CN116029419A

CN116029419A - 基于深度学习的长期新能源日均发电功率预测方法及系统

Info

Publication number: CN116029419A
Application number: CN202211501469.4A
Authority: CN
Inventors: 李婉嘉; 王健; 耿福海; 许晓林; 王宁; 汪佳伟; 段森; 何炜炜; 马越; 李霄
Original assignee: Shanghai Energy Technology Development Co ltd
Current assignee: Shanghai Energy Technology Development Co ltd
Priority date: 2022-11-28
Filing date: 2022-11-28
Publication date: 2023-04-28

Abstract

本发明公开了一种基于深度学习的长期新能源日均发电功率预测方法及系统，该方法包括：获取目标区域的历史新能源发电功率数据和历史数值天气预报数据，构建新能源发电功率样本时间序列和多维时空特征指标数据样本序列；搭建长期功率预测模型，以新能源发电功率样本时间序列和多维时空特征指标数据样本序列为训练样本集进行训练；搭建日均功率预测模型，以新能源发电功率样本时间序列为训练样本集进行训练；将获取的数值天气预报数据输入训练完成的功率预测模型中，得到预测的长期新能源日均发电功率。本发明通过建立目标区域长期功率预测模型和日均功率预测模型，根据预测的数值天气预报数据，实现对目标区域的新能源日均发电功率的精准预测。

Description

基于深度学习的长期新能源日均发电功率预测方法及系统

技术领域

本发明涉及新能源发电技术领域，尤其涉及一种基于深度学习的长期新能源日均发电功率预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成已经成为本领域一般技术人员所公知的现有技术。

随着人们对能源需求的日益增加，考虑到长久以来所依赖的煤炭、石油、天然气等能源属于一次性非可再生能源，该能源的使用对环境产生严重的污染，为了解决能源与环境问题，人们不断开发包括太阳能、风能、海洋能等的可再生新能源来促进全球经济的可持续发展，应对全球气候变化。目前，光伏发电和风能发电是新能源发电的主要方式。由于新能源发电呈现出随机性和波动性，对于长期的电力交易而言，新能源发电厂需要对下个月、下个季度的长期新能源发电功率进行预测，为长期电力交易提供依据。

在长期电力交易中，如月度电力交易中，需要综合考虑月度、季度等长期区域风电、光伏等新能源出力的总量、趋势等情况，为签订长期电力交易合约提供依据。而目前新能源发电功率预报以短期和超短期预报为主，无法为长期电力交易提供依据。

同时，由于风力、光照等气象要素随时间推移，其预报的不确定度增加，而且由于风力、光照等气象要素的随机性，使得同一天不同时间段内预测的发电功率差异较大，通过对全天的新能源发电功率预测能够很好的平衡发电功率，便于直观的展示长期的新能源发电趋势。即，长期电力交易如月度电力交易更依赖于预测月度的发电功率总量和每天的均值发电量，由于预测时间长(如30-60天)，长期电力交易关注日均值这一时间维度的预测值，预测功率日均值还可以一定程度的降低预测的不确定度。因此，以预测的目标区域长期风电和光伏日均发电功率为依据，能够更清楚的展示区域的发电情况，目前对目标区域的长期风电和光伏发电功率日均值预测的需求十分迫切。

此外，现有的针对风电场、光伏电场的大部分发电功率预测模型，仅建立一组气象要素和风力、光伏发电输出功率对应的映射模型，这种一一对应的建模方案忽略了气象要素与新能源发电输出功率之间的空间相关性和天气的空间波动分布特性，降低了发电功率预测的准确性。

发明内容

为解决上述现有技术的不足，本发明提供了一种基于深度学习的长期新能源日均发电功率预测方法及系统，考虑到长期电力交易需求和长期预测结果的不稳定性，对目标区域长期新能源日均发电功率进行预测，以便更清楚的展示新能源发电的情况。本发明基于广域时空的数值天气预报数据和目标区域实际新能源发电功率时间序列数据，通过深度学习算法建立目标区域长期功率预测模型和日均功率预测模型，依据训练完成的模型，实现目标区域长期日均发电功率的高准确性预测。

第一方面，本公开提供了一种基于深度学习的长期新能源日均发电功率预测方法，包括：

获取目标区域的历史新能源发电功率数据和历史数值天气预报数据，构建新能源发电功率样本时间序列和多维时空特征指标数据样本序列；

搭建长期功率预测模型，以新能源发电功率样本时间序列和多维时空特征指标数据样本序列为训练样本集进行训练；

搭建日均功率预测模型，以新能源发电功率样本时间序列为训练样本集进行训练；

将获取的目标区域在未来时间段的数值天气预报数据输入训练完成的长期发电功率预测模型中，得到预测的长期新能源发电功率，再将所述长期新能源发电功率输入至日均功率预测模型中，得到预测的长期新能源日均发电功率。

进一步的技术方案，所述长期功率预测模型用于根据输入的未来数值天气预报数据，输出与数值天气预报数据相同时间尺度的长期新能源发电功率预测结果；

所述日均功率预测模型用于根据输入的长期新能源发电功率预测值，输出长期新能源日均发电功率预测结果。

进一步的技术方案，所述长期功率预测模型为基于2DCNN-GRU的深度神经网络模型，该模型的训练过程为：

利用具有相同时间尺度的新能源发电功率样本时间序列和多维时空特征指标数据样本序列对模型进行训练，以均方误差作为损失函数，利用Adam梯度下降法进行迭代优化，直至损失函数的数值收敛或达到最大迭代次数，完成模型的训练。

进一步的技术方案，所述日均功率预测模型的训练过程为：

根据新能源发电功率样本时间序列，构建新能源日均发电功率样本时间序列；

以新能源发电功率样本时间序列和新能源日均发电功率样本时间序列维训练样本集，利用训练样本集对模型进行训练；

以均方误差作为损失函数，利用Adam梯度下降法进行迭代优化，直至损失函数的数值收敛或达到最大迭代次数，完成模型的训练。

进一步的技术方案，所述多维时空特征指标数据样本序列的构建过程为：获取目标区域的历史数值天气预报数据，筛选影响新能源发电功率的特征指标，根据特征指标选取历史数值天气预报数据，构建多维时空特征指标数据样本序列。

进一步的技术方案，在获取影响新能源发电功率的特征指标所对应的历史数值天气预报数据后，对获取的数据进行预处理；

所述预处理包括数据拼接、异常值处理、缺失值处理，以及对各个指标的时间序列数据进行归一化处理，最终形成数据维度为时间、经度、维度、指标的多维时空特征指标数据样本序列。

第二方面，本公开提供了一种基于深度学习的长期新能源日均发电功率预测系统，包括：

数据获取模块，用于获取目标区域的历史新能源发电功率数据和历史数值天气预报数据；

数据处理模块，用于根据获取的目标区域的历史新能源发电功率数据和历史数值天气预报数据，构建新能源发电功率样本时间序列和多维时空特征指标数据样本序列；

长期功率预测模型搭建及训练模块，用于搭建长期功率预测模型，以新能源发电功率样本时间序列和多维时空特征指标数据样本序列为训练样本集进行训练；

日均功率预测模型搭建及训练模块，用于搭建日均功率预测模型，以新能源发电功率样本时间序列为训练样本集进行训练；

功率预测模块，用于将获取的目标区域在未来时间段的数值天气预报数据输入训练完成的长期发电功率预测模型中，得到预测的长期新能源发电功率，再将所述长期新能源发电功率输入至日均功率预测模型中，得到预测的长期新能源日均发电功率。

第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。

第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。

以上一个或多个技术方案存在以下有益效果：

1、本发明提供了一种基于深度学习的长期新能源日均发电功率预测方法及系统，基于广域时空的数值天气预报数据和目标区域实际新能源发电功率时间序列数据，通过深度学习算法建立目标区域长期功率预测模型和日均功率预测模型，依据训练完成的模型，实现目标区域长期日均发电功率的高准确性预测。

2、本发明预测的发电功率考虑到了气象要素与新能源发电输出功率之间的空间相关性和天气的空间波动分布特性，提高了发电功率预测的准确性。

3、本发明通过构建及训练日均功率预测模型，实现了对目标区域长期发电功率日均值的预测，便于更清楚的展示新能源发电情况，为电厂中长期电力交易提供数据支持和依据。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例一所述方法的整体流程图；

图2为本发明实施例一所述长期功率预测模型训练的流程图；

图3为本发明实施例一所述日均功率预测模型训练的流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

本实施例提供了一种基于深度学习的长期新能源日均发电功率预测方法，如图1所示，根据现有的NWP预报产品，获取数值天气预报数据，将数值天气预报数据输入训练完成的功率预测模型中，预测目标区域未来30～60天的新能源日均发电输出功率。本实施例所述功率预测方法，具体包括以下步骤：

步骤1、获取目标区域的历史新能源发电功率数据，对获取的数据进行预处理，构建新能源发电功率样本时间序列。

在上述步骤1中，获取目标区域至少一年完整时间的历史新能源发电功率数据，对该历史数据进行预处理，包括数据拼接、异常值处理、缺失值处理等，形成新能源发电功率样本时间序列Y＝[y₁,y₂,y₃,......,y_κ]^T，其中，y_i表示第i时刻的历史新能源发电功率，i＝1,2,3...,k。

步骤2、获取目标区域的历史数值天气预报数据，筛选影响新能源发电功率的特征指标，根据特征指标选取历史数值天气预报数据，构建多维时空特征指标数据样本序列。

在上述步骤2中，获取目标区域的历史数值天气预报数据。考虑到后续功率预测模型进行功率预测时需要依据预测的未来时间段的天气状况，因此，本实施例依据现有的NWP预报产品，获取目标区域在未来时间段的数值天气预报数据。数值天气预报(NumericalWeather Prediction，NWP)是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法，NWP能够为全球区域范围提供多时间尺度的预测数据，预报时段可长达3个月，预报时间分辨率一般为6小时。利用NWP获取未来时间段的天气预报数据，满足本实施例30～60天预测发电功率的时间长度要求。因此，本实施例在步骤2中同样是基于NWP预报产品，获取NWP预报历史时次数据，该历史数值天气预报数据时间序列的时间间隔为6小时，以便后续对功率预测模型的训练。

此外，考虑到NWP数据中包含多种不同气象类型数据，而不同气象类型对不同新能源发电功率的影响不同，因此，本实施例利用大数据筛选出影响新能源发电功率的特征指标，根据特征指标选取历史数值天气预报数据，构建多维时空特征指标样本序列，以此保证训练完成的功率预测模型的准确性。新能源发电包括风力发电和光伏发电等，筛选出影响风力发电功率的特征指标包括不同高度层风速、风向、温度、最高温度、最低温度、降水率、比湿、总云量、地表气压、海平面气压等；筛选出影响光伏发电功率的特征指标包括向下长波辐射通量、向下短波辐射通量、总云量、晴空太阳向下辐射、不同高度层温度、最高温度、最低温度、降水率、比湿、地表气压、海平面气压等。结合目标区域历史新能源发电功率数据，结合筛选得到影响新能源发电功率的关键指标，通过组合深度学习方法构建并训练功率预测模型，实现预测目标区域未来30天到60天的新能源发电输出功率。

进一步的技术方案，在获取影响新能源发电功率的特征指标所对应的历史数值天气预报数据后，对获取的数据进行预处理，包括数据拼接、异常值处理、缺失值处理等，同时，考虑到不同指标之间的量纲不同、数值差异大对功率预测模型的影响，对各个指标的时间序列数据进行适应性的归一化处理，最终形成数据维度为时间、经度、维度、指标的多维时空特征指标数据样本序列X，X＝[x₍₁₎,x₍₂₎,x₍₃₎,......,x_(m)]，其中，x₍₎表示第m个特征指标数据组合成的时空序列样本，x_(m)＝[x₁,x₂,x₃,......,x_t]^T，其中，

t为对应的时刻，i为经度，j为纬度。

结合上述步骤1和步骤2可知，NWP数据的时间分辨率即时间间隔为6小时，而历史新能源发电功率数据的时间分辨率即时间间隔为15分钟。此处采用时间间隔为15分钟的历史新能源发电功率数据，相较于直接采用时间间隔为24小时的实际数据均值进行训练的方案，直接利用均值训练的模型结果无法达到本实施例采用多模型组合的预测效果，本实施例所采用的多模型组合预测结果的平均RMSE能够降低10％左右，实现更优的预测效果。

由于NWP数据和历史新能源发电功率数据的时间分辨率不一致，为了尽可能多的让预测模型学习到历史新能源发电功率的特征，本实施例构建长期功率预测模型和日均功率预测模型，学习不同时间尺度的NWP数据和历史新能源发电功率数据的多对一时间区间映射关系，该时间的多对一映射关系可以表示为：

其中

为大于等于0的整数。

本实施例所述预测模型学习上述映射关系，分别构建了长期功率预测模型和日均功率预测模型。其中，长期功率预测模型用于根据输入的未来数值天气预报数据，输出与数值天气预报数据相同时间尺度的长期新能源发电功率预测结果，将获取的长期新能源发电功率预测结果输入日均功率预测模型中，日均功率预测模型用于根据输入的长期新能源发电功率预测值，输出长期新能源日均发电功率预测结果。

步骤3、搭建长期功率预测模型，以新能源发电功率样本时间序列和多维时空特征指标数据样本序列为训练样本集，利用训练样本集训练所述长期功率预测模型。

上述长期功率预测模型为基于2DCNN-GRU的深度神经网络模型，在该模型中，2DCNN神经网络可以提取数据的空间局部特征和全局特征，具备局部连接与参数共享的特点，在处理多维有序时空NWP数据方面具有优势。在预测目标区域新能源发电功率时，将NWP数据中的多维时空特征指标数据作为输入训练模型，有助于该模型学习天气的空间波动分布和区域新能源发电功率的关系特征；同时，新能源发电功率序列数据具有时序数据中的长期依赖问题，GRU网络可以将时间序列前后的数据联系起来，以更新门和重置门为核心模块，提取更深层的特征，进而提升功率预测的精度。

上述2DCNN网络结构包括Conv2D层、MaxPooling2D层、BatchNormalization层和Dense层，采用Same卷积方式进行卷积，选用ReLU函数作为激活函数。如图2所示，利用具有相同时间尺度的新能源发电功率样本时间序列和多维时空特征指标数据样本序列，即同一时间间隔(6小时)的数据序列，训练基于2DCNN-GRU的深度神经网络模型。首先，输入数据进入2DCNN网络，经过卷积、池化、正则化等操作后，卷积层检测特征的局部连接，池化层将相似的特征合并，提取数据特征，之后将2DCNN网络提取出的特征图伸展为多个一维向量，输入至GRU网络中，GRU网络结构包括输入层、输出层和隐藏层，本实施例采用3层GRU迭代网络，由全连接架构输出预测的低时间分辨率新能源发电输出功率。

在本实施例中，将训练样本集按照需求划分为训练集、验证集和测试集，其中，训练集用于模型关系映射训练，验证集用于对模型超参数进行调优，测试集用于检验预测模型泛化能力的水平。当利用训练集训练模型完成后，通过将验证集数据输入至模型中，验证模型精度是否满足要求，若满足，则输出新能源发电功率预测模型，反之，则基于该验证集数据进行模型超参数调优，直至符合要求。利用测试集数据检验训练完成的长期新能源发电功率预测模型。

在本实施例中，基于训练集和验证集训练深度神经网络模型，2DCNN网络和GRU网络训练均选取均方误差(Mean Square Error，MSE)作为损失函数,计算公式如下：

其中，n为样本数，

为模型预测值，y_i为实际新能源发电功率。

利用Adam梯度下降法进行迭代优化，直至损失函数的数值收敛或达到最大迭代次数，完成2DCNN-GRU模型的训练。

最后选取均方根误差(Root Mean Square Error，RMSE)作为评价精度，使用测试集对建立的长期新能源发电功率预测模型进行效果评估，计算公式如下：

其中，n为样本数，

为模型预测值，y_i为实际光伏发电功率。

步骤4、搭建日均功率预测模型，以新能源发电功率样本时间序列为训练样本集进行训练。

如图3所示，上述日均功率预测模型以长期功率预测模型输出的能源发电功率数据为输入，输出最终的新能源日均发电功率预测结果。在本实施例中，首先，根据新能源发电功率样本时间序列，构建新能源日均发电功率样本时间序列，然后，利用新能源发电功率样本时间序列和新能源日均发电功率样本时间序列，训练日均功率预测模型。具体的，提取每天时间分辨率为6小时的4个时刻拼接而成日期连续序列，得到低时间分辨率的新能源发电功率样本时间序列E＝[e₍₁₎,e₍₂₎,...,e_(n)]，n＝4，其中，e_(n)为第n个时刻的日期连续历史新能源发电功率序列样本，e_(n)＝[e₁,e₂,...,e_t]^T，t表示日期；提取对应日期的新能源发电功率日均值构成日均发电功率样本时间序列F＝[f₁,f₂,...,_t]^T，t表示日期。

需要说明的是，上述以每4个时刻(2点，8点，14点和20点)的发电功率预测当天的日均功率，而非直接用这4个时刻的预测功率的求和平均值作为当天的日均功率，这是由于这4个时刻功率的求和平均值和真实的日均功率值存在一定的差距，特别是光功率预测中，一天中最大功率一般在11点到1点之间，此时上述4个时刻的预测结果一般无法抓住最大功率时刻，若使用这4个点的求和平均会导致预测的日均值偏低。因此，本实施例利用上述模型学习方式可以学习并建立4个时刻和日均值的映射关系，以此提高日均值的预测准确度，相较于求和取平均的方式，能够实现更贴近于实际发电功率的日均值预测。

上述日均功率预测模型的结构包括输入层、输出层和隐藏层，隐藏层设置四层，每层神经元个数分别是96、64、32、16，每层以ReLU函数作为激活函数，同时选取了BatchNormalization和Dropout项组合的方式防止模型提早出现过拟合现象。

基于训练集和验证集训练上述日均功率预测模型，并采用Adam梯度下降法不断对网络神经元参数进行迭代更新，最后使用测试集对建立的新能源发电功率日均功率预测模型进行效果评估。

在本实施例中，上述模型以均方误差(Mean Square Error，MSE)作为损失函数、以均方根误差(Root Mean Square Error，RMSE)作为评价精度，对构建及训练的模型进行评估，计算公式如下：

其中，n为样本数，

为模型预测值，y_i为实际新能源发电功率。

步骤5、将获取的目标区域在未来时间段的数值天气预报数据输入训练完成的长期发电功率预测模型中，得到预测的长期新能源发电功率，再将所述长期新能源发电功率输入至日均功率预测模型中，得到预测的长期新能源日均发电功率。具体的，基于现有的NWP预报产品，获取目标区域在未来时间段的数值天气预报数据，将该NWP数据输入功率预测模型中，通过长期发电功率预测模型，获取未来时间段的与NWP数据相同时间间隔的光伏发电输出功率，再将该功率输入至日均功率预测模型中，得到最终的长期(30～60天)新能源日均发电功率预测结果。

本实施例通过深度学习算法建立目标区域长期功率预测模型和日均功率预测模型，根据目标区域在未来时间段的数值天气预报数据，输出针对目标区域的高准确度的新能源日均发电功率预测，该预测的发电功率考虑到了气象要素与新能源发电输出功率之间的空间相关性和天气的空间波动分布特性，提高了发电功率预测的准确性，而且通过构建及训练日均功率预测模型，实现了对日均发电功率的预测，便于更清楚的展示新能源发电情况，为电厂中长期电力交易提供数据支持和依据。

实施例二

本实施例提供了一种基于深度学习的长期新能源日均发电功率预测系统，包括：

实施例三

本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的基于深度学习的长期新能源日均发电功率预测方法中的步骤。

实施例四

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的基于深度学习的长期新能源日均发电功率预测方法中的步骤。

以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.一种基于深度学习的长期新能源日均发电功率预测方法，其特征是，包括：

2.如权利要求1所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，所述长期功率预测模型用于根据输入的未来数值天气预报数据，输出与数值天气预报数据相同时间尺度的长期新能源发电功率预测结果；

3.如权利要求2所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，所述长期功率预测模型为基于2DCNN-GRU的深度神经网络模型，该模型的训练过程为：

4.如权利要求2所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，所述日均功率预测模型的训练过程为：

5.如权利要求1所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，所述多维时空特征指标数据样本序列的构建过程为：获取目标区域的历史数值天气预报数据，筛选影响新能源发电功率的特征指标，根据特征指标选取历史数值天气预报数据，构建多维时空特征指标数据样本序列。

6.如权利要求5所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，在获取影响新能源发电功率的特征指标所对应的历史数值天气预报数据后，对获取的数据进行预处理；

7.一种基于深度学习的长期新能源日均发电功率预测系统，其特征是，包括：

8.如权利要求7所述的基于深度学习的长期新能源日均发电功率预测系统，其特征是，所述长期功率预测模型用于根据输入的未来数值天气预报数据，输出与数值天气预报数据相同时间尺度的长期新能源发电功率预测结果；

9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于深度学习的长期新能源日均发电功率预测方法的步骤。

10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于深度学习的长期新能源日均发电功率预测方法的步骤。