CN114169445A - 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 - Google Patents

基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 Download PDF

Info

Publication number
CN114169445A
CN114169445A CN202111498179.4A CN202111498179A CN114169445A CN 114169445 A CN114169445 A CN 114169445A CN 202111498179 A CN202111498179 A CN 202111498179A CN 114169445 A CN114169445 A CN 114169445A
Authority
CN
China
Prior art keywords
photovoltaic power
day
network
cae
gan
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
Application number
CN202111498179.4A
Other languages
English (en)
Inventor
潘学萍
曹阳
孙晓荣
王正风
李有亮
李智
赵福林
梁肖
杨子
朱健宇
史雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
State Grid Anhui Electric Power Co Ltd
Original Assignee
Hohai University HHU
State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU, State Grid Anhui Electric Power Co Ltd filed Critical Hohai University HHU
Priority to CN202111498179.4A priority Critical patent/CN114169445A/zh
Publication of CN114169445A publication Critical patent/CN114169445A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation

Abstract

本发明提供一种基于CAE和GAN混合网络的日前光伏功率预测方法、装置与系统，首先以光伏电站历史的光伏功率数据和日前天气变量预报数据为基础，通过皮尔逊分析选择相关性大的天气变量作为输入变量；然后基于SOM神经网络进行天气类型分类，再结合CAE和GAN混合网络训练出日前光伏功率预测模型，模型输入为所选择的输入变量和光伏电站历史功率，模型输出为第二日的光伏功率；最后以光伏电站所在地的天气预报数据为基础构建模型输入，输入到日前光伏功率预测模型从而预测光伏电站第二日的光伏功率。本发明采用SOM神经网络进行天气类型分类，不需要先验知识并具有较好的天气类型分类效果；同时综合CAE在特征提取的优势以及GAN深度学习能力，有效提升日前光伏功率的预测精度。

Description

基于CAE和GAN混合网络的日前光伏功率预测方法、装置与 系统
技术领域
本发明涉及光伏发电技术领域，具体而言涉及一种基于CAE和GAN混合网络的日前光伏功率预测方法、装置与系统，基于CAE(卷积自编码器网络)和GAN(生成对抗网络)的融合对光伏电站的日前光伏功率进行高精度的预测。
背景技术
在构建清洁低碳、安全高效能源体系的大背景下，我国光伏发电占比逐步提高，现代电网调度与运行面临新的问题和挑战。准确的光伏功率预测是电力系统经济调度的基础，考虑到光伏功率的间歇性和波动性，且极易受天气因素的影响，光伏功率的准确预测目前仍旧是个难题。
日前光伏功率预测属于短期功率预测，需要预测次日零时起至未来24小时的光伏发电站输出功率。现有基于深度学习的日前光伏功率预测虽然取得一定的进展，但在输入输出数据的深度学习和特征提取方面存在欠缺，因此预测精度的提升仍是需要解决的问题。
现有技术文献：
专利文献1：CN108564192A一种基于气象因子权重相似日的短期光伏功率预测方法
专利文献2：CN112070311A基于相似日聚类和气象因子赋权的日前光功率预测方法
发明内容
鉴于现有技术的上述缺陷与不足，本发明的目的在于提出基于CAE和GAN混合网络的日前光伏功率预测方法，融合CAE在特征提取方面的优势以及GAN在深度学习方面的能力，有效提升光伏功率的预测精度。
根据本发明目的的第一方面提出一种基于CAE和GAN混合网络的日前光伏功率预测方法，包括以下步骤：
步骤1、获取光伏电站历史的光伏功率数据和日前天气变量预报数据；
步骤2、基于皮尔逊相关性分析，获取日前天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量；
步骤3、基于SOM自组织映射神经网络，根据辐照强度进行天气类型分类，分别为晴天、阴天和雨天；
步骤4、对于每一种分类的天气，以所述步骤2所选择的输入变量以及历史光伏功率数据构建训练集，基于CAE和GAN混合网络训练出日前光伏功率预测模型，所获得的预测模型的输入为所述步骤2所选择的输入变量，预测模型的输出为预测日的光伏功率；
步骤5、以光伏电站所在地的天气预报数据为基础，按照所述步骤2选择的输入变量构建模型输入，输入到日前光伏功率预测模型从而预测光伏电站第二日的光伏功率输出。
优选地，所述步骤3中，所采用的SOM自组织映射神经网络包括输入层和计算层，通过自组织学习，SOM自组织映射神经网络的计算层的神经元被分类为不同的响应区域，输入经过计算层时被自动分类，其中神经元的参数更新如下：
Figure BDA0003401699190000021
式中：wj(m)代表神经元j的第m个参数，α是输入，参数η是学习率，神经元j的权重系数h与距离dj(α)有关，距离dj(α)描述的是wj(n)和α之间的距离；
以散射水平辐射(DHI)和总水平辐射(GHI)之比的均值和标准差作为SOM自组织映射神经网络的输入，经过计算层分类输出的聚类结果为晴天、阴天和雨天。
优选地，所述步骤4中，所述CAE和GAN混合网络是指用CAE网络替换GAN中的生成网络；其中，GAN的生成网络由CAE网络进行替换，将CAE网络与全连接层神经网络组合作为GAN的生成网络，GAN的生成网络的输出即为日前光伏功率预测值；
GAN的判别网络的输入为光伏功率实际值。
尤其是，基于CAE和GAN混合网络训练出日前光伏功率预测模型，训练过程包括：
通过CAE网络对预测模型的输入进行特征提取后，通过全连接层神经网络输出预测的光伏功率时间序列，即时间序列下的光伏功率数据序列；
通过GAN判别网络的二元分类对预测的光伏功率时间序列和光伏功率实际值进行分类，判别网络输出的范围是[0,1]，越接近1表示输入的光伏功率的预测值越接近实际值；
在对抗训练过程中，基于GAN的生成网络与判别网络的对抗，判别网络基于对抗损失，自适应生成损失函数，在生成网络和判别网络的对抗达到Nash平衡时，实现模型收敛，训练结束。
优选地，所述步骤4中，基于CAE和GAN混合网络训练出日前光伏功率预测模型，训练过程的收敛条件为：损失函数与回归函数的加权，构成加权组合的损失函数。
根据本发明目的的第二方面还提出一种基于CAE和GAN混合网络的日前光伏功率预测装置，包括：
用于获取光伏电站历史的光伏功率数据和日前天气变量预报数据的模块；
用于基于皮尔逊相关性分析，获取日前天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量的模块；
用于基于SOM自组织映射神经网络，根据辐照强度进行天气类型分类的模块，其中天气类型分类结果分别为晴天、阴天和雨天；
用于对于每一种分类的天气，以所选择的输入变量以及历史光伏功率数据构建训练集，基于CAE和GAN混合网络训练出日前光伏功率预测模型的模块；以及
用于以光伏电站所在地的天气预报数据为基础，按照签署选择的输入变量构建模型输入，输入到日前光伏功率预测模型从而预测光伏电站第二日光伏功率输出的模块。
根据本发明目的的第三方面还提出一种基于CAE和GAN混合网络的日前光伏功率预测系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括执行前述的预测方法的过程。
与现有技术相比，本发明的有益效果：
本发明采用SOM神经网络进行天气类型分类，该方法不需要先验知识，具有较好的天气类型分类效果；同时，由于GAN的生成器采用全连接神经网络，存在局部特征提取不全面的问题，本发明将CAE网络替换现有GAN生成器网络，基于CAE特有的卷积结构可最大程度提取输入数据的重要特征，综合GAN的深度学习能力，可以有效提升日前光伏功率的预测精度。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为根据本发明实施例的基于CAE和GAN混合网络的日前光伏功率预测方法的流程示意图；
图2为根据本发明实施例的天气变量与光伏功率的皮尔逊相关系数示意图；
图3为根据本发明实施例的SOM自组织神经网络的示意图；
图4为根据本发明实施例的基于SOM神经网络的天气类型聚合结果示意图；
图5为根据本发明实施例的CAE和GAN混合网络的结构示意图；
图6为根据本发明实施例的二维数据输入示意图；
图7a、7b与7c分别为根据本发明实施例基于混合网络的日前光伏出力预测方法分别在在晴天、阴天和雨天的预测结果示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合本发明的目的的实施例，旨在提出一种基于CAE和GAN混合网络的日前光伏功率预测方法，使用CAE网络来作为GAN网络的生成网络(即生成器)，通过CAE网络结构进行高效的深层特征的多层卷积提取能力和卷积自编码器的输出，实现高鲁棒性，结合GAN网络的卷积神经网络判别器进行自组织学习训练和对抗，采用基于对抗损失与回归损失加权的收敛条件加快模型的收敛，获得高效、高准确性和鲁棒性的预测模型，实现对日前光伏功率的预测输出，提高有效提升光伏功率的预测精度和鲁棒性。
结合图1所示的流程，基于CAE和GAN混合网络的日前光伏功率预测方法的示例的实现过程包括：
步骤1、获取光伏电站历史光伏功率数据和日前天气变量预报数据；
步骤2、基于皮尔逊相关性分析，获取日前天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量；
步骤3、基于SOM自组织映射神经网络，根据辐照强度进行天气类型分类，分别为晴天、阴天和雨天；
步骤4、对于每一种分类的天气，以所述步骤2所选择的输入变量以及历史光伏功率数据构建训练集，基于CAE和GAN混合网络训练出日前光伏功率预测模型，所获得的预测模型的输入为所述步骤2所选择的输入变量，预测模型的输出为预测日的光伏功率；
步骤5、以光伏电站所在地的天气预报数据为基础，按照所述步骤2选择的输入变量构建模型输入，输入到日前光伏功率预测模型从而预测光伏电站第二日的光伏功率输出。
结合图1示例的流程以及上述实现过程，其包括基于CAE和GAN混合网络的日前光伏功率预测模型的构建以及利用预测模型进行日前光伏功率预测输出两部分。下面我们将更加具体地描述上述过程的示例性实现。
[日前光伏功率预测模型的构建]
(1)获取变电站所历史的光伏功率数据和日前天气变量数据
在本发明的实施例中，光伏电站历史的光伏功率数据选择光伏电站每日开始发电到结束发电这段时间里的的实际光伏功率数据；所述日前天气变量预报数据选择光伏电站所在地的数值天气预报数据，包括：总水平辐照度(GHI)、散射水平辐照度(DHI)、总倾斜辐照度(GTI)、温度(TEMP)、风速(WS)以及风向(WD)。
例如，我们以江苏连云港金山光伏电站2017年的采样数据为例，历史光伏功率数据为该光伏电站2017年5:00-19:00的采样间隔为1小时的实测数据，数值天气预报数据为该光伏电站所在地采样间隔为1小时的日前数值天气预报数据，包括总水平辐照度(GHI)，散射水平辐照度(DHI)，总倾斜辐照度(GTI)，温度(TEMP)，风速(WS)以及风向(WD)。
(2)基于皮尔逊相关性分析，获取日前天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量
在本发明的实施例中，结合以下皮尔逊相关系数的计算公式，对于序列向量x和y皮尔逊相关系数ρxy计算如下：
Figure BDA0003401699190000051
式中：n是时间序列x和y的总个数，
Figure BDA0003401699190000052
和
Figure BDA0003401699190000053
分别代表时间序x和y的均值；相关系数ρxy∈[-1,1]，ρxy越大表明天气变量x和光伏功率y的相关性越强。根据ρxy结果，选择相关性大的天气变量作为输入变量。
根据上式计算各天气变量时间序列和光伏功率的时间序列的皮尔逊相关系数，以上述采样数据为基础进行计算的结果如图2所示。根据图2与发现：风向和光伏功率的相关系数最小，为0.0041，说明两序列基本不相关，所以舍弃与光伏功率数据的相关性最小的变量，即舍弃风向变量，选择总水平辐照度(GHI)，散射水平辐照度(DHI)，总倾斜辐照度(GTI)，温度(TEMP)，风速(WS)作为输入变量。
(3)基于SOM自组织映射神经网络，根据辐照强度进行天气类型分类，分别为晴天、阴天和雨天
结合图3所示的SOM自组织映射神经网络的结构示意图，包括输入层和计算层，通过自组织学习，SOM自组织映射神经网络的计算层的神经元被分类为不同的响应区域，输入经过计算层时被自动分类，其中神经元的参数更新如下：
Figure BDA0003401699190000061
式中：wj(m)代表神经元j的第m个参数，α是输入，参数η是学习率，神经元j的权重系数h与距离dj(α)有关，距离dj(α)描述的是wj(n)和α之间的距离。
以散射水平辐射(DHI)和总水平辐射(GHI)之比的均值和标准差作为SOM自组织映射神经网络的输入，经过计算层分类输出的聚类结果为晴天、阴天和雨天。
在本发明的实施例中，采用SOM自组织映射神经网络对2017年连云港金山变电所有历史日的天气类型进行计算聚类，聚类结果如图4所示。根据聚类结果，可得2017年连云港金山光伏电站的晴天、阴天和雨天的天数分别为134天、141天和90天。
(4)对于每一种分类的天气，以所述步骤2所选择的输入变量以及历史光伏功率数据构建训练集，基于CAE和GAN混合网络训练出日前光伏功率预测模型，所获得的预测模型的输入为所述步骤2所选择的输入变量，预测模型的输出为预测日的光伏功率
在本发明的实施例中，构建数据集，即训练集、验证集和测试集，基于CAE和GAN混合网络训练日前光伏功率预测模型。对于每一种分类的天气，对应一个CAE和GAN混合网络的预测模型。
CAE和GAN混合网络
在本发明的实施例中，结合图5所示的CAE和GAN混合网络的示意图，CAE和GAN混合网络是指用CAE网络替换GAN中的生成网络而形成的融合网络，其中：
GAN的生成网络由CAE网络进行替换，将CAE网络与全连接层神经网络组合作为GAN的生成网络，GAN的生成网络的输出即为日前光伏功率预测值，即预测值；GAN的判别网络的输入为光伏功率实际值，即真实值。
首先，由CAE网络(即生成器)进行特征提取，包括编码和解码2个过程，编码过程将输入数据的深层特征通过多层卷积提取，解码过程将被提取的多种频率的有效特征融合为卷积自编码器的输出，并且卷积自编码器的跳跃连接结构使得上述过程更鲁棒；然后，进行光伏功率时间序列预测，全连接层神经网络将卷积自编码器提取的有效特征变换为预测的光伏功率时间序列。
GAN判别网络(即判别器)的二元分类功能对光伏功率的预测值和真实值进行分类，判别网络输出值的范围是[0,1]，越接近1表示光伏功率预测值越接近真实值。如图5所示，生成器致力于生成能够“以假乱真”的光伏功率预测值，而判别器致力于区分真实值和预测值，两者相互对抗博弈，在Nash平衡中各自实现最优性能。基于对抗损失，判别器能够为生成器提供自适应自学习的损失函数，使得预测效果更加准确。
训练集的二维输入数据
在模型训练过程中，选择的训练数据为前述基于皮尔逊相关分析选择的输入变量以及光伏电站的历史光伏功率(即实际值)，输入变量为总水平辐照度(GHI)，散射水平辐照度(DHI)，总倾斜辐照度(GTI)，温度(TEMP)和风速(WS)。
结合图6所示，模型训练过程的输入数据由历史光伏功率数据和5个天气变量数据组成的两维矩阵，矩阵为6行15列，6行为5个天气变量和历史光伏功率，15列对应当地光伏有功率的时间段，为早上5点到晚上19点，共15小时，数据间隔为每小时1个点。
预测模型的输出为1×15向量，对应预测日5:00-19:00的时间间隔为1小时的光伏功率预测序列。
优选地，在训练期间，生成器和判别器的网络参数的学习率设为0.00015，采用Adam优化算法进行梯度更新。对抗损失和MSE损失的连接权重系数设为0.9。训练预测模型的迭代次数为3000。CAE编码侧的层数设为3。
训练过程
作为可选的示例，结合图5和图6所示的输入数据和网络结构，基于CAE和GAN混合网络训练的日前光伏功率预测模型，训练过程包括：
通过CAE网络对预测模型的输入进行特征提取后，通过全连接层神经网络输出预测的光伏功率时间序列，即时刻序列下的光伏功率数据序列；
通过GAN判别网络的二元分类对预测的光伏功率时间序列和光伏功率实际值进行分类，判别网络输出的范围是[0,1]，越接近1表示输入的光伏功率的预测值越接近实际值；
在自组织学习训练过程中，基于GAN的生成网络与判别网络的对抗，判别网络基于对抗损失，自适应生成损失函数，在生成网络和判别网络的对抗达到Nash平衡时，实现模型收敛，训练结束。
收敛条件
在本发明的实施例中，优选的训练过程的收敛条件为：损失函数与回归函数的加权，构成加权组合的损失函数。
基于生成对抗网络架构的对抗损失的函数表达式为：
Figure BDA0003401699190000081
式中：V是GAN的训练目标，E代表期望，m是数据集的大小，D(y)是实际光伏功率样本和实际光伏功率总体的相似度，D(G(x))是预测样本和实际光伏功率总体的相似度。
在GAN的训练中，生成网络G致力于最小化上述目标函数，但判别网络D致力于最大化上式，从而形成二人极大较小博弈。当生成网络G和判别网络D的对抗达到Nash平衡时，两者可以实现最优。
考虑到对抗损失收敛速度慢，为了加快算法的收敛，将传统的回归损失(MSE)和对抗损失加权结合。MSE损失的具体函数表达式为：
Figure BDA0003401699190000082
式中：n时间序列的步长，freal是光伏实际功率序列，fpre是GAN生成网络输出的光伏功率预测序列。
最终，用于光伏功率预测模型内部参数更新的损失函数由上述对抗损失和均方误差损失，进行加权组合，本发明以2个损失按1：9比例加权组合为示例。
加权的组合损失函数如下：
Figure BDA0003401699190000083
式中：λ是权重系数。
[日前光伏功率预测输出]
基于前述训练获得的预测模型，我们将可以进行日前光伏功率预测输出。以待预测的光伏电站所在地的天气预报数据为基础，按照前述选择的输入变量构建模型输入，输入到日前光伏功率预测模型从而预测变电站所的日前光伏功率输出。
[模型评价与预测误查分析]
在本实施例中，将2017年全年的数据按7:2:1比例分成训练集、测试集和验证集，训练集用于如前述的训练过程，测试集用于基于预测模型的评价指标，测试和分析日前光伏功率预测误差。
如前述的训练模型，基于测试集将GAN生成网络的输出作为光伏功率预测结果，与实际值(光伏功率真实值)进行比对。不同天气类型下的日前光伏功率预测结果如图7a-7c所示。
对预测结果用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)进行预测精度评价，其函数表达式为：
Figure BDA0003401699190000091
Figure BDA0003401699190000092
Figure BDA0003401699190000093
式中：fpre和freal分别是光伏功率时间序列的预测值和真实值。
为说明本发明的有效性，将本发明方法与其它GAN类预测方法的精度进行比较，见表1。能够看出本发明所用的CAE GAN预测模型的预测精度均优于其他预测方法。
表1不同预测模型精度对比
Figure BDA0003401699190000094
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，包括以下步骤：
步骤1、获取光伏电站历史光伏功率数据和日前天气变量预报数据；
步骤2、基于皮尔逊相关性分析，获取日前天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量；
步骤3、基于SOM自组织映射神经网络，根据辐照强度进行天气类型分类，分别为晴天、阴天和雨天；
步骤4、对于每一种分类的天气，以所述步骤2所选择的输入变量以及历史光伏功率数据构建训练集，基于CAE和GAN混合网络训练出日前光伏功率预测模型，所获得的预测模型的输入为所述步骤2所选择的输入变量，预测模型的输出为预测日的光伏功率；
步骤5、以光伏电站所在地的天气预报数据为基础，按照所述步骤2选择的输入变量构建模型输入，输入到日前光伏功率预测模型从而预测光伏电站第二日的光伏功率输出。
2.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤1中，所述光伏电站历史光伏功率数据选择光伏电站每日开始发电到结束发电这段时间里的实际光伏功率数据；所述日前天气变量预报数据选择光伏电站所在地的数值天气预报数据，包括：总水平辐照度(GHI)、散射水平辐照度(DHI)、总倾斜辐照度(GTI)、温度(TEMP)、风速(WS)以及风向(WD)。
3.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤2中，基于皮尔逊相关性分析舍弃与光伏功率数据的相关性最小的变量，选择总水平辐照度(GHI)、散射水平辐照度(DHI)、总倾斜辐照度(GTI)、温度(TEMP)以及风速(WS)作为输入变量。
4.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤3中，所采用的SOM自组织映射神经网络包括输入层和计算层，通过自组织学习，SOM自组织映射神经网络的计算层的神经元被分类为不同的响应区域，输入经过计算层时被自动分类，其中神经元的参数更新如下：
Figure FDA0003401699180000011
式中：wj(m)代表神经元j的第m个参数，α是输入，参数η是学习率，神经元j的权重系数h与距离dj(α)有关，距离dj(α)描述的是wj(n)和α之间的距离；
以散射水平辐射(DHI)和总水平辐射(GHI)之比的均值和标准差作为SOM自组织映射神经网络的输入，经过计算层分类输出的聚类结果为晴天、阴天和雨天。
5.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤4中，所述CAE和GAN混合网络是指用CAE网络替换GAN中的生成网络；其中，GAN的生成网络由CAE网络进行替换，将CAE网络与全连接层神经网络组合作为GAN的生成网络，GAN的生成网络的输出即为日前光伏功率预测值；
GAN的判别网络的输入为光伏功率实际值。
6.根据权利要求5所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤4中，基于CAE和GAN混合网络训练出日前光伏功率预测模型，训练过程包括：
通过CAE网络对预测模型的输入进行特征提取后，通过全连接层神经网络输出预测的光伏功率时间序列，即时间序列下的光伏功率数据序列；
通过GAN判别网络的二元分类对预测的光伏功率时间序列和光伏功率实际值进行分类，判别网络输出的范围是[0,1]，越接近1表示输入的光伏功率的预测值越接近实际值；
在对抗训练过程中，基于GAN的生成网络与判别网络的对抗，判别网络基于对抗损失，自适应生成损失函数，在生成网络和判别网络的对抗达到Nash平衡时，实现模型收敛，训练结束。
7.根据权利要求5所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤4中，基于CAE和GAN混合网络训练出日前光伏功率预测模型，训练过程的收敛条件为：损失函数与回归函数的加权，构成加权组合的损失函数。
8.根据权利要求7所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述的损失函数表达为：
Figure FDA0003401699180000021
式中：V是GAN的训练目标，E代表期望，m是数据集的大小，D(y)是实际光伏功率样本和实际光伏功功率总体的相似度，D(G(x))是预测样本和实际光伏功率总体的相似度；
所述回归函数表达为：
Figure FDA0003401699180000022
式中：n时间序列的步长，freal是实际光伏功率序列，fpre是GAN生成器输出的光伏功率预测序列；
所述加权组合的损失函数表达为：
Figure FDA0003401699180000031
其中，λ是权重系数。
9.一种基于CAE和GAN混合网络的日前光伏功率预测装置，其特征在于，包括：
用于获取光伏电站历史的光伏功率数据和日前天气变量预报数据的模块；
用于皮尔逊相关性分析，获取日前天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量的模块；
用于基于SOM自组织映射神经网络，根据辐照强度进行天气类型分类的模块，其中天气类型分类结果分别为晴天、阴天和雨天；
用于对于每一种分类的天气，以所选择的输入变量以及历史光伏功率数据构建训练集，基于CAE和GAN混合网络训练出日前光伏功率预测模型的模块，其中所获得的预测模型的输入为所选择的输入变量，预测模型的输出为预测日的光伏功率；以及
用于以光伏电站所在地的天气预报数据为基础，按照签署选择的输入变量构建模型输入，输入到日前光伏功率预测模型从而预测光伏电站的第二日的光伏功率输出的模块。
10.一种基于CAE和GAN混合网络的日前光伏功率预测系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括执行上述权利要求1-8中任意一项所述方法的过程。
CN202111498179.4A 2021-12-09 2021-12-09 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 Pending CN114169445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111498179.4A CN114169445A (zh) 2021-12-09 2021-12-09 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111498179.4A CN114169445A (zh) 2021-12-09 2021-12-09 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统

Publications (1)

Publication Number Publication Date
CN114169445A true CN114169445A (zh) 2022-03-11

Family

ID=80484865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111498179.4A Pending CN114169445A (zh) 2021-12-09 2021-12-09 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统

Country Status (1)

Country Link
CN (1) CN114169445A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114880958A (zh) * 2022-07-12 2022-08-09 南京气象科技创新研究院 一种基于多气象因子智能深度学习的能见度预报模型
WO2023201552A1 (en) * 2022-04-20 2023-10-26 Southeast University County-wide photovoltaic prediction method based on cluster division and data enhancement
CN117040030A (zh) * 2023-10-10 2023-11-10 国网浙江宁波市鄞州区供电有限公司 新能源消纳能力风险管控方法及系统
CN117200199A (zh) * 2023-09-06 2023-12-08 国网上海市电力公司 一种基于天气分型的光伏功率预测方法和系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023201552A1 (en) * 2022-04-20 2023-10-26 Southeast University County-wide photovoltaic prediction method based on cluster division and data enhancement
CN114880958A (zh) * 2022-07-12 2022-08-09 南京气象科技创新研究院 一种基于多气象因子智能深度学习的能见度预报模型
CN114880958B (zh) * 2022-07-12 2022-10-11 南京气象科技创新研究院 一种基于多气象因子智能深度学习的能见度预报方法
CN117200199A (zh) * 2023-09-06 2023-12-08 国网上海市电力公司 一种基于天气分型的光伏功率预测方法和系统
CN117200199B (zh) * 2023-09-06 2024-04-02 国网上海市电力公司 一种基于天气分型的光伏功率预测方法和系统
CN117040030A (zh) * 2023-10-10 2023-11-10 国网浙江宁波市鄞州区供电有限公司 新能源消纳能力风险管控方法及系统
CN117040030B (zh) * 2023-10-10 2024-04-02 国网浙江宁波市鄞州区供电有限公司 新能源消纳能力风险管控方法及系统

Similar Documents

Publication Publication Date Title
CN107766990B (zh) 一种光伏电站发电功率的预测方法
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
CN105701572B (zh) 一种基于改进高斯过程回归的光伏短期出力预测方法
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN105740635B (zh) 一种变压器电磁设计方案的云理想解评价方法
CN116937579B (zh) 一种考虑时空相关性的风电功率区间预测及其可解释方法
WO2024051524A1 (zh) 一种水风光发电功率联合预测方法、装置
CN109902340A (zh) 一种计及复杂气象耦合特性的多源-荷联合场景生成方法
CN115099296A (zh) 基于深度学习算法的海浪高度预测方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN115660182A (zh) 基于最大期望样本加权神经网络模型的光伏出力预测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN107844872B (zh) 一种用于风力发电的短期风速预报方法
CN113642255A (zh) 基于多尺度卷积循环神经网络的光伏发电功率预测方法
CN116611580A (zh) 一种基于多源数据与深度学习的海洋赤潮预测方法
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN113515890B (zh) 一种基于联邦学习的可再生能源日前场景生成方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN115481788A (zh) 相变储能系统负荷预测方法及系统
Lu et al. A deep belief network based model for urban haze prediction

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