CN114662807B - 基于序列编码重构的多尺度区域光伏出力预测方法及系统 - Google Patents

基于序列编码重构的多尺度区域光伏出力预测方法及系统 Download PDF

Info

Publication number
CN114662807B
CN114662807B CN202210582341.9A CN202210582341A CN114662807B CN 114662807 B CN114662807 B CN 114662807B CN 202210582341 A CN202210582341 A CN 202210582341A CN 114662807 B CN114662807 B CN 114662807B
Authority
CN
China
Prior art keywords
sequence
output
photovoltaic
prediction
data
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
Application number
CN202210582341.9A
Other languages
English (en)
Other versions
CN114662807A (zh
Inventor
龚迪阳
唐雅洁
李志浩
倪筹帷
方冰
汪莹洁
赵波
张雪松
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.)
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Zhejiang 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 Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210582341.9A priority Critical patent/CN114662807B/zh
Publication of CN114662807A publication Critical patent/CN114662807A/zh
Application granted granted Critical
Publication of CN114662807B publication Critical patent/CN114662807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明公开了基于序列编码重构的多尺度区域光伏出力预测方法及系统，属于光伏出力预测技术领域。本发明的基于序列编码重构的多尺度区域光伏出力预测方法，首先，选取基准站点，对站点数据进行清洗与加工，去除无效值补充缺失值；其次，进行序列整合以及确定预测时间尺度后，采用编码单元提取观测时间序列中适合用作区域光伏预测的内在表征向量；并使用解码单元来对内在表征向量解码，以此来预测输出的区域光伏出力序列；通过在解码过程中加入注意力单元，使其充分利用输入序列所含信息，实现对区域光伏滚动预测。本发明可在数据量有限和低采集数据成本的情况下，保持良好的多时间尺度区域光伏出力预测效果，方案科学、合理、切实可行。

Description

基于序列编码重构的多尺度区域光伏出力预测方法及系统
技术领域
本发明涉及基于序列编码重构的多尺度区域光伏出力预测方法及系统，属于光伏出力预测技术领域。
背景技术
通过对区域分布式光伏整体出力的精确预测，可有效提高电网稳定性、增加电网消纳光电能力、促进多能转换的能力，可推动电网的能源低碳发展与用能成本降低。
一般地，集中式光伏电站由于具有比较完备的数据采集、存储和通信系统，可聚合得到光伏物理预测模型，或利用人工神经网络解决非线性关系的特点，基于数值天气预报建立分布式光伏输出功率模型。但是，考虑到很多小型分布式电站具有历史运行数据收集困难、实时监测数据缺乏、信息获取成本较高的问题，在进行区域级预测时普遍采用外推法或统计升尺度功率预测方法，首先对区域进行片区划分，通过对不同片区进行出力预测，进而累加全部片区的出力预测结果得到区域出力预测结果；或者通过选择基准站点，并基于基准光伏电站的功率预测结果实现整个区域的出力预测。
进一步，中国专利（公开号：CN 113205226 A）公开了一种结合注意力机制以及误差修正的光伏功率预测方法，该方法包括以下内容：建立BiLSTM-Attention神经网络模型；选取与待预测日相近的历史相似日的光伏发电序列为训练样本，并对历史相似日的光伏功率序列进行模态分解，得到不同的分量，然后以每个分量作为输入分别训练一个BiLSTM-Attention神经网络模型，得到每个分量的预测值，所有分量的预测值相加得到总的预测值记为y1；同时，以训练样本直接训练一个BiLSTM-Attention神经网络模型，得到训练样本的预测值，再将相似日的训练样本的预测值与真实的训练样本做差获得误差序列；对误差序列进行相同的分解、预测操作得到总的误差预测值记为y2；则最终的预测结果y为二者相加。实现了光伏功率预测结果的修正以及预测。
但上述方案以及现有的技术方案中，需要的光伏站点数据相对完备，通过分析所有站点的功率数据与区域总体功率数据的内在联系，进行光伏出力预测。然而在实际应用中，数据条件更加苛刻，检测数据稀少的问题更加突出，并且随着输入序列变长和预测时间尺度的增加，存在历史信息丢失的问题，进而影响光伏出力预测的准确。
发明内容
针对现有技术的缺陷，本发明的目的一在于提供一种通过选取基准站点，对站点数据进行清洗与加工，去除无效值补充缺失值，并对有限的数据集进行时域和频域上的数据增强；其次，进行序列整合以及确定预测时间尺度后，采用编码单元提取观测时间序列中适合用作区域光伏预测的内在表征向量；并使用解码单元来对内在表征向量解码，以此来预测输出的区域光伏出力序列；通过在解码过程中加入注意力单元，使其充分利用输入序列所含信息；经过不断迭代使编码单元和解码单元达到性能要求；最后，通过输入选定基准站点的实时出力数据至可用混合模型，实现对区域光伏滚动预测；进而可在数据量有限和低采集数据成本的情况下，保持良好的多时间尺度区域光伏出力预测效果，方案科学、合理、切实可行的基于序列编码重构的多尺度区域光伏出力预测方法。
本发明的目的二在于提供一种适用于数据量有限以及数据缺失的场合，能最大程度上利用历史数据所含的有效信息，并且能够在一定程度上避免模型参数同质化的问题，具有实用性好、可操作性强、适用度广等特点的基于序列编码重构的多尺度区域光伏出力预测方法。
本发明的目的三在于提供一种通过构建网格化采样模块、数据预处理模块、编码解码模块、可用混合模块，特别适用于数据量有限以及数据缺失的场合，能最大程度上利用历史数据所含的有效信息，并且能够在一定程度上避免模型参数同质化的问题，具有实用性好、可操作性强、适用度广等特点的基于序列编码重构的多尺度区域光伏出力预测系统。
为实现上述目的之一，本发明的第一种技术方案为：
基于序列编码重构的多尺度区域光伏出力预测方法，
包括以下步骤：
步骤1：通过构建网格化采样模型，确定基准站点；
步骤2：获取步骤1中基准站点的光伏历史出力时序数据，并对光伏历史出力时序数据进行预处理，得到修正增强数据集；
所述预处理包括数据清洗与加工、数据增强；
步骤3：根据所需要的预测时间尺度，重新构建步骤2中的修正增强数据集，形成多维出力张量序列；
步骤4：建立编码解码模型，对区域光伏出力进行预测；
所述编码解码模型设有编码单元、注意力单元、解码单元；
所述编码单元将步骤3中的多维出力张量序列提取为内在表征向量序列，并将内在表征向量序列输入到解码单元中进行解码；
在解码过程中，利用注意力单元，赋予每次输入的内在表征向量序列不同的权重，使编码解码模型能充分利用输入的光伏历史出力时序数据所含信息；
步骤5：利用样本数据对步骤4中的编码解码模型进行训练，经过不断迭代使编码解码模型达到性能要求，形成可用混合模型；
步骤6：将待预测的基准站点的光伏实时出力时序数据依次输入至步骤2到步骤5中，进行区域光伏出力滚动预测。
本发明经过不断探索以及试验，针对区域光伏出力应用需求以及小型分布式光伏电站数据采集成本高、历史数据稀少、长时间序列中有效历史信息易丢失等问题，提出一种基于序列编码重构和升尺度转化的区域光伏出力预测方法，首先，选取基准站点，对站点数据进行清洗与加工，去除无效值补充缺失值，并对有限的数据集进行时域和频域上的数据增强；其次，进行序列整合以及确定预测时间尺度后，采用编码单元提取观测时间序列中适合用作区域光伏预测的内在表征向量；并使用解码单元来对内在表征向量解码，以此来预测输出的区域光伏出力序列；通过在解码过程中加入注意力单元，使其充分利用输入序列所含信息；经过不断迭代使编码单元和解码单元达到性能要求；最后，通过输入选定基准站点的实时出力数据至可用混合模型，实现对区域光伏滚动预测。
进而，本发明可在数据量有限和低采集数据成本的情况下，保持良好的多时间尺度区域光伏出力预测效果，方案科学、合理、切实可行。
进一步，本发明方法不同于一般技术方案仅限于单一时间尺度预测，可根据需求应用于超短期、短期、中长期多种时间尺度的出力预测；针对数据量有限的情况具有相应优化措施，能最大程度上利用历史数据所含的有效信息，并且能够在一定程度上避免模型参数同质化的问题，具有实用性好、可操作性强、适用度广等特点，对增强电网稳定性、促进光伏消纳能力具有重要意义。
作为优选技术措施：
所述步骤1中，网格化采样模型的构建方法如下：
步骤11，获取极限位置坐标信息；
极限位置坐标信息包括最低点坐标和最高点坐标；
所述最低点坐标为
Figure DEST_PATH_IMAGE001
；
所述最高点坐标为
Figure DEST_PATH_IMAGE002
；
步骤12，根据步骤11中的极限位置坐标信息，选择合适的网格宽度λ来进行网格划分；
步骤13，步骤12中网格划分完成后，对网格内站点进行随机采样，获得n×m个基准站点；所述n、m的计算公式如下：
Figure DEST_PATH_IMAGE003
。
作为优选技术措施：
所述步骤2中，所述数据清洗与加工为去除光伏历史出力时序数据中的无效值，并补充光伏历史出力时序数据中的缺失值，形成时序数据集；
所述数据增强包括时域上增强、频域上增强；
所述时域上增强，包括以下内容：
首先对时序数据集中的部分片段进行拉伸或压缩，然后通过从时序数据集中提取设定窗口大小的切片，将时序数据集统一到原始序列长度；
所述频域上增强，包括以下内容：
输入的时序数据集为
Figure DEST_PATH_IMAGE004
，其频谱
Figure DEST_PATH_IMAGE005
通过傅里叶变换计算，其 计算公式如下：
Figure DEST_PATH_IMAGE006
其中k是傅里叶变换第k个复指数信号，
Figure DEST_PATH_IMAGE007
是角频率，
Figure DEST_PATH_IMAGE008
是幅度 谱，
Figure DEST_PATH_IMAGE009
是相位谱，e是数学中的自然常数，j是复数符号，t是时间；
对于幅度谱
Figure 415829DEST_PATH_IMAGE008
中的扰动，利用幅度谱中的原始均值和方差，通过高斯噪声 替换随机选择片段的幅度值；
而对于相位谱
Figure 864128DEST_PATH_IMAGE009
中的扰动，随机选择片段的相位值由相位谱中额外的零均 值高斯噪声相加得到；
所述多维出力张量序列为
Figure DEST_PATH_IMAGE010
；
其中
Figure DEST_PATH_IMAGE011
为出力张量。
作为优选技术措施：
所述步骤4中，编码单元包括卷积神经网络CNN和时空序列预测网络ConvLSTM；
所述卷积神经网络CNN对输入的出力张量序列
Figure DEST_PATH_IMAGE012
进行处理，将每 个出力张量
Figure 925756DEST_PATH_IMAGE011
通过第
Figure DEST_PATH_IMAGE013
层卷积处理提取到潜在特征
Figure DEST_PATH_IMAGE014
， 对于
Figure DEST_PATH_IMAGE015
个出力张量得到特征组
Figure DEST_PATH_IMAGE016
；
将特征组
Figure 212643DEST_PATH_IMAGE016
传输给时空序列预测网络ConvLSTM，得到用于输入解码单元 的细胞状态
Figure DEST_PATH_IMAGE017
和隐藏状态
Figure DEST_PATH_IMAGE018
。
作为优选技术措施：
所述时空序列预测网络ConvLSTM的计算公式如下所示：
Figure DEST_PATH_IMAGE019
Figure DEST_PATH_IMAGE020
其中
Figure DEST_PATH_IMAGE021
为编码单元时空序列预测网络ConvLSTM的输入门，
Figure DEST_PATH_IMAGE022
为编码单元时空序 列预测网络ConvLSTM的遗忘门，
Figure DEST_PATH_IMAGE023
为编码单元时空序列预测网络ConvLSTM的输出门，W、H、 b为学习到的权重，
Figure DEST_PATH_IMAGE024
为编码器中第t个输入出力张量序列的第L个卷积神经网络CNN层的 输出。
作为优选技术措施：
所述注意力单元包括以下内容：
首先，通过使用聚类K-means++算法对出力张量进行聚类，识别出
Figure DEST_PATH_IMAGE025
个具有某种潜 在规律的区域出力特性张量
Figure DEST_PATH_IMAGE026
；
使用卷积神经网络CNN从区域出力特性张量
Figure 308906DEST_PATH_IMAGE026
中提取空间特征数据
Figure DEST_PATH_IMAGE027
， 并形成空间特征数组
Figure DEST_PATH_IMAGE028
；
将t-1时刻出力张量的扁平化隐藏状态
Figure DEST_PATH_IMAGE029
和扁平化的空间特征
Figure DEST_PATH_IMAGE030
输 入一个多层感知机MLP神经网络进行计算，得到权重向量
Figure DEST_PATH_IMAGE031
；
并根据权重向量，计算注意力向量
Figure DEST_PATH_IMAGE032
。
作为优选技术措施：
所述注意力向量
Figure 690557DEST_PATH_IMAGE032
的计算公式如下：
Figure DEST_PATH_IMAGE033
其中，f为激活函数，
Figure DEST_PATH_IMAGE034
为激活函数计算结果，所述激活函数为线性整流函数ReLU 或者双曲正切函数tanh。
作为优选技术措施：
所述解码单元的结构与编码单元的结构对称，其包括以下内容：
通过复制时空序列预测网络ConvLSTM的细胞状态和隐藏状态来初始化解码单元时空序列预测网络ConvLSTM；
解码单元的时空序列预测网络ConvLSTM的输入除了上一时刻的隐藏状态
Figure DEST_PATH_IMAGE035
， 细胞状态
Figure DEST_PATH_IMAGE036
外，还包括当前时刻的注意力向量
Figure DEST_PATH_IMAGE037
；
在得到多个时刻的隐藏状态
Figure DEST_PATH_IMAGE038
后，再经过卷积神经网络CNN的卷积作为编码解码 模型的输出。
作为优选技术措施：
输出
Figure 708323DEST_PATH_IMAGE038
的计算公式如下：
Figure DEST_PATH_IMAGE039
其中
Figure DEST_PATH_IMAGE040
为解码单元时空序列预测网络ConvLSTM输入门，
Figure DEST_PATH_IMAGE041
为解码单元时空序列 预测网络ConvLSTM遗忘门，
Figure DEST_PATH_IMAGE042
为解码单元时空序列预测网络ConvLSTM输出门。
为实现上述目的之一，本发明的第二种技术方案为：
基于序列编码重构的多尺度区域光伏出力预测系统，
应用上述的基于序列编码重构的多尺度区域光伏出力预测方法，其包括网格化采样模块、数据预处理模块、编码解码模块、可用混合模块；
所述网格化采样模块，用于确定基准站点；
所述数据预处理模块，用于对光伏历史出力时序数据进行清洗、加工以及增强，得到修正增强数据集；
所述编码解码模块，用于对区域光伏出力进行初步预测；
所述可用混合模块，用于对区域光伏出力深度预测。
本发明通过构建网格化采样模块、数据预处理模块、编码解码模块、可用混合模块，能够适用于数据量有限以及数据缺失的场合，能最大程度上利用历史数据所含的有效信息，并且能够在一定程度上避免模型参数同质化的问题，具有实用性好、可操作性强、适用度广等特点，能够增强电网稳定性，提升光伏消纳能力。
与现有技术相比，本发明具有以下有益效果：
本发明经过不断探索以及试验，针对区域光伏出力应用需求以及小型分布式光伏电站数据采集成本高、历史数据稀少、长时间序列中有效历史信息易丢失等问题，提出一种基于序列编码重构和升尺度转化的区域光伏出力预测方法，首先，选取基准站点，对站点数据进行清洗与加工，去除无效值补充缺失值，并对有限的数据集进行时域和频域上的数据增强；其次，进行序列整合以及确定预测时间尺度后，采用编码单元提取观测时间序列中适合用作区域光伏预测的内在表征向量；并使用解码单元来对内在表征向量解码，以此来预测输出的区域光伏出力序列；通过在解码过程中加入注意力单元，使其充分利用输入序列所含信息；经过不断迭代使编码单元和解码单元达到性能要求；最后，通过输入选定基准站点的实时出力数据至可用混合模型，实现对区域光伏滚动预测。
进而本发明可在数据量有限和低采集数据成本的情况下，保持良好的多时间尺度区域光伏出力预测效果，方案科学、合理、切实可行。
进一步，本发明通过构建网格化采样模块、数据预处理模块、编码解码模块、可用混合模块，能够适用于数据量有限以及数据缺失的场合，能最大程度上利用历史数据所含的有效信息，并且能够在一定程度上避免模型参数同质化的问题，具有实用性好、可操作性强、适用度广等特点，能够增强电网稳定性，提升光伏消纳能力。
附图说明
图1是本发明一种预测方法流程图；
图2是本发明网格化采样示意图；
图3是本发明序列时域数据增强方法示意图；
图4是本发明注意力向量的计算流程示意图；
图5是本发明网格化采样部分预处理数据示图；
图6是本发明频域数据增强前后对比数据片段示图；
图7是本发明数据增强后的数据集示图；
图8是本发明功率预测值与真实值对比示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
如图1所示，本发明基于序列编码重构的多尺度区域光伏出力预测方法的第一种具体实施例：
基于序列编码重构的多尺度区域光伏出力预测方法，
包括以下步骤：
步骤1：通过构建网格化采样模型，确定基准站点；
步骤2：获取步骤1中基准站点的光伏历史出力时序数据，并对光伏历史出力时序数据进行预处理，得到修正增强数据集；
所述预处理包括数据清洗与加工、数据增强；
步骤3：根据所需要的预测时间尺度，重新构建步骤2中的修正增强数据集，形成多维出力张量序列；
步骤4：建立编码解码模型，对区域光伏出力进行预测；
所述编码解码模型设有编码单元、注意力单元、解码单元；
所述编码单元将步骤3中的多维出力张量序列提取为内在表征向量序列，并将内在表征向量序列输入到解码单元中进行解码；
在解码过程中，利用注意力单元，赋予每次输入的内在表征向量序列不同的权重，使编码解码模型能充分利用输入的光伏历史出力时序数据所含信息；
步骤5：利用样本数据对步骤4中的编码解码模型进行训练，经过不断迭代使编码解码模型达到性能要求，形成可用混合模型；
步骤6：将待预测的基准站点的光伏实时出力时序数据依次输入至步骤2到步骤5中进行处理，从而根据光伏实时出力时序数据，进行区域光伏出力滚动预测。
本发明基于序列编码重构的多尺度区域光伏出力预测方法的第二种具体实施例：
一种基于序列编码重构的多尺度区域光伏出力预测方法，
其步骤如下：
步骤1：在具有光伏历史出力数据的分布式站点中，采用网格化采样方法，确定基准站点；
步骤2：对基准站点光伏历史出力时序进行清洗与加工，去除无效值补充缺失值，并对有限的数据集进行时域和频域上的数据增强，得到修正增强数据集；
步骤3：根据所需要的预测时间尺度，重新构建修正增强数据集并对其整形；
步骤4：建立编码解码模型，采用编码单元将输入的基准站点光伏历史出力序列提取为内在表征向量序列；采用解码单元解释这些内在表征，以此来预测输出的区域光伏出力序列，并通过在解码过程中加入注意力单元，赋予解码单元输入不同的权重，在解码单元计算输出序列的每次迭代中使用，使模型充分利用输入的历史数据序列所含信息；
步骤5：通过样本数据对模型进行训练，经过不断迭代使编码解码模型达到性能要求，得到最终的可用混合模型；
步骤6：通过输入选定基准站点的实时出力数据至可用混合模型，实现对区域光伏滚动预测。
本发明基准站点采样方法的一种具体实施例：
基准站点采样方法是根据最低点
Figure DEST_PATH_IMAGE043
和最高点
Figure DEST_PATH_IMAGE044
，并选择合适的网格宽度λ来进行网格划分，通过对网格内站点随 机采样，获得
Figure DEST_PATH_IMAGE045
个基准站点，其中，
Figure DEST_PATH_IMAGE046
。
本发明数据增强方法的一种具体实施例：
（1）时域上增强
首先对时间序列中的部分片段进行拉伸或压缩，然后通过从序列中提取设定窗口大小的切片，将时间序列统一到原始序列长度。
（2）频域上增强
假设输入的时间序列为
Figure DEST_PATH_IMAGE047
，其频谱
Figure DEST_PATH_IMAGE048
通过傅里叶变换计算 为：
Figure DEST_PATH_IMAGE049
其中
Figure DEST_PATH_IMAGE050
是角频率，
Figure DEST_PATH_IMAGE051
是幅度谱，
Figure DEST_PATH_IMAGE052
是相位谱。对于幅度谱
Figure DEST_PATH_IMAGE053
中的扰动，考虑幅度谱中的原始均值和方差，用高斯噪声替换随机选择片段的幅 度值。而对于相位谱
Figure 831524DEST_PATH_IMAGE052
中的扰动，随机选择片段的相位值由相位谱中额外的零均值 高斯噪声相加得到。
本发明编码单元的一种具体实施例：
编码单元由两个主要部分组成：较低层的CNN单元和较高层的ConvLSTM单元。
对于经过整形用于输入的出力张量序列
Figure DEST_PATH_IMAGE054
，首先每一个出力张 量
Figure DEST_PATH_IMAGE055
都通过第
Figure 93878DEST_PATH_IMAGE013
层卷积处理提取潜在特征得到
Figure DEST_PATH_IMAGE056
， 对于
Figure 821663DEST_PATH_IMAGE015
个出力张量得到
Figure DEST_PATH_IMAGE057
。 进一步，将
Figure 264408DEST_PATH_IMAGE057
输入到多层ConvLSTM网络中，得到用于输入解码单元的细胞状态
Figure DEST_PATH_IMAGE058
和隐藏状态
Figure DEST_PATH_IMAGE059
。
ConvLSTM的更新方程如下：
Figure DEST_PATH_IMAGE060
其中
Figure DEST_PATH_IMAGE061
为编码单元ConvLSTM输入门，
Figure DEST_PATH_IMAGE062
为编码单元ConvLSTM遗忘门，
Figure DEST_PATH_IMAGE063
为编码 单元ConvLSTM输出门。
本发明注意力单元的一种具体实施例：
首先，通过使用 K-means++算法对历史出力张量进行聚类，识别出K个具有某种潜 在规律的区域出力特性张量
Figure DEST_PATH_IMAGE064
。
使用卷积神经网络从
Figure 158677DEST_PATH_IMAGE064
中提取空间特征得到空间特征数组
Figure DEST_PATH_IMAGE065
，
将t-1时刻出力张量的扁平化隐藏状态
Figure DEST_PATH_IMAGE066
和扁平化的
Figure DEST_PATH_IMAGE067
输入一个多 层感知机（MLPK）神经网络进行计算，得到权重向量
Figure 337854DEST_PATH_IMAGE031
，并通过如下 计算得到注意力向量
Figure DEST_PATH_IMAGE068
：
Figure DEST_PATH_IMAGE069
其中激活函数f可以为ReLU或者tanh。
本发明解码单元的一种具体实施例：
解码单元的结构与编码单元的结构对称。
通过复制编码单元ConvLSTM的细胞状态和隐藏状态来初始化解码单元ConvLSTM，
解码单元ConvLSTM的输入除了上一时刻的
Figure DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE071
外，还包含当前时刻的注 意力向量。在得到多个时刻的输出
Figure DEST_PATH_IMAGE072
后，再经过多层CNN的卷积作为整个模型的输出。
解码单元的计算方程如下：
Figure DEST_PATH_IMAGE073
其中
Figure DEST_PATH_IMAGE074
为解码单元ConvLSTM输入门，
Figure DEST_PATH_IMAGE075
为解码单元ConvLSTM遗忘门，
Figure DEST_PATH_IMAGE076
为解码 单元ConvLSTM输出门。
本发明基于序列编码重构的多尺度区域光伏出力预测方法的一种最佳实施例：
基于序列编码重构的多尺度区域光伏出力预测方法，包括以下步骤：
步骤1：针对指定区域内具有光伏历史出力数据的分布式站点，根据最低点
Figure 601653DEST_PATH_IMAGE043
和最高点
Figure DEST_PATH_IMAGE077
，选择合适的网格宽度λ进行网格 划分，通过对网格内站点随机采样，获得
Figure DEST_PATH_IMAGE078
个基准站点，其中
Figure DEST_PATH_IMAGE079
，
Figure DEST_PATH_IMAGE080
，参见图2。
步骤2：经过数据预处理后，对基准站点光伏历史出力时序进行时域和频域上的数据增强，增加数据的价值，其过程如下：
（1）时域上增强
首先对时间序列中的占总序列10%片段进行拉伸或压缩，然后通过从序列中提取设定窗口大小的切片，将时间序列统一到原始序列长度，如图3所示。
（2）频域上增强
对于输入的时间序列
Figure DEST_PATH_IMAGE081
，其频谱
Figure DEST_PATH_IMAGE082
通过傅里叶变换计算为：
Figure DEST_PATH_IMAGE083
其中
Figure DEST_PATH_IMAGE084
是角频率，
Figure DEST_PATH_IMAGE085
是幅度谱，
Figure DEST_PATH_IMAGE086
是相位谱。对于幅度谱
Figure 249803DEST_PATH_IMAGE085
中的扰动，考虑幅度谱中的原始均值和方差，用高斯噪声替换随机选择片段的幅 度值。而对于相位谱
Figure 682183DEST_PATH_IMAGE086
中的扰动，随机选择片段的相位值由相位谱中额外的零均值 高斯噪声相加得到。
步骤3：根据所需要的预测时间尺度，重新构建数据集并整形为适合卷积模型输入 的5维张量
Figure DEST_PATH_IMAGE087
，其中数据的 每个时间步被定义为
Figure DEST_PATH_IMAGE088
个数据点的图像。
假设现有数据为15min分辨率一天96点，预测尺度为未来4小时，样本长度
Figure DEST_PATH_IMAGE089
，可将 数据整形为
Figure DEST_PATH_IMAGE090
；
步骤4：建立编码解码模型，采用编码单元将输入的基准站点光伏历史出力序列提取为内在表征向量序列；采用解码单元解释这些内在表征，以此来预测输出的区域光伏出力序列，并通过在解码过程中加入注意力单元，赋予解码单元输入不同的权重，在解码单元计算输出序列的每次迭代中使用，使模型充分利用输入的历史数据序列所含信息。
如图4所示，所述编码解码模型的建立过程，包括以下内容：
（1）建立编码单元
编码单元由两个主要部分组成：较低层的CNN单元和较高层的ConvLSTM单元。
对于经过整形用于输入的出力张量序列
Figure DEST_PATH_IMAGE091
，首先每一个出力张 量
Figure DEST_PATH_IMAGE092
都通过第
Figure 76387DEST_PATH_IMAGE013
层卷积处理提取潜在特征得到
Figure DEST_PATH_IMAGE093
， 对于
Figure DEST_PATH_IMAGE094
个出力张量得到
Figure DEST_PATH_IMAGE095
。 进一步，将
Figure 270608DEST_PATH_IMAGE095
输入到多层ConvLSTM网络中，得到用于输入解码单元的细胞状态
Figure DEST_PATH_IMAGE096
和隐藏状态
Figure DEST_PATH_IMAGE097
。
ConvLSTM的更新方程如下：
Figure DEST_PATH_IMAGE098
Figure DEST_PATH_IMAGE099
其中
Figure DEST_PATH_IMAGE100
为编码单元ConvLSTM输入门，
Figure DEST_PATH_IMAGE101
为编码单元ConvLSTM遗忘门，
Figure DEST_PATH_IMAGE102
为编码 单元ConvLSTM输出门。
（2）建立注意力单元。
首先，通过使用 K-means++算法对历史出力张量进行聚类，识别出
Figure 953524DEST_PATH_IMAGE025
个具有某种 潜在规律的区域出力特性张量
Figure DEST_PATH_IMAGE103
。
使用卷积神经网络从
Figure 720754DEST_PATH_IMAGE103
中提取空间特征得到空间特征数组
Figure DEST_PATH_IMAGE104
，
将t-1时刻出力张量的扁平化隐藏状态
Figure DEST_PATH_IMAGE105
和扁平化的
Figure DEST_PATH_IMAGE106
输入一个多 层感知机（MLPK）神经网络进行计算，得到权重向量
Figure 77786DEST_PATH_IMAGE031
，
通过如下计算得到注意力表征张量即注意力向量
Figure DEST_PATH_IMAGE107
：
Figure DEST_PATH_IMAGE108
其中激活函数f可以为ReLU或者tanh。
（3）建立解码单元模型，解码单元的结构与编码单元的结构对称。
通过复制编码单元ConvLSTM的细胞状态和隐藏状态来初始化解码单元ConvLSTM，
解码单元ConvLSTM的输入除了上一时刻的
Figure DEST_PATH_IMAGE109
，
Figure DEST_PATH_IMAGE110
外，还包含当前时刻的注 意力向量。在得到多个时刻的输出
Figure DEST_PATH_IMAGE111
后，再经过多层CNN的卷积作为整个模型的输出。
其关键方程如下：
Figure DEST_PATH_IMAGE112
其中
Figure DEST_PATH_IMAGE113
为解码单元ConvLSTM输入门，
Figure DEST_PATH_IMAGE114
为解码单元ConvLSTM遗忘门，
Figure DEST_PATH_IMAGE115
为解 码单元ConvLSTM输出门。
步骤5：通过样本数据对模型进行训练，经过不断迭代使编码解码模型达到性能要求，得到最终可用的可用混合模型；
步骤6：通过输入选定基准站点的实时出力数据至可用混合模型，实现对区域光伏滚动预测。
本发明基于序列编码重构的多尺度区域光伏出力预测方法的一种应用实施例：
将本发明所提方法应用于浙江宁波某区域分布式光伏系统，该区域共包含36个光伏站点，采用有限数据集，数据时间范围为2021年10月1日至2021年10月15日，分辨率为15分钟，共1440个时间步，预测尺度为未来1小时，分辨率同为15分钟。
首先，网格宽度λ选择10km，经过采样后得到4个基准站点，其编号为39_P、76_P、43_P、52_P。
进一步，将原始数据进行预处理，移除无效值，补全缺失值后，4个基准站点某一天的数据如图5所示。
进一步，根据步骤二对有限时长数据进行数据增强，以下以站点编号为“43_P”的分布式光伏站点的去零值数据并结合附图6，对本发明应用例采用的数据增强过程做详细说明。
对于输入的时间序列
Figure DEST_PATH_IMAGE116
，其频谱
Figure DEST_PATH_IMAGE117
通过傅里叶变换计算得 到，其计算式为：
Figure DEST_PATH_IMAGE118
，
将频谱取模得到幅度谱
Figure DEST_PATH_IMAGE119
，将频谱取弧度得到相位谱
Figure DEST_PATH_IMAGE120
。考虑幅度谱 中的原始均值和方差，用高斯噪声替换随机选择片段的幅度值；原始幅度和经过增强后的 幅度的对比结果，如图6中的（a）所示；而对于相位谱，通过对随机选择片段叠加额外的零均 值高斯噪声相加得到；原始相位和经过增强后的相位的对比结果，如图6中的（b）所示。
新的幅度谱和相位谱通过合成得到增强后的频谱，其计算公式为：
Figure DEST_PATH_IMAGE121
对增强后的频谱执行傅里叶逆变换得到新的时间序列；原始序列和经过增强后的时间序列的对比结果，如图6中的（c）所示。
进一步，对所有基准站点执行类似数据增强操作，将数据拓展到2880个时间步，增强后的编号为“43_P”的基准站点数据集如图7所示。
根据步骤3，重新构建数据集并整形为适合卷积模型输入的5维张量
Figure DEST_PATH_IMAGE122
，其中数据的每个时间步 被定义为
Figure DEST_PATH_IMAGE123
个数据点的图像；将数据集的90%作为训练集，10%作为测试 集，基准站点作为协参数，可将数据整形为
Figure DEST_PATH_IMAGE124
；
最后，根据步骤4-7建立编码解码模型，并输入测试集检验模型性能，评价指标为RMSE，进而可得到功率的预测值与真实值的对比结果，可参见图8。该模型全局RMSE为532.27，小于朴素预测模型RMSE923.62，由此可见本发明在少量数据情况下，仍具有良好的预测性能。
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括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。
本申请是参照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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.基于序列编码重构的多尺度区域光伏出力预测方法，其特征在于，
包括以下步骤：
步骤1：通过构建网格化采样模型，确定基准站点；
网格化采样模型的构建方法如下：
步骤11，获取极限位置坐标信息；
极限位置坐标信息包括最低点坐标和最高点坐标；
所述最低点坐标为
Figure 36936DEST_PATH_IMAGE001
；
所述最高点坐标为
Figure 935622DEST_PATH_IMAGE002
；
其中，lon l 为最低点的经度坐标；
lat l 为最低点的纬度坐标；
lon h 为最高点的经度坐标；
lat h 为最高点的纬度坐标；
步骤12，根据步骤11中的极限位置坐标信息，选择合适的网格宽度λ来进行网格划分；
步骤13，步骤12中网格划分完成后，对网格内站点进行随机采样，获得n×m个基准站点；所述n、m的计算公式如下：
Figure 787034DEST_PATH_IMAGE003
；
步骤2：获取步骤1中基准站点的光伏历史出力时序数据，并对光伏历史出力时序数据进行预处理，得到修正增强数据集；
所述预处理包括数据清洗与加工、数据增强；
所述数据清洗与加工为去除光伏历史出力时序数据中的无效值，并补充光伏历史出力时序数据中的缺失值，形成时序数据集；
所述数据增强包括时域上增强、频域上增强；
所述时域上增强，包括以下内容：
首先对时序数据集中的部分片段进行拉伸或压缩，然后通过从时序数据集中提取设定窗口大小的切片，将时序数据集统一到原始序列长度；
所述频域上增强，包括以下内容：
输入的时序数据集为
Figure 530999DEST_PATH_IMAGE004
，其频谱
Figure 971208DEST_PATH_IMAGE005
通过傅里叶变换计算，其计算公式如下：
Figure 650582DEST_PATH_IMAGE006
其中
Figure 113924DEST_PATH_IMAGE007
是傅里叶变换第k个复指数信号，
Figure 989476DEST_PATH_IMAGE008
是角频率，
Figure 831662DEST_PATH_IMAGE009
是幅度谱，
Figure 72150DEST_PATH_IMAGE010
是相位谱，e是自然常数， j是复数符号，t是时间；
对于幅度谱
Figure 616264DEST_PATH_IMAGE011
中的扰动，利用幅度谱中的原始均值和方差，通过高斯噪声替换随机选择片段的幅度值；
而对于相位谱
Figure 233190DEST_PATH_IMAGE012
中的扰动，随机选择片段的相位值由相位谱中额外的零均值高斯噪声相加得到；
步骤3：根据所需要的预测时间尺度，重新构建步骤2中的修正增强数据集，形成多维出力张量序列；
所述多维出力张量序列为
Figure 924022DEST_PATH_IMAGE013
；
其中
Figure 335412DEST_PATH_IMAGE014
为出力张量；
步骤4：建立编码解码模型，对区域光伏出力进行预测；
所述编码解码模型设有编码单元、注意力单元、解码单元；
所述编码单元将步骤3中的多维出力张量序列提取为内在表征向量序列，并将内在表征向量序列输入到解码单元中进行解码；
在解码过程中，利用注意力单元，赋予每次输入的内在表征向量序列不同的权重，使编码解码模型能充分利用输入的光伏历史出力时序数据所含信息；
所述解码单元的结构与编码单元的结构对称，其包括以下内容：
通过复制时空序列预测网络ConvLSTM的细胞状态和隐藏状态来初始化解码单元时空序列预测网络ConvLSTM；
解码单元的时空序列预测网络ConvLSTM的输入除了上一时刻的隐藏状态
Figure 366822DEST_PATH_IMAGE015
，细胞状态
Figure 334909DEST_PATH_IMAGE016
外，还包括当前时刻的注意力向量；
在得到多个时刻的隐藏状态
Figure 276320DEST_PATH_IMAGE017
后，再经过卷积神经网络CNN的卷积作为编码解码模型的输出；
输出
Figure 983245DEST_PATH_IMAGE018
的计算公式如下：
Figure 642897DEST_PATH_IMAGE019
其中
Figure 414675DEST_PATH_IMAGE020
为解码单元时空序列预测网络ConvLSTM输入门，
Figure 69647DEST_PATH_IMAGE021
为解码单元时空序列预测网络ConvLSTM遗忘门，
Figure 88419DEST_PATH_IMAGE022
为解码单元时空序列预测网络ConvLSTM输出门，
Figure 845153DEST_PATH_IMAGE023
为注意力向量，
Figure 341994DEST_PATH_IMAGE024
为相乘运算符号，*为卷积运算符号；
步骤5：利用样本数据对步骤4中的编码解码模型进行训练，经过不断迭代使编码解码模型达到性能要求，形成可用混合模型；
步骤6：将待预测的基准站点的光伏实时出力时序数据依次输入至步骤2到步骤5中，进行区域光伏出力滚动预测。
2.如权利要求1所述的基于序列编码重构的多尺度区域光伏出力预测方法，其特征在于，
所述步骤4中，编码单元包括卷积神经网络CNN和时空序列预测网络ConvLSTM；
所述卷积神经网络CNN对输入的出力张量序列
Figure 117052DEST_PATH_IMAGE025
进行处理，将每个出力张量
Figure 854195DEST_PATH_IMAGE026
通过第L层卷积处理提取到内在表征
Figure 222859DEST_PATH_IMAGE027
，对于N个出力张量得到内在表征向量序列
Figure 648024DEST_PATH_IMAGE028
；
将内在表征向量序列
Figure 418534DEST_PATH_IMAGE029
传输给时空序列预测网络ConvLSTM，得到用于输入解码单元的细胞状态
Figure 123316DEST_PATH_IMAGE030
和隐藏状态
Figure 979276DEST_PATH_IMAGE031
。
3.如权利要求2所述的基于序列编码重构的多尺度区域光伏出力预测方法，其特征在于，
所述时空序列预测网络ConvLSTM的计算公式如下所示：
Figure 145816DEST_PATH_IMAGE032
其中
Figure 646198DEST_PATH_IMAGE033
为编码单元时空序列预测网络ConvLSTM的输入门，
Figure 912094DEST_PATH_IMAGE034
为编码单元时空序列预测网络ConvLSTM的遗忘门，
Figure 317668DEST_PATH_IMAGE035
为编码单元时空序列预测网络ConvLSTM的输出门，W、H、b为学习到的权重，
Figure 835368DEST_PATH_IMAGE036
为编码器中第t个输入出力张量序列的第L个卷积神经网络CNN层的输出，
Figure 580470DEST_PATH_IMAGE024
为相乘运算符号，*为卷积运算。
4.如权利要求3所述的基于序列编码重构的多尺度区域光伏出力预测方法，其特征在于，
所述注意力单元包括以下内容：
首先，通过使用聚类K-means++算法对出力张量进行聚类，识别出K个具有某种潜在规律的区域出力特性张量
Figure 141902DEST_PATH_IMAGE037
；
使用卷积神经网络CNN从区域出力特性张量
Figure 706875DEST_PATH_IMAGE038
中提取空间特征数据
Figure 756828DEST_PATH_IMAGE039
，并形成空间特征数组
Figure 418753DEST_PATH_IMAGE040
；
将t-1时刻出力张量的扁平化隐藏状态
Figure 26452DEST_PATH_IMAGE041
和扁平化的空间特征
Figure 954088DEST_PATH_IMAGE042
输入一个多层感知机MLP神经网络进行计算，得到权重向量
Figure 672645DEST_PATH_IMAGE043
；
并根据权重向量，计算注意力向量
Figure 516973DEST_PATH_IMAGE044
。
5.如权利要求4所述的基于序列编码重构的多尺度区域光伏出力预测方法，其特征在于，
所述注意力向量
Figure 295573DEST_PATH_IMAGE023
的计算公式如下：
Figure 710505DEST_PATH_IMAGE045
其中，f为激活函数，
Figure 232754DEST_PATH_IMAGE046
为激活函数计算结果，所述激活函数为线性整流函数ReLU或者双曲正切函数tanh。
6.基于序列编码重构的多尺度区域光伏出力预测系统，其特征在于，
应用如权利要求1-5任一所述的基于序列编码重构的多尺度区域光伏出力预测方法，其包括网格化采样模块、数据预处理模块、编码解码模块、可用混合模块；
所述网格化采样模块，用于确定基准站点；
所述数据预处理模块，用于对光伏历史出力时序数据进行清洗、加工以及增强，得到修正增强数据集；
所述编码解码模块，用于对区域光伏出力进行初步预测；
所述可用混合模块，用于对区域光伏出力深度预测。
CN202210582341.9A 2022-05-26 2022-05-26 基于序列编码重构的多尺度区域光伏出力预测方法及系统 Active CN114662807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210582341.9A CN114662807B (zh) 2022-05-26 2022-05-26 基于序列编码重构的多尺度区域光伏出力预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210582341.9A CN114662807B (zh) 2022-05-26 2022-05-26 基于序列编码重构的多尺度区域光伏出力预测方法及系统

Publications (2)

Publication Number Publication Date
CN114662807A CN114662807A (zh) 2022-06-24
CN114662807B true CN114662807B (zh) 2022-10-14

Family

ID=82038394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210582341.9A Active CN114662807B (zh) 2022-05-26 2022-05-26 基于序列编码重构的多尺度区域光伏出力预测方法及系统

Country Status (1)

Country Link
CN (1) CN114662807B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362503B (zh) * 2023-03-30 2023-11-07 国网河南省电力公司安阳供电公司 基于人工智能的电力调节方法及系统
CN116451873B (zh) * 2023-06-12 2023-10-20 中国科学技术大学 基于多尺度双时空网络区域风力发电功率预测方法及系统
CN117411078B (zh) * 2023-09-22 2024-06-14 华中科技大学 一种考虑隐私保护的新能源并网系统出力预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563624A (zh) * 2020-05-06 2020-08-21 北京工业大学 一种基于LSTM与Attention相结合的绿色能源预测方法
CN111814398A (zh) * 2020-07-08 2020-10-23 国网河北省电力有限公司 一种基于图的融合时空注意力的地表太阳辐射度预测方法
CN112348271A (zh) * 2020-11-12 2021-02-09 华北电力大学 基于vmd-ipso-gru的短期光伏功率预测方法
CN113935534A (zh) * 2021-10-20 2022-01-14 华能大理风力发电有限公司洱源分公司 一种基于卷积transformer架构的光伏日前预测方法、系统及设备

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
FR3078802B1 (fr) * 2018-03-07 2020-10-30 Electricite De France Reseau de neurones convolutionnel pour l'estimation d'un indicateur de production d'energie solaire
CN109409024B (zh) * 2018-12-25 2022-09-06 福州大学 基于一维深度残差网络的光伏组件电压电流特性建模方法
CN110059862A (zh) * 2019-03-25 2019-07-26 国网浙江省电力有限公司电力科学研究院 一种基于自编码与极限学习机的光伏区间预测方法和系统
WO2021013334A1 (en) * 2019-07-22 2021-01-28 Toyota Motor Europe Depth maps prediction system and training method for such a system
CN111598337B (zh) * 2020-05-15 2022-12-13 国网河北省电力有限公司电力科学研究院 一种分布式光伏短期出力预测的方法
CN112200764B (zh) * 2020-09-02 2022-05-03 重庆邮电大学 一种基于热红外图像的光伏电站热斑检测与定位方法
CN113205226B (zh) * 2021-05-28 2022-10-14 河北工业大学 一种结合注意力机制以及误差修正的光伏功率预测方法
CN113313316A (zh) * 2021-06-11 2021-08-27 北京明略昭辉科技有限公司 预测数据的输出方法及装置、存储介质、电子设备
CN113469427A (zh) * 2021-06-24 2021-10-01 国网山东省电力公司东营供电公司 基于卷积lstm的光伏电站日前发电量预测方法及系统
CN113904321A (zh) * 2021-09-01 2022-01-07 国网浙江省电力有限公司电力科学研究院 基于弹性力学映射的配电网优化配置方法、系统及终端
CN113984198B (zh) * 2021-10-25 2023-11-17 北京航天创智科技有限公司 一种基于卷积神经网络的短波辐射预测方法及系统
CN114004338A (zh) * 2021-11-09 2022-02-01 华东师范大学 基于神经网络的混合时间周期模式多变量时序预测方法
CN114004424A (zh) * 2021-12-21 2022-02-01 南方电网科学研究院有限责任公司 一种光伏功率预测方法、系统、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563624A (zh) * 2020-05-06 2020-08-21 北京工业大学 一种基于LSTM与Attention相结合的绿色能源预测方法
CN111814398A (zh) * 2020-07-08 2020-10-23 国网河北省电力有限公司 一种基于图的融合时空注意力的地表太阳辐射度预测方法
CN112348271A (zh) * 2020-11-12 2021-02-09 华北电力大学 基于vmd-ipso-gru的短期光伏功率预测方法
CN113935534A (zh) * 2021-10-20 2022-01-14 华能大理风力发电有限公司洱源分公司 一种基于卷积transformer架构的光伏日前预测方法、系统及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
风电和光伏随机场景生成的条件变分自动编码器方法;王守相等;《电网技术》;20180605(第06期);全文 *

Also Published As

Publication number Publication date
CN114662807A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN114662807B (zh) 基于序列编码重构的多尺度区域光伏出力预测方法及系统
CN112668494A (zh) 基于多尺度特征提取的小样本变化检测方法
Sun et al. Prediction of Short‐Time Rainfall Based on Deep Learning
Sugiartawan et al. Prediction by a hybrid of wavelet transform and long-short-term-memory neural network
CN114549925A (zh) 一种基于深度学习的海浪有效波高时间序列预测方法
CN113376600A (zh) 一种基于RSDNet的行人雷达回波去噪方法
CN114692506A (zh) 一种基于改进TimeGAN模型的小样本故障诊断方法
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN114692947A (zh) 一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法
CN114358435A (zh) 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法
CN112967185A (zh) 基于频率域损失函数的图像超分辨率算法
CN115796351A (zh) 基于变分模态分解和微波衰减的降雨短临预测方法及装置
Dong et al. Extraction of multi-scale features enhances the deep learning-based daily PM2. 5 forecasting in cities
CN116399588A (zh) 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法
Du et al. High-accuracy estimation method of typhoon storm surge disaster loss under small sample conditions by information diffusion model coupled with machine learning models
CN109672885B (zh) 一种用于矿井智能监控的视频图像编解码方法
He et al. Can sampling techniques improve the performance of decomposition-based hydrological prediction models? Exploration of some comparative experiments
Meng et al. A gear fault diagnosis method based on improved accommodative random weighting algorithm and BB-1D-TP
Song et al. Application of a novel signal decomposition prediction model in minute sea level prediction
CN115936196A (zh) 基于时序卷积网络的月降水模型预测方法
CN115796359A (zh) 基于深度Koopman算符的PM2.5时空预测方法
Yang et al. Multi-factor PM2. 5 concentration optimization prediction model based on decomposition and integration
Liu et al. Scientific Error-bounded Lossy Compression with Super-resolution Neural Networks
Xiaosheng et al. Short-Term wind power prediction based on wavelet transform and convolutional neural networks
Zhang et al. Implementing a new fully stepwise decomposition-based sampling technique for the hybrid water level forecasting model in real-world application

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