏功率的预测方法和实现手段。本发明可以通过神经网络学习到的源域电场A的知识，通过添加自适应层等手段将源域的知识转移到目标域电场B。与传统人工智能方法相比，通过迁移学习可以将源域的预测模型应用在目标域上，从而克服了目标域电场缺少数据的问题，在一定程度上解决了现有预测网络适应性差的情况，达到为目标域建立一个精度较高的超短期光伏功率预测模型的目的。

附图说明

图1是本发明所提出的基于迁移学习的网络模型调整示意图；

图2是本发明实施方案的步骤流程图；

图3是本发明仿真实验的预测结果图；

图4是实验对比结果表1。

具体实施方式

本发明的技术方案，用源域数据建立针对源域的基于多层感知机(MLP)的超短期光伏功率预测网络，再通过迁移学习将源域的知识迁移到目标域，主要步骤如下：

(1)根据电场B(目标域)情况，借助经验，考虑地理位置、气候类型和装机容量等方面，选取合适的具有充足历史数据的光伏电场A作为源域。利用时间窗在源域的历史光伏功率数据上构建源域训练集、验证集及测试集。同理，用同样地方法在目标域的历史光伏功率数据上构建目标域训练集、验证集及测试集。

(2)利用电场A(源域)的训练集及验证集数据分别对MLP预测神经网络进行初次训练和修正训练，用源域测试集验证模型的可靠性，直到达到预测精度要求为止。此时得到网络记为NetA。

(3)对步骤(2)得到的网络NetA的结构进行改造：在其网络结构的基础上，增加一层输入层，做为目标域输入层；在最后一层隐层的后面，增加一层做为表征“源域数据与目标域数据的差异性”的自适应层，改造后的网络记为NetB’。

(4)调整新网络NetB’的损失函数，同时保持NetB’的其他超参数不变，利用电场A(源域)训练集、电场B(目标域)的训练集和验证集重新训练网络。利用目标域测试集测试模型的可靠性。直到达到期望的预测精度要求为止(多应宽松于步骤2要求的预测精度)。则可以认为：此时得到的网络就是可以较好服务于B光伏电场的功率预测网络，记为NetB，即完成了迁移学习。

(5)将B电场的历史数据和实时监测数据输入步骤(4)得到的最终预测网络NetB，预测网络会输出B电场下一时刻的预测结果。

下面举例对本发明做更详细的描述。

步骤(1)：利用滑动时间窗，构建用于网络训练、验证和测试用的数据集

通过经验选定了源域电场A后，利用时间窗，对源域的光伏功率历史数据进行处理，以此来构建针对源域功率预测网络的数据集(包括训练集、验证集及测试集)。同样，利用相同的时间窗，在目标域历史光伏功率数据上构建目标域的训练集，验证集及测试集：

步骤(1.1)数据的预处理

对光伏场的历史数据进行预处理，包括剔除无效数据和数据归一化。剔除无效数据的方法可采用常用的方式。归一化可以采用但不限于公式(1)所示的处理形式。

式中，x代表当前时刻的功率值，min指功率时间序列中的最小值，max指功率时间序列中的最大值。

步骤(1.2)根据滑动时间窗，对经步骤(1.1)归一化后的数据进行再处理，构建数据集。

利用长度为p的时间窗在历史功率时间序列上滑动，滑动步长设置为Q。这里Q可以设为但不限于设置为1。窗口内前p-1个值作为神经网络的输入值，第p个值作为网络的输出值。p可根据需要进行设置，这里建议(但不限于)取5。

步骤(1.3)源域与目标域数据集的数据粒度的一致化

用于迁移前/后预测网络的时间序列(数据集)的时间间隔(即时间粒度)需要一致。因此，需要确保用于训练预测网络的源域和目标域的数据集中的历史数据满足这一要求。因此，在实施中，需要确保源域历史数据的数据之间的时间间隔小于或等于目标域历史数据的时间间隔。并通过源域历史数据的降采样，来使源域与目标域的时间粒度一致。不建议将时间间隔大于目标域的电场作为源域。

步骤(2)MLP功率预测网络的源域训练

此环节是利用电场A(源域)的训练集及验证集数据训练基于MLP神经网络的光伏功率预测网络，并用源域测试集验证模型的可靠性。通过反复训练，达到理想的预测精度，得到电场A的预测网络NetA。

步骤(2.1)构建的MLP神经网络的结构主要包括：输入层，隐藏层1、隐藏层2和输出层(如图1(a)所示)。其中，输入层的维度为p-1，输出层的维度为1(对应预测的功率值)。损失函数为均方误差MSE_loss，其可以用式(2)表征。

式中，n为样本数，i代表样本下标，y_i为功率的实际值，y_i'为预测值。

步骤(2.2)设置网络的超参数，如隐层1的神经元个数，隐藏2的神经元个数，学习率、dropout分数、优化器和激活函数等。一般地，激活函数建议用tanh，优化器建议用Adam。然后，将源域训练集及验证集数据代入MLP预测网络进行网络训练。

步骤(2.3)利用源域的测试集测试网络的预测精度：误差评价函数采用均方根误差(e_RMSE)和可决系数(R_square)，分别如(3)式和(4)式所示。式中，N为样本数，

为预测值，x_i为实际值，

为样本的平均值。其中，可决系数是多元回归中的回归平方和占总平方和的比例，它是度量多元回归方程中拟合程度的一个统计量，可决系数越接近1，回归的拟合程度就越好。如果当前测试的神经网络的e_RMSE或R_square不理想，则返回步骤(2.2)重新训练，直至网

络达到预测精度的要求为止。此时，将网络记为NetA。

步骤(3)对步骤(2)得到的NetA的结构进行改造，构建用于目标域的预测网络初使架构

此环节主要是在步骤(2)所得到的NetA的结构的基础上，改造输入层，增加一个针对目标域数据的输入部分；在隐层2的后面，增加一层表征“源域数据与目标域数据的差异性”的自适应层，即得到结构如图1(b)所示的网络NetB’。

步骤(3.1)增加输入层中针对目标域的网络部分

在步骤(2)所得的NetA的隐层1前，增加目标域输入层，即使网络的输入层分为两部分(等同使网络具有两个彼此独立的输入层部分，即源域输入层部分和目标域输入层部分)。在步骤(1)中构建的源域数据集(样本集)，通过源域输入层部分进入网络；构建的目标域数据集(样本集)则通过目标域输入层部分进入网络。在训练的过程中，每次向网络输入的数据都包含了等量的源域数据和目标域数据。但在输入网络的数据中，源域数据是包含标签值(即真实功率值)的；而目标域中的数据不包含标签值。

步骤(3.2)增加自适应层

在NetA的隐层2的后面，增加一层表征“源域数据与目标域数据的差异性”的自适应层。在发明中，自适应层使用了一个被称作MMD_loss的复杂函数来构成。

下面描绘一下MMD_loss函数。将源域数据记为D_s，目标域数据记为D_t，则可用向量的形式表示两个域一起输入到新网络输入层的数据组，这里将其记为{x⁽ⁱ⁾ _s}_{i＝1,2...,n1}∈D_s，n1代表源域的样本数，i代表源域样本上标；{x^(j) _t}_{j＝1,2,...n2}∈D_t，n2代表目标域的样本数，j代表目标域样本上标。源域和目标域的输入数据各自通过其对应输入层部分传入同一个新神经网络。经过两层共享的隐层后，源域数据流经隐层2后的输出值和目标域数据流经隐层2后的输出值被用来计算两者的最大均值差异损失函数MMD_loss，其值等于最大均值差异(MMD_e(D_s,D_t)式(5))的平方，即

式(5)中的

是数据空间中所有可能内核的语法矩阵，此处建议采用的是高斯核。

通过步骤(3)就完成了对步骤(2)所得NetA的改造，增添了目标域输入层以及自适应层(如图1(b)所示)，改造后的网络记为NetB’。

步骤(4)调整新网络NetB’的损失函数

保持NetB’的其他超参数不变，利用源域训练集、目标域的训练集和验证集重新训练网络。利用目标域测试集来测试模型的可靠性。直到达到预测精度要求为止，则可以认为：此时得到的网络就是可以较好服务于B光伏电场的功率预测网络，记为NetB，即完成了迁移学习。

步骤(4.1)调整新网络的损失函数

将网络NetB’的损失函数由步骤(2.1)中的MSE_loss变成如(6)式所示的总损失函数Loss。式中，γ是一个常数，它反映MMD_loss在总损失函数中的权重。可以设置成但不限于设置成0.25。

步骤(4.2)训练并验证新网络

保持NetB’的超参数同步骤(2.2)时的一样，利用源域训练集、目标域训练集和验证集重新训练NetB'。训练完成后，利用目标域测试集，利用步骤(2.2)提到的e_RMSE和R_square评价函数对网络的预测精度进行测试。若精度无法满足要求，则微调网络的学习率，重新进行训练，直至达到预测精度要求为止。此时，认为完成了迁移学习，并将此时的网络记为NetB。

步骤(5)利用针对电场B的功率预测网络进行超短期功率预测

将B电场的历史数据和实时监测数据组输入NetB，预测网络会输出对下一时刻的光伏功率预测结果。

本发明的可用性是利用位于亚洲的澳大利亚和欧洲的比利时的两个真实光伏场的历史功率数据进行实验。其中，澳大利亚的光伏场做为源域，其装机容量为23.4kW，时间粒度为5分钟，气候类型为热带气候，训练数据长度为1.5年。比利时的光伏场为目标域，其装机容量为3369.05MW，时间密度为15分钟，气候类型为温带海洋性气候，可用的训练数据长度为0.5月。因为两个电场数据的时间粒度不同，对源域数据进行降采样，统一它们的分辨率为15分钟。

实验结果在图4的表1和图3中分别给出。图4的表1中提到的3种预测方式如下。其中，预测方式1：使用功率预测网络NetA(即通过步骤2得到针对源域数据的预测网络)，并直接输入目标域的数据，来预测目标域的下一时刻的功率值。预测方式2：用有限的目标域数据，对功率预测网络NetA进行再训练和再验证；然后，用重新训练后的网络NetA’来预测目标域的下一时刻的功率值。预测方式3：采用使用本发明得到的功率预测网络NetB来预测目标域的下一时刻的功率值。评价函数对应的数值是13组测试数据的平均值,其中每组里包含有一天的历史功率数据。

图3给出了连续3天三种预测方式预测的功率值与真实值的情况，从图中可以看出，NetB预测的功率曲线最贴合真实的功率值曲线。图4的表1则给出了e_RMSE和R_square两种评价指标下，3种预测方式的评价函数统计值。在测试集上，本发明提出的预测方法对于的e_RMSE为117.5799，远远优于预测方式1的的249.94和预测方式2的227.4857。从R_square指标上来看，NetB预测网络的值为0.9659，高于另两种预测方式的数值，这表示该预测模型的可信度最高。经验证，其预测值与真实值的误差低至13.5％。

通过图表可以看出：通过自适应层的设计，能有效减小两地数据的分布差异，完成知识从源域到目标域的迁移；依据发明得到的预测网络NetB，可以较好地挖掘出源域与目标域之间一些深层的相似关联关系；通过本发明介绍的方法，可以一定程度上解决数据匮乏的光伏场难以实施基于历史数据的功率预测问题，并可取得较为满意的预测结果。

Claims (1)

1.一种用于历史数据缺失电场的超短期光伏功率预测方法，其特征是：

(1)根据目标域电场B的地理位置、气候类型和装机容量信息，选取具有充足历史数据的光伏电场A作为源域，利用时间窗在电场A的历史光伏功率数据上构建源域训练集、验证集及测试集，在电场B的历史光伏功率数据上构建目标域训练集、验证集及测试集；

(2)利用源域训练集及验证集数据分别对MLP预测神经网络进行初次训练和修正训练，用源域测试集验证可靠性，直到达到预测精度要求为止，得到网络记为NetA；

(3)对步骤(2)得到的网络NetA的结构进行改造：在其网络结构的基础上，增加一层输入层，做为目标域输入层；在最后一层隐层的后面，增加一层做为表征源域数据与目标域数据的差异性的自适应层，改造后的网络记为NetB’；

在NetA的隐层2的后面，增加一层表征“源域数据与目标域数据的差异性”的自适应层，自适应层使用了一个被称作MMD_loss的复杂函数来构成；

MMD_loss函数具体为：将源域数据记为D_s，目标域数据记为D_t，用向量的形式表示两个域一起输入到新网络输入层的数据组，这里将其记为{x⁽ⁱ⁾ _s}_{i＝1,2...,n1}∈D_s，n1代表源域的样本数，i代表源域样本上标；{x^(j) _t}_{j＝1,2,...n2}∈D_t，n2代表目标域的样本数，j代表目标域样本上标；源域和目标域的输入数据各自通过其对应输入层部分传入同一个新神经网络；经过两层共享的隐层后，源域数据流经隐层2后的输出值和目标域数据流经隐层2后的输出值被用来计算两者的最大均值差异损失函数MMD_loss，其值等于最大均值差异MMD_e(D_s,D_t)的平方，即

是数据空间中所有可能内核的语法矩阵，采用的是高斯核；

(4)调整网络NetB’的损失函数，同时保持NetB’的其他参数不变，利用源域训练集、目标域的训练集和验证集重新训练网络，利用目标域测试集测试可靠性，直到达到期望的预测精度要求为止，得到服务于电场B光伏电场的功率预测网络，记为NetB；

(5)将电场B的历史数据和实时监测数据输入步骤(4)得到的最终预测网络NetB，预测网络输出电场B下一时刻的预测结果。

Images