CN116451821A - 基于深度学习的大区域新能源发电功率预测方法及系统 - Google Patents
基于深度学习的大区域新能源发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN116451821A CN116451821A CN202211482292.8A CN202211482292A CN116451821A CN 116451821 A CN116451821 A CN 116451821A CN 202211482292 A CN202211482292 A CN 202211482292A CN 116451821 A CN116451821 A CN 116451821A
- Authority
- CN
- China
- Prior art keywords
- new energy
- time
- power generation
- power
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000010248 power generation Methods 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000012368 scale-down model Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的大区域新能源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；搭建功率预测模型，以上述构建的样本序列为训练样本集，训练功率预测模型，该模型包括低时间分辨率新能源发电功率预测模型和时间降尺度模型；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功率预测模型中，得到预测的高时间分辨率的新能源发电功率。本发明通过建立大区域旬度发电功率预测模型和时间降尺度模型，根据预测的数值天气预报数据，实现对大区域的高时间分辨率、高准确度的新能源发电功率预测。
Description
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大区域新能源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。
随着全球经济的不断发展，人们对能源的需求也日益增加，能源与环境问题引起国际社会和工种的高度关注。然而，人们长久以来依赖的煤炭、石油、天然气等能源属于一次性非可再生能源，其中，煤炭和石油的使用会对环境产生严重的污染，制约可持续发展。为了解决能源与环境问题，人们不断开发新能源来促进全球经济的可持续发展，应对全球气候变化。新能源包括太阳能、风能、海洋能等，其中，太阳能和风能是常见的重要可大规模开发利用的可再生资源，光伏发电和风能发电是新能源发电的主要电力来源之一。
目前新能源发电功率预报以短期和超短期预报为主，预报周期短，现有短期功率预测无法满足旬度(15到30天)电力交易的预测需求，难以为旬度电力交易、生产运维提供长期的预报结果。此外，由于旬度电力交易对一天24个时刻的每个时刻都可以进行电力交易，因此，该短期预测分辨率精度要求也较高。即，现有的新能源发电功率预测方案中，存在对大区域(如全省)高时间分辨率(至少为1小时的时间分辨率)的中长期(旬度)风电和光伏发电功率预测的迫切需求。
现有技术中，大部分发电功率预测模型仅仅针对风电场、光伏电场的小范围区域进行预测，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。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，需要获取高时间分辨率的新能源发电功率预测结果，以提高预测的准确性。
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大区域新能源发电功率预测方法及系统，基于广域时空的数值天气预报(Numerical Weather Prediction，NWP)数据和大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大区域旬度发电功率预测模型和时间降尺度模型，依据训练完成的模型，实现针对大区域的高时间分辨率、高准确度的新能源发电功率预测，避免单一位置处的气象参数无法提供时空偏移信息，在获取大区域长时间发电功率预测结果的同时提高预测结果的时间分辨率。
第一方面，本公开提供了一种基于深度学习的大区域新能源发电功率预测方法，包括：
获取目标区域的历史新能源发电功率数据，构建新能源发电功率样本时间序列；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；
搭建功率预测模型，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功率预测模型；所述功率预测模型包括低时间分辨率新能源发电功率预测模型和时间降尺度模型；
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功率预测模型中，得到预测的高时间分辨率的新能源发电功率。
进一步的技术方案，所述新能源发电包括风力发电和光伏发电；其中，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。
进一步的技术方案，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。
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。
进一步的技术方案，所述低时间分辨率新能源发电功率预测模型用于获得低时间分辨率的新能源发电功率预测结果，将获取的低时间分辨率的新能源发电功率预测结果输入时间降尺度模型中，所述时间降尺度模型用于获得最终的高时间分辨率的新能源发电功率预测结果。
进一步的技术方案，所述低时间分辨率新能源发电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：
利用低时间分辨率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，所述时间降尺度模型为深度神经网络模型，该模型的训练过程为：
利用低时间分辨率的新能源发电功率样本时间序列和高时间分辨率的新能源发电功率样本时间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。
第二方面，本公开提供了一种基于深度学习的大区域新能源发电功率预测系统，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，构建新能源发电功率样本时间序列；根据获取的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；
功率预测模型搭建及训练模块，用于搭建功率预测模型，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功率预测模型；所述功率预测模型包括低时间分辨率新能源发电功率预测模型和时间降尺度模型；
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功率预测模型中，得到预测的高时间分辨率的新能源发电功率。
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大区域新能源发电功率预测方法及系统，通过深度学习算法建立大区域旬度发电功率预测模型和时间降尺度模型，根据目标区域在未来时间段的数值天气预报数据，实现针对大区域的高时间分辨率、高准确度的新能源发电功率预测。
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，而且通过构建及训练时间降尺度模型，实现了发电功率预测值时间分辨率的提升，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低时间分辨率新能源发电功率预测模型训练的流程图；
图3为本发明实施例一所述时间降尺度模型训练的流程图。
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大区域新能源发电功率预测方法，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，预测大区域未来15～30天(旬度)高时间分辨率(15分钟)的新能源发电输出功率。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,......,yκ]T，其中，yi表示第i时刻的历史新能源发电功率，i＝1,2,3...,k，在本实施例中，新能源发电功率样本时间序列的时间间隔为15分钟。
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)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，满足本实施例旬度(15～30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，实现预测大区域未来15天到30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,......,xt]T，其中，t为对应的时刻，i为经度，j为纬度。
步骤3、搭建功率预测模型，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功率预测模型。
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，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，本实施例构建功率预测模型，学习低时间分辨率的NWP数据和高时间分辨率的历史新能源发电功率数据的一对多时间区间映射关系，该时间的一对多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，分别构建了低时间分辨率新能源发电功率预测模型和时间降尺度模型。其中，低时间分辨率新能源发电功率预测模型用于获得低时间分辨率的新能源发电功率预测结果，将获取的低时间分辨率的新能源发电功率预测结果输入时间降尺度模型中，时间降尺度的深度神经网络模型用于获得最终的高时间分辨率的新能源发电功率预测结果。
上述低时间分辨率新能源发电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。在预测大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、Batch Normalization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，利用低时间分辨率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，则输出低时间分辨率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低时间分辨率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，yi为实际光伏发电功率。
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低时间分辨率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，yi为实际新能源发电功率。
如图3所示，上述时间降尺度深度神经网络模型以低时间分辨率新能源发电功率预测模型输出的低时间分辨率系能源发电功率数据为输入，输出最终的高时间分辨率的新能源发电功率预测结果。即，所述时间降尺度深度神经网络模型学习低时间分辨率的发电功率到高时间分辨率的发电功率的关系。在本实施例中，利用低时间分辨率的新能源发电功率样本时间序列和高时间分辨率的新能源发电功率样本时间序列，训练时间降尺度深度神经网络模型。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),(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,...,et]T，t表示日期；提取每天时间分辨率为15分钟的96个时刻拼接而成日期连续序列，得到高时间分辨率的新能源发电功率样本时间序列F＝[f(1),f(2),...,f(m)]，m＝96，其中，f(m)为第m个时刻的日期连续历史新能源发电功率序列样本，f(m)＝[f1,f2,...,ft]T，t表示日期。利用所构建的时间降尺度深度神经网络模型学习获得低时间分辨率到高时间分辨率的映射关系。
上述时间降尺度深度神经网络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8、16、32、64，输出层神经元个数为96，每层以ReLU函数作为激活函数，同时选取了Batch Normalization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时间降尺度深度神经网络模型，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时间降尺度模型进行效果评估。
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，yi为实际新能源发电功率。
步骤4、将获取的目标区域在未来时间段的数值天气预报NWP数据输入训练完成的功率预测模型中，得到预测的高时间分辨率的新能源发电功率。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，通过功率预测模型中的低时间分辨率新能源发电功率预测模型，获取未来时间段的低时间分辨率光伏发电输出功率，在将该功率输入至时间降尺度模型中，得到最终的高时间分辨率(时间间隔为15分钟)的新能源发电功率旬度(15～30天)预测结果。
本实施例通过深度学习算法建立大区域旬度发电功率预测模型和时间降尺度模型，根据目标区域在未来时间段的数值天气预报数据，输出针对大区域的高时间分辨率、高准确度的新能源发电功率预测，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时间降尺度模型，实现了发电功率预测值时间分辨率的提升，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大区域新能源发电功率预测系统，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，构建新能源发电功率样本时间序列；根据获取的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；
功率预测模型搭建及训练模块，用于搭建功率预测模型，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功率预测模型；所述功率预测模型包括低时间分辨率新能源发电功率预测模型和时间降尺度模型；
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功率预测模型中，得到预测的高时间分辨率的新能源发电功率。
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大区域新能源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大区域新能源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 (10)
1.一种基于深度学习的大区域新能源发电功率预测方法，其特征是，包括：
获取目标区域的历史新能源发电功率数据，构建新能源发电功率样本时间序列；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；
搭建功率预测模型，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功率预测模型；所述功率预测模型包括低时间分辨率新能源发电功率预测模型和时间降尺度模型；
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功率预测模型中，得到预测的高时间分辨率的新能源发电功率。
2.如权利要求1所述的基于深度学习的大区域新能源发电功率预测方法，其特征是，所述新能源发电包括风力发电和光伏发电；其中，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。
3.如权利要求2所述的基于深度学习的大区域新能源发电功率预测方法，其特征是，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。
4.如权利要求1所述的基于深度学习的大区域新能源发电功率预测方法，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；
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。
5.如权利要求1所述的基于深度学习的大区域新能源发电功率预测方法，其特征是，所述低时间分辨率新能源发电功率预测模型用于获得低时间分辨率的新能源发电功率预测结果，将获取的低时间分辨率的新能源发电功率预测结果输入时间降尺度模型中，所述时间降尺度模型用于获得最终的高时间分辨率的新能源发电功率预测结果。
6.如权利要求1所述的基于深度学习的大区域新能源发电功率预测方法，其特征是，所述低时间分辨率新能源发电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：
利用低时间分辨率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。
7.如权利要求1所述的基于深度学习的大区域新能源发电功率预测方法，其特征是，所述时间降尺度模型为深度神经网络模型，该模型的训练过程为：
利用低时间分辨率的新能源发电功率样本时间序列和高时间分辨率的新能源发电功率样本时间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。
8.一种基于深度学习的大区域新能源发电功率预测系统，其特征是，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，构建新能源发电功率样本时间序列；根据获取的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；
功率预测模型搭建及训练模块，用于搭建功率预测模型，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功率预测模型；所述功率预测模型包括低时间分辨率新能源发电功率预测模型和时间降尺度模型；
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功率预测模型中，得到预测的高时间分辨率的新能源发电功率。
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1-7中任一项所述的一种基于深度学习的大区域新能源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1-7中任一项所述的一种基于深度学习的大区域新能源发电功率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211482292.8A CN116451821A (zh) | 2022-11-24 | 2022-11-24 | 基于深度学习的大区域新能源发电功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211482292.8A CN116451821A (zh) | 2022-11-24 | 2022-11-24 | 基于深度学习的大区域新能源发电功率预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116451821A true CN116451821A (zh) | 2023-07-18 |
Family
ID=87126250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211482292.8A Pending CN116451821A (zh) | 2022-11-24 | 2022-11-24 | 基于深度学习的大区域新能源发电功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451821A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332897A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 |
| CN117332899A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | Nwp多维特征拟合的新能源小时间尺度功率预测方法 |
| CN117595238A (zh) * | 2023-10-31 | 2024-02-23 | 北京爱特瑞科软件开发有限责任公司 | 风电功率预测模型的训练方法和风电功率预测方法 |
-
2022
- 2022-11-24 CN CN202211482292.8A patent/CN116451821A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332897A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 |
| CN117332899A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | Nwp多维特征拟合的新能源小时间尺度功率预测方法 |
| CN117595238A (zh) * | 2023-10-31 | 2024-02-23 | 北京爱特瑞科软件开发有限责任公司 | 风电功率预测模型的训练方法和风电功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365040B (zh) | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 | |
| CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
| CN113205226B (zh) | 一种结合注意力机制以及误差修正的光伏功率预测方法 | |
| CN111815027B (zh) | 一种光伏场站发电功率预测方法及系统 | |
| CN116029419A (zh) | 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 | |
| Qiao et al. | Sea surface temperature prediction approach based on 3D CNN and LSTM with attention mechanism | |
| CN115115125B (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
| CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| CN106446440A (zh) | 基于在线贯序极限学习机的短期光伏发电功率预测方法 | |
| CN112541613B (zh) | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 | |
| CN116187540B (zh) | 一种基于时空偏差修正的风电场站超短期功率预测方法 | |
| CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
| CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
| CN117893362A (zh) | 一种多时空尺度的海上风电特征筛选及增强的功率预测方法 | |
| CN108710966B (zh) | 一种基于多簇esn神经网络的光伏发电功率预测方法 | |
| Brahma et al. | Visualizing solar irradiance data in ArcGIS and forecasting based on a novel deep neural network mechanism | |
| CN113984198A (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| CN117410976A (zh) | 一种基于天空图像的太阳能光伏发电短期预测方法 | |
| CN117556312A (zh) | 一种极端天气下的电网输电线路故障预测方法及系统 | |
| CN116485004A (zh) | 一种基于功率热图和卷积神经网络的风电功率预测方法 | |
| CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 | |
| Zhu et al. | [Retracted] Photovoltaic Generation Prediction of CCIPCA Combined with LSTM | |
| Wang et al. | A short-term forecasting method for photovoltaic power based on ensemble adaptive boosting random forests |
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 |