CN115169543A - 一种基于迁移学习的短期光伏功率预测方法及系统 - Google Patents

一种基于迁移学习的短期光伏功率预测方法及系统 Download PDF

Info

Publication number
CN115169543A
CN115169543A CN202211075821.2A CN202211075821A CN115169543A CN 115169543 A CN115169543 A CN 115169543A CN 202211075821 A CN202211075821 A CN 202211075821A CN 115169543 A CN115169543 A CN 115169543A
Authority
CN
China
Prior art keywords
data
prediction model
target domain
photovoltaic power
target
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
CN202211075821.2A
Other languages
English (en)
Inventor
殷豪
张铮
孟安波
梁濡铎
陈黍
许炫淙
王陈恩
朱梓彬
冼梓康
张展
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211075821.2A priority Critical patent/CN115169543A/zh
Publication of CN115169543A publication Critical patent/CN115169543A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于迁移学习的短期光伏功率预测方法及系统，先获取源域以及目标域光伏发电站的特征数据并进行预处理，划分得到源域训练数据、目标域的训练数据和测试数据；然后通过源域训练数据对源域预测模型进行训练，找到最佳的源域预测模型；之后通过改进生成对抗网络对目标域训练数据进行增强，获得目标域增强训练数据；再将最佳源域预测模型的权重参数进行迁移，得到目标域预测模型；然后通过增强训练数据训练目标域预测模型，得到最佳目标域预测模型；最后将测试数据输入至最佳目标域预测模型中，得到目标光伏发电站的目标功率。本发明可有效提升对光伏发电站的短期功率进行预测的精度。

Description

一种基于迁移学习的短期光伏功率预测方法及系统
技术领域
本发明涉及光伏发电站技术领域，特别是涉及一种基于迁移学习的短期光伏功率预测方法及系统。
背景技术
太阳能作为一种新能源，其大规模并网给电力系统的经济、安全稳定运行带来了挑战。因此，准确的光伏发电功率预测对电力系统具有重要意义。
光伏发电具有随机性、间歇性和波动性的特点，光伏发电的预测模型需要大量的样本数据进行训练仿真，然而，新建光伏发电站由于原始数据匮乏的原因，导致光伏功率预测精度较低。生成对抗网络作为一种数据增强的方法，能够扩充训练数据从而使得光伏发电功率预测的精度提升，迁移学习通过多数据光伏发电站来帮助少数据光伏发电站建立光伏功率初始预测模型，若能将生成对抗网络与迁移学习相结合，将能够进一步提升光伏发电功率预测的精度。迄今为止，已有的少数据光伏发电的预测方法均是简单的利用特征迁移来帮助少数据光伏发电站建立光伏功率预测模型。
因此，如何实现将生成对抗网络与迁移学习相结合，从而帮助少数据光伏发电站建立光伏功率预测模型是一个亟需解决的问题。
发明内容
本发明提供一种基于迁移学习的短期光伏功率预测方法及系统，可以实现生成对抗网络与迁移学习的相结合，帮助少数据光伏发电站建立光伏功率预测模型以提高光伏发电功率的预测精度。
本发明的技术方案如下：
一种基于迁移学习的短期光伏功率预测方法，包括以下步骤：
S1：获取源域以及目标域光伏发电站的特征数据，并进行数据预处理；
S2：将预处理后的源域光伏发电站的全部特征数据作为源域训练数据，将预处理后的目标域光伏发电站的部分特征数据作为目标域测试数据，而剩余的特征数据则作为目标域训练数据；
S3：构建源域预测模型，源域预测模型采用2层的双向长短时记忆网络，通过源域训练数据对源域预测模型进行训练，找到最佳源域预测模型，并保存最佳源域预测模型的结构及参数；
S4：构建改进生成对抗网络模型，并通过改进生成对抗网络模型对目标域训练数据进行增强，获得目标域增强训练数据；
S5：构建与源域预测模型相同结构的目标域预测模型，将最佳源域预测模型的权重参数迁移到目标域预测模型，作为目标域预测模型的参数初始值，并固定目标域预测模型的第1层参数；
S6：通过目标域增强训练数据训练目标域预测模型的网络剩余层，得到最佳目标域预测模型；
S7：将目标域测试数据输入至最佳目标域预测模型，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。
本发明的改进生成对抗网络模型可以有效的对数据进行增强，使得光伏发电站具有充足的数据用于训练目标域预测模型，迁移学习能够有效通过多数据光伏发电站来帮助少数据光伏发电站建立光伏功率初始预测模型。
进一步，步骤S1中，特征数据包括功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据。
进一步，步骤S1中，数据预处理的过程如下：
对功率、温度、湿度、太阳直接辐射强度、太阳散射强度以及风速数据进行min-max归一化处理，获得处理后的功率序列P、温度序列T、湿度序列H、太阳直接辐射强度序列D、散射强度序列S以及风速序列W。
进一步，步骤S2中，源域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据全部作为源域训练数据，而目标域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据则挑选出晴天、阴天、雨天三个不同气象日的数据作为目标域测试数据，其余的则作为目标域训练数据。
需要说明的是，每一个采样时间点对应功率、温度、湿度、太阳直接辐射强度、太阳散射强度以及风速六个元素，这六个元素的数据组成一个数据矩阵，通过多个采样时间点将每个采样时间点所得到的数据矩阵构成一个数据集，该数据集即为训练数据或测试数据。
进一步，步骤S3中，通过源域训练数据对源域预测模型进行训练的过程如下：
源域预测模型采用双向长短时记忆网，双向长短时记忆网络的结构模型分为2个独立的长短时记忆网络，输入序列分别以正序和逆序输入至2个长短时记忆网络进行特征提取，将2个输出向量进行拼接后形成的向量作为最终特征表达，其中双向长短时记忆网络的层数为2，神经元个数为32和64，双向长短时记忆网络的表达式如下：
Figure 282715DEST_PATH_IMAGE001
式中，
Figure 362667DEST_PATH_IMAGE002
、
Figure 981867DEST_PATH_IMAGE003
、
Figure 281523DEST_PATH_IMAGE004
分别为遗忘门、输入门和输出门，
Figure 11582DEST_PATH_IMAGE005
、
Figure 149302DEST_PATH_IMAGE006
、
Figure 939404DEST_PATH_IMAGE007
、
Figure 490471DEST_PATH_IMAGE008
为权重参数矩阵，
Figure 758641DEST_PATH_IMAGE009
、
Figure 16447DEST_PATH_IMAGE010
、
Figure 243029DEST_PATH_IMAGE011
、
Figure 953496DEST_PATH_IMAGE012
为偏置参数矩阵，
Figure 25357DEST_PATH_IMAGE013
为Sigmod函数，
Figure 465566DEST_PATH_IMAGE014
、
Figure 535153DEST_PATH_IMAGE015
、
Figure 290839DEST_PATH_IMAGE016
、
Figure 166391DEST_PATH_IMAGE017
分别为t时刻的输入层状态、控制单元状态、候选记忆状态和隐藏单元状态；
Figure 195527DEST_PATH_IMAGE018
为t-1时刻的隐藏单元状态；
然后通过纵横交叉算法对双向长短时记忆网络的参数进行优化，以此完成对源域预测模型的训练。
进一步，通过纵横交叉算法对双向长短时记忆网络的参数进行优化的步骤如下：
S31：采用纵横交叉算法优化双向长短时记忆网络输出层的权重和偏置参数构成的参数矩阵
Figure 100002_DEST_PATH_IMAGE020A
；
Figure 498332DEST_PATH_IMAGE021
S32：纵横交叉算法以参数矩阵
Figure 100002_DEST_PATH_IMAGE022A
为初始值，经过迭代后，即得到更优的输出层参数矩阵
Figure 776866DEST_PATH_IMAGE023
，完成对双向长短时记忆网络的优化。
进一步，步骤S32中，纵横交叉算法对参数矩阵
Figure 100002_DEST_PATH_IMAGE022AA
进行更新迭代的过程如下：
S321：纵横交叉算法通过横向交叉与纵向交叉进行迭代更新；
横向交叉算子通过跨边界搜索方法搜索新解，即参数中的父代粒子
Figure 488733DEST_PATH_IMAGE024
和
Figure 575638DEST_PATH_IMAGE025
随机选择第d维相互交叉；
Figure 49344DEST_PATH_IMAGE026
式中，r1、r2和c1、c2分别为(0,1)和(-1,1)的随机数，
Figure 284016DEST_PATH_IMAGE027
和
Figure 439054DEST_PATH_IMAGE028
为两个新生成的中庸解，
Figure 708362DEST_PATH_IMAGE029
为粒子
Figure 87390DEST_PATH_IMAGE024
在第d维上的解，
Figure 747042DEST_PATH_IMAGE030
为粒子
Figure 768087DEST_PATH_IMAGE025
在第d维上的解；
纵向交叉算子针对个体的不同维度进行交叉来产生新的解，即参数中的父代粒子
Figure 829584DEST_PATH_IMAGE031
随机选择第d 1维和第d 2维相互交叉；
Figure 910673DEST_PATH_IMAGE032
式中，r为(0,1)的随机数，
Figure 57620DEST_PATH_IMAGE033
为新生成的中庸解，
Figure 616778DEST_PATH_IMAGE034
为粒子
Figure 830984DEST_PATH_IMAGE031
在第d 1维上的解，
Figure 20656DEST_PATH_IMAGE035
为粒子
Figure 717217DEST_PATH_IMAGE031
在第d 2维上的解；
纵横交叉算法采用均方根误差最小为适应度函数
Figure 17748DEST_PATH_IMAGE036
；
Figure 850575DEST_PATH_IMAGE037
式中，n为样本总数，
Figure 7887DEST_PATH_IMAGE038
和
Figure 129427DEST_PATH_IMAGE039
分别表示真实值和预测值；
S322：根据设置的迭代次数，重复步骤S321，达到预设的迭代次数时停止迭代，此时更新完成，双向长短时记忆网络得到更优的输出层参数矩阵
Figure 30387DEST_PATH_IMAGE023
。
进一步，步骤S4中，构建改进生成对抗网络模型，并通过改进生成对抗网络对目标域训练数据进行增强的步骤如下：
S41：改进生成对抗网络包括生成器和判别器，改进生成对抗网路为了克服训练过程中生成器容易出现梯度消失与模式崩溃的问题，引入了基于梯度惩罚的WasserStein距离；
其中，WasserStein距离的定义为；
Figure 920982DEST_PATH_IMAGE040
式中，
Figure 514775DEST_PATH_IMAGE041
为
Figure 654769DEST_PATH_IMAGE042
和
Figure 562682DEST_PATH_IMAGE043
之间的联合分布，
Figure 370101DEST_PATH_IMAGE044
用于表示该联合分布，
Figure 370680DEST_PATH_IMAGE045
表示数学期望；
Figure 201233DEST_PATH_IMAGE043
表示生成数据的真实分布，
Figure 443996DEST_PATH_IMAGE042
表示原始数据的真实分布，
Figure 309184DEST_PATH_IMAGE046
为从联合分布
Figure 979199DEST_PATH_IMAGE044
中进行采样，得到真实数据x与生成数据y；
Figure 359365DEST_PATH_IMAGE047
表示满足分布的所有x和y中，
Figure 343502DEST_PATH_IMAGE048
的数值达到最小，这个数值就是WasserStein距离；
生成器的损失函数
Figure 859934DEST_PATH_IMAGE049
为：
Figure 966430DEST_PATH_IMAGE050
式中，
Figure 771575DEST_PATH_IMAGE051
表示神经网络；
判别器的损失函数
Figure 621719DEST_PATH_IMAGE052
为：
Figure 195920DEST_PATH_IMAGE053
式中，
Figure 473318DEST_PATH_IMAGE054
为矩阵的二范数，
Figure 815960DEST_PATH_IMAGE055
为求梯度的函数，
Figure 204216DEST_PATH_IMAGE056
表示生成数据的真实分布
Figure 632923DEST_PATH_IMAGE043
与真实数据样本
Figure 81222DEST_PATH_IMAGE057
之间的直线均匀采样，
Figure 392118DEST_PATH_IMAGE058
表示梯度惩罚因子，
Figure DEST_PATH_IMAGE059
表示真实样本与生成样本之间的随机插值采样；
S42：将随机噪声输入到生成器中，通过生成器生成新的样本数据，判别器则用于区分目标域训练数据与新的样本数据，判别结果用于指导生成器与判别器的网络参数更新；
S43：生成器与判别器交互训练，当生成器与判别器所对应的损失函数
Figure 115223DEST_PATH_IMAGE049
和损失函数
Figure 195175DEST_PATH_IMAGE049
的值收敛时，完成对改进生成对抗网络模型的训练，此时的生成器为目标生成器；
S44：通过目标生成器生成目标样本数据，目标样本数据与目标域训练数据合并构成目标域增强训练数据。
进一步，步骤S6中，目标域预测模型的训练过程与源域预测模型的训练过程相同。
由于源域预测模型与目标域预测模型是相同的结构，所以其训练的过程步骤原理相同，此处不再叙述；区别在于，目标域预测模型中的权重参数是经由训练好得到的最佳源域预测模型迁移得到的，同时源域预测模型是利用源域训练数据进行训练，而目标域预测模型则是利用经过改进生成对抗网络模型增强后的目标域增强训练数据进行训练的。
本发明还提供一种基于迁移学习的短期光伏功率预测系统，用于实现上述的一种基于迁移学习的短期光伏功率预测方法，该系统包括分别与控制中心通信连接的数据处理模块、第一构建模块、第二构建模块、第三构建模块、输出模块；
所述数据处理模块用于获取源域以及目标域光伏发电站的特征数据，并进行数据预处理，然后将预处理后的源域光伏发电站的全部特征数据作为源域训练数据，将预处理后的目标域光伏发电站的部分特征数据作为目标域测试数据，而剩余的特征数据则作为目标域训练数据，并将源域训练数据、目标域测试数据和目标域训练数据输送给所述控制中心；
所述第一构建模块用于构建源域预测模型，源域预测模型采用2层的双向长短时记忆网络，所述第一构建模块从所述控制中心获取源域训练数据，通过源域训练数据对源域预测模型进行训练，找到最佳源域预测模型，并保存最佳源域预测模型的结构及参数，最后将所述最佳源域预测模型输出到所述控制中心；
所述第二构建模块用于构建改进生成对抗网络模型，所述第二构建模块从所述控制中心获取目标域训练数据，并通过改进生成对抗网络模型对目标域训练数据进行增强，获得目标域增强训练数据，最后将目标域增强训练数据输出到所述控制中心；
所述第三构建模块用于构建与源域预测模型相同结构的目标域预测模型，并从所述控制中心获取最佳源域预测模型，将最佳源域预测模型的权重参数迁移到目标域预测模型，作为目标域预测模型的参数初始值，并固定目标域预测模型的第1层参数，然后从所述控制中心获取目标域增强训练数据，通过目标域增强训练数据训练目标域预测模型的网络剩余层，得到最佳目标域预测模型，最后将最佳目标域预测模型输出到所述控制中心；
所述控制中心将目标域测试数据输入至最佳目标域预测模型中，输出得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列；
所述输出模块用于将预测得到的功率时间序列进行输出显示。
相比现有技术，本发明的有益效果如下：
（1）、本发明提出的基于迁移学习的短期光伏功率预测方法，采用改进生成对抗网络对目标域光伏发电站的训练数据进行增强以帮助目标域光伏发电站更好的建立功率预测模型，对于光伏发电功率预测精度提升具有一定的帮助；
（2）、本发明采用迁移学习来帮助目标域光伏发电站建立初始功率预测模型，对于光伏发电功率预测精度提升具有一定的帮助；
（3）、本发明采用纵横交叉优化算法优化双向长短时记忆网络的输出层参数，能够弥补预测模型初步训练存在的局部最优问题，对于光伏发电功率预测精度提升具有一定的帮助。
附图说明
图1为本发明基于迁移学习的短期光伏功率预测方法的流程图。
图2为本发明的改进生成对抗网络模型的框架图。
图3为本发明基于迁移学习的短期光伏功率预测系统的框架图。
图4为本发明短期光伏发电功率预测方法对晴天时的目标域预测数据进行预测的效果图。
图5为本发明短期光伏发电功率预测方法对阴天时的目标域预测数据进行预测的效果图。
图6为本发明短期光伏发电功率预测方法对雨天时的目标域预测数据进行预测的效果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
实施例1：
如图1-图2所示，一种基于迁移学习的短期光伏功率预测方法，包括以下步骤：
S1：获取源域以及目标域光伏发电站的特征数据，并进行数据预处理；
S2：将预处理后的源域光伏发电站的全部特征数据作为源域训练数据，将预处理后的目标域光伏发电站的部分特征数据作为目标域测试数据，而剩余的特征数据则作为目标域训练数据；
S3：构建源域预测模型，源域预测模型采用2层的双向长短时记忆网络，通过源域训练数据对源域预测模型进行训练，找到最佳源域预测模型，并保存最佳源域预测模型的结构及参数；
S4：构建改进生成对抗网络模型，并通过改进生成对抗网络模型对目标域训练数据进行增强，获得目标域增强训练数据；
S5：构建与源域预测模型相同结构的目标域预测模型，将最佳源域预测模型的权重参数迁移到目标域预测模型，作为目标域预测模型的参数初始值，并固定目标域预测模型的第1层参数；
S6：通过目标域增强训练数据训练目标域预测模型的网络剩余层，得到最佳目标域预测模型；
S7：将目标域测试数据输入至最佳目标域预测模型，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。
本发明的改进生成对抗网络模型可以有效的对数据进行增强，使得光伏发电站具有充足的数据用于训练目标域预测模型，迁移学习能够有效通过多数据光伏发电站来帮助少数据光伏发电站建立光伏功率初始预测模型。本发明可以有效提高光伏功率的预测精度。
在本实施例的步骤S1中，特征数据包括功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据。
其中，数据预处理的过程如下：
对功率、温度、湿度、太阳直接辐射强度、太阳散射强度以及风速数据进行min-max归一化处理，获得处理后的功率序列P、温度序列T、湿度序列H、太阳直接辐射强度序列D、散射强度序列S以及风速序列W。
在本实施例的步骤S2中，源域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据全部作为源域训练数据，而目标域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据则挑选出晴天、阴天、雨天三个不同气象日的数据作为目标域测试数据，其余的则作为目标域训练数据。
需要说明的是，每一个采样时间点对应功率、温度、湿度、太阳直接辐射强度、太阳散射强度以及风速六个元素，这六个元素的数据组成一个数据矩阵，通过多个采样时间点将每个采样时间点所得到的数据矩阵构成一个数据集，该数据集即为训练数据或测试数据。
在本实施例的步骤S3中，通过源域训练数据对源域预测模型进行训练的过程如下：
源域预测模型采用双向长短时记忆网，双向长短时记忆网络的结构模型分为2个独立的长短时记忆网络，输入序列分别以正序和逆序输入至2个长短时记忆网络进行特征提取，将2个输出向量进行拼接后形成的向量作为最终特征表达，其中双向长短时记忆网络的层数为2，神经元个数为32和64，双向长短时记忆网络的表达式如下：
Figure 17637DEST_PATH_IMAGE001
式中，
Figure 81408DEST_PATH_IMAGE002
、
Figure 749150DEST_PATH_IMAGE003
、
Figure 716231DEST_PATH_IMAGE004
分别为遗忘门、输入门和输出门，
Figure 709595DEST_PATH_IMAGE005
、
Figure 995083DEST_PATH_IMAGE006
、
Figure 528832DEST_PATH_IMAGE007
、
Figure 786638DEST_PATH_IMAGE008
为权重参数矩阵，
Figure 747641DEST_PATH_IMAGE009
、
Figure 723687DEST_PATH_IMAGE010
、
Figure 61128DEST_PATH_IMAGE011
、
Figure 173440DEST_PATH_IMAGE012
为偏置参数矩阵，
Figure 305344DEST_PATH_IMAGE013
为Sigmod函数，
Figure 565424DEST_PATH_IMAGE014
、
Figure 644239DEST_PATH_IMAGE015
、
Figure 938954DEST_PATH_IMAGE016
、
Figure 179442DEST_PATH_IMAGE017
分别为t时刻的输入层状态、控制单元状态、候选记忆状态和隐藏单元状态；
Figure 428283DEST_PATH_IMAGE018
为t-1时刻的隐藏单元状态；
然后通过纵横交叉算法对双向长短时记忆网络的参数进行优化，以此完成对源域预测模型的训练。
其中，通过纵横交叉算法对双向长短时记忆网络的参数进行优化的步骤如下：
S31：采用纵横交叉算法优化双向长短时记忆网络输出层的权重和偏置参数构成的参数矩阵
Figure DEST_PATH_IMAGE022AAA
；
Figure 638685DEST_PATH_IMAGE021
S32：纵横交叉算法以参数矩阵
Figure DEST_PATH_IMAGE060
为初始值，经过迭代后，即得到更优的输出层参数矩阵
Figure 256748DEST_PATH_IMAGE023
，完成对双向长短时记忆网络的优化。
其中，步骤S32中，纵横交叉算法对参数矩阵
Figure DEST_PATH_IMAGE060A
进行更新迭代的过程如下：
S321：纵横交叉算法通过横向交叉与纵向交叉进行迭代更新；
横向交叉算子通过跨边界搜索方法搜索新解，即参数中的父代粒子
Figure 261613DEST_PATH_IMAGE024
和
Figure 230706DEST_PATH_IMAGE025
随机选择第d维相互交叉；
Figure 651323DEST_PATH_IMAGE026
式中，r1、r2和c1、c2分别为(0,1)和(-1,1)的随机数，
Figure 655051DEST_PATH_IMAGE027
和
Figure 502921DEST_PATH_IMAGE028
为两个新生成的中庸解，
Figure 726355DEST_PATH_IMAGE029
为粒子
Figure 481821DEST_PATH_IMAGE024
在第d维上的解，
Figure 543318DEST_PATH_IMAGE030
为粒子
Figure 624406DEST_PATH_IMAGE025
在第d维上的解；
纵向交叉算子针对个体的不同维度进行交叉来产生新的解，即参数中的父代粒子
Figure 505775DEST_PATH_IMAGE031
随机选择第d 1维和第d 2维相互交叉；
Figure 330511DEST_PATH_IMAGE032
式中，r为(0,1)的随机数，
Figure 246515DEST_PATH_IMAGE033
为新生成的中庸解，
Figure 232925DEST_PATH_IMAGE034
为粒子
Figure 929486DEST_PATH_IMAGE031
在第d 1维上的解，
Figure 230017DEST_PATH_IMAGE035
为粒子
Figure 62844DEST_PATH_IMAGE031
在第d 2维上的解；
纵横交叉算法采用均方根误差最小为适应度函数
Figure 423418DEST_PATH_IMAGE036
；
Figure 341696DEST_PATH_IMAGE037
式中，n为样本总数，
Figure 445918DEST_PATH_IMAGE038
和
Figure 628857DEST_PATH_IMAGE039
分别表示真实值和预测值；
S322：根据设置的迭代次数，重复步骤S321，达到预设的迭代次数时停止迭代，此时更新完成，双向长短时记忆网络得到更优的输出层参数矩阵
Figure 222649DEST_PATH_IMAGE023
。
在本实施例的步骤S4中，构建改进生成对抗网络模型，并通过改进生成对抗网络对目标域训练数据进行增强的步骤如下：
S41：改进生成对抗网络包括生成器和判别器，改进生成对抗网路为了克服训练过程中生成器容易出现梯度消失与模式崩溃的问题，引入了基于梯度惩罚的WasserStein距离；
其中，WasserStein距离的定义为；
Figure 565906DEST_PATH_IMAGE040
式中，
Figure 270556DEST_PATH_IMAGE041
为
Figure 812396DEST_PATH_IMAGE042
和
Figure 311511DEST_PATH_IMAGE043
之间的联合分布，
Figure 938801DEST_PATH_IMAGE044
用于表示该联合分布，
Figure 181564DEST_PATH_IMAGE045
表示数学期望；
Figure 46751DEST_PATH_IMAGE043
表示生成数据的真实分布，
Figure 982346DEST_PATH_IMAGE042
表示原始数据的真实分布，
Figure 332819DEST_PATH_IMAGE046
为从联合分布
Figure 582534DEST_PATH_IMAGE044
中进行采样，得到真实数据x与生成数据y；
Figure 98966DEST_PATH_IMAGE047
表示满足分布的所有x和y中，
Figure 205463DEST_PATH_IMAGE048
的数值达到最小，这个数值就是WasserStein距离；
生成器的损失函数
Figure 541766DEST_PATH_IMAGE049
为：
Figure 329593DEST_PATH_IMAGE050
式中，
Figure 966111DEST_PATH_IMAGE051
表示神经网络；
判别器的损失函数
Figure 181192DEST_PATH_IMAGE052
为：
Figure 535950DEST_PATH_IMAGE053
式中，
Figure 861889DEST_PATH_IMAGE054
为矩阵的二范数，
Figure 352913DEST_PATH_IMAGE055
为求梯度的函数，
Figure 801212DEST_PATH_IMAGE056
表示生成数据的真实分布
Figure 315370DEST_PATH_IMAGE043
与真实数据样本
Figure 743202DEST_PATH_IMAGE057
之间的直线均匀采样，
Figure 354312DEST_PATH_IMAGE058
表示梯度惩罚因子，
Figure 911196DEST_PATH_IMAGE059
表示真实样本与生成样本之间的随机插值采样；
S42：将随机噪声输入到生成器中，通过生成器生成新的样本数据，判别器则用于区分目标域训练数据与新的样本数据，判别结果用于指导生成器与判别器的网络参数更新；
S43：生成器与判别器交互训练，当生成器与判别器所对应的损失函数
Figure 974967DEST_PATH_IMAGE049
和损失函数
Figure 705025DEST_PATH_IMAGE049
的值收敛时，完成对改进生成对抗网络模型的训练，此时的生成器为目标生成器；
S44：通过目标生成器生成目标样本数据，目标样本数据与目标域训练数据合并构成目标域增强训练数据。
在本实施例的步骤S6中，目标域预测模型的训练过程与源域预测模型的训练过程相同。由于源域预测模型与目标域预测模型是相同的结构，所以其训练的过程步骤原理相同，此处不再叙述；区别在于，目标域预测模型中的权重参数是经由训练好得到的最佳源域预测模型迁移得到的，同时源域预测模型是利用源域训练数据进行训练，而目标域预测模型则是利用经过改进生成对抗网络模型增强后的目标域增强训练数据进行训练的。
本发明的基于迁移学习的短期光伏功率预测方法，该方法首先需要获取不同光伏发电站的功率和气象特征参数，在经过初步处理后，通过双向长短时记忆网络挖掘源域光伏发电站特征数据矩阵中存在的隐含关系，并采用纵横交叉优化算法优化双向长短时记忆网络中的超参数，完成对源域预测模型的训练，再通过迁移学习进行迁移，作为目标域光伏发电站的初始预测模型，通过生成对抗网络对目标域光伏发电站的训练数据进行增强，利用增强训练数据集对目标域预测模型进行再训练，得到最终的最佳目标域预测模型，并通过该预测模型对目标域光伏发电站进行预测功率。该方法能够有效的提升短期光伏发电功率预测的精度。
实施例2：
如图3所示，本实施例提供一种基于迁移学习的短期光伏功率预测系统，用于实现上述实施例1中的一种基于生成对抗网络与迁移学习的短期光伏功率预测方法，该系统包括分别与控制中心通信连接的数据处理模块、第一构建模块、第二构建模块、第三构建模块、输出模块；
所述数据处理模块用于获取源域以及目标域光伏发电站的特征数据，并进行数据预处理，然后将预处理后的源域光伏发电站的全部特征数据作为源域训练数据，将预处理后的目标域光伏发电站的部分特征数据作为目标域测试数据，而剩余的特征数据则作为目标域训练数据，并将源域训练数据、目标域测试数据和目标域训练数据输送给所述控制中心；
所述第一构建模块用于构建源域预测模型，源域预测模型采用2层的双向长短时记忆网络，所述第一构建模块从所述控制中心获取源域训练数据，通过源域训练数据对源域预测模型进行训练，找到最佳源域预测模型，并保存最佳源域预测模型的结构及参数，最后将所述最佳源域预测模型输出到所述控制中心；
所述第二构建模块用于构建改进生成对抗网络模型，所述第二构建模块从所述控制中心获取目标域训练数据，并通过改进生成对抗网络模型对目标域训练数据进行增强，获得目标域增强训练数据，最后将目标域增强训练数据输出到所述控制中心；
所述第三构建模块用于构建与源域预测模型相同结构的目标域预测模型，并从所述控制中心获取最佳源域预测模型，将最佳源域预测模型的权重参数迁移到目标域预测模型，作为目标域预测模型的参数初始值，并固定目标域预测模型的第1层参数，然后从所述控制中心获取目标域增强训练数据，通过目标域增强训练数据训练目标域预测模型的网络剩余层，得到最佳目标域预测模型，最后将最佳目标域预测模型输出到所述控制中心；
所述控制中心将目标域测试数据输入至最佳目标域预测模型中，输出得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列；
所述输出模块用于将预测得到的功率时间序列进行输出显示。
实施例3：
本实施例以具体数据验证上述实施例1中的短期光伏发电功率预测方法的有效性，具体过程如下：
在步骤S1中，获取澳大利亚2016/01/01/0:00~2016/12/29/23:40的三个光伏发电站的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据作为源域光伏发电站的特征数据，获取澳大利亚同一时间段内的另一个光伏发电站的功率、温度、湿度、太阳直接辐射强度、散射强度和风速数据作为目标域光伏发电站的特征数据；
在步骤S2中，按实施例1中方式对数据进行处理，划分出源域训练数据、目标域训练数据和目标域测试数据；
在步骤S3中，按上述获取的源域训练数据对源域预测模型的双向长短时记忆网络进行训练，得到训练好的最佳源域预测模型；
在步骤S4中，通过改进生成对抗网络模型对目标域训练数据进行增强，获得目标域增强训练数据；
其中，改进生成对抗网络模型的生成器的输入为符合高斯正态分布的 100维噪声，输出为 72×6 张量的光伏数据；判别器的输入为72×6张量的光伏数据，代表真假样本，输出为1维判别结果；生成器网络使用了层卷积层，滤波器数目依次为64、32和1，判别器网络使用了4层卷积层，滤波器数目依次为16、32、64和128；
在步骤S5中，将最佳源域预测模型的权重参数迁移到目标域预测模型，作为目标域预测模型的参数初始值，并固定目标域预测模型的第1层参数；
在步骤S6中，通过目标域增强训练数据训练目标域预测模型的网络剩余层，得到最佳目标域预测模型；
其中，在对目标域预测模型进行训练时，设置纵横交叉优化算法的种群数量为25，横向叫交叉率为1，纵向交叉率为0.6，迭代次数为200次；
在步骤S7中，将目标域测试数据输入至最佳目标域预测模型，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。
其中，输出的目标功率为每20分钟一个功率预测点，按照一天72个功率预测点生成72×1张量的光伏功率时间序列。
如图4-图6所示，在本实施例中，分别获得目标域光伏发电站在晴天、阴天及雨天时的功率预测效果。可知，本发明有效提高了对光伏发电站的功率预测精度。
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于迁移学习的短期光伏功率预测方法，其特征在于，包括以下步骤：
S1：获取源域以及目标域光伏发电站的特征数据，并进行数据预处理；
S2：将预处理后的源域光伏发电站的全部特征数据作为源域训练数据，将预处理后的目标域光伏发电站的部分特征数据作为目标域测试数据，而剩余的特征数据则作为目标域训练数据；
S3：构建源域预测模型，源域预测模型采用2层的双向长短时记忆网络，通过源域训练数据对源域预测模型进行训练，找到最佳源域预测模型，并保存最佳源域预测模型的结构及参数；
S4：构建改进生成对抗网络模型，并通过改进生成对抗网络模型对目标域训练数据进行增强，获得目标域增强训练数据；
S5：构建与源域预测模型相同结构的目标域预测模型，将最佳源域预测模型的权重参数迁移到目标域预测模型，作为目标域预测模型的参数初始值，并固定目标域预测模型的第1层参数；
S6：通过目标域增强训练数据训练目标域预测模型的网络剩余层，得到最佳目标域预测模型；
S7：将目标域测试数据输入至最佳目标域预测模型，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。
2.根据权利要求1所述的一种基于迁移学习的短期光伏功率预测方法，其特征在于，步骤S1中，特征数据包括功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据。
3.根据权利要求2所述的一种基于迁移学习的短期光伏功率预测方法，其特征在于，步骤S1中，数据预处理的过程如下：
对功率、温度、湿度、太阳直接辐射强度、太阳散射强度以及风速数据进行min-max归一化处理，获得处理后的功率序列P、温度序列T、湿度序列H、太阳直接辐射强度序列D、散射强度序列S以及风速序列W。
4.根据权利要求3所述的一种基于迁移学习的短期光伏功率预测方法，其特征在于，步骤S2中，源域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据全部作为源域训练数据，而目标域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据则挑选出晴天、阴天、雨天三个不同气象日的数据作为目标域测试数据，其余的则作为目标域训练数据。
5.根据权利要求1所述的一种基于迁移学习的短期光伏功率预测方法，其特征在于，步骤S3中，通过源域训练数据对源域预测模型进行训练的过程如下：
源域预测模型采用双向长短时记忆网，双向长短时记忆网络的结构模型分为2个独立的长短时记忆网络，输入序列分别以正序和逆序输入至2个长短时记忆网络进行特征提取，将2个输出向量进行拼接后形成的向量作为最终特征表达，其中双向长短时记忆网络的层数为2，神经元个数为32和64，双向长短时记忆网络的表达式如下：
Figure 493130DEST_PATH_IMAGE001
式中，
Figure 675850DEST_PATH_IMAGE002
、
Figure 721166DEST_PATH_IMAGE003
、
Figure 647534DEST_PATH_IMAGE004
分别为遗忘门、输入门和输出门，
Figure 246528DEST_PATH_IMAGE005
、
Figure 334570DEST_PATH_IMAGE006
、
Figure 867182DEST_PATH_IMAGE007
、
Figure 597241DEST_PATH_IMAGE008
为权重参数矩阵，
Figure 531699DEST_PATH_IMAGE009
、
Figure 56221DEST_PATH_IMAGE010
、
Figure 341709DEST_PATH_IMAGE011
、
Figure 875458DEST_PATH_IMAGE012
为偏置参数矩阵，
Figure 664423DEST_PATH_IMAGE013
为Sigmod函数，
Figure 359846DEST_PATH_IMAGE014
、
Figure 634095DEST_PATH_IMAGE015
、
Figure 174798DEST_PATH_IMAGE016
、
Figure 349427DEST_PATH_IMAGE017
分别为t时刻的输入层状态、控制单元状态、候选记忆状态和隐藏单元状态；
Figure 950173DEST_PATH_IMAGE018
为t-1时刻的隐藏单元状态；
然后通过纵横交叉算法对双向长短时记忆网络的参数进行优化，以此完成对源域预测模型的训练。
6.根据权利要求5所述的一种基于迁移学习的短期光伏功率预测方法，其特征在于，通过纵横交叉算法对双向长短时记忆网络的参数进行优化的步骤如下：
S31：采用纵横交叉算法优化双向长短时记忆网络输出层的权重和偏置参数构成的参数矩阵
Figure DEST_PATH_IMAGE020A
；
Figure 6991DEST_PATH_IMAGE021
S32：纵横交叉算法以参数矩阵
Figure DEST_PATH_IMAGE022A
为初始值，经过迭代后，即得到更优的输出层参数矩阵
Figure 882543DEST_PATH_IMAGE023
，完成对双向长短时记忆网络的优化。
7.根据权利要求6所述的一种基于迁移学习的短期光伏功率预测方法，其特征在于，步骤S32中，纵横交叉算法对参数矩阵
Figure DEST_PATH_IMAGE022AA
进行更新迭代的过程如下：
S321：纵横交叉算法通过横向交叉与纵向交叉进行迭代更新；
横向交叉算子通过跨边界搜索方法搜索新解，即参数中的父代粒子
Figure 944302DEST_PATH_IMAGE024
和
Figure 981528DEST_PATH_IMAGE025
随机选择第d维相互交叉；
Figure 463325DEST_PATH_IMAGE026
式中，r1、r2和c1、c2分别为(0,1)和(-1,1)的随机数，
Figure 611410DEST_PATH_IMAGE027
和
Figure 229473DEST_PATH_IMAGE028
为两个新生成的中庸解，
Figure 437600DEST_PATH_IMAGE029
为粒子
Figure 141114DEST_PATH_IMAGE024
在第d维上的解，
Figure 827310DEST_PATH_IMAGE030
为粒子
Figure 831038DEST_PATH_IMAGE025
在第d维上的解；
纵向交叉算子针对个体的不同维度进行交叉来产生新的解，即参数中的父代粒子
Figure 210067DEST_PATH_IMAGE031
随机选择第d 1维和第d 2维相互交叉；
Figure 400877DEST_PATH_IMAGE032
式中，r为(0,1)的随机数，
Figure 890764DEST_PATH_IMAGE033
为新生成的中庸解，
Figure 483420DEST_PATH_IMAGE034
为粒子
Figure 534814DEST_PATH_IMAGE031
在第d 1维上的解，
Figure 212920DEST_PATH_IMAGE035
为粒子
Figure 506499DEST_PATH_IMAGE031
在第d 2维上的解；
纵横交叉算法采用均方根误差最小为适应度函数
Figure 953660DEST_PATH_IMAGE036
；
Figure 408913DEST_PATH_IMAGE037
式中，n为样本总数，
Figure 839894DEST_PATH_IMAGE038
和
Figure 671584DEST_PATH_IMAGE039
分别表示真实值和预测值；
S322：根据设置的迭代次数，重复步骤S321，达到预设的迭代次数时停止迭代，此时更新完成，双向长短时记忆网络得到更优的输出层参数矩阵
Figure 238831DEST_PATH_IMAGE023
。
8.根据权利要求1所述的一种基于迁移学习的短期光伏功率预测方法，其特征在于，步骤S4中，构建改进生成对抗网络模型，并通过改进生成对抗网络对目标域训练数据进行增强的步骤如下：
S41：改进生成对抗网络包括生成器和判别器，并引入了基于梯度惩罚的WasserStein距离；
其中，WasserStein距离的定义为；
Figure 864985DEST_PATH_IMAGE040
式中，
Figure 517683DEST_PATH_IMAGE041
为
Figure 153064DEST_PATH_IMAGE042
和
Figure 309238DEST_PATH_IMAGE043
之间的联合分布，
Figure 371872DEST_PATH_IMAGE044
用于表示该联合分布，
Figure 246287DEST_PATH_IMAGE045
表示数学期望；
Figure 685359DEST_PATH_IMAGE043
表示生成数据的真实分布，
Figure 457225DEST_PATH_IMAGE042
表示原始数据的真实分布，
Figure 690760DEST_PATH_IMAGE046
为从联合分布
Figure 52471DEST_PATH_IMAGE044
中进行采样，得到真实数据x与生成数据y；
Figure 29655DEST_PATH_IMAGE047
表示满足分布的所有x和y中，
Figure 160422DEST_PATH_IMAGE048
的数值达到最小，这个数值就是WasserStein距离；
生成器的损失函数
Figure 564858DEST_PATH_IMAGE049
为：
Figure 679445DEST_PATH_IMAGE050
式中，
Figure 460319DEST_PATH_IMAGE051
表示神经网络；
判别器的损失函数
Figure 711172DEST_PATH_IMAGE052
为：
Figure 552089DEST_PATH_IMAGE053
式中，
Figure 888392DEST_PATH_IMAGE054
为矩阵的二范数，
Figure 207378DEST_PATH_IMAGE055
为求梯度的函数，
Figure 312737DEST_PATH_IMAGE056
表示生成数据的真实分布
Figure 560441DEST_PATH_IMAGE043
与真实数据样本
Figure 384041DEST_PATH_IMAGE057
之间的直线均匀采样，
Figure 506718DEST_PATH_IMAGE058
表示梯度惩罚因子，
Figure 466583DEST_PATH_IMAGE059
表示真实样本与生成样本之间的随机插值采样；
S42：将随机噪声输入到生成器中，通过生成器生成新的样本数据，判别器则用于区分目标域训练数据与新的样本数据，判别结果用于指导生成器与判别器的网络参数更新；
S43：生成器与判别器交互训练，当生成器与判别器所对应的损失函数
Figure 383724DEST_PATH_IMAGE049
和损失函数
Figure 694619DEST_PATH_IMAGE049
的值收敛时，完成对改进生成对抗网络模型的训练，此时的生成器为目标生成器；
S44：通过目标生成器生成目标样本数据，目标样本数据与目标域训练数据合并构成目标域增强训练数据。
9.根据权利要求1所述的一种基于迁移学习的短期光伏功率预测方法，其特征在于，步骤S6中，目标域预测模型的训练过程与源域预测模型的训练过程相同。
10.一种基于迁移学习的短期光伏功率预测系统，其特征在于，包括分别与控制中心通信连接的数据处理模块、第一构建模块、第二构建模块、第三构建模块、输出模块；
所述数据处理模块用于获取源域以及目标域光伏发电站的特征数据，并进行数据预处理，然后将预处理后的源域光伏发电站的全部特征数据作为源域训练数据，将预处理后的目标域光伏发电站的部分特征数据作为目标域测试数据，而剩余的特征数据则作为目标域训练数据，并将源域训练数据、目标域测试数据和目标域训练数据输送给所述控制中心；
所述第一构建模块用于构建源域预测模型，源域预测模型采用2层的双向长短时记忆网络，所述第一构建模块从所述控制中心获取源域训练数据，通过源域训练数据对源域预测模型进行训练，找到最佳源域预测模型，并保存最佳源域预测模型的结构及参数，最后将所述最佳源域预测模型输出到所述控制中心；
所述第二构建模块用于构建改进生成对抗网络模型，所述第二构建模块从所述控制中心获取目标域训练数据，并通过改进生成对抗网络模型对目标域训练数据进行增强，获得目标域增强训练数据，最后将目标域增强训练数据输出到所述控制中心；
所述第三构建模块用于构建与源域预测模型相同结构的目标域预测模型，并从所述控制中心获取最佳源域预测模型，将最佳源域预测模型的权重参数迁移到目标域预测模型，作为目标域预测模型的参数初始值，并固定目标域预测模型的第1层参数，然后从所述控制中心获取目标域增强训练数据，通过目标域增强训练数据训练目标域预测模型的网络剩余层，得到最佳目标域预测模型，最后将最佳目标域预测模型输出到所述控制中心；
所述控制中心将目标域测试数据输入至最佳目标域预测模型中，输出得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列；
所述输出模块用于将预测得到的功率时间序列进行输出显示。
CN202211075821.2A 2022-09-05 2022-09-05 一种基于迁移学习的短期光伏功率预测方法及系统 Pending CN115169543A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211075821.2A CN115169543A (zh) 2022-09-05 2022-09-05 一种基于迁移学习的短期光伏功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211075821.2A CN115169543A (zh) 2022-09-05 2022-09-05 一种基于迁移学习的短期光伏功率预测方法及系统

Publications (1)

Publication Number Publication Date
CN115169543A true CN115169543A (zh) 2022-10-11

Family

ID=83481585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211075821.2A Pending CN115169543A (zh) 2022-09-05 2022-09-05 一种基于迁移学习的短期光伏功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN115169543A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689062A (zh) * 2022-12-30 2023-02-03 浙江工业大学 一种基于快速在线迁移神经网络的光伏输出功率预测方法
CN117217288A (zh) * 2023-09-21 2023-12-12 摩尔线程智能科技(北京)有限责任公司 大模型的微调方法、装置、电子设备和存储介质
CN117315405A (zh) * 2023-11-28 2023-12-29 广州思德医疗科技有限公司 内窥镜图像生成网络训练方法、图像生成方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062753A (zh) * 2017-12-29 2018-05-22 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN110766212A (zh) * 2019-10-15 2020-02-07 哈尔滨工程大学 用于历史数据缺失电场的超短期光伏功率预测方法
CN111060318A (zh) * 2020-01-09 2020-04-24 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法
CN111680160A (zh) * 2020-06-16 2020-09-18 西北师范大学 一种用于文本情感分类的深度迁移学习方法
CN112949904A (zh) * 2021-01-28 2021-06-11 华中科技大学 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法
CN114219181A (zh) * 2022-01-20 2022-03-22 天津大学 基于迁移学习的风电功率概率预测方法
US20220122692A1 (en) * 2019-02-11 2022-04-21 Flagship Pioneering Innovations Vi, Llc Machine learning guided polypeptide analysis
CN114819061A (zh) * 2022-04-02 2022-07-29 南京航空航天大学 一种基于迁移学习的稀疏sar目标分类方法及装置
CN114885340A (zh) * 2022-05-07 2022-08-09 东南大学 一种基于深度迁移学习的超密集无线网络功率分配方法
CN114999662A (zh) * 2022-04-27 2022-09-02 四川大学 一种基于域自适应迁移学习的放疗计划剂量分布预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062753A (zh) * 2017-12-29 2018-05-22 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
US20220122692A1 (en) * 2019-02-11 2022-04-21 Flagship Pioneering Innovations Vi, Llc Machine learning guided polypeptide analysis
CN110766212A (zh) * 2019-10-15 2020-02-07 哈尔滨工程大学 用于历史数据缺失电场的超短期光伏功率预测方法
CN111060318A (zh) * 2020-01-09 2020-04-24 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法
CN111680160A (zh) * 2020-06-16 2020-09-18 西北师范大学 一种用于文本情感分类的深度迁移学习方法
CN112949904A (zh) * 2021-01-28 2021-06-11 华中科技大学 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法
CN114219181A (zh) * 2022-01-20 2022-03-22 天津大学 基于迁移学习的风电功率概率预测方法
CN114819061A (zh) * 2022-04-02 2022-07-29 南京航空航天大学 一种基于迁移学习的稀疏sar目标分类方法及装置
CN114999662A (zh) * 2022-04-27 2022-09-02 四川大学 一种基于域自适应迁移学习的放疗计划剂量分布预测方法
CN114885340A (zh) * 2022-05-07 2022-08-09 东南大学 一种基于深度迁移学习的超密集无线网络功率分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
殷豪: "基于生成对抗网络和LSTM-CSO的少样本光伏功率短期预测", 《高电压技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689062A (zh) * 2022-12-30 2023-02-03 浙江工业大学 一种基于快速在线迁移神经网络的光伏输出功率预测方法
CN117217288A (zh) * 2023-09-21 2023-12-12 摩尔线程智能科技(北京)有限责任公司 大模型的微调方法、装置、电子设备和存储介质
CN117217288B (zh) * 2023-09-21 2024-04-05 摩尔线程智能科技(北京)有限责任公司 大模型的微调方法、装置、电子设备和存储介质
CN117315405A (zh) * 2023-11-28 2023-12-29 广州思德医疗科技有限公司 内窥镜图像生成网络训练方法、图像生成方法及系统
CN117315405B (zh) * 2023-11-28 2024-03-29 广州思德医疗科技有限公司 内窥镜图像生成网络训练方法、图像生成方法及系统

Similar Documents

Publication Publication Date Title
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN109214575B (zh) 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN115169543A (zh) 一种基于迁移学习的短期光伏功率预测方法及系统
CN109492814B (zh) 一种城市交通流量预测方法、系统及电子设备
CN105913151A (zh) 基于自适应变异粒子群与bp网络光伏电站发电量预测方法
CN111210082B (zh) 一种基于优化的bp神经网络算法的降水量预测方法
CN111553587B (zh) 一种基于对抗学习模型的新能源场景生成方法及系统
CN111815033A (zh) 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN113887787B (zh) 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN114282646B (zh) 基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN108320051B (zh) 一种基于gru网络模型的移动机器人动态避碰规划方法
CN112561039A (zh) 一种改进的基于超网络的进化神经网络架构搜索方法
CN114021836B (zh) 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用
CN114429078B (zh) 一种短期风电功率预测方法及系统
CN111668845B (zh) 一种计及光伏相关性的概率潮流计算方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN114330100A (zh) 一种短期光伏功率概率区间预测方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN112101626A (zh) 一种分布式光伏发电功率预测方法及系统
CN117154690A (zh) 一种基于神经网络的光伏发电功率预测方法及系统
CN115640868A (zh) 一种新建风电场少数据风电功率短期预测方法
CN114372634B (zh) 基于神经网络不平衡优化的短期风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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221011

RJ01 Rejection of invention patent application after publication