CN112508255B - 一种基于多源异构数据的光伏出力超短期预测方法及系统 - Google Patents
一种基于多源异构数据的光伏出力超短期预测方法及系统 Download PDFInfo
- Publication number
- CN112508255B CN112508255B CN202011384818.XA CN202011384818A CN112508255B CN 112508255 B CN112508255 B CN 112508255B CN 202011384818 A CN202011384818 A CN 202011384818A CN 112508255 B CN112508255 B CN 112508255B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic output
- convolution
- data
- features
- historical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000002411 adverse Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010792 warming 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多源异构数据的光伏出力超短期预测方法及系统,包括:通过深度神经网络从地基云图中提取云图特征;从历史光伏出力数据中提取历史数据特征;将云图特征和历史数据特征拼接;最后基于拼接后的特征,通过一维卷积网络生成预测的光伏出力数据。本发明结合深度神经网络与超短期光伏出力预测,利用深度神经网络在图像特征提取上的优势,从地基云图中提取特征,再与光伏出力历史数据融合,实现光伏出力预测。图像与历史数据的结合克服了预测模型输入数据单一、信息量低的缺点,深度神经网络自动提取云图特征克服了基于人工设计的图片特征信息利用率低、泛化能力弱的缺点。
Description
技术领域
本发明涉及电子信息技术领域,特别涉及一种基于多源异构数据的光伏出力超短期预测方法及系统。
背景技术
光伏发电作为太阳能利用的最主要方式之一,在全球的装机容量截至2017年底已达4亿千瓦,光伏发电对降低碳排放、应对气候变暖等问题作出了突出的贡献,光伏发电对优化能源结构,促进社会全面可持续发展具有重要的意义。但是,由于光伏发电极易受到地理位置、气象条件的影响,具有较强的不稳定性和波动性,给大规模光伏发电的并网带来了巨大的挑战:1)光伏出力消纳不及时,光伏利用率不高。2)光伏出力的波动性给电力调度、电网稳定性造成不利影响。准确、及时的光伏出力预测是解决上述问题有效的技术手段。
目前,针对光伏出力预测的研究众多。早期的光伏出力预测主要基于简单的统计模型,通过学习来发现光伏出力的规律。其中,自回归模型及其衍生模型最为常见。自回归模型的优点在于模型简单,具有很强的线性拟合能力。然而,对于高非线性的光伏出力自回归模型难以有效描述,精度自然不高。非线性模型如人工神经网络、支持向量机、回归树等是基于数据驱动预测的常用算法。常用的输入数据包括光伏出力历史数据和天气数据。因为云的运动是导致地面光伏出力波动的主要因素,基于云图的预测方法是提升光伏出力预测性能重要的技术方向。常用的云图有卫星云图和地基云图。其中地基云图具有较大的时空分辨率,能获取小范围的云信息,常用于小范围的超短期预测。以往的研究主要基于以下两种方法从云图中提取特:1)利用像素值(RGB值)提取色彩特征,如平均值,方差等。2)利用光流法,特征匹配等算法从两张连续的云图中提取云的运动信息。第一种方法简单易行,但难以区分不同模式的云图,有效信息有限。第二种方法算法具有较强的限制条件,如相邻图片的灰度值不会发生改变,且此类方法需要人为设计特征,通用性不高。
光伏出力的预测可分为直接预测和间接预测。直接预测通过预测模型直接预测光伏出力;而间接预测则首先通过预测模型预测光照辐射度,再通过光电转换模型得到光伏出力。对于间接预测,之前的许多工作都从地基云图中提取特征。Pedro等人通过计算地基云图RGB通道的平均值、方差和熵来得到云图的特征。将提取到的特征与光照辐射度历史数据结合,训练K近邻算法预测光照幅度。实验结果表明,这种朴素的云图特征提取方式对于预测精度的提升很小。而对于直接预测,有文献提出了利用光合有效辐射、环境温度、风速和太阳辐射来直接预测短期的光伏出力,预测模型采用的是高斯过程回归。此模型除去光照辐射度之外,将气象数据也当作模型的输入,但某些输入如湿度与光伏出力的关系并不明显,将气象数据当作模型的输入需要慎重的考虑,否则会增加预测的计算复杂度,甚至会对预测带来不利的影响。
综上,虽然目前已有很多模型和方法使用地基云图预测超短期的光伏出力和光照辐射度。但以往的基于图片像素值提取特征的方法,因提取的特征信息有限,对光伏出力预测精度的提升很小甚至没有提升。而基于图像特征提取算法,如尺度不变特征变换算法(SIFT)、光流法(optical flow)等在算法的设计上比较复杂,而且有较为强烈的条件限制,难以适用于复杂的自然场景。
发明内容
本发明提供了一种基于多源异构数据的光伏出力超短期预测方法及系统,以解决现有光伏出力预测方法精度较低,以及图像特征提取算法在算法设计上较复杂,而且有较为强烈的条件限制,难以适用于复杂的自然场景的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种基于多源异构数据的光伏出力超短期预测方法该基于多源异构数据的光伏出力超短期预测方法包括:
获取地基云图组成的时间序列和历史光伏出力数据,通过深度神经网络从所述时间序列中提取云图特征;基于所述历史光伏出力数据获取历史数据特征;
将所述云图特征和所述历史数据特征拼接,得到拼接后的特征;
基于所述拼接后的特征,通过一维卷积网络生成预测的光伏出力数据。
其中,所述通过深度神经网络从所述时间序列中提取云图特征,包括:
将待提取云图特征的地基云图调整大小至128x128;
利用3D ResNet深度神经网络从调整大小后的地基云图中提取特征;
通过全连接层对所述3D ResNet深度神经网络所提取的特征进行降维处理,再由ReLU激活获得维度为10的云图特征。
其中,所述基于所述历史光伏出力数据获取历史数据特征,包括:
将所述历史光伏出力数据进行归一化处理;
基于归一化后的历史光伏出力数据,按照下式计算不同时间段的平均值:
其中,Bi(t)表示第i个时间段的光伏出力平均值,N表示第i个时间段的光伏出力数据总个数,i={1,2,…,12},s(t)表示归一化后的光伏出力数据。
其中,所述通过一维卷积网络生成预测的光伏出力数据,包括:
通过三个卷积层和一个卷积核大小为1,步长为一,输出特征通道为1的卷积操作生成光伏出力的预测值;其中,每一卷积层分别包括卷积操作,ReLU激活函数、BatchNormalization和Max Pooling;第一卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为16的卷积操作,第二卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为64的卷积操作,第三卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为256的卷积操作。
另一方面,本发明还提供了一种基于多源异构数据的光伏出力超短期预测系统,该基于多源异构数据的光伏出力超短期预测系统包括:
地基云图特征提取模块,用于通过深度神经网络从地基云图组成的时间序列中提取云图特征;
历史光伏出力特征提取模块,用于基于历史光伏出力数据获取历史数据特征;
特征融合与光伏出力预测模块,用于将所述地基云图特征提取模块提取的云图特征和所述历史光伏出力特征提取模块提取的历史数据特征拼接,得到拼接后的特征,基于拼接后的特征,通过一维卷积网络生成预测的光伏出力数据。
其中,所述地基云图特征提取模块包括3D ResNet深度神经网络和用于特征降维的全连接层;所述地基云图特征提取模块提取云图特征的过程包括:
将待提取云图特征的地基云图调整大小至128x128;
利用3D ResNet深度神经网络从调整大小后的地基云图中提取特征;
通过全连接层对所述3D ResNet深度神经网络所提取的特征进行降维处理,再由ReLU激活获得维度为10的云图特征。
其中,所述历史光伏出力特征提取模块提取历史数据特征的过程包括:
将所述历史光伏出力数据进行归一化处理;
基于归一化后的历史光伏出力数据,按照下式计算不同时间段的平均值:
其中,Bi(t)表示第i个时间段的光伏出力平均值,N表示第i个时间段的光伏出力数据总个数,i={1,2,…,12},s(t)表示归一化后的光伏出力数据。
其中,所述一维卷积网络包括三个卷积层和一个卷积核大小为1,步长为一,输出特征通道为1的卷积操作;其中,每一卷积层分别包括卷积操作,ReLU激活函数、BatchNormalization和Max Pooling;第一卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为16的卷积操作,第二卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为64的卷积操作,第三卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为256的卷积操作;3D ResNet深度神经网络和一维卷积网络整合在一起。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明利用深度神经网络从地基云图中自动提取有效信息,增强特征提取的泛化性,适用于复杂的实际应用场景。通过该方法能够及时准确地预测超短期的光伏出力,为解决光伏出力的不稳定性和波动性提供实时参考信息。本发明能带来以下四点有益效果:通过在线实时控制以最大量利用光能;合理安排电力实时调度以降低或消除光伏并网对电网的不利影响;制定大型光伏电站实时售电策略;合理安排家用或微型光伏系统的实时负荷以达到电能的供需平衡。
1、光伏出力的产出极易受到外界环境如气象条件的干扰。通过在线预测方法及系统,根据收集的地基云图和历史光伏出力数据实时地预测光伏出力,及时消纳富余光能,以避免大规模的弃光现象,提高光伏的利用率。
2、光伏出力的不稳定性给大规模光伏电站的并网造成不利的影响。通过本方案可与电力储能系统配合使用。及时准确的预测给出短期光伏出力的变化,在光伏出力提高时,通过电力储能设备储存富余的电能,在光伏出力降低时,通过储能设备向电网输电以弥补不足。通过此类调控方法保证光伏电站的输出稳定,有利电网平稳运行。
3、超短期的光伏出力预测可服务于实时电力市场,实时准确预测超短期光伏出力,为大型光伏电站实时售电策略的制定提供可靠的参考信息。
4、对装配了光伏-蓄电系统的用户,通过实时预测超短期光伏出力,合理安排光伏-蓄电系统的运行,确保负载均衡。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于多源异构数据的光伏出力超短期预测方法的流程示意图;
图2是本发明实施例提供的基于多源异构数据的光伏出力超短期预测系统的系统框图;
图3是本发明实施例提供的一维卷积网络的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种基于多源异构数据的光伏出力超短期预测方法,该方法可以由电子设备实现,该电子设备可以是终端或者服务器。该基于多源异构数据的光伏出力超短期预测方法的执行流程如图1所示,包括以下步骤:
S101,获取地基云图组成的时间序列和历史光伏出力数据,通过深度神经网络从所述时间序列中提取云图特征;基于所述历史光伏出力数据获取历史数据特征;
需要说明的是,深度神经网络(DNN)因其在特征提取方面表现出良好的泛化性与便利性,在图像分类、目标检测等计算机视觉任务中占据了主导的地位。本实施例通过引入深度神经网络,可以自动从地基云图中提取特征。
其中,所述通过深度神经网络从所述时间序列中提取云图特征,包括:
将待提取云图特征的地基云图调整大小至128x128,以减少计算复杂度;
利用3D ResNet深度神经网络从调整大小后的地基云图中提取特征;
通过全连接层对所述3D ResNet深度神经网络所提取的特征进行降维处理,再由ReLU激活获得维度为10的云图特征;该过程可以用式(1)表示:
I(t)=ξ(f(X3D)) (1)
式中,I(t)表示提取到的10维特征,ξ是ReLU激活函数,f()表示3D ResNet和全连接层组成的神经网络,X3D是由地基云图组成的时间序列。
所述基于所述历史光伏出力数据获取历史数据特征,包括:
选取来自预测时间点的前一个小时以内的历史光伏出力数据,首选将所述历史光伏出力数据进行归一化处理;然后按照式(2)计算不同时间段的平均值:
其中,Bi(t)表示第i个时间段的光伏出力平均值,N表示第i个时间段的光伏出力数据总个数,i={1,2,…,12},s(t)表示归一化后的光伏出力数据。
通过公式(2)获得维度为12的历史数据特征。
S102,将所述云图特征和所述历史数据特征拼接,得到拼接后的特征;
其中,上述步骤所提起的云图特征的维度为10;历史光伏出力数据特征的维度为12。将两类特征拼接后会得到22维的特征。
S103,基于拼接后的特征,通过一维卷积网络生成预测的光伏出力数据。
其中,所述通过一维卷积网络生成预测的光伏出力数据,包括:
通过三个卷积层和一个卷积核大小为1,步长为一,输出特征通道为1的卷积操作生成光伏出力的预测值;其中,每一卷积层分别包括卷积操作,ReLU激活函数、BatchNormalization和Max Pooling;第一卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为16的卷积操作,第二卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为64的卷积操作,第三卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为256的卷积操作。
综上,本实施例引入深度神经网络自动从地基云图中提取特征,通过预训练的神经网络从地基云图中提取特征,并与历史光伏出力数据相结合来直接预测光伏出力,克服了以往预测模型输入单一、特征提取方法泛化性差的缺点。基于本实施例的方法可以构建出光伏出力超短期预测模型,通过大规模的数据训练,可以得到具有鲁棒性、预测精度高的光伏出力预测模型。通过性能优良的光伏出力预测模型,可及时准确的预测光伏出力,为光伏机组的实时控制、电力的实时调度安排提供准确的参考信息,从而最大限度的利用光能,消除光伏并网对电网的不利影响,提升人工智能技术在电力系统管理中的应用价值。
第二实施例
本实施例提供了一种基于多源异构数据的光伏出力超短期预测系统,该基于多源异构数据的光伏出力超短期预测系统的组成如图2所示,包括以下模块:
地基云图特征提取模块,该模块以地基云图为输入,用于通过深度神经网络从地基云图组成的时间序列中提取云图特征;
历史光伏出力特征提取模块,该模块以历史光伏出力数据为输入,用于基于历史光伏出力数据获取历史数据特征;
特征融合与光伏出力预测模块,用于将所述地基云图特征提取模块提取的云图特征和所述历史光伏出力特征提取模块提取的历史数据特征拼接,得到拼接后的特征,然后基于拼接后的特征,生成预测的光伏出力数据。
需要说明的是,本实施例的基于多源异构数据的光伏出力超短期预测系统本质是一种预测模型;其中,地基云图特征提取模块和特征融合与光伏出力预测模块都是神经网络,即虚线框中的部分,模型的优化即该部分的训练。历史光伏出力特征提取模块不需要训练,使用数值计算的方法进行特征提取。
具体地,所述地基云图特征提取模块包括3D ResNet深度神经网络和用于特征降维的全连接层;此模块的输入是由地基云图组成的时间序列,地基云图需要先通过调整大小至128x128,以减少计算复杂度。一个全连接层添加在3D ResNet深度神经网络的最后来降低特征的维度,再由ReLU激活获得维度为10的特征,该过程可以用公式(1)表示:
I(t)=ξ(f(X3D)) (1)
式中,I(t)表示提取到的10维特征,ξ是ReLU激活函数,f()表示3D ResNet和全连接层组成的神经网络,X3D是由地基云图组成的时间序列。
所述历史光伏出力特征提取模块的目的是从历史光伏出力数据中提取特征。特征来自预测时间点的前一个小时以内,提取历史数据特征的过程包括:
先将所述历史光伏出力数据进行归一化处理;然后按照公式(2)计算不同时间段的平均值:
其中,Bi(t)表示第i个时间段的光伏出力平均值,N表示第i个时间段的光伏出力数据总个数,i={1,2,…,12},s(t)表示归一化后的光伏出力数据。
通过公式(2)获得维度为12的特征。
由地基云图特征提取模块、历史光伏出力特征提取模块提取到两类特征,地基云图的特征维度为10,历史光伏出力特征维度为12。在特征融合与光伏出力预测模块,先将两类特征拼接成22维的特征,再由一维卷积网络生成光伏出力预测值。一维卷积网络的结构如图3所示;其中,Exo-Input和Endo-Input表示两类特征,拼接后通过三个卷积层和一个卷积操作生成光伏出力的预测值。Conv.N,F表示卷积核大小为N,步长为一,输出特征通道为F的卷积操作。卷积层由卷积操作,ReLU激活函数、Batch Normalization和Max Pooling组成。经过拼接后维度为1x22的特征经过三个卷积层后生成的特征为256x1,再经过最后一个卷积核大小为1的卷积操作直接生成光伏出力预测值。
3D ResNet和一维卷积网络是整合在一起的,整个模型可以端到端的进行优化,通过梯度下降在大规模光伏出力和地基云图的数据集上训练。
第三实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (2)
1.一种基于多源异构数据的光伏出力超短期预测方法,其特征在于,所述基于多源异构数据的光伏出力超短期预测方法包括:
获取地基云图组成的时间序列和历史光伏出力数据,通过深度神经网络从所述时间序列中提取云图特征;基于所述历史光伏出力数据获取历史数据特征;
将所述云图特征和所述历史数据特征拼接,得到拼接后的特征;
基于所述拼接后的特征,通过一维卷积网络生成预测的光伏出力数据;
所述通过深度神经网络从所述时间序列中提取云图特征,包括:
将待提取云图特征的地基云图调整大小至128x128;
利用3D ResNet深度神经网络从调整大小后的地基云图中提取特征;
通过全连接层对所述3D ResNet深度神经网络所提取的特征进行降维处理,再由ReLU激活获得维度为10的云图特征;
所述基于所述历史光伏出力数据获取历史数据特征,包括:
将所述历史光伏出力数据进行归一化处理;
基于归一化后的历史光伏出力数据,按照下式计算不同时间段的平均值:
其中,Bi(t)表示第i个时间段的光伏出力平均值,N表示第i个时间段的光伏出力数据总个数,i={1,2,…,12},s(t)表示归一化后的光伏出力数据;
所述通过一维卷积网络生成预测的光伏出力数据,包括:
通过三个卷积层和一个卷积核大小为1,步长为一,输出特征通道为1的卷积操作生成光伏出力的预测值;其中,每一卷积层分别包括卷积操作,ReLU激活函数、BatchNormalization和Max Pooling;第一卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为16的卷积操作,第二卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为64的卷积操作,第三卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为256的卷积操作。
2.一种基于多源异构数据的光伏出力超短期预测系统,其特征在于,所述基于多源异构数据的光伏出力超短期预测系统包括:
地基云图特征提取模块,用于通过深度神经网络从地基云图组成的时间序列中提取云图特征;
历史光伏出力特征提取模块,用于基于历史光伏出力数据获取历史数据特征;
特征融合与光伏出力预测模块,用于将所述地基云图特征提取模块提取的云图特征和所述历史光伏出力特征提取模块提取的历史数据特征拼接,得到拼接后的特征,基于拼接后的特征,通过一维卷积网络生成预测的光伏出力数据;
所述地基云图特征提取模块包括3D ResNet深度神经网络和用于特征降维的全连接层;所述地基云图特征提取模块提取云图特征的过程包括:
将待提取云图特征的地基云图调整大小至128x 128;
利用3D ResNet深度神经网络从调整大小后的地基云图中提取特征;
通过全连接层对所述3D ResNet深度神经网络所提取的特征进行降维处理,再由ReLU激活获得维度为10的云图特征;
所述历史光伏出力特征提取模块提取历史数据特征的过程包括:
将所述历史光伏出力数据进行归一化处理;
基于归一化后的历史光伏出力数据,按照下式计算不同时间段的平均值:
其中,Bi(t)表示第i个时间段的光伏出力平均值,N表示第i个时间段的光伏出力数据总个数,i={1,2,…,12},s(t)表示归一化后的光伏出力数据;
所述一维卷积网络包括三个卷积层和一个卷积核大小为1,步长为一,输出特征通道为1的卷积操作;其中,每一卷积层分别包括卷积操作,ReLU激活函数、Batch Normalization和Max Pooling;第一卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为16的卷积操作,第二卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为64的卷积操作,第三卷积层中的卷积操作为卷积核大小为3,步长为一,输出特征通道为256的卷积操作;3DResNet深度神经网络和一维卷积网络整合在一起。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011384818.XA CN112508255B (zh) | 2020-12-01 | 2020-12-01 | 一种基于多源异构数据的光伏出力超短期预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011384818.XA CN112508255B (zh) | 2020-12-01 | 2020-12-01 | 一种基于多源异构数据的光伏出力超短期预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508255A CN112508255A (zh) | 2021-03-16 |
CN112508255B true CN112508255B (zh) | 2021-09-07 |
Family
ID=74969321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011384818.XA Active CN112508255B (zh) | 2020-12-01 | 2020-12-01 | 一种基于多源异构数据的光伏出力超短期预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508255B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128762B (zh) * | 2021-04-19 | 2022-05-10 | 中国科学院计算机网络信息中心 | 一种多源异构数据的短期光伏发电功率预测方法及系统 |
CN115511220B (zh) * | 2022-11-02 | 2023-06-13 | 河海大学 | 基于跨模态注意力机制的超短期太阳辐射预测方法及系统 |
CN116384593B (zh) * | 2023-06-01 | 2023-08-18 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
CN116777066B (zh) * | 2023-06-26 | 2024-01-23 | 河海大学 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
CN117973645A (zh) * | 2024-04-02 | 2024-05-03 | 华东交通大学 | 一种光伏功率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229589A (zh) * | 2018-02-09 | 2018-06-29 | 天津师范大学 | 一种基于迁移学习的地基云图分类方法 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN110929602A (zh) * | 2019-11-09 | 2020-03-27 | 北京工业大学 | 一种基于卷积神经网络的地基云图云状识别方法 |
CN111310820A (zh) * | 2020-02-11 | 2020-06-19 | 山西大学 | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166999B (zh) * | 2014-08-18 | 2017-01-25 | 国家电网公司 | 一种基于地基云图强度分层的云团提取方法 |
CN106779154B (zh) * | 2016-11-22 | 2020-12-01 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN111047076A (zh) * | 2019-11-21 | 2020-04-21 | 国网甘肃省电力公司 | 一种基于葵花8号卫星云图的光伏短期功率预报方法 |
-
2020
- 2020-12-01 CN CN202011384818.XA patent/CN112508255B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229589A (zh) * | 2018-02-09 | 2018-06-29 | 天津师范大学 | 一种基于迁移学习的地基云图分类方法 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN110929602A (zh) * | 2019-11-09 | 2020-03-27 | 北京工业大学 | 一种基于卷积神经网络的地基云图云状识别方法 |
CN111310820A (zh) * | 2020-02-11 | 2020-06-19 | 山西大学 | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 |
Non-Patent Citations (1)
Title |
---|
"地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型";陈志宝 等;《中国电机工程学报》;20150205;第35卷(第3期);正文章节2-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508255A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508255B (zh) | 一种基于多源异构数据的光伏出力超短期预测方法及系统 | |
Wen et al. | Deep learning based multistep solar forecasting for PV ramp-rate control using sky images | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Wang et al. | Short-term wind speed forecasting based on information of neighboring wind farms | |
Zhou et al. | Transfer learning for photovoltaic power forecasting with long short-term memory neural network | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
Wang et al. | Deep learning based irradiance mapping model for solar PV power forecasting using sky image | |
CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
CN115271253B (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
Ren et al. | Quad-kernel deep convolutional neural network for intra-hour photovoltaic power forecasting | |
CN113052389A (zh) | 基于多任务的分布式光伏电站超短期功率预测方法及系统 | |
He et al. | A power forecasting approach for PV plant based on irradiance index and LSTM | |
CN115912502A (zh) | 一种智能电网运营优化方法及装置 | |
Dhanalakshmi et al. | [Retracted] Application of Machine Learning in Multi‐Directional Model to Follow Solar Energy Using Photo Sensor Matrix | |
CN116736893B (zh) | 一种光储装置的智慧能源管理方法及光储装置 | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
Crispim et al. | Prediction of the solar radiation evolution using computational intelligence techniques and cloudiness indices | |
CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
CN112311078A (zh) | 一种基于信息融合的太阳能负载调节方法和装置 | |
CN117036101A (zh) | 基于联邦学习的虚拟电厂居民需求响应预测方法及系统 | |
CN112348235A (zh) | 风光母线负荷自适应预测方法、装置、计算机设备 | |
Wan et al. | Turbine location wind speed forecast using convolutional neural network | |
Zhang et al. | Multi‐Input Deep Convolutional Neural Network Model for Short‐Term Power Prediction of Photovoltaics | |
CN114021437A (zh) | 一种风电光伏有功场景生成方法、装置、电子设备和存储介质 | |
CN111915084A (zh) | 一种基于神经网络的混合型光伏发电功率预测方法及系统 |
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 |