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 PDFInfo
- 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
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
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:
式中,、、分别为遗忘门、输入门和输出门,、、、为权重参数矩阵,、、、为偏置参数矩阵, 为Sigmod函数,、、、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;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:
S321:纵横交叉算法通过横向交叉与纵向交叉进行迭代更新;
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;
式中,为和之间的联合分布,用于表示该联合分布,表示数学期望;表示生成数据的真实分布,表示原始数据的真实分布,为从联合分布中进行采样,得到真实数据x与生成数据y;表示满足分布的所有x和y中,的数值达到最小,这个数值就是WasserStein距离;
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;
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:
式中,、、分别为遗忘门、输入门和输出门,、、、为权重参数矩阵,、、、为偏置参数矩阵, 为Sigmod函数,、、、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;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:
S321:纵横交叉算法通过横向交叉与纵向交叉进行迭代更新;
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;
式中,为和之间的联合分布,用于表示该联合分布,表示数学期望;表示生成数据的真实分布,表示原始数据的真实分布,为从联合分布中进行采样,得到真实数据x与生成数据y;表示满足分布的所有x和y中,的数值达到最小,这个数值就是WasserStein距离;
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;
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:
式中,、、分别为遗忘门、输入门和输出门,、、、为权重参数矩阵,、、、为偏置参数矩阵, 为Sigmod函数,、、、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;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。
S321:纵横交叉算法通过横向交叉与纵向交叉进行迭代更新;
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;
式中,为和之间的联合分布,用于表示该联合分布,表示数学期望;表示生成数据的真实分布,表示原始数据的真实分布,为从联合分布中进行采样,得到真实数据x与生成数据y;表示满足分布的所有x和y中,的数值达到最小,这个数值就是WasserStein距离;
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;
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。
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)
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)
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 |
-
2022
- 2022-09-05 CN CN202211075821.2A patent/CN115169543A/zh active Pending
Patent Citations (10)
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)
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)
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 |