CN115347571B - 基于迁移学习的光伏发电功率短期预测方法及装置 - Google Patents

基于迁移学习的光伏发电功率短期预测方法及装置 Download PDF

Info

Publication number
CN115347571B
CN115347571B CN202211264241.8A CN202211264241A CN115347571B CN 115347571 B CN115347571 B CN 115347571B CN 202211264241 A CN202211264241 A CN 202211264241A CN 115347571 B CN115347571 B CN 115347571B
Authority
CN
China
Prior art keywords
photovoltaic power
power generation
modal
data
short
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
CN202211264241.8A
Other languages
English (en)
Other versions
CN115347571A (zh
Inventor
熊俊杰
吴康
饶臻
张沛
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211264241.8A priority Critical patent/CN115347571B/zh
Publication of CN115347571A publication Critical patent/CN115347571A/zh
Application granted granted Critical
Publication of CN115347571B publication Critical patent/CN115347571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于迁移学习的光伏发电功率短期预测方法及装置，该方法选择待预测光伏电站作为目标域，将其他光伏电站作为源域，选择相关度高的源域数据进行数据迁移，得到迁移后在样本数据集；对迁移后的样本数据集中的光伏发电功率数据进行变分模态分解，对分解得到的每个模态分量与气象因素进行相关性分析，选择相关性高的气象因素作为对应模态分量的输入；构建基于长短期记忆网络和注意力机制的预测模型，使用迁移学习得到的样本数据集进行预测模型的训练，最后使用预测模型对光伏发电功率进行短期预测。本发明可扩充数据量少的样本，基于长短期记忆网络和注意力机制的预测模型，提高预测准确度。

Description

基于迁移学习的光伏发电功率短期预测方法及装置
技术领域
本发明属于光伏发电技术领域，涉及一种基于迁移学习的光伏发电功率短期预测方法及装置。
背景技术
目前，大部分光伏发电预测研究使用大量历史样本对光伏发电功率模型进行训练，然后使用训练好的模型对不同天气如晴天、多云、雨天和阴天下的短期功率进行预测，但是不同天气类型的光伏发电功率特点各不相同，直接使用大量样本，不分析各种天气类型下光伏发电功率数据的差异性就进行模型的训练，无法有效地对特殊天气下的光伏发电功率变化规律进行有效的学习。对于单个电站，想从历史样本中获取足够的降雨天气样本较为困难，但是同一降雨天气环境下，光伏电站的发电功率变化有一定的相似性，而且考虑到降雨天光伏发电功率受云和降雨的影响，波动性和随机性较强。特别是，降雨天气下的光伏发电功率短期预测面临降雨天气数据样本较少的挑战。无法发挥深度学习的数据挖掘能力。对于某一集中式光伏电站，降雨天气的样本量较少，基于深度学习的预测模型性能较差，而迁移学习可以将有价值的信息从源任务迁移到目标任务中，提高预测模型的效率和性能。
迁移学习是机器学习的一个分支，它的目标是将从一个环境中学到的知识用来帮助新环境的学习任务。迁移学习由域和任务构成，迁移学习定义为给定一个源域和源域上的学习任务，目标域和目标域上的学习任务，利用源域和源域上的学习任务，学习在目标域上的预测函数。
发明内容
针对深度学习模型在小样本场景下表现较差的问题，本发明提出一种基于迁移学习的光伏发电功率短期预测方法。首先，使用特征迁移学习的方法，将多个光伏电站的历史样本作为源域数据，将待预测电站作为目标域，使用相关度分析算法分析源域样本与目标域样本之间的相关度，将相关度高的源域数据迁移到目标域中；接着对光伏发电功率数据进行序列分解，得到多个模态分量；最后构建基于长短期记忆网络和注意力机制的预测模型，并使用迁移后得到的样本数据集对预测模型进行训练，最后使用预测模型进行光伏发电功率预测。
为达此目的，本发明采用以下技术方案：一种基于迁移学习的光伏发电功率短期预测方法，步骤如下：
步骤S1、基于迁移学习的数据集迁移：选择待预测光伏电站作为目标域，将其他光伏电站作为源域，选取目标域特征变量和源域特征变量，使用相关度分析算法计算源域数据与目标域数据的相关度，选择相关度高的源域数据进行数据迁移，迁移至目标域中，与原有目标域数据一起构成迁移后在样本数据集；
步骤S2、光伏发电功率数据变分模态分解：对迁移后的样本数据集中的光伏发电功率数据进行变分模态分解，对分解得到的每个模态分量与气象因素进行相关性分析，选择相关性高的气象因素作为对应模态分量的输入；
步骤S3、预测模型构建与光伏发电功率预测：构建基于长短期记忆网络和注意力机制的预测模型，使用迁移学习得到的样本数据集进行预测模型的训练，最后使用预测模型对光伏发电功率进行短期预测。
进一步优选，基于迁移学习的数据集迁移的过程如下：
计算目标域数据一天最大云量、平均云量和最大降雨量，得到目标域特征变量；
计算源域数据一天最大云量、平均云量和最大降雨量，得到源域特征变量；
使用欧式距离计算目标域数据与每个源域数据之间的特征距离；当某个源域数据与目标域数据的特征距离小于设定阈值时，将该源域数据迁移到目标域中；或者将与目标域数据特征距离最小的源域数据迁移到目标域。
进一步优选，变分模态分解的约束变分模型如下：
Figure 100002_DEST_PATH_IMAGE001
其中
Figure DEST_PATH_IMAGE002
表示对函数求偏导，δ(t)表示狄拉克分布函数，
Figure DEST_PATH_IMAGE003
表示卷积运算，f(t)是原 始光伏发电功率信号，u k 是模态分量，ω k 是对应于u k 的中心频率，k=1,2,…，K，K为模态分量 总个数，t表示时刻，j表示虚部。
进一步优选，步骤S2的具体流程如下:
步骤S21:确定要分解的模态分量总个数K，确定每个模态分量初始值
Figure DEST_PATH_IMAGE004
和对应的 初始中心频率
Figure DEST_PATH_IMAGE005
，初始拉格朗日算子
Figure DEST_PATH_IMAGE006
，初始迭代次数n=0；
步骤S22:根据表达式
Figure DEST_PATH_IMAGE007
更新u k ， 依次迭代计算得到全部的模态分量{u k }；其中，ω为频率，
Figure DEST_PATH_IMAGE008
为对应于原始光伏发电功率 信号f(t)的傅里叶变换，
Figure DEST_PATH_IMAGE009
为第i个模态分量
Figure DEST_PATH_IMAGE010
的第n次迭代傅里叶变换结果，
Figure DEST_PATH_IMAGE011
为
Figure DEST_PATH_IMAGE012
对应的中心频率，α是二次惩罚因子；
步骤S23:根据表达式
Figure DEST_PATH_IMAGE013
更新ω k ；
步骤S24:根据表达式
Figure DEST_PATH_IMAGE014
,更新拉格朗日算子λ；
Figure DEST_PATH_IMAGE015
是求解第n次迭代计算使用的拉格朗日算子，τ是零舍去拉格朗日算子；
步骤S24:当收敛精度ε满足结束迭代的条件
Figure DEST_PATH_IMAGE016
时，整个迭 代过程结束，此时输出的模态分量就是光伏发电功率数据在变分模态分解后得到的最佳分 量；
步骤S25:气象因素相关性分析：使用最大互信息系数法计算气象因素与模态分量之间的相关性。
进一步优选，步骤S2中，根据相关性计算结果，选择各模态分量作为预测模型的输入；对于第一模态分量，选择总辐照度、实测总辐射作为输入；对于第二模态分量，选择总辐照度、实测总辐射作为输入；对于第三模态分量，选择总辐照度、实测总辐射、环境温度作为输入；对于第四模态分量，选择总辐照度、实测总辐射作为输入；对于第五模态分量，选择总云量、低云量、地面百叶箱气温、地面百叶箱相对湿度、地面十米风速、地面气压、15分钟降水、环境温度、气压作为输入。
进一步优选，步骤S3所构建的基于长短期记忆网络和注意力机制的预测模型，依次包括第一层长短期记忆网络、注意力模块和第二层长短期记忆网络；将光伏发电功率矩阵Y和对应模态分量的气象因素矩阵X输入到第一层长短期记忆网络中，根据气象因素与模态分量之间的相关性，注意力模块对各模态分量进行Softmax归一化，然后注意力模块根据Softmax归一化结果输出权重系数矩阵，第二层长短期记忆网络（LSTM）使用权重系数矩阵和气象因素矩阵X相乘得到下一时刻的光伏发电功率预测值，最后使用全连接层得到未来一天的光伏发电功率预测结果。
进一步优选，所述气象因素矩阵X的计算过程如下：将与预测变量相关的气象因素的时间序列数据输入变量矩阵展开形成气象因素矩阵X：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
为第m个气象因素t时刻的数据。
本发明提供了基于迁移学习的光伏发电功率短期预测装置，包括数据集迁移模块、变分模态分解模块、相关性分析模块、预测模块，所述数据集迁移模块基于目标域数据和源域数据，根据相关度分析算法计算源域数据与目标域数据的相关度，将相关度高的源域数据迁移目标域中，形成扩充的样本数据集；所述变分模态分解模块对样本数据集中的光伏发电功率数据进行变分模态分解；所述相关性分析模块对分解得到的每个模态分量与气象因素进行相关性分析；所述预测模块依次集成第一层长短期记忆网络、注意力模块和第二层长短期记忆网络，根据光伏发电功率矩阵Y和对应模态分量的气象因素矩阵X进行光伏发电功率预测。
本发明还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述的基于迁移学习的光伏发电功率短期预测方法。
本发明还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述的基于迁移学习的光伏发电功率短期预测方法。
与现有方案相比，本发明的有益效果为：降雨天气下对光伏发电功率影响最大的气象因素是云量和降雨量，本发明将最大云量，平均云量和最大降雨量作为样本可迁移的特征变量，使用欧氏距离计算目标域样本和源域样本之间的相关度，最终将待预测电站也就是目标域的样本进行扩充，之后再结合预测模型对降雨天气下短期光伏发电功率进行预测。本发明可扩充数据量少的样本并对光伏发电功率进行预测，提高预测准确度。本发明通过对迁移后的样本数据集中的光伏发电功率数据进行变分模态分解，对分解得到的每个模态分量与气象因素进行相关性分析，根据相关性分析结构构建权重系数矩阵，长短期记忆网络（LSTM）使用权重系数矩阵和气象因素矩阵X相乘得到下一时刻的光伏发电功率预测值，提高了预测准确率。
附图说明
图1为本发明的方法流程图。
图2是数据集迁移流程图。
图3是基于长短期记忆网络和注意力机制的预测模型示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
参照图1，一种基于迁移学习的光伏发电功率短期预测方法，步骤如下：
步骤S1、基于迁移学习的数据集迁移：选择待预测光伏电站作为目标域，将其他光伏电站作为源域，选取目标域特征变量和源域特征变量，使用相关度分析算法计算源域数据与目标域数据的相关度，选择相关度高的源域数据进行数据迁移，迁移至目标域中，与原有目标域数据一起构成迁移后在样本数据集；
步骤S2、光伏发电功率数据变分模态分解：对迁移后的样本数据集中的光伏发电功率数据进行变分模态分解，对分解得到的每个模态分量与气象因素进行相关性分析，选择相关性高的气象因素作为对应模态分量的输入；
步骤S3、预测模型构建与光伏发电功率预测：构建基于长短期记忆网络和注意力机制的预测模型，使用迁移学习得到的样本数据集进行预测模型的训练，最后使用预测模型对光伏发电功率进行短期预测。
对于某一个光伏电站而言，降雨天气的历史样本较小，使用小样本对深度学习模型进行训练和预测时，深度学习模型的性能较差。多源迁移学习是指迁移学习过程中，源域的个数不止一个，通过适量的增加源域的个数可以有效避免负迁移现象的发生。单个光伏电站的样本虽然较少，但是周围其他光伏电站与待预测光伏电站具有一定的时空相关性，因此将待预测光伏电站作为目标域，其他光伏电站作为源域。
基于特征的迁移学习的主要思想是寻找一个合适的特征表示，最小化域间数据的差异和对光伏发电功率的预测误差，基于特征的迁移学习基本思想包含两步，第一步在源域学习一个基向量b和基于这组基向量对于输入x生成新向量a。在得到基向量b之后，第二步在目标域上根据基向量b来学习其特征表示。
Figure DEST_PATH_IMAGE019
Figure DEST_PATH_IMAGE020
式中，x为输入，s为源域中的数据集合，s i 为第i个源域中的数据，a r 为新向量a的第r个分量，b r 为基向量b的第r个分量，β为参数，无实际含义，T i 为第i个目标域，
Figure DEST_PATH_IMAGE021
为在目标 域上根据基向量b来学习的特征表示，
Figure DEST_PATH_IMAGE022
为由第i个源域数据学习到的对于目标域的新向 量,
Figure DEST_PATH_IMAGE023
为第i个源域的输入，
Figure DEST_PATH_IMAGE024
为
Figure DEST_PATH_IMAGE025
的第r个分量，
Figure DEST_PATH_IMAGE026
为
Figure DEST_PATH_IMAGE027
的范数。
降雨天气发生时，会覆盖范围较广的某一区域，该区域内，风速、云量和降雨量以及温度等气象因素的变化具有相关性，这些气象因素可以视为共享特征，而光伏电站的装机容量、地理位置各不相同，它们可以视为源域的特有特征。采用特征表示法将源域的特有特征和共享特征经过特征转换、重表征等步骤，和目标域的共享特征进行分析，学习其中的相似特征。
降雨天气下，云层和降雨是特有的气象因素，它们造成了降雨天气下光伏发电功率剧烈波动和随机变化的特征，考虑使用最大云量、平均云量和最大降雨量作为特征变量，使用欧氏距离计算源域样本和目标域样本的特征距离，特征距离越小，说明两个样本具有高度相似性，该源域样本可以迁移到目标域中。
参照图2，本实施例基于迁移学习的数据集迁移的过程如下：
S11.计算目标域数据一天最大云量、平均云量和最大降雨量，得到目标域特征变量。本次选择的目标域数据样本，其采样间隔为15分钟，一天共有96个点。
S12.计算源域数据一天最大云量、平均云量和最大降雨量，得到源域特征变量。
S13.使用欧式距离计算目标域数据与每个源域数据之间的特征距离；当某个源域数据与目标域数据的特征距离小于设定阈值时，将该源域数据迁移到目标域中；或者将与目标域数据特征距离最小的源域数据迁移到目标域。
光伏发电功率在强对流天气下的波动特征较为强烈，直接对其进行神经网络模型预测时，神经网络无法很好的学习到各种气象因素与功率数据之间的复杂非线性关系，得到的结果往往误差较大，因此本发明对光伏发电功率数据进行变分模态分解（VMD），将光伏发电功率数据分解为多个可以反映不同波动特性的模态分量，以此来有效降低原始光伏功率数据的复杂特性对预测的干扰。变分模态分解具有可以确定模态分量个数的优势，它能够根据实际情况确定光伏发电功率数据的模态分量个数，随后的搜索和求解过程可以自适应的匹配每种模态的最佳中心频率和有限带宽，并且可以实现模态分量的有效分离，进而得到光伏发电功率数据的有效分解成分，最终得到最能反映光伏功率波动特性的多个模态分量。求解VMD中的模态分量就是在求解变分问题，它主要包括变分问题的构造和变分问题的求解两个关键步骤，在求解过程中，包含以下两个约束条件：（1）各光伏发电功率数据分量的中心频率的带宽之和最小；（2）各模态分量的和等于原始的光伏发电功率数据。因此本实施例构造出来的变分模态分解（VMD）的约束变分模型如下所示：
Figure DEST_PATH_IMAGE028
其中
Figure DEST_PATH_IMAGE029
表示对函数求偏导，δ(t)表示狄拉克分布函数，
Figure DEST_PATH_IMAGE030
表示卷积运算，f(t)是原 始光伏发电功率信号，u k 是模态分量，ω k 是对应于u k 的中心频率，k=1,2,…，K，K为模态分量 总个数，t表示时刻，j表示虚部。
本实施例中，步骤S2的具体流程如下:
步骤S21:确定要分解的模态分量总个数K，确定每个模态分量初始值
Figure 139462DEST_PATH_IMAGE004
和对应的 初始中心频率
Figure 118919DEST_PATH_IMAGE005
，初始拉格朗日算子
Figure 711706DEST_PATH_IMAGE006
，初始迭代次数n=0；
步骤S22:根据表达式
Figure DEST_PATH_IMAGE031
更新u k ， 依次迭代计算得到全部的模态分量{u k }；其中，ω为频率，
Figure 35412DEST_PATH_IMAGE008
为对应于原始光伏发电功率 信号f(t)的傅里叶变换，
Figure DEST_PATH_IMAGE032
为第i个模态分量
Figure DEST_PATH_IMAGE033
的第n次迭代傅里叶变换结果，
Figure 193992DEST_PATH_IMAGE011
为
Figure 655935DEST_PATH_IMAGE032
对应的中心频率，α是二次惩罚因子；
步骤S23:根据表达式
Figure 657389DEST_PATH_IMAGE013
更新ω k ；
步骤S24:根据表达式
Figure 653027DEST_PATH_IMAGE014
,更新拉格朗日算子λ；
Figure DEST_PATH_IMAGE034
是求解第n次迭代计算使用的拉格朗日算子，τ是零舍去拉格朗日算子。
步骤S24:当收敛精度ε满足结束迭代的条件
Figure DEST_PATH_IMAGE035
时，整个迭代 过程结束，此时输出的模态分量就是光伏发电功率数据在变分模态分解后得到的最佳分 量。
步骤S25:气象因素相关性分析：对光伏发电功率数据进行分解后，各模态分量的波动性有较为明显的区别，为了充分挖掘模态分量波动性与气象因素之间的关系，使用最大互信息系数法计算气象因素与模态分量之间的相关性。根据相关性计算结果，选择各模态分量的预测模型输入。对于第一模态分量，选择总辐照度、实测总辐射作为预测模型的输入；对于第二模态分量，选择总辐照度、实测总辐射作为输入；对于第三模态分量，选择总辐照度、实测总辐射、环境温度作为输入；对于第四模态分量，选择总辐照度、实测总辐射作为输入；对于第五模态分量，选择总云量、低云量、地面百叶箱气温、地面百叶箱相对湿度、地面十米风速、地面气压、逐15分钟降水、环境温度、气压作为输入。
如图3所示，步骤S3所构建的基于长短期记忆网络和注意力机制的预测模型，依次包括第一层长短期记忆网络（LSTM）、注意力模块和第二层长短期记忆网络。将光伏发电功率矩阵Y和对应模态分量的气象因素矩阵X输入到第一层长短期记忆网络（LSTM）中，根据气象因素与模态分量之间的相关性，注意力模块对光伏发电功率数据的各模态分量进行Softmax归一化，然后注意力模块根据Softmax归一化结果输出权重系数矩阵，第二层长短期记忆网络（LSTM）使用权重系数矩阵和气象因素矩阵X相乘得到下一时刻的光伏发电功率预测值，最后使用全连接层得到未来一天的光伏发电功率预测结果。通过特征注意力机制，考虑了气象因数与光伏发电功率的关联关系，加强影响光伏发电功率的关键因素，弱化了不太相关的气象因素，自适应地提取各气象因素的权重来提高预测精度。
本实施例中，气象因素矩阵X的计算过程如下：令与预测变量相关的气象因素如太阳辐照度、温度、相对湿度、气压等的时间序列数据输入变量矩阵展开形成气象因素矩阵X：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE037
为第m个气象因素t时刻的数据。
为了得到气象因素对光伏发电功率的影响程度，采用注意力机制编码量化每一个气象因素的权重值。
本实施例中，注意力模块计算过程如下：首先使用多层感知机计算特征变量（辐照度、温度、湿度等气象因素）与光伏发电功率数据的各模态分量之间的相关性。然后使用Softmax函数归一化。主要目的是进行数值转换，一方面可以归一化，将原始计算分值整理成所有元素权重之和为1的概率分布，另一方面也可以通过soft机制更加突出重要元素的权重；最终形成权重系数矩阵。
将历史时刻对应的气象因素矩阵X和光伏发电功率数据输入到注意力模块之中，计算下一个时刻每个气象因素对应的注意力权重，使用多层感知机的方法进行权重计算，多层感知机的计算公式如下式所示：
Figure DEST_PATH_IMAGE038
其中，E t 为t时刻气象因素矩阵与光伏发电功率的相关性，y t 为t时刻的光伏发电功 率，X t 为t时刻的气象因素矩阵，V e 、U e 和w分别为多层感知机的第一、二、三参数矩阵，b e 是偏 置项，
Figure DEST_PATH_IMAGE039
表示V e 的转置矩阵。
之后使用Softmax函数进行归一化，使得各个气象因素的权重之和相加为1。
本实施例提供了基于迁移学习的光伏发电功率短期预测装置，包括数据集迁移模块、变分模态分解模块、相关性分析模块、预测模块，所述数据集迁移模块基于目标域数据和源域数据，根据相关度分析算法计算源域数据与目标域数据的相关度，将相关度高的源域数据迁移目标域中，形成扩充的样本数据集；所述变分模态分解模块对样本数据集中的光伏发电功率数据进行变分模态分解；所述相关性分析模块对分解得到的每个模态分量与气象因素进行相关性分析；所述预测模块依次集成第一层长短期记忆网络、注意力模块和第二层长短期记忆网络，根据光伏发电功率矩阵Y和对应模态分量的气象因素矩阵X进行光伏发电功率预测。
在另一些实施例中，提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意实施例中的基于迁移学习的光伏发电功率短期预测方法。
本实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述实施例的基于迁移学习的光伏发电功率短期预测方法。
本实施例提供一种电子设备，包括：一个或多个处理器以及存储器。电子设备还可以包括：输入装置和输出装置。处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接。存储器为上述的非易失性计算机可读存储介质。处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述实施例所述的基于迁移学习的光伏发电功率短期预测方法。输入装置可接收输入的数字或字符信息，以及产生与基于迁移学习的光伏发电功率短期预测方法的用户设置以及功能控制有关的键信号输入。输出装置可包括显示屏等显示设备。
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含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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种基于迁移学习的光伏发电功率短期预测方法，其特征在于，步骤如下：
步骤S1、基于迁移学习的数据集迁移：选择待预测光伏电站作为目标域，将其他光伏电站作为源域，计算目标域数据一天最大云量、平均云量和最大降雨量，得到目标域特征变量，计算源域数据一天最大云量、平均云量和最大降雨量，得到源域特征变量，选取目标域特征变量和源域特征变量，使用相关度分析算法计算源域数据与目标域数据的相关度，选择相关度高的源域数据进行数据迁移，迁移至目标域中，与原有目标域数据一起构成迁移后的样本数据集；
步骤S2、光伏发电功率数据变分模态分解：对迁移后的样本数据集中的光伏发电功率数据进行变分模态分解，对分解得到的每个模态分量与气象因素进行相关性分析，选择相关性高的气象因素作为对应模态分量的输入；
步骤S3、预测模型构建与光伏发电功率预测：构建基于长短期记忆网络和注意力机制的预测模型，使用迁移学习得到的样本数据集进行预测模型的训练，使用预测模型对光伏发电功率进行短期预测。
2.根据权利要求1所述的基于迁移学习的光伏发电功率短期预测方法，其特征在于，基于迁移学习的数据集迁移的过程如下：使用欧式距离计算目标域数据与每个源域数据之间的特征距离；当某个源域数据与目标域数据的特征距离小于设定阈值时，将该源域数据迁移到目标域中；或者将与目标域数据特征距离最小的源域数据迁移到目标域。
3.根据权利要求1所述的基于迁移学习的光伏发电功率短期预测方法，其特征在于，变分模态分解的约束变分模型如下：
Figure DEST_PATH_IMAGE001
其中
Figure 490765DEST_PATH_IMAGE002
表示对函数求偏导，δ(t)表示狄拉克分布函数，
Figure 253578DEST_PATH_IMAGE003
表示卷积运算，f(t)是原始光伏 发电功率信号，u k 是模态分量，ω k 是对应于u k 的中心频率，k=1,2,…，K，K为模态分量总个 数，t表示时刻，j表示虚部。
4.根据权利要求3所述的基于迁移学习的光伏发电功率短期预测方法，其特征在于，步骤S2的具体流程如下:
步骤S21:确定要分解的模态分量总个数K，确定每个模态分量初始值
Figure 705419DEST_PATH_IMAGE004
和对应的初始 中心频率
Figure 208950DEST_PATH_IMAGE005
，初始拉格朗日算子
Figure 226585DEST_PATH_IMAGE006
，初始迭代次数n=0；
步骤S22:根据表达式
Figure 629141DEST_PATH_IMAGE007
更新u k ，依次 迭代计算得到全部的模态分量{u k }；其中，ω为频率，
Figure 568278DEST_PATH_IMAGE008
为对应于原始光伏发电功率信号f(t)的傅里叶变换，
Figure 173703DEST_PATH_IMAGE009
为第i个模态分量
Figure 482062DEST_PATH_IMAGE010
的第n次迭代傅里叶变换结果，
Figure 881950DEST_PATH_IMAGE011
为
Figure 1392DEST_PATH_IMAGE012
对 应的中心频率，α是二次惩罚因子；
步骤S23:根据表达式
Figure 144929DEST_PATH_IMAGE013
更新ω k ；
步骤S24:根据表达式
Figure 605997DEST_PATH_IMAGE014
,更新拉格朗日算子λ；
Figure 239104DEST_PATH_IMAGE015
是求解第n次迭代计算使用的拉格朗日算子，τ是零舍去拉格朗日算子；
步骤S24:当收敛精度ε满足结束迭代的条件
Figure 916947DEST_PATH_IMAGE016
时，整个迭代 过程结束，此时输出的模态分量就是光伏发电功率数据在变分模态分解后得到的最佳分 量；
步骤S25: 气象因素相关性分析：使用最大互信息系数法计算气象因素与模态分量之间的相关性。
5.根据权利要求4所述的基于迁移学习的光伏发电功率短期预测方法，其特征在于，步骤S2中，根据相关性计算结果，选择各模态分量作为预测模型的输入；对于第一模态分量，选择总辐照度、实测总辐射作为输入；对于第二模态分量，选择总辐照度、实测总辐射作为输入；对于第三模态分量，选择总辐照度、实测总辐射、环境温度作为输入；对于第四模态分量，选择总辐照度、实测总辐射作为输入；对于第五模态分量，选择总云量、低云量、地面百叶箱气温、地面百叶箱相对湿度、地面十米风速、地面气压、15分钟降水、环境温度、气压作为输入。
6.根据权利要求1所述的基于迁移学习的光伏发电功率短期预测方法，其特征在于，步骤S3所构建的基于长短期记忆网络和注意力机制的预测模型，依次包括第一层长短期记忆网络、注意力模块和第二层长短期记忆网络；将光伏发电功率矩阵Y和对应模态分量的气象因素矩阵X输入到第一层长短期记忆网络中，根据气象因素与模态分量之间的相关性，注意力模块对各模态分量进行Softmax归一化，注意力模块根据Softmax归一化结果输出权重系数矩阵，第二层长短期记忆网络使用权重系数矩阵和气象因素矩阵X相乘得到下一时刻的光伏发电功率预测值，最后使用全连接层得到未来一天的光伏发电功率预测结果。
7.根据权利要求6所述的基于迁移学习的光伏发电功率短期预测方法，其特征在于，所述气象因素矩阵X的计算过程如下：将与预测变量相关的气象因素的时间序列数据输入变量矩阵展开形成气象因素矩阵X：
Figure 801858DEST_PATH_IMAGE017
其中，
Figure 648591DEST_PATH_IMAGE018
为第m个气象因素t时刻的数据。
8.一种基于迁移学习的光伏发电功率短期预测装置，其特征在于，包括数据集迁移模块、变分模态分解模块、相关性分析模块、预测模块，所述数据集迁移模块基于目标域数据和源域数据，根据相关度分析算法计算源域数据与目标域数据的相关度，将相关度高的源域数据迁移目标域中，形成扩充的样本数据集；所述变分模态分解模块对样本数据集中的光伏发电功率数据进行变分模态分解；所述相关性分析模块对分解得到的每个模态分量与气象因素进行相关性分析；所述预测模块依次集成第一层长短期记忆网络、注意力模块和第二层长短期记忆网络，根据光伏发电功率矩阵Y和对应模态分量的气象因素矩阵X进行光伏发电功率预测。
9.一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，其特征在于，所述计算机可执行指令可执行权利要求1-7任意一项所述的基于迁移学习的光伏发电功率短期预测方法。
CN202211264241.8A 2022-10-17 2022-10-17 基于迁移学习的光伏发电功率短期预测方法及装置 Active CN115347571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211264241.8A CN115347571B (zh) 2022-10-17 2022-10-17 基于迁移学习的光伏发电功率短期预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211264241.8A CN115347571B (zh) 2022-10-17 2022-10-17 基于迁移学习的光伏发电功率短期预测方法及装置

Publications (2)

Publication Number Publication Date
CN115347571A CN115347571A (zh) 2022-11-15
CN115347571B true CN115347571B (zh) 2023-03-24

Family

ID=83957079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211264241.8A Active CN115347571B (zh) 2022-10-17 2022-10-17 基于迁移学习的光伏发电功率短期预测方法及装置

Country Status (1)

Country Link
CN (1) CN115347571B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116167508B (zh) * 2023-01-16 2024-03-15 南通电力设计院有限公司 一种基于气象因素分解的短期光伏出力快速预测方法及系统
CN117114190A (zh) * 2023-08-29 2023-11-24 华中科技大学 一种基于混合深度学习的河道径流预测方法及设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN112183877A (zh) * 2020-10-13 2021-01-05 上海大学 一种基于迁移学习的光伏电站故障智能诊断方法
KR20220107794A (ko) * 2021-01-26 2022-08-02 한국전력공사 전이 학습 기반의 전력 정보 예측 방법 및 시스템
CN113988364A (zh) * 2021-09-16 2022-01-28 贵州电网有限责任公司 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法
CN114462718A (zh) * 2022-02-25 2022-05-10 盐城工学院 基于时间滑动窗口的cnn-gru风电功率预测方法
CN114897264A (zh) * 2022-06-08 2022-08-12 国网浙江省电力有限公司嘉兴供电公司 一种基于迁移学习的小样本场景下光伏出力区间预测方法
CN115034485A (zh) * 2022-06-16 2022-09-09 华北电力大学 一种基于数据空间的风电功率区间预测方法及装置
CN115049171B (zh) * 2022-08-17 2022-10-28 国能日新科技股份有限公司 一种基于特征迁移的光伏功率预测方法及系统

Also Published As

Publication number Publication date
CN115347571A (zh) 2022-11-15

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
CN115347571B (zh) 基于迁移学习的光伏发电功率短期预测方法及装置
Mellit et al. Least squares support vector machine for short-term prediction of meteorological time series
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN109583565A (zh) 基于注意力模型长短时记忆网络的洪水预测方法
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN111815027A (zh) 一种光伏场站发电功率预测方法及系统
Marndi et al. Short-term forecasting of wind speed using time division ensemble of hierarchical deep neural networks
CN114492922A (zh) 一种中长期发电量预测方法
Zhang et al. Short‐term load forecasting based on wavelet neural network with adaptive mutation bat optimization algorithm
CN113283155A (zh) 一种近地表气温估算方法、系统、存储介质及设备
CN111310963A (zh) 电站的发电数据预测方法、装置、计算机设备和存储介质
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
Zhang et al. A method based on Lorenz disturbance and variational mode decomposition for wind speed prediction
Anh et al. Effect of gradient descent optimizers and dropout technique on deep learning LSTM performance in rainfall-runoff modeling
Brahma et al. Visualizing solar irradiance data in ArcGIS and forecasting based on a novel deep neural network mechanism
CN116845875A (zh) 一种基于woa-bp的短期光伏出力预测方法及装置
CN113610665B (zh) 一种基于多延迟输出回声状态网的风力发电功率预测方法
Tran et al. Short-term solar power generation forecasting using edge ai
Hernández-Travieso et al. Modeling a robust wind-speed forecasting to apply to wind-energy production
Belmahdi et al. Forecasting solar radiation using machine learning method: new optimization algorithm
Singh et al. An optimized neural network model for relative humidity prediction
Widjaja et al. A general spatial-temporal framework for short-term building temperature forecasting at arbitrary locations with crowdsourcing weather data

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