CN113780644B - 一种基于在线学习的光伏出力预测方法 - Google Patents
一种基于在线学习的光伏出力预测方法 Download PDFInfo
- Publication number
- CN113780644B CN113780644B CN202111017853.2A CN202111017853A CN113780644B CN 113780644 B CN113780644 B CN 113780644B CN 202111017853 A CN202111017853 A CN 202111017853A CN 113780644 B CN113780644 B CN 113780644B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- time
- prediction
- online learning
- 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 54
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 241000721047 Danaus plexippus Species 0.000 description 1
- 241000254158 Lampyridae Species 0.000 description 1
- 241000287127 Passeridae Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于在线学习的光伏出力预测方法,解决了现有技术随时间推移预测精度降低的问题。实现步骤为:构建一个初始预测模型,写入边缘计算平台并进行实时预测;到达设定时间点调度中心获取历史数据,对旧模型进行继续训练;判断新模型与旧模型的优劣;将表现优的新模型写入边缘计算平台继续进行实时预测以保持预测的高精度。本发明的示意性实施例中将多视角卷积神经网络(MVCNN)与在线学习相结合,构建了一种预测精度随时间推移依旧表现优异的光伏出力预测模型,神经网络模型能够在保持旧知识的同时学习随时间推移出现的新的特征,预测精度随时间推移依旧表现优异。
Description
技术领域
本发明涉及一种基于在线学习的光伏出力预测方法,属于光伏发电技术领域。
背景技术
光伏发电呈现出时变性、波动性和随机性,对光伏发电的稳定性带来不利影响。当光伏发电大规模接入电网后,其波动性给电网的整体稳定运行带来了巨大挑战,降低了电网运行可靠性,增加了电网维护的成本。此外,近年来风光储等具有能源优势互补的发电系统广为应用,其中尤为重要的是确定储能系统的容量,“平抑波动”、“削峰填谷”等为保证新能源出力稳定的课题受到广泛关注,功率预测可以更好地实现上述目标。
在现有技术中,现有技术文件1(刘京波,刘辉,张家安,吴林林,郝峰,吴宇辉,张扬帆,柳玉,程雪坤,李琰,巩宇,马宏飞. 光伏发电功率预测方法及装置[P]. 北京市:CN112884238A,2021-06-01.)公开了一种光伏发电功率预测方法及装置,神经网络模型为根据训练数据采用Elman神经网络训练得出,在训练时采用麻雀算法优化Elman神经网络的初始权值。实现了较准的预测光伏发电功率的技术效果。
在现有技术中,现有技术文件2(王锐,雷洪涛,刘亚杰,张涛,黄生俊,李洁,明梦君,李凯文. 一种基于混合神经网络模型的光伏发电功率分时预测方法[P]. 湖南省:CN109978284B,2021-05-14.)公开了一种基于混合神经网络模型的光法发电功率分时预测方法,针对每一特定的训练集建立预测模型,使得预测的准确度和精度大大提高,利用差分算法以及萤火虫算法的混合算法对神经网络的参数进行优化,同时采用分支进化和全局进化相结合,使得模型更具有鲁棒性,更容易获得全局最优值,优化解的能力更强。
在现有技术中,现有技术文件3(樊涛,孙涛,来广志,骆欣,谢祥颖,王栋,那峙雄,马晓光. 一种光伏电站发电功率预测方法及装置[P]. 北京市:CN112801413A,2021-05-14.)提供了一种基于平均Lyapunov指数的光伏发电在线预测新方法。对光伏发电历史数据按晴天、多云天和雨天3种天气类型进行分类,分别构建上述3种天气状态下的光伏发电时间序列;按当前天气类型,设置嵌入维数和延迟时间,重构光伏发电时间序列的相空间;基于相空间初始状态点出发的动力学演化过程,计算相空间演化过程的平均Lyapunov指数并将其作为状态轨迹在相空间中的分离速率,在线计算光伏发电功率的预测值。
目前,常用的预测方法可分为以下几类:线性回归方法、时序建模方法以及深度学习方法等。但由于模型特点不同,都存在自身的局限性和适用条件。线性回归方法对光伏出力预测等时变性强的问题预测精度差。时序建模方法中如ARMA,最终结果给出一概率范围,预测结果不够精确。常见的深度学习方法,在推理随时间推移出现的新的时序特点表现差。上述方法存在预测精度差、随时间推移模型不再适用于当前的时间序列等问题,若被用来指导实际生活,可能导致较大损失,故本发明提出了一种基于在线学习的光伏出力预测模型。相较于现有的预测方法,本发明能更好的提高模型预测精度,且随时间推移光伏出力预测结果依然能够保持高准确率。
发明内容
本发明目的是提供了一种基于在线学习的光伏出力预测方法,能更好的提高预测精确度并且随时间推移光伏出力预测依然能够保持高准确率。
本发明为实现上述目的,通过以下技术方案实现:
一种基于在线学习的光伏出力预测方法,包括调度中心、边缘计算平台和云端平台,所述调度中心包括统筹协调模块、模型训练模块以及两个判断模块;所述方法包括如下步骤:
步骤1:在设定时间跨度范围T1内以设定的时间间隔t获取历史数据;
步骤2:对步骤1获取的历史数据进行预处理以获取初始数据;
步骤3:使用步骤2获取的初始数据搭建、训练神经网络模型获取初始模型;
步骤4:步骤3获取的初始模型置于边缘计算平台中;
步骤5:边缘计算平台获取实时数据进行时间序列预测,边缘计算平台将实时数据及预测结果上传至云端;
步骤6:开始预测后,间隔时间T2调度中心获取时间跨度范围T2内以设定的时间间隔t的数据,统筹协调模块将已有的旧数据与新获得的数据结合构成新数据集;
步骤7:使用步骤6获得的新数据与已有的[0,T1]时段内的历史数据,模型训练模块对旧模型进行继续训练得到新模型;
步骤8:判断模块一对步骤7得到的新模型进行评估,若新模型性能优于旧模型时将新模型写入边缘计算平台中;若新模型性能劣于旧模型则不将新模型写入边缘计算平台中,循环步骤5~步骤8。
优选的,所述步骤1中,历史数据包括:光伏功率数据、太阳辐射度、温度、降雨量、风速数据。
优选的,所述步骤2中包括如下具体步骤:
步骤2-1:数据缺失处理:对数据缺失的时刻采用线性插值法进行填充;
步骤2-2:数据异常处理:对明显超出正常范围或传感器量程的数据采用线性插值法替代异常值;
步骤2-3:数据标准化处理:采用标准差标准化;
其中,为初始数据沿时间轴的个数,/>为第/>个数据;
步骤2-4:数据集划分:把处理后的数据按时间序列长度的80%划分为训练集,20%为测试集;
优选的,在所述步骤3中,所述神经网络模型为多视角卷积神经网络。
优选的,所述步骤3包括如下具体步骤:
步骤3-1:建立多视角卷积神经网络,包含两部分,第一部分对数据从不同视角进行特征提取,然后与原始数据进行级联,第二部分对第一部分得到的多维数据集进行卷积、回归;
步骤3-2:第一部分中含有两个卷积层,过滤器个数分别为8、1,卷积核大小分别为3×3、2×2,补洞策略均为same,卷积核滑动步长均为1;
第二部分含有两个卷积层,过滤器个数分别为64、32,卷积核大小均为3×3,补洞策略均为same,卷积核滑动步长均为1;
步骤3-3:该网络优化器使用Adam算法,在卷积层激活函数使用elu函数,在全连接层激活函数使用tanh函数。
优选的,在所述步骤5中,边缘计算平台获取实时数据进行时间序列预测,实时数据经过步骤2-3所述标准化处理,边缘计算平台进行预测。
优选的,在所述步骤8中,判断新模型是否优于旧模型的依据是均方根误差(RMSE):
其中,为预测值,/>为真实值,/>为测试集中数据个数。
一种基于在线学习的光伏出力预测设备,该计算机设备包括存储器、处理器、通信接口以及通信总线;
所述存储器用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理;所述存储器包括存储程序区和存储数据区,其中,存储程序区存储操作系统、至少一个功能所需要的应用程序;存储数据区存储处理器所创建的数据;
所述存储器上存储有可在处理器上运行的计算机程序,所述计算机程序在计算机处理器中执行时实现光伏发电功率预测方法;
本发明的优点在于:1.本发明提出了一种基于在线学习的光伏出力预测模型,利用了在线学习与深度学习相结合的思想。通过在线学习,模型在学习新知识的同时能够保留旧知识,能够更加精确的预测光伏出力。在线学习可以及时更新模型权重,以达到随时间推移模型仍具有预测精度高的目的。
2.本发明模型中云端平台部分能够实现实时监测、实时云端分析的效果,对监测设备性能要求低,能够节约成本、增加收益。
3.多视角卷积神经网络(MVCNN)能够更好的提取时间序列数据沿时间轴、特征轴的特征,尤其是常被忽略的沿特征轴的特征。在预测结果上,多视角卷积神经网络(MVCNN)相较于传统的线性回归方法、时序建模方法以及广泛应用的长短期记忆网络具有更高的预测精度,期预测结果与真实值一致性,模型鲁棒性好。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明基于在线学习的光伏出力预测模型流程图
图2为本发明实施例的模型结构图
图3为本发明实施例中多视角卷积神经网络结构示意图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,所述是对本发明的解释而不是限定。显然,所描述的实施例仅是本发明一部分实施例,而并不是全部的实施例。本发明的实施例中神经网络模型采用多视角卷积神经网络(MVCNN),显然,本领域技术人员可轻易的将多视角卷积神经网络(MVCNN)替换为其他神经网络(如长短期记忆网络、卷积神经网络等),只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均属于本发明的保护范围。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得所有其他实施例,都属于本发明保护地范围。
本发明提出了一种基于在线学习的光伏出力预测模型,其流程图如图1所示。为使本领域普通技术人能更清楚、方便地理解本发明的技术方案,详细介绍基于在线学习的光伏出力预测模型的技术方案,具体包括如下步骤:
步骤1:在设定时间跨度范围T1内以设定的时间间隔t获取历史数据
从光伏电站获取时间跨度范围T1内时间间隔为t的光伏电站输出功率数据,从光伏电站或当地气象部门获取时间跨度范围T1内时间间隔为t的气象数据,包括但不限于太阳辐射度、温度、降雨量、风速等数据。
步骤2:对步骤1获取的历史数据进行预处理以获取初始数据
数据预处理包含完整性检验、合理性检验以及数据标准化等。
完整性检验即判断数据个数正确与否,是否存在缺失的情况;合理性检验即根据经验和传感器量程范围等确定数据合理范围,如温度应在-50~50℃之间,对缺失、超出范围的异常数据采用线性插值法进行填补。
常见的数据标准化方式有min-max标准化、标准差标准化、归一化方法、对数转换等。本发明中,随时间的推移某属性的最大、最小值存在变化的可能,故采用标准差标准化将数据转变为具有零均值、单位方差的数据集。经标准化的数据为无量纲的纯数量,可以消除量纲和变量自身变异的影响。
步骤3:使用步骤2获取的初始数据搭建、训练神经网络模型获取初始模型
实施例中采用多视角卷积神经网络(MVCNN),该模型结构如图3所示。该模型可大致分为两部分,第一部分对数据从不同视角进行特征提取然后与原始数据进行级联,第二部分对第一部分得到的多维数据集进行卷积、回归。第一部分中含有两个卷积层,过滤器个数分别为8、1,卷积核大小分别为3×3、2×2,补洞策略均为same,卷积核滑动步长均为1;第二部分含有两个卷积层,过滤器个数分别为64、32,卷积核大小均为3×3,补洞策略均为same,卷积核滑动步长均为1。该网络优化器使用Adam算法,在卷积层激活函数使用elu函数,在全连接层激活函数使用tanh函数。
如图3所示,该模型输入为12×6的张量(该张量由初始数据经滑动窗口得到,在此实施例中窗口宽度为12滑动步长为1),给该张量增加一个维度使其成为12×6×1的张量;view1、view2分别为沿特征轴、时间轴划分,沿特征轴以间隔3进行划分获得4个3×6×1的张量,沿时间轴以间隔3进行划分获得2个12×3×1的张量;“视角”张量获取完成后分别对新的张量进行卷积以提取沿时间轴的特征以及沿特征轴的特征,相较于传统的时间序列预测该方法能够获得不同“传感器”间的隐含信息;卷积操作完成后将划分的张量进行级联分别恢复数据的原始形状;此时已有3个12×6×1的张量,将其进行级联获得1个12×6×3的张量;该张量作为最为CNN的输入,经卷积层卷积,卷积核大小为3×3,然后进入展平层以及全连接层和遗忘层最终输出。
步骤4:步骤3获取的初始模型置于边缘计算平台中
步骤5:边缘计算平台获取实时数据进行时间序列预测,边缘计算平台将实时数据及预测结果上传至云端
实施预测时从光伏电站获取的数据类型与步骤1中获取的数据类型相同,且获取的数据应进行标准化,标准化方法为标准差标准化法,标准化时用到的参数应与步骤2-3中的相同。
步骤6:模型开始预测后,间隔时间T2调度中心获取时间跨度范围T2内以设定的时间间隔t的数据,并将已有的旧数据与新获得的数据结合构成新数据集
调度中心在到达时间间隔T2时获取时间跨度范围为T2时间间隔为t的数据,如图2所示,在获取新数据后将已有的旧数据与新数据组合重新构成新的数据集用于对旧模型的继续训练。采用这种方法能够强化神经网络记住已有的旧知识,同时能够学习随时间推移而来的新特征。
步骤7:使用步骤6获得的新数据与已有的旧数据对旧模型进行继续训练得到新模型
如图1所示,获取新的数据集后,使用新的数据集对旧模型进行继续训练。如图2所示,该训练过程由调度中心发起、模型训练模块执行。
步骤8:对步骤7得到的新模型进行评估,当新模型性能优于旧模型时将新模型写入边缘计算平台中;若新模型性能劣于旧模型则不将新模型写入边缘计算平台中
评估新模型,当新模型性能优于旧模型时储存新模型,并读取模型文件信息判断新模型是否生成成功,若生成成功则将新模型写入边缘计算平台中,使用更高精度的模型进行实时预测;若模型文件信息出错,则返回错误值至调度中心。如图2所示,评估新模型是否优于旧模型由判断机制1执行,判断模型文件信息是否出错由判断机制2执行,将新模型写入边缘计算平台由调度中心执行,所有模型的运行均由调度中心统一调度。
步骤9:循环步骤5~步骤9
为了实现上述目的,本发明提供了一种计算机设备,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(CentralProcessingUnit,CPU)。处理器还可以为其他处理器、数字信号处理器(DigtialSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程们阵列(FieldProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述光伏发电功率预测方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于在线学习的光伏出力预测方法,其特征在于,包括调度中心、边缘计算平台和云端平台,所述调度中心包括统筹协调模块、模型训练模块以及两个判断模块;所述方法包括如下步骤:
步骤1:在设定时间跨度范围T1内以设定的时间间隔t获取历史数据;
步骤2:对步骤1获取的历史数据进行预处理以获取初始数据;
步骤3:使用步骤2获取的初始数据搭建、训练神经网络模型获取初始模型;所述神经网络模型为多视角卷积神经网络;
所述步骤3包括如下具体步骤:
步骤3-1:建立多视角卷积神经网络,包含两部分,第一部分对数据从不同视角进行特征提取,然后与原始数据进行级联,第二部分对第一部分得到的多维数据集进行卷积、回归;
步骤3-2:第一部分中含有两个卷积层,过滤器个数分别为8、1,卷积核大小分别为3×3、2×2,补洞策略均为same,卷积核滑动步长均为1;
第二部分含有两个卷积层,过滤器个数分别为64、32,卷积核大小均为3×3,补洞策略均为same,卷积核滑动步长均为1;
步骤3-3:该网络在卷积层激活函数使用elu函数,在全连接层激活函数使用tanh函数;
步骤4:步骤3获取的初始模型置于边缘计算平台中;
步骤5:边缘计算平台获取实时数据进行时间序列预测,边缘计算平台将实时数据及预测结果上传至云端;
步骤6:开始预测后,间隔时间T2调度中心获取时间跨度范围T2内以设定的时间间隔t的数据,统筹协调模块将已有的旧数据与新获得的数据结合构成新数据集;
步骤7:使用步骤6获得的新数据与已有的[0,T1]时段内的历史数据,模型训练模块对旧模型进行继续训练得到新模型;
步骤8:判断模块一对步骤7得到的新模型进行评估,若新模型性能优于旧模型时将新模型写入边缘计算平台中;若新模型性能劣于旧模型则不将新模型写入边缘计算平台中,循环步骤5~步骤8。
2.根据权利要求1所述的一种基于在线学习的光伏出力预测方法,其特征在于:所述步骤1中,历史数据包括:光伏功率数据、太阳辐射度、温度、降雨量、风速数据。
3.根据权利要求1所述的一种基于在线学习的光伏出力预测方法,其特征在于:所述步骤2中包括如下具体步骤:
步骤2-1:数据缺失处理:对数据缺失的时刻采用线性插值法进行填充;
步骤2-2:数据异常处理:对明显超出正常范围或传感器量程的数据采用线性插值法替代异常值;
步骤2-3:数据标准化处理:采用标准差标准化;
其中,为初始数据沿时间轴的个数,/>为第/>个数据;
步骤2-4:数据集划分:把处理后的数据按时间序列长度的80%划分为训练集,20%为测试集。
4.根据权利要求3所述的一种基于在线学习的光伏出力预测方法,其特征在于:在所述步骤5中,边缘计算平台获取实时数据进行时间序列预测,实时数据经过步骤2-3所述标准化处理,边缘计算平台进行预测。
5.根据权利要求1所述的一种基于在线学习的光伏出力预测方法,其特征在于:在所述步骤8中,判断新模型是否优于旧模型的依据是均方根误差(RMSE):
其中,为预测值,/>为真实值,/>为测试集中数据个数。
6.一种使用权利要求1-5任一所述方法的基于在线学习的光伏出力预测设备,其特征在于:该设备包括存储器、处理器、通信接口以及通信总线;
所述存储器用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理;所述存储器包括存储程序区和存储数据区,其中,存储程序区存储操作系统、至少一个功能所需要的应用程序;存储数据区存储处理器所创建的数据;
所述存储器上存储有可在处理器上运行的计算机程序,所述计算机程序在处理器中执行时实现光伏发电功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017853.2A CN113780644B (zh) | 2021-08-31 | 2021-08-31 | 一种基于在线学习的光伏出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017853.2A CN113780644B (zh) | 2021-08-31 | 2021-08-31 | 一种基于在线学习的光伏出力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780644A CN113780644A (zh) | 2021-12-10 |
CN113780644B true CN113780644B (zh) | 2023-09-01 |
Family
ID=78840477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017853.2A Active CN113780644B (zh) | 2021-08-31 | 2021-08-31 | 一种基于在线学习的光伏出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780644B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205377B (zh) * | 2023-04-28 | 2023-08-18 | 江西恒能电力工程有限公司 | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 |
CN113240217A (zh) * | 2021-07-12 | 2021-08-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于集成预测模型的光伏发电预测方法及装置 |
-
2021
- 2021-08-31 CN CN202111017853.2A patent/CN113780644B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 |
CN113240217A (zh) * | 2021-07-12 | 2021-08-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于集成预测模型的光伏发电预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于LSTM的超短期光伏发电功率预测;管军霖;智鑫;;通信电源技术(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780644A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN113780644B (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
KR102403035B1 (ko) | 상관 계수 기반 계층적 이진 군집화와 군집 인덱스 기반 시계열 예측을 이용한 발전량 예측 방법 및 장치 | |
CN116384576A (zh) | 风速预测方法、装置、系统及存储介质 | |
CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
CN116777038A (zh) | 微电网用电负荷预测方法、装置及存储介质 | |
CN115115107A (zh) | 光伏功率的预测方法、预测装置和计算机设备 | |
KR20230066927A (ko) | 발전량 예측 방법 및 장치 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN116822658B (zh) | 一种风光资源的预警方法、装置、计算机设备及存储介质 | |
CN117151303B (zh) | 一种基于混合模型的超短期太阳辐照度预测方法及系统 | |
CN116644856A (zh) | 基于增量深度时间卷积网络的多地貌风电场出力预测方法 | |
CN117113052A (zh) | 基于卷积图注意力深度神经网络的短期风功率预测方法 | |
Lingsheng et al. | Photovoltaic output power estimation model based on multi-meteorological variable dimension reduction and improved variational mode decomposition algorithm | |
Chen et al. | Research on Short-term Prediction Algorithm for Distributed Photovoltaic Power in Regional Distribution Networks |
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 |