CN111626506A - 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 - Google Patents
基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 Download PDFInfo
- Publication number
- CN111626506A CN111626506A CN202010458444.5A CN202010458444A CN111626506A CN 111626506 A CN111626506 A CN 111626506A CN 202010458444 A CN202010458444 A CN 202010458444A CN 111626506 A CN111626506 A CN 111626506A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- data
- federal learning
- model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 26
- 210000002569 neuron Anatomy 0.000 description 11
- 238000010248 power generation Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种基于联邦学习的区域光伏功率概率预测方法,主要包括如下步骤:明确区域内各个参与联邦学习框架进行概率预测的光伏电站,收集一段时间内信息以及对应的光伏功率变量,并按时间顺序采集上述变量构成样本数据集;对上述步骤获得的样本数据集进行缺失值与异常值处理;对光伏电站的样本数据集进行分割,按照一定比例分割为训练集与测试集;分别对训练集和测试集进行归一化;步骤,构建联邦学习框架;根据中心服务器根据预测要求,建立全局预测模型,定义训练误差函数与精度要求,并将网络结构以及初始化参数分发至各个光伏电站。
Description
技术领域
本发明属于光伏电站发电量预测技术领域,涉及一种针对区域能源协同调控系统以及基于联邦学习框架的区域光伏功率概率预测方法。
背景技术
可再生能源“消纳”难题一直制约着中国能源电力行业的转型发展。近年来,通过政府政策引导、深入挖掘如火电、水电和抽水蓄能等各类电源调峰潜力、加强市场调节能力等措施,使消纳问题逐步得到改善,但是一些瓶颈问题依然存在:
1.中国灵活性电源相对匮乏,如东北、华北和西北地区抽水蓄能、燃气电站等灵活调节电源比重不足2%,特别是供暖季节,热电联产机组受“以热定电”运行模式的约束,加剧了电力系统调峰压力,严重挤占了可再生能源消纳空间;
2.已实施的热电联产机组灵活性调节技术中蓄热罐、电锅炉等存在效率问题,低压缸零出力和蒸汽流程改造等存在适配性问题;
3.在利用电热综合调控手段提高电力及供暖灵活性、促进可再生能源消纳方面还缺少必要的技术储备。
围绕北方冬季“清洁供暖”和“可再生能源消纳”两大环境和能源发展需求,构建区域能源协同调控体系,破解传统热电联产机组有限调节能力与可再生能源消纳之间的矛盾,提升热电联合系统运行灵活性,实现供热与环保的协调联动具有重要现实意义。以电、热综合能效最优为目标的含有电热泵的区域能源协同调控体系,离不开对区域内可再生能源例如光伏发电功率的准确预测,来动态调节各种能源出力情况。
太阳能是一种源自自然的清洁、可持续能源,其总量丰富,具有广阔的应用前景。随着新能源发电系统规模的不断增长,其接入对电力系统的影响不断提高,促使对高效预测工具的需求更加迫切。仅对某个光伏电站的小规模预测模型已经不能够满足需求,能够处理大跨度地理区域的预测模型将成为未来电力生产的重要支撑。
目前对光伏功率预测的研究主要关注的是确定性预测(点预测),即预测出某一确定位置在未来某一时刻时的输出功率。而光伏功率容易受到天气变化等影响,存在较强的随机性与不确定性,特别是天气状况频繁波动与大范围波动时,点预测常与实际值存在显著的差异,精度难以满足电力系统运行调度的需求。此外,点预测虽然给出了最关键的预测信息,但其所包含的信息量相较于概率预测较小,无法反映光伏功率不确定性带来的运行风险,不利于电网运行的备用决策,在大规模光伏发电接入的形势下难以适应电力系统安全、稳定、经济运行的需要。
实际测得的气象数据与辐照度数据常分散在不同的机构,形成了一个个“数据孤岛”,即便一个机构内部,数据壁垒也不易打通,缺乏有效的互通和协作。而将散落在各地、各机构的数据合并集中则存在着数据隐私与泄露保护问题。由于隐私、安全或法律限制,数据所有者常无法直接共享其原始数据以进行模型训练,以上严重制约人工智能发展。
发明内容
针对上述问题,本发明提出一种基于联邦学习的区域光伏功率概率预测方法。该方法利用联邦学习框架以及贝叶斯长短期记忆神经网络,以在保护数据隐私的前提下综合考虑不确定性提高短期区域光伏功率预测精度,并给出不同置信水平下的概率预测结果。在联邦学习框架下,实现本地化的数据存储与模型训练,全局化模型优化与更新。技术方案如下:
基于联邦学习的区域光伏功率概率预测方法,包括如下步骤:
步骤1.明确区域内各个参与联邦学习框架进行概率预测的光伏电站,收集一段时间内气象信息以及对应的光伏功率变量,并按时间顺序采集上述变量构成样本数据集;
步骤2.对步骤1获得的样本数据集进行预处理;
步骤3.对步骤2中的光伏电站的样本数据集进行分割,按照一定比例分割为训练集与测试集;
步骤4.分别对步骤3中训练集和测试集进行归一化;
步骤5.构建联邦学习框架;
步骤6中心服务器根据预测要求,建立全局预测模型;
步骤7.定义步骤6中建立的全局预测模型的训练误差函数、优化器与学习率,并将网络结构以及初始化参数分发至各个光伏电站;
步骤8.中心服务器根据与各个光伏电站的通信状态,选择若干光伏电站进行预测模型训练与反馈;
步骤9.对步骤8中被选择的各个站点,使用步骤4中准备好的本地训练集和测试集分别进行模型训练与测试,并更新本地预测模型;
步骤10.各个光伏电站进行光伏功率概率预测;
步骤11.中心服务器接收步骤9中通过测试的本地预测模型,并更新全局预测模型;
步骤12.中心服务器向所有光伏电站分发更新后的全局模型;
步骤13.重复步骤8至步骤12,进行全局模型的滚动更新。
此外,本发明还公开一种针对区域能源协同调控系统,包括上述所述的基于联邦学习的区域光伏功率概率预测方法。
有益效果:本发明基于联邦学习框架以及变分贝叶斯长短期记忆神经网络,在保护数据隐私的前提下综合考虑建模与数据观测中的不确定性,以提高短期区域光伏功率预测精度,并给出不同置信水平下的概率预测结果。凭借联邦学习框架,实现本地化的数据存储与模型训练,全局化模型优化与更新,开拓数据共享新途径,提供更多信息辅助综合能源系统实时优化调度决策。
附图说明
图1:本发明基于联邦学习的区域光伏功率概率预测方法及其系统具体结构框图。
图2:本发明基于联邦学习的区域光伏功率概率预测方法及其系统流程图。
图3:本发明在宁夏采集的2006年7月至2018年11月的气象数据与光伏功率数据进行了日前概率预测测试曲线图。其中,站点A与站点B为两距离1km的光伏电站,其设施配置与采集数据完全相同,并与中心服务器共同构成联邦学习框架。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
实施例1
基于联邦学习的区域光伏功率概率预测方法,包括如下步骤:
步骤1.明确区域内各个参与联邦学习框架进行概率预测的光伏电站,其包括但不限于分布式光伏电站,集群式光伏电站。收集一段时间内上述电站所处环境的气象信息以及对应的光伏功率,并按时间顺序将上述观测量构成样本数据集;所述气象信息包括总辐照度、直接辐照度、散射辐照度数据,气温、气压、风速、风向、相对湿度以及采集上述量的日期与时间;
步骤2.对步骤1获得的样本数据集进行预处理。实施方式如下:
对于数据集中的数据,如果存在数据明显偏离近期测量数据范围,则很可能是异常值。此时可采取平均法进行处理,即使用近期数据的平均值进行替代。若出现连续异常值(例如异常值持续时长超过15分钟),则使用历史同期该时段数据进行替换。
对于小于0的总辐照度、直接辐照度、散射辐照度数据、光伏功率数据,使用0替代。
对于时间信息,取其小时数以及星期数进行独热编码处理,处理方式如下:
使用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候,其中只有一位为1。例如
自然状态码为:000,001,010,011,100,101
独热编码为:000001,000010,000100,001000,010000,100000
步骤3.对步骤2中的光伏电站的样本数据集进行分割,按照8:2或7:3的比例不打乱地分割为训练集与测试集。
步骤4.分别对步骤3中训练集和测试集进行归一化。归一化针对数据集中的有量纲数据对其度量单位的依赖性问题,定义某种规则进行变换,使之落入某一较小的区间范围,以消除不同量纲对于建模过程的影响。常用的零均值归一化过程使得不同量纲的数据转化为无量纲数,并可解决实际值可能突破历史最大最小值的问题,该变换f可表示如下:
f:xi→x'i,x'i∈[-1,1]
其变换方式为:
其中,xi为原始数值,x'i为归一化后数据,μA为变量A的均值,σA为变量A的标准差。
步骤5.构建联邦学习框架:图1为本发明的系统架构示意图。如图1所示,中心服务器与光伏电站可以通过有线或无线的方式进行通信连接。其中,中心服务器节点可为单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云;光伏电站则包含气象数据与光伏功率数据采集、记录、存储设备、本地计算资源以及网络通信设备。
步骤6.中心服务器根据预测要求,建立全局预测模型;
所述全局预测模型建立方法:
采用变分贝叶斯长短期记忆网络模型获取某一光伏电站功率时域特征,该神经网络模型主要包含长短期记忆网络结构以及变分贝叶斯推断结构。
所述长短期记忆网络结构建立方法:
长短期记忆网络结构包含输入层,长短期记忆网络层LSTM#1,长短期记忆网络层LSTM#2,全连接层Dense#1,全连接层Dense#2。所有LSTM层中使用sigmoid函数作为激活函数。所述的LSTM层具体表示为:
it=σ(Wiixt+bii+Whih(t-1)+bhi)
ft=σ(Wifxt+bif+Whfh(t-1)+bhf)
gt=tanh(Wigxt+big+Whgh(t-1)+bhg)
ot=σ(Wioxt+bio+Whoh(t-1)+bho)
ct=ft*c(t-1)+it*gt
ht=ot*tanh(ct)
其中,xt为t时刻LSTM层的输入,it表示t时刻LSTM神经元的输入门,ft表示t时刻LSTM神经元的遗忘门,gt表示t时刻LSTM神经元的细胞门,ot表示t时刻LSTM神经元的输出门;ct表示t时刻LSTM神经元的细胞状态,ht表示t时刻LSTM神经元的隐藏状态; Wii表示xt进入输入门的权重,Whi表示上一时刻隐藏状态的输出到这一时刻输入门的权重; Wif表示xt进入遗忘门的权重,Whf表示上一时刻隐藏状态的输出到这一时刻输入门的权重; Wig表示xt进入细胞门的权重,Whg表示上一时刻隐藏状态的输出到这一时刻细胞门的权重; Wio表示xt进入输出门的权重,Who表示上一时刻隐藏状态的输出到这一时刻输出门的权重; bii表示输入门处的偏置项,bhi表示由上一时刻隐藏状态到输入门的偏置项;bif表示输入门到遗忘门的偏置项,bhf表示由上一时刻隐藏状态到遗忘门的偏置项;big表示由输入门到细胞门的偏置项,bhg表示由上一时刻隐藏状态到细胞门的偏置项;bio表示由输入门到输出门的偏置项,bho表示由上一时刻隐藏状态到输出门的偏置项。*表示Hadamard乘法;σ与 tanh分别代表sigmoid与双切正切激活函数。为方便起见,构建的神经网络中全部权重与偏置的集合记作W。
所述变分贝叶斯推断结构建立方法:
变分贝叶斯推断结构具体选用蒙特卡洛Dropout结构。变分推断结构即构建一含参的近似分布去替换传统贝叶斯神经网络中难以计算的后验分布,通过不断调整近似分布的参数,近似分布近似于后验分布分布,解决后验分布计算问题,实现神经网络模型中参数概率化,以评估数据输入与建模过程中的不确定性。蒙特卡洛Dropout是实现变分推断的一种高效的近似形式。该方法通过重复进行多次前向传播进而得到一系列结果,通过计算这些结果的协方差以表示不确定性。该方法可在不加剧计算复杂性或牺牲精度的前提下,较为便利地运用深度神经网络来实现预测及其不确定性估计,而无需对网络结构进行重大变动。
首先初始化上述构建的长短期记忆网络中各个权重与偏置的先验分布P(W)。一般地,可使用独立高斯分布进行权重与偏置W的初始化,即W~N(0,I),其中I为单位矩阵。
基于包含N条数据的训练集,其中气象数据表示为X={xi|i=1,...,N},对应光伏功率 Y={yi|i=1,...,N},当输入步骤1中新采集到的气象数据x*以及对应的光伏功率y*后,可以得到当输入新训练数据后的光伏功率数据预测值的概率密度函数:
p(y*|x*,X,Y)=∫p(y*|x*,W)p(W|X,Y)dW
对应的预测光伏功率分布标准差为:
Var(y*|x*)=Var[E(y*|W,x*)]+E[Var(y*|W,x*)]
其中等式右侧第一项为建模不确定性,第二项为气象数据测量不确定性。
光伏功率数据预测值的概率密度函数中后验分布p(W|X,Y)可根据贝叶斯方法计算:
但在实践中,由于神经网络参数冗杂,该后验分布p(W|X,Y)通常难以计算。故须使用变分推断方式来近似计算后验分布。设立分布q(W)来近似拟合后验分布p(W|X,Y)。
q(W)定义如下:
q(W)=pN(m,σ2)+(1-p)N(0,σ2)
其中p∈[0,1]为不进行Dropout的概率,例如0.2或0.3;m则为其中的变分参数,用于调整分布均值;在此应用中,设定近似分布的方差σ2为0。
定义Kullback-Leibler(KL)散度来衡量后验分布p(W|X,Y)和设定的近似分布q(W) 间的距离,当KL散度越小,则可认为两个分布越接近。两分布的KL散度为:
KL(p(W|X,Y)||q(W))=-∫q(W)log p(yi,xi,W)dW+KL(q(W)||p(W))
其中xi∈X,yi∈Y,为训练集中X,Y中每一条样本。
基于对q(W)的定义,求取KL(p(W|X,Y)||q(W))最小值问题可近似为关于变分参数m的L2规范化问题。
进一步地,上式中等号右侧第一项可化为:
其中,-∫q(W)logp(yn|xn,W)dW可采用蒙特卡洛积分近似计算,使用估计的后验分布采样获得神经网络权重与偏置的采样值积分形式转换为用求和的形式,得到的无偏估计,进而求得-∫q(W)logp(Y|X,W)dW。
此时两分布的KL散度可表示为:
对于KL(q(W)||p(W)),当神经网络中参数数目十分巨大时,有:
综上,步骤6构建的全局预测模型的目标函数即:
对于近似分布q(W),当输入新的气象数据x*时,神经网络输出的预测值y*的概率密度函数q(y*|x*)为:
q(y*|x*)=∫p(y*|x*,W)q(W)dW
当进行多次前向过程时,由于Dropout在每次前向过程中随机改变神经元连通情况,每次实际的网络结构都不尽相同,相同的输入会得到不同的输出预测值。设第i次神经网络的关于输入气象数据与输出的预测值的数学表达式为:
当使用蒙特克罗Dropout技术对步骤6建立的神经网络进行T次前向过程时,此时预测值的期望近似可认为是T次神经网络输出预测值的平均值,即:
所以光伏功率预测的不确定性σ2可近似为:
则在不同置信水平下的对应的置信区间为:
其中α为置信水平对应的分位数,zα/2为相应的标准分数,可由查表获得。常用置信水平有99%,95%、90%与50%。
步骤7.定义步骤6中建立的全局预测模型的训练误差函数、优化器与学习率,并将网络结构以及初始化参数分发至各个光伏电站;
所述训练误差函数选择均方误差(MSE):
所述优化器与学习率选择方式如下:
为配合联邦学习框架,神经网络训练的优化器使用随机梯度下降(SGD),学习率可设定为0.01、0.001或0.1。单次输入训练批次大小可选择128或64,特别地该批次大小可根据光伏电站配备的计算设备的运行内存或显存大小进行调整,最小为1。
步骤8.中心服务器根据与各个光伏电站的通信状态,选择若干光伏电站进行预测模型训练与反馈;
所述选择参与训练与反馈的光伏电站的方式如下:
中心服务器根据与各个光伏电站的通信状态,选择若干光伏电站进行预测模型训练与反馈。例如中心服务器根据各个节点的ping值进行选择,选择ping值小于500ms的光伏电站参与训练;也可根据与各个节点的上传下载速度进行选择,具体速度阈值设定需根据中心服务器与各个光伏电站连接方式进行设定(例如下载光伏电站预测模型的速度大于300kb/s)。未被选择的光伏电站则继续使用本地现有预测模型。
步骤9.对步骤8中被选择的各个站点,使用步骤4中准备好的本地训练集和测试集分别进行模型训练与测试,并更新本地预测模型;
所述更新本地模型的方式为:
若测试结果满足设定阈值则通过测试,则保存本地模型并将本地模型上报中心服务器。若不满足,则放弃上传,继续使用上一轮次下载的全局模型。设定阈值可设定为测试误差MSE小于最大值的5%至15%,该取值随着提前预测的时间尺度的提高而提高,通常提前5至60分钟的超短期与短期预测可选用5%至10%,日前预测可放宽至15%。
步骤10.各个光伏电站进行光伏功率概率预测;全部站点将待预测时刻之前时段的采集到的气象数据按照步骤2所述方法进行处理后,作为现有本地预测模型的输入,可获得不同置信水平下待预测时刻指定站点的光伏功率预测值。常用置信水平有99%,95%、90%与50%。
步骤11.中心服务器接收步骤9中通过测试的本地预测模型,并更新全局预测模型。
所述中心服务器接收本地预测模型的一种优化策略为:
为了避免中心服务器长时间的等待工作节点反馈,降低模型的训练速度,服务器节点仅接收在预设时段内反馈的本地模型。例如服务器节点可以在下发待训练模型之后开启定时器,在预设时间到达之后,可以拒绝再继续接收本地模型,或者可以直接丢弃在预设时间到达之后接收到的本地模型。在预设时间段内,中心服务器接收步骤6中选定的多个光伏电站反馈的本地模型。根据预测提前时间的不同,等待反馈预设时段可设定为:超短期 2至3分钟;短期为10至20分钟;日前为30至50分钟。根据通信链路带宽不同可进行适当调整,保证能够收到足够的反馈样本并预留足够的全局模型更新时间与模型分发时间。
所述更新全局预测模型的方法为:
根据多个反馈的光伏电站本地模型以及对应的权重系数,对待训练模型进行更新。根据如下公式对待训练模型进行更新:
其中G’为更新后的全局模型,G为更新前的全局模型,Gi为第i个本地模型,α为更新前全局模型权重,可根据需要选择0至1,n为反馈的本地模型数量。
步骤12.中心服务器向所有光伏电站分发更新后的全局模型。对于分发失败的光伏电站则进行重试,重试次数达到3至10次后则重试并进行记录报警。重试次数可根据链路情况与预测提前时间进行调整。
步骤13.重复步骤8至步骤12,进行全局模型的滚动更新。综上可使用光伏电站本地数据,借助联邦学习框架进行全局模型更新,步进实现一定区域内的光伏功率电站短期或超短期光伏功率概率预测,从而解决数据隐私与安全保护问题,并为电网运行提供更全面的未来光伏功率信息。
实施例2
本发明应用在宁夏采集的2006年7月至2018年11月的气象数据与光伏功率数据进行了日前预测测试。测试中联邦学习框架内包含两个光伏电站与一个中心服务器。
对于步骤1中,两光伏电站均参与联邦学习框架;所述每个光伏电站所采集记录的气象信息包括2m处气温(℃)、气压(hPa)、相对湿度(%)、10m高空风速、10m高空风向,以及总辐照度、散辐照度和直接辐照度。采集记录间隔为30分钟。
步骤3所述的数据预处理过程中,两光伏电站未有连续异常值出现,故使用平均化替换数据集中的异常点;并使用0替换全部小于0的总辐照度、直接辐照度、散辐照度数据以及光伏功率数据;对于小时数据使用24位状态编码进行编码表示,对于星期数据使用 52位状态编码进行编码表示。
步骤6中建立的全局预测神经网络模型超参数设定如下:
LSTM#1:128神经元,dropout=0.2
LSTM#2:128神经元,dropout=0.2
Dropout#1:0.2
Dense#1:64神经元
Dropout#2:0.2
Dense#2(输出层):32神经元;
使用独立高斯分布进行权重与偏置W的初始化;近似分布q(W)中p取值0.2;使用蒙特卡洛Dropout技术时,对上述全局预测神经网络模型进行T=10次前向过程,即可预测未来时刻光伏功率以及不确定性,进而获得某一置信水平下的光伏功率置信区间。
步骤7中所述优化器与学习率选择如下:学习率使用0.01,单词输入训练批次大小选择64。
步骤8中所述参与训练与反馈的光伏电站的参数设定如下:选择下载光伏电站预测模型速度大于300kb/s的站点,本例中两光伏电站始终符合上述条件。
步骤9中设定阈值为15%。
步骤10中设定置信水平为99%进行光伏功率概率预测。
步骤11中所述的等待反馈预设时段为30分钟。更新全局预测模型中更新前全局模型权重为0.2。
步骤12中心服务器向所有光伏电站分发更新后的全局模型中设定的重试次数为5次。
参照步骤13进行滚动预测获得预测结果如图3所示。从预测结果可知,对于站点两个不同的站点,在晴朗以及多云天气条件下,图中表示实际值的实线与表示预测值的短横线始终较为接近,并落在由上确界和下确界确定的预测置信区间内。当天气条件发生波动时,对应的预测区间范围变大,可提醒电网调度保留更多的旋转备用等调控措施;当天气条件相对平稳时,对应的预测区间范围较小,可适当下调旋转备用,提高整体经济性。经过计算两站点在该时段预测精度指标MSE为4.38%,能够满足日前预测的精度需求。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.基于联邦学习的区域光伏功率概率预测方法,包括如下步骤:
步骤1.明确区域内各个参与联邦学习框架进行概率预测的光伏电站,收集一段时间内气象信息以及对应的光伏功率变量,并按时间顺序采集上述变量构成样本数据集;
步骤2.对步骤1获得的样本数据集进行预处理;
步骤3.对步骤2中的光伏电站的样本数据集进行分割,按照一定比例分割为训练集与测试集;
步骤4.分别对步骤3中训练集和测试集进行归一化;
步骤5.构建联邦学习框架;
步骤6.中心服务器根据预测要求,建立全局预测模型;
步骤7.定义步骤6中建立的全局预测模型的训练误差函数、优化器与学习率,并将网络结构以及初始化参数分发至各个光伏电站;
步骤8.中心服务器根据与各个光伏电站的通信状态,选择若干光伏电站进行预测模型训练与反馈;
步骤9.对步骤8中被选择的各个光伏站点,使用步骤4中准备好的本地训练集和测试集分别进行模型训练与测试,并更新本地预测模型;
步骤10.各个光伏电站进行光伏功率概率预测;
步骤11.中心服务器接收步骤9中通过测试的本地预测模型,并更新全局预测模型;
步骤12.中心服务器向所有光伏电站分发更新后的全局模型;
步骤13.重复步骤8至步骤12,进行全局模型的滚动更新。
2.根据权利要求1所述的基于联邦学习的区域光伏功率概率预测方法,其特征为:所述气象信息包括总辐照度、直接辐照度、散射辐照度数据,气温、气压、风速、风向、相对湿度。
3.根据权利要求1所述的基于联邦学习的区域光伏功率概率预测方法,其特征为:所述步骤2进一步包括:对于数据集中的数据,如果存在数据明显偏离近期测量数据范围,则很可能是异常值。此时可采取平均法进行处理,即使用近期数据的平均值进行替代;若出现连续异常值,则使用历史同期该时段数据进行替换;
对于小于0的总辐照度、直接辐照度、散射辐照度数据、光伏功率数据,使用0替代;
对于时间信息,取其小时数以及星期数进行独热编码处理,处理方式如下:
使用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候,其中只有一位为1。
4.根据权利要求1所述的基于联邦学习的区域光伏功率概率预测方法,其特征为:所述步骤3进一步包括:所述样本数据集进行分割是按照8:2或7:3的比例不打乱顺序地分割为训练集与测试集。
6.根据权利要求1所述的基于联邦学习的区域光伏功率概率预测方法,其特征为:所述步骤5进一步包括:所述联邦学习框架包含中心服务器与各个光伏电站,中心服务器负责统筹预测模型训练过程,各个光伏电站则参与模型更新与计算预测值。
7.根据权利要求1所述的基于联邦学习的区域光伏功率概率预测方法,其特征为:所述步骤6进一步包括:采用贝叶斯长短期记忆神经网络模型来计算某一光伏电站功率预测值,该神经网络模型主要包含长短期记忆网络结构以及贝叶斯变分推断结构;变分推断结构使用蒙特卡洛Dropout技术实现;最终考虑不确定性的预测结果通过多次进行前向训练得到不同的结果的方差进行表征。
9.根据权利要求1所述的基于联邦学习的区域光伏功率概率预测方法,其特征为:所述步骤9进一步包括:若所述模型测试结果误差小于设定阈值则使用该训练模型进行预测,反之则使用上一轮次的全局模型进行预测。
10.一种针对区域能源协同调控系统,其特征为:包括如权利要求1-9任一所述的基于联邦学习的区域光伏功率概率预测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458444.5A CN111626506B (zh) | 2020-05-27 | 2020-05-27 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
PCT/CN2021/088458 WO2021238505A1 (zh) | 2020-05-27 | 2021-04-20 | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 |
US18/055,414 US20230080737A1 (en) | 2020-05-27 | 2022-11-15 | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010458444.5A CN111626506B (zh) | 2020-05-27 | 2020-05-27 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626506A true CN111626506A (zh) | 2020-09-04 |
CN111626506B CN111626506B (zh) | 2022-08-26 |
Family
ID=72272639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010458444.5A Active CN111626506B (zh) | 2020-05-27 | 2020-05-27 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230080737A1 (zh) |
CN (1) | CN111626506B (zh) |
WO (1) | WO2021238505A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367678A (zh) * | 2020-10-15 | 2021-02-12 | 深圳力维智联技术有限公司 | 一种微基站监控方法及装置、存储介质 |
CN112598180A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种分布式区域风电功率预测方法 |
CN112685853A (zh) * | 2020-12-12 | 2021-04-20 | 华北电力大学 | 一种面向军用增压器叶轮加速退化的寿命评估方法 |
CN112910288A (zh) * | 2020-12-08 | 2021-06-04 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
CN113052329A (zh) * | 2021-04-12 | 2021-06-29 | 支付宝(杭州)信息技术有限公司 | 联合更新业务模型的方法及装置 |
CN113139341A (zh) * | 2021-04-23 | 2021-07-20 | 广东安恒电力科技有限公司 | 基于联邦集成学习的电量需求预测方法和系统 |
CN113177652A (zh) * | 2020-10-16 | 2021-07-27 | 上海交通大学 | 一种光伏出力预测方法 |
WO2021238505A1 (zh) * | 2020-05-27 | 2021-12-02 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 |
CN113887141A (zh) * | 2021-10-14 | 2022-01-04 | 中国科学院电工研究所 | 一种基于联邦学习的微电网群运行策略进化方法 |
CN114189899A (zh) * | 2021-12-10 | 2022-03-15 | 东南大学 | 一种基于随机聚合波束成形的用户设备选择方法 |
CN114764649A (zh) * | 2021-01-13 | 2022-07-19 | 新智数字科技有限公司 | 燃气锅炉的烟气含氧量预测方法及装置 |
CN116776749A (zh) * | 2023-08-22 | 2023-09-19 | 吉林大学 | 一种考虑不确定性的电动汽车无线充电装置优化方法 |
CN117728587A (zh) * | 2024-02-07 | 2024-03-19 | 华能江苏综合能源服务有限公司 | 一种新能源发电设备运行数据的实时监控系统及方法 |
CN118281873A (zh) * | 2024-05-31 | 2024-07-02 | 华南理工大学 | 基于贝叶斯和个性化联邦学习的海上风电概率预测方法 |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116781153A (zh) * | 2022-03-10 | 2023-09-19 | 中兴通讯股份有限公司 | 光传送网性能预测方法、系统、电子设备及存储介质 |
CN114865620B (zh) * | 2022-04-29 | 2023-01-10 | 浙江工业大学 | 基于机器学习算法的风力发电场发电量预测方法 |
CN115034484A (zh) * | 2022-06-17 | 2022-09-09 | 国网江苏省电力有限公司经济技术研究院 | 一种基于深度学习的新能源出力预测方法 |
CN115130743B (zh) * | 2022-06-22 | 2024-08-02 | 国网山东省电力公司电力科学研究院 | 一种基于变分推断的风电机组调节速率预测方法及系统 |
CN115186923A (zh) * | 2022-07-27 | 2022-10-14 | 正泰电气股份有限公司 | 光伏发电功率的预测方法、装置及电子设备 |
CN115189402B (zh) * | 2022-07-27 | 2023-08-18 | 国网甘肃省电力公司经济技术研究院 | 一种光热-光伏-风电联合出力概率建模方法 |
CN115940145A (zh) * | 2022-08-04 | 2023-04-07 | 国网山东省电力公司东营市河口区供电公司 | 一种分布式电站线损损耗预测方法 |
CN115049171B (zh) * | 2022-08-17 | 2022-10-28 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏功率预测方法及系统 |
CN115660325B (zh) * | 2022-10-08 | 2023-05-30 | 国网山东省电力公司威海供电公司 | 一种电网调峰能力量化方法及系统 |
CN115657545B (zh) * | 2022-10-24 | 2023-05-09 | 海宁云多科技有限公司 | 一种基于空调与光伏联合运行的用电调控系统和方法 |
CN116128121B (zh) * | 2022-12-31 | 2024-01-02 | 中国长江电力股份有限公司 | 一种基于特征选择和贝叶斯岭回归的水电站非弃水期日均出力预测方法 |
CN115881306B (zh) * | 2023-02-22 | 2023-06-16 | 中国科学技术大学 | 基于联邦学习的网络化icu智能医疗决策方法及存储介质 |
CN116205375B (zh) * | 2023-04-18 | 2023-09-01 | 北京市南水北调团城湖管理处 | 一种泵站机组运行状态预测方法和系统 |
CN116151495A (zh) * | 2023-04-24 | 2023-05-23 | 北京智芯微电子科技有限公司 | 基于联邦学习的用电预测方法及系统、计算机设备 |
CN116227743B (zh) * | 2023-05-06 | 2023-09-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于金枪鱼群算法的光伏发电功率异常率确定方法及系统 |
CN116527173B (zh) * | 2023-05-11 | 2023-11-24 | 山东大学 | 一种对抗联邦学习中多用户参数有偏聚合的动态功率控制方法及系统 |
CN116707019B (zh) * | 2023-05-12 | 2024-01-26 | 云南电网有限责任公司信息中心 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
CN116885775B (zh) * | 2023-07-10 | 2024-02-27 | 郭栋 | 基于并网光伏发电系统对电网电能质量影响的分析方法 |
CN116722548B (zh) * | 2023-08-09 | 2023-12-29 | 深圳航天科创泛在电气有限公司 | 一种基于时间序列模型的光伏发电预测方法及相关设备 |
CN116720791B (zh) * | 2023-08-10 | 2023-10-20 | 国网江苏省电力有限公司镇江供电分公司 | 一种分布式光伏发电质量管理方法及系统 |
CN117318024B (zh) * | 2023-09-19 | 2024-06-18 | 华能澜沧江水电股份有限公司 | 基于cnn神经网络的光伏发电功率预测管理方法及系统 |
CN117613850A (zh) * | 2023-09-21 | 2024-02-27 | 国网江苏省电力有限公司信息通信分公司 | 分布式光伏发电功率预测方法、装置、设备和存储介质 |
CN117458604A (zh) * | 2023-10-10 | 2024-01-26 | 南京大全自动化科技有限公司 | 一种适用于整县光伏并网协同自治的系统框架 |
CN117094420B (zh) * | 2023-10-20 | 2024-02-06 | 浙江大学 | 一种模型训练方法、装置和功率预测方法以及设备和介质 |
CN117113267B (zh) * | 2023-10-25 | 2024-02-09 | 杭州海兴泽科信息技术有限公司 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
CN117195751B (zh) * | 2023-11-07 | 2024-03-15 | 国能日新科技股份有限公司 | 区域新能源的功率组合预测方法和设备 |
CN117272851B (zh) * | 2023-11-23 | 2024-02-02 | 太原理工大学 | 一种盐碱地光伏板下植物接收光量的建模预测方法 |
CN117520797B (zh) * | 2023-11-23 | 2024-07-16 | 国网宁夏电力有限公司银川供电公司 | 基于集群式电热泵需求侧响应潜力评价系统 |
CN117764409B (zh) * | 2023-11-24 | 2024-09-10 | 南京南瑞水利水电科技有限公司 | 一种基于气象预报的新能源站点功率预测方法及系统 |
CN117411436B (zh) * | 2023-12-15 | 2024-03-15 | 国网浙江省电力有限公司金华供电公司 | 光伏组件状态检测方法、系统及存储介质 |
CN117743930B (zh) * | 2023-12-20 | 2024-06-14 | 北京智盟信通科技有限公司 | 一种应用于智能光伏的传感数据处理方法及服务器 |
CN117728583B (zh) * | 2023-12-27 | 2024-05-31 | 中节能甘肃武威太阳能发电有限公司 | 基于迁移学习的分布式光伏集群能源控制监视系统 |
CN117496450B (zh) * | 2024-01-02 | 2024-03-22 | 江西联合能源有限公司 | 一种渔光互补的监控系统及方法 |
CN117937464A (zh) * | 2024-01-09 | 2024-04-26 | 广东电网有限责任公司广州供电局 | 基于psr-dbn组合模型短期电力负荷预测方法 |
CN117540173B (zh) * | 2024-01-09 | 2024-04-19 | 长江水利委员会水文局 | 基于贝叶斯联合概率模型的洪水模拟不确定性分析方法 |
CN117913866B (zh) * | 2024-01-18 | 2024-06-07 | 中机智源科技有限公司 | 基于光伏发电的蓄能系统 |
CN117708550B (zh) * | 2024-02-05 | 2024-07-02 | 国网山东省电力公司电力科学研究院 | 一种电力大数据自动化数据分析及模型构建方法 |
CN117993519B (zh) * | 2024-04-03 | 2024-06-11 | 长江三峡集团实业发展(北京)有限公司 | 光伏发电站功率预测模型的训练、预测方法及装置 |
CN118396430B (zh) * | 2024-06-27 | 2024-09-10 | 水利部水利水电规划设计总院 | 风光水电集合短期预报与不确定性分析方法及系统 |
CN118399406A (zh) * | 2024-06-28 | 2024-07-26 | 浙江大学 | 一种基于多源数据的光伏出力预测方法、设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
CN111176929A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种面向边缘联邦学习的高能效计算通信联合优化方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184404B (zh) * | 2015-08-31 | 2018-12-18 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN108280551B (zh) * | 2018-02-02 | 2022-07-26 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
CN108960526B (zh) * | 2018-07-24 | 2019-11-05 | 国网山东省电力公司电力科学研究院 | 一种基于区域等效的分布式光伏出力预测方法和系统 |
CN110689183B (zh) * | 2019-09-20 | 2022-03-11 | 山东大学 | 一种集群光伏功率概率预测方法、系统、介质及电子设备 |
CN111626506B (zh) * | 2020-05-27 | 2022-08-26 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
-
2020
- 2020-05-27 CN CN202010458444.5A patent/CN111626506B/zh active Active
-
2021
- 2021-04-20 WO PCT/CN2021/088458 patent/WO2021238505A1/zh active Application Filing
-
2022
- 2022-11-15 US US18/055,414 patent/US20230080737A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
CN111176929A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种面向边缘联邦学习的高能效计算通信联合优化方法 |
Non-Patent Citations (5)
Title |
---|
JIAJI REN 等: "Federated Learning-Based Computation Offloading Optimization in Edge Computing-Supported Internet of Things", 《SPECIAL SECTION ON MOBILE SERVICE COMPUTING WITH INTERNET OF THINGS》 * |
XIAONING ZHANG: "Probabilistic Solar Irradiation Forecasting based on Variational Bayesian Inference with Secure Federated Learning", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
YANDONG YANG等: "Bayesian Deep Learning Based Probabilistic Load Forecasting in Smart Grids", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
李芬等: "基于变分贝叶斯学习的光伏功率波动特性研究", 《电力自动化设备》 * |
甄皓: "有限信息下基于深度学习模型的小型分布式光伏电站功率预测", 《上海节能》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021238505A1 (zh) * | 2020-05-27 | 2021-12-02 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 |
CN112367678A (zh) * | 2020-10-15 | 2021-02-12 | 深圳力维智联技术有限公司 | 一种微基站监控方法及装置、存储介质 |
CN113177652A (zh) * | 2020-10-16 | 2021-07-27 | 上海交通大学 | 一种光伏出力预测方法 |
CN112910288A (zh) * | 2020-12-08 | 2021-06-04 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
CN112910288B (zh) * | 2020-12-08 | 2022-08-09 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
CN112685853A (zh) * | 2020-12-12 | 2021-04-20 | 华北电力大学 | 一种面向军用增压器叶轮加速退化的寿命评估方法 |
CN112685853B (zh) * | 2020-12-12 | 2024-09-10 | 北京理工大学 | 一种面向军用增压器叶轮加速退化的寿命评估方法 |
CN112598180A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种分布式区域风电功率预测方法 |
CN114764649A (zh) * | 2021-01-13 | 2022-07-19 | 新智数字科技有限公司 | 燃气锅炉的烟气含氧量预测方法及装置 |
CN113052329A (zh) * | 2021-04-12 | 2021-06-29 | 支付宝(杭州)信息技术有限公司 | 联合更新业务模型的方法及装置 |
CN113052329B (zh) * | 2021-04-12 | 2022-05-27 | 支付宝(杭州)信息技术有限公司 | 联合更新业务模型的方法及装置 |
CN113139341A (zh) * | 2021-04-23 | 2021-07-20 | 广东安恒电力科技有限公司 | 基于联邦集成学习的电量需求预测方法和系统 |
CN113139341B (zh) * | 2021-04-23 | 2023-02-10 | 广东安恒电力科技有限公司 | 基于联邦集成学习的电量需求预测方法和系统 |
CN113887141A (zh) * | 2021-10-14 | 2022-01-04 | 中国科学院电工研究所 | 一种基于联邦学习的微电网群运行策略进化方法 |
CN114189899A (zh) * | 2021-12-10 | 2022-03-15 | 东南大学 | 一种基于随机聚合波束成形的用户设备选择方法 |
CN116776749A (zh) * | 2023-08-22 | 2023-09-19 | 吉林大学 | 一种考虑不确定性的电动汽车无线充电装置优化方法 |
CN116776749B (zh) * | 2023-08-22 | 2023-11-17 | 吉林大学 | 一种考虑不确定性的电动汽车无线充电装置优化方法 |
CN117728587A (zh) * | 2024-02-07 | 2024-03-19 | 华能江苏综合能源服务有限公司 | 一种新能源发电设备运行数据的实时监控系统及方法 |
CN117728587B (zh) * | 2024-02-07 | 2024-05-10 | 华能江苏综合能源服务有限公司 | 一种新能源发电设备运行数据的实时监控系统及方法 |
CN118281873A (zh) * | 2024-05-31 | 2024-07-02 | 华南理工大学 | 基于贝叶斯和个性化联邦学习的海上风电概率预测方法 |
CN118281873B (zh) * | 2024-05-31 | 2024-08-02 | 华南理工大学 | 基于贝叶斯和个性化联邦学习的海上风电概率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111626506B (zh) | 2022-08-26 |
US20230080737A1 (en) | 2023-03-16 |
WO2021238505A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626506B (zh) | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 | |
Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
Liu et al. | Prediction of short-term PV power output and uncertainty analysis | |
CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
Mahmoud et al. | An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine | |
Chen et al. | Solar radiation forecast based on fuzzy logic and neural networks | |
CN108846527A (zh) | 一种光伏发电功率预测方法 | |
CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
Zhang et al. | Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach | |
CN103886223B (zh) | 功率预测方法和系统 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
CN116523142A (zh) | 一种考虑时空特性聚类的光伏集群区间预测方法 | |
Wang et al. | Probabilistic power curve estimation based on meteorological factors and density LSTM | |
Díaz-Bedoya et al. | Forecasting Univariate Solar Irradiance using Machine learning models: A case study of two Andean Cities | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN107016470A (zh) | 风力发电场风能预测方法和装置 | |
Ramsami et al. | Neural network frameworks for electricity forecasting in mauritius and rodrigues Islands | |
Zim et al. | Short-term Weather Forecasting for Wind Energy Generation using A Deep Learning Technique | |
Zhang et al. | Short-term wind power interval prediction based on gd-lstm and bootstrap techniques | |
Elmejdki et al. | Prediction model of wind speed using hybrid artificial neural network based on Levenberg-Marquardt algorithm | |
Matip et al. | Estimation of wind power in coastal areas using a Model based on the learning of a Multilayer Perceptron: Case of Douala, Cameroon | |
CN114676866A (zh) | 基于误差修正的负荷日前预测修正方法、设备和存储介质 | |
Nugraha et al. | ANALYSIS OF FORECAST OF RENEWABLE ENERGY DEVELOPMENT IN NORTH SUMATRA USING ANFIS | |
Obando et al. | Modeling and Assessment of Machine Learning Models for Solar Radiation Forecast |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |