CN113052389A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113052389A CN113052389A CN202110356091.2A CN202110356091A CN113052389A CN 113052389 A CN113052389 A CN 113052389A CN 202110356091 A CN202110356091 A CN 202110356091A CN 113052389 A CN113052389 A CN 113052389A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic power
- power
- prediction
- ultra
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010248 power generation Methods 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06N3/044—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
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种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,包括:获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据,进行归一化;将获取的数据输入到训练好的多任务学习神经网络模型中,得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据;其中,所述多任务学习神经网络模型采用硬参数共享方式,包括两层硬参数共享层以及一层子任务层。本发明所构建的多任务学习网络能够实现“多输入、多输出”,克服了区域内多个光伏电站发电功率预测时效率低下的问题,能够同时实现多个光伏电站发电功率的预测,提高了超短期光伏发电功率预测的精度。
Description
技术领域
本发明涉及智能配电/用电技术领域,尤其涉及一种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。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
分布式光伏作为主要的可再生能源之一,具有清洁、安全、可靠的优点,近年来得到了快速发展。然而,光伏发电功率的随机性与波动性也为电网的稳定运行带来挑战。进行光伏发电功率预测有助于调度部门及时调整调度计划,从而降低光伏并网对系统的负面影响,因此准确、快速的光伏发电功率预测对电力系统的安全、经济运行具有重要意义。
传统的预测方法虽然比较成熟,预测结果具有一定的参考价值,但要使光伏发电功率预测更好地服务于智能电网建设,满足安全、可靠、优质、高效的新需求,就需要对传统光伏功率发电预测方法进行全面的革新,进一步提高预测的精度。以深度学习为代表的新兴交叉学科理论的出现,也为光伏发电功率预测问题提供了新的解决思路。
目前,光伏发电功率预测从时间尺度上主要可以分为超短期预测及日前预测。其中,超短期光伏发电预测对电网调度计划安排及储能系统配置等具有重要意义,与电力系统的安全稳定运行密切相关。超短期光伏发电功率预测的主要问题在于:以往的研究往往只预测一个单一的光伏电站,没有考虑到区域内多个光伏电站之间的相关性,且在进行区域内多个光伏电站的预测时效率低下。
发明内容
为了解决上述问题,本发明提出了一种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,能够通过硬参数共享的方式共享区域内多个光伏电站的历史特征,从而考虑多个光伏电站的相关性,同时利用网络“多输入、多输出”的特性,同时对区域内多个光伏电站的发电功率进行预测,提高了超短期光伏发电功率预测的精度和效率。
在一些实施方式中,采用如下技术方案:
一种基于多任务的分布式光伏电站超短期功率预测方法,包括:
获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据,进行归一化;T为自然数;
将获取的数据输入到训练好的多任务学习神经网络模型中,得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据;
其中,所述多任务学习神经网络模型采用硬参数共享方式,包括两层硬参数共享层以及一层子任务层。
进一步地,得到待预测时刻的光伏发电功率预测数据之后,还包括:
对所述光伏发电功率预测数据进行反向归一化,得到最终的光伏电站超短期功率预测数据。
进一步地,所述待预测时刻的影响因素数据包括:温度、相对湿度、全球水平辐射、扩散水平辐射、风向和日降雨量。
进一步地,进行多任务学习神经网络模型的训练时,构建样本数据库,具体包括:
获取区域内N个光伏电站与待预测日前M天的历史功率数据,构建历史功率数据数据库;获取对光伏发电产生影响的影响因素特征数据,构建特征数据库;对所述历史功率数据数据库和特征数据库中的数据进行归一化操作。
进一步地,对历史功率数据数据库中的数据,以T+1个点为单位进行分割。
进一步地,对特征数据库中的数据,以设定时间段为单位进行分割。
进一步地,将归一化后的历史功率数据和特征数据输入多任务学习神经网络模型进行训练,直到所述网络模型的学习率不再提高;其中,每个历史功率样本数据前T个光伏发电功率点作为神经网络的输入,最后1个点的数据作为神经网络的标签。
在另一些实施方式中,采用如下技术方案:
一种基于多任务的分布式光伏电站超短期功率预测系统,包括:
数据获取模块,用于获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据;T为自然数;
光伏发电功率预测模块,用于将获取的数据输入到训练好的多任务学习神经网络模型中,得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据;
其中,所述多任务学习神经网络模型采用硬参数共享方式,包括两层硬参数共享层以及一层子任务层。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于多任务的分布式光伏电站超短期功率预测方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于多任务的分布式光伏电站超短期功率预测方法。
与现有技术相比,本发明的有益效果是:
本发明所构建的多任务学习网络能够实现“多输入、多输出”,克服了区域内多个光伏电站发电功率预测时效率低下的问题,能够同时实现多个光伏电站发电功率的预测;通过硬参数共享的网络结构,在神经网络训练时共享多个光伏电站的历史特征,从而考虑多个光伏电站的相关性,提高了超短期光伏发电功率预测的精度。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1为本发明实施例提供的基于多任务学习的基于多任务的分布式光伏电站超短期功率预测方法的流程图;
图2为本发明实施例提供的多任务学习网络结构示意图;
图3为本发明实施例提供的基于多任务学习的基于多任务的分布式光伏电站超短期功率预测方法的预测值与真实值的功率曲线对比图;
图4为本发明实施例提供的基于多任务学习的基于多任务的分布式光伏电站超短期功率预测方法中单任务学习方式与多任务学习方式的绝对误差分布对比图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
由于光伏发电与光照条件具有强相关性,而云体运动的时间相对滞后,因此综合利用多个光伏电站发电功率数据可以有效提高预测精度。
基于此,在一个或多个实施方式中,公开了一种基于多任务的分布式光伏电站超短期功率预测方法,参照图1,具体包括如下步骤:
(1)获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据;T为自然数;
本实施例中所考虑的与光伏发电影响密切的影响因素包括温度、相对湿度、全球水平辐射、扩散水平辐射、风向和日降雨量。
(2)将获取的数据输入到训练好的多任务学习神经网络模型中,得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据;
其中,所述多任务学习神经网络模型采用硬参数共享方式,包括两层硬参数共享层以及一层子任务层。
多任务学习神经网络模型是一个多输入多输出的网络,输入端会同时输入多个光伏电站的信息,输出端会同时输出所有光伏电站的预测值。
多任务指的多个预测任务,即同时对多个光伏电站进行功率预测。
本实施例的多任务学习神经网络模型可以实现多个光伏电站的历史信息共享,并同时进行多个光伏电站的功率预测。
(3)对得到的光伏发电功率预测数据进行反向归一化,得到最终的光伏电站超短期功率数据。
具体地,多任务学习神经网络模型基于LSTM的多任务学习神经网络所构建;其构建和训练均使用python编程语言中keras深度学习工具包。
参照图2,基于LSTM的多任务学习网络模型采用硬参数共享方式,共三层,前两层为硬参数共享层,后一层为子任务层;非输出层函数为Relu,输出层激活函数为Sigmoid,损失函数为平均绝对误差函数,优化器为Adam,网络初始学习率为0.01。
本实施例中,将被预测时刻前6个点的历史光伏发电功率和待预测时刻的6个气象特征作为输入特征,同时预测区域内10个光伏电站的发电功率,因此网络的输入维度为66,输出维度为10。其网络结构如表1所示:
表1基于LSTM的多任务学习网络结构
对多任务学习神经网络模型进行训练的过程具体如下:
获取区域内N个光伏电站与待预测日前M天的历史功率数据,构建历史功率数据数据库;获取对光伏发电产生影响的影响因素特征数据,构建特征数据库;对所述历史功率数据数据库和特征数据库中的数据进行归一化操作。
分析气象因素对光伏电站发电功率的影响,得到需要考虑的对电力负荷产生影响的气象因素;
将前M天的历史光伏发电功率数据以T+1个点为单位进行分割,得到历史光伏发电功率特征数据库;将需要考虑的气象因素以5min为单位进行分割,组合成影响因素特征数据库。
其中,M、N、T均为自然数,且90≤M,2≤N,6≤T≤10。
具体的,在本实施例中,所使用的数据为DKASC数据集中澳大利亚艾利斯斯普林斯地区编号29-38的10个光伏电站在2019年的光伏发电功率数据,数据格式为每5min一个点,其中后7天的数据作为验证集,其余均作为训练集,即本实施例中N=10,M=358。本实施例中所考虑的与光伏发电影响密切的的气象因素为温度、相对湿度、全球水平辐射、扩散水平辐射、风向和日降雨量。本实施例中取T=6,将历史光伏发电功率数据以T+1个点为单位进行分割,得到历史光伏发电功率特征数据库;将需要考虑的气象因素以5min为单位进行分割,组合成影响因素特征数据库。将光伏发电功率特征数据库与影响因素特征数据库中的数据进行最大最小归一化。
需要说明的是,由于光伏发电与光照条件呈现强相关性,只有在日出和日落间能够进行光伏发电预测,因此本实施例中选用的光伏发电功率为7:00—18:00间的数据。
将已经分割完成的前M天的历史光伏发电功率及影响因素数据对其进行训练,其中每个样本前T个光伏发电功率点作为神经网络的输入,最后1个点的数据作为神经网络的标签。不断给该神经网络输入训练样本,直到神经网络的学习率不再提高为止。
为了测试基于多任务学习的基于多任务的分布式光伏电站超短期功率预测方法的性能,本实施例将所提方法与几种先进的方法进行对比,对比方法包括:基于LSTM的单任务学习、基于循环神经网络(recursive neural network,RNN)的多任务学习、基于RNN的单任务学习和支持向量回归(support vector regression,SVR)。其中,RNN与LSTM采用相同的网络结构,通过网格搜索为SVR选择最优的超参数。本实施例使用平均绝对误差(meansquared error,MAE)和均方根误差(rootmeansquarederror,RMSE)进行效果评估。不同方法的性能对比结果如表2所示,10个光伏电站总发电功率曲线的真实值与使用本发明所提方法得到的预测值对比如图3所示。
表2不同方法的性能对比
从表2可以看出,本实施例所提的基于LSTM的多任务学习方法在两个误差指标上都表现最好。与基于LSTM的单任务学习方法相比,基于LSTM的多任务学习方法可以考虑不同光伏电站之间的相关性,因此在所有光伏电站的发电功率预测中误差更小。同时,对于RNN,使用多任务学习可以有效降低预测误差。在训练的过程中我们发现,几种深度学习方法的预测效果波动较大且不够稳定,但通过引入多任务学习可以在一定程度上提高网络训练的稳定性。
从图3可以看出,在光照条件稳定的情况下,本实施例所提的方法能够完全拟合光伏发电功率的真实值,验证了本方法的准确性。当云层存在时,10个光伏电站的总发电功率波动较大,虽然本方法无法完全拟合光伏发电功率的真实值,但在一定程度上符合真实值的波动趋势,验证了本方法的有效性。
本实施例对比了基于LSTM的多任务学习与单任务学习方法的绝对误差,并将每小时的绝对误差绘制为箱线图,如图4所示。从图4可以看出,11:00—13:00时光伏发电功率预测的误差较高,但本发明所提方法得到的绝对误差的上边缘、下边缘、中位数和上下四分位数一般小于基于LSTM的单任务学习方法,进一步验证了本发明方法的有效性。
实施例二
在一个或多个实施方式中,公开了一种基于多任务的分布式光伏电站超短期功率预测系统,包括:
数据获取模块,用于获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据;T为自然数;
光伏发电功率预测模块,用于将获取的数据输入到训练好的多任务学习神经网络模型中,得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据;
其中,所述多任务学习神经网络模型采用硬参数共享方式,包括两层硬参数共享层以及一层子任务层。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了说明,此处不再赘述。
实施例三
在一些实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1公开的一种基于多任务的分布式光伏电站超短期功率预测方法所述的步骤。
在另一些实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中公开的一种基于多任务的分布式光伏电站超短期功率预测方法所述的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是根据本申请实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上,使得在计算机或其他可编程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。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于多任务的分布式光伏电站超短期功率预测方法,其特征在于,包括:
获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据,进行归一化;T为自然数;
将获取的数据输入到训练好的多任务学习神经网络模型中,得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据;
其中,所述多任务学习神经网络模型采用硬参数共享方式,包括两层硬参数共享层以及一层子任务层。
2.如权利要求1所述的一种基于多任务的分布式光伏电站超短期功率预测方法,其特征在于,得到待预测时刻的光伏发电功率预测数据之后,还包括:
对所述光伏发电功率预测数据进行反向归一化,得到最终的光伏电站超短期功率预测数据。
3.如权利要求1所述的一种基于多任务的分布式光伏电站超短期功率预测方法,其特征在于,所述待预测时刻的影响因素数据包括:温度、相对湿度、全球水平辐射、扩散水平辐射、风向和日降雨量。
4.如权利要求1所述的一种基于多任务的分布式光伏电站超短期功率预测方法,其特征在于,进行多任务学习神经网络模型的训练时,构建样本数据库,具体包括:
获取区域内N个光伏电站与待预测日前M天的历史功率数据,构建历史功率数据数据库;获取对光伏发电产生影响的影响因素特征数据,构建特征数据库;对所述历史功率数据数据库和特征数据库中的数据进行归一化操作。
5.如权利要求4所述的一种基于多任务的分布式光伏电站超短期功率预测方法,其特征在于,对历史功率数据数据库中的数据,以T+1个点为单位进行分割。
6.如权利要求4所述的一种基于多任务的分布式光伏电站超短期功率预测方法,其特征在于,对特征数据库中的数据,以设定时间段为单位进行分割。
7.如权利要求4所述的一种基于多任务的分布式光伏电站超短期功率预测方法,其特征在于,将归一化后的历史功率数据和特征数据输入多任务学习神经网络模型进行训练,直到所述网络模型的学习率不再提高;其中,每个历史功率样本数据前T个光伏发电功率点作为神经网络的输入,最后1个点的数据作为神经网络的标签。
8.一种基于多任务的分布式光伏电站超短期功率预测系统,其特征在于,包括:
数据获取模块,用于获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据;T为自然数;
光伏发电功率预测模块,用于将获取的数据输入到训练好的多任务学习神经网络模型中,得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据;
其中,所述多任务学习神经网络模型采用硬参数共享方式,包括两层硬参数共享层以及一层子任务层。
9.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于多任务的分布式光伏电站超短期功率预测方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于多任务的分布式光伏电站超短期功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356091.2A CN113052389A (zh) | 2021-04-01 | 2021-04-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356091.2A CN113052389A (zh) | 2021-04-01 | 2021-04-01 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052389A true CN113052389A (zh) | 2021-06-29 |
Family
ID=76517136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110356091.2A Pending CN113052389A (zh) | 2021-04-01 | 2021-04-01 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052389A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689045A (zh) * | 2021-08-27 | 2021-11-23 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
CN113919606A (zh) * | 2021-12-14 | 2022-01-11 | 山东建筑大学 | 一种分布式光伏电站智能选址方法及系统 |
CN116011608A (zh) * | 2022-09-16 | 2023-04-25 | 浙江大学 | 光伏功率超短期预测方法及装置、电子设备、存储介质 |
CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
CN111489036A (zh) * | 2020-04-14 | 2020-08-04 | 天津相和电气科技有限公司 | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 |
CN112149905A (zh) * | 2020-09-25 | 2020-12-29 | 福州大学 | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 |
-
2021
- 2021-04-01 CN CN202110356091.2A patent/CN113052389A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
CN111489036A (zh) * | 2020-04-14 | 2020-08-04 | 天津相和电气科技有限公司 | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 |
CN112149905A (zh) * | 2020-09-25 | 2020-12-29 | 福州大学 | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689045A (zh) * | 2021-08-27 | 2021-11-23 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
CN113689045B (zh) * | 2021-08-27 | 2023-06-27 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
CN113919606A (zh) * | 2021-12-14 | 2022-01-11 | 山东建筑大学 | 一种分布式光伏电站智能选址方法及系统 |
CN116011608A (zh) * | 2022-09-16 | 2023-04-25 | 浙江大学 | 光伏功率超短期预测方法及装置、电子设备、存储介质 |
CN117318024A (zh) * | 2023-09-19 | 2023-12-29 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
Cai et al. | Wind speed forecasting based on extreme gradient boosting | |
CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN116402203A (zh) | 计及天气情况的短时光伏发电量预测方法、系统及介质 | |
Sun et al. | Solar power prediction in smart grid based on NWP data and an improved boosting method | |
CN116611589B (zh) | 主网输变电设备停电窗口期预测方法、系统、设备及介质 | |
Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
CN111786391A (zh) | 一种计及能源不确定性的概率潮流分析方法及系统 | |
Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
CN113723717B (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 | |
Emamian et al. | Solar power forecasting with LSTM network ensemble | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN114139803A (zh) | 一种风电场站短期功率的预测方法、系统、设备和介质 | |
CN114626622A (zh) | 一种光伏功率预测方法、系统、装置及存储介质 | |
CN110717694B (zh) | 基于新能源消纳期望值的储能配置随机决策方法及装置 | |
CN111178593A (zh) | 一种光伏系统输出功率预测方法及装置 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210629 |
|
RJ01 | Rejection of invention patent application after publication |