CN116523145A - 光伏功率超短期预测方法、装置、计算机设备及存储介质 - Google Patents
光伏功率超短期预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116523145A CN116523145A CN202310778407.6A CN202310778407A CN116523145A CN 116523145 A CN116523145 A CN 116523145A CN 202310778407 A CN202310778407 A CN 202310778407A CN 116523145 A CN116523145 A CN 116523145A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- prediction
- dimensional
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 58
- 230000015654 memory Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 7
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- 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
-
- 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 Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
Abstract
本发明涉及新能源发电预测技术领域,公开了光伏功率超短期预测方法、装置、计算机设备及存储介质,本发明提供的预测方法将光伏场站的原始历史数据的一维特征数据添加一个时间维转化二维特征的图像数据,将其作为训练集对基于密集连接网络结构的模型训练得到光伏功率超短期预测模型;将未来的气象和负荷数据按照相同预处理方式处理后输入到预测模型中,得到未来某时间点的功率预测值。本发明将一维特征转为二维特征矩阵被深度卷积神经网络直接处理得到高阶特征用于预测任务,采用密集连接结构处理数据实现信息高度复用,模型更紧凑和高效增加模型处理复杂任务能力的同时未增加模型参数量,降低了数据处理时间,提高了预测的实时性及预测精度。
Description
技术领域
本发明涉及新能源发电预测领域,具体涉及光伏功率超短期预测方法、装置、计算机设备及存储介质。
背景技术
随着可再生能源的发展,光伏发电作为一种重要的清洁能源,已经成为国内外能源发展的热门领域之一。然而,光伏发电的不确定性和波动性也对光伏电站的运行和管理带来了挑战,因此光伏功率预测成为了光伏电站管理中至关重要的一环。目前,传统的光伏功率预测方法主要依赖于物理模型、统计学模型等,这些方法预测准确性有限,且需要大量的人工干预。
目前基于物理模型的方法使用气象数据、太阳辐射数据、光伏电池组件数据等信息,通过建立光伏电站的物理模型来预测功率输出。这种方法需要较多的输入数据和复杂的计算。基于统计学方法的方法使用历史功率输出数据和气象数据等信息,通过建立统计学模型来预测未来功率输出。这种方法相对于基于物理模型的方法计算较为简单,但对数据的准确性要求较高,且预测结果的准确性较低。
虽然目前基于人工神经网络采用较为广泛,这种方法通过使用神经网络来学习历史功率输出数据和气象数据等信息的关系,并预测未来功率输出。这种方法能够适应各种复杂的非线性关系,但需要大量的训练数据和计算资源,限制了这些模型的实际应用范围且实时性较差。
发明内容
有鉴于此,本发明提供了一种光伏功率超短期预测方法、装置、计算机设备及存储介质,以解决现有技术中的超短期功率预测精度与预测实时性之间的矛盾的问题。
第一方面,本发明提供了一种光伏功率超短期预测方法,包括:
获取预测所需的原始历史数据,包括:功率数据、气象数据及负荷数据;
将所述原始历史数据进行预处理生成数据集,包括:将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵,并将二维特征矩阵转换为灰度图,每一个灰度图中像素点表述该时间下某一个特征量相对数值大小;
将数据集按照预设比例划分的训练集对基于密集连接网络结构的模型进行训练,得到训练好的模型作为光伏功率超短期预测模型;
将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后,输入到所述光伏功率超短期预测模型中,得到未来某时间点的功率预测值。
本实施例提供的光伏功率超短期预测方法,将光伏场站的一维特征数据添加一个时间维转化二维特征的图像数据,使之能够被深度卷积神经网络直接处理得到高阶特征用于进行预测任务,网络结构上采用密集连接结构处理数据实现信息的高度复用,使得模型更加紧凑和高效,克服现有技术中的预测精度与预测实时性之间的矛盾,在增加模型处理复杂任务能力的同时没有增加模型参数量,降低了数据处理时间,提高了预测的实时性以及预测的精度。
在一种可选的实施方式中,所述功率数据包括:功率时间序列数据、功率波形、功率趋势;
所述气象数据包括:温度、湿度、辐射强度、风速、气压;
所述负荷数据包括:当前负荷和负荷趋势。
本实施例提供的方法从功率、气象及负荷三方面所包含的多方面数据因素考虑对功率的产生影响,可以更好的为后续的预测做好数据铺垫。
在一种可选的实施方式中,所述将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵,并将二维特征矩阵转换为灰度图,的过程,包括:
确定原始历史数据的时间间隔,所述时间间隔与预设时间间隔一致;
将每个时间段的功率、气象、负荷数据组成一个单通道二维特征矩阵,其中二维特征矩阵的行表示功率、气象、负荷数据,列表示时间;
将单通道的二维特征矩阵中的数据进行标准化处理;
将标准化处理后的二维特征矩阵单独映射到灰度图中,生成一个灰度图。
在一种可选的实施方式中,所述将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵,并将二维特征矩阵转换为灰度图,的过程,包括:
确定原始历史数据的多个时间间隔,所述时间间隔与预设时间间隔一致;
将多个时间段的功率、气象、负荷数据形成多通道的二维特征矩阵;
将多通道的二维特征矩阵中的数据进行标准化处理;
将标准化处理后多通道的二维特征矩阵中功率、气象、负荷数据分别映射到多通道灰度图中。
本实施例将原始光伏场站一维特征数据添加一个时间维转化维二维图像数据,使之能够被深度卷积神经网络直接处理得到高阶特征用于进行预测任务。
在一种可选的实施方式中,所述基于密集连接网络结构的模型为改进的DenseNet网络,网络结构包括:数据输入、密集连接模块、卷积和池化层、一维展开、全连接结构,其中所述密集连接模块包括多个卷积层,后端卷积层接受前端每一个卷积层的输出作为该层的输入。
本实施例采用了DenseNet网络中密集连接思想构建一体化特征处理及功率预测模型,密集连接卷积神经网络结构通过将每一层的输入与前面每一层的输出建立连接关系,从而实现信息的高度复用,使得模型更加紧凑和高效。
在一种可选的实施方式中,对基于密集连接网络结构的模型进行训练时,建立交叉熵损失函数度量预测功率与实际功率之间的差异,采用Adam算法对网络参数进行优化,在网络训练过程中利用学习率衰减来不断降低网络损失值,交叉熵损失函数如下:
其中n表示样本数量,N表示一个特征具有的时间维度,表示样本i的第c行功率标记值,/>表示样本i的第c行功率预测值。
在一种可选的实施方式中,所述方法还包括:将预测得到的多个时间点的功率进行拟合处理得到功率预测曲线。
本实施例可预测多个时间点的功率,进一步拟合处理可得到功率预测曲线,可以更加直观的展示未来一段时间的功率超短期预测数据。
第二方面,本发明提供了一种光伏功率超短期预测装置,所述装置包括:
原始历史数据获取模块,用于获取预测所需的原始历史数据,包括:功率数据、气象数据及负荷数据;
数据集生成模块,用于将所述原始历史数据进行预处理生成数据集,包括:将一维的原始历史数据按照预设时间间隔转化为多维矩阵,并将多维矩阵转换为灰度图,每一个灰度图中像素点表述该时间下某一个特征量相对数值大小;
预测模型训练模块,用于将数据集按照预设比例划分的训练集对预设神经网络模型进行训练,得到训练好的模型作为光伏功率超短期预测模型;
功率预测模块,用于将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后,输入到所述光伏功率超短期预测模型中,得到未来某时间点的功率预测值。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的光伏功率超短期预测方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的光伏功率超短期预测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的光伏功率超短期预测方法的流程示意图;
图2是根据本发明实施例的对功率、气象、负荷的一维数据转化为二维特征矩阵的过程示意图;
图3是根据本发明实施例的改进的DenseNet网络结构的示意图;
图4是根据本发明实施例的密集连接模块的示意图;
图5是根据本发明实施例的改进的DenseNet网络结构的参数示意图;
图6是根据本发明实施例的光伏功率超短期预测装置的结构框图;
图7是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,超短期功率预测技术已经取得了一定的成果,但仍存在以下缺点:
(1)精度不够高:超短期功率预测技术的精度与实时性之间存在一定的矛盾。为了提高实时性,往往需要采用简单的模型和算法,这会影响预测的精度。
(2)数据质量限制:超短期功率预测需要实时监测各种数据,包括气象、负荷等信息。但是,由于各种数据的质量和时效性存在一定的限制,因此会影响预测的准确性。
(3)模型过于复杂:为了提高预测的准确性,一些超短期功率预测模型往往非常复杂,需要大量的计算资源和时间。这限制了这些模型的实际应用范围。
(4)对不确定性的处理不足:在超短期功率预测中,存在各种不确定性因素,如天气、负荷变化等,但是目前的技术对这些不确定性的处理还不足,需要进一步研究和改进。
根据本发明实施例,提供了一种光伏功率超短期预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种光伏功率超短期预测方法,可用于计算机设备终端,图1是根据本发明实施例的光伏功率超短期预测方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取预测所需的原始历史数据,包括:功率数据、气象数据及负荷数据。
本发明实施例中获取的原始历史数据中的功率数据包括:功率时间序列数据、功率波形、功率趋势;气象数据:包括温度、湿度、辐射强度、风速、气压;负荷数据:包括当前负荷和负荷趋势,本实施从功率、气象及负荷三方面所包含的多方面数据因素考虑对功率的产生影响,可以更好的为后续的预测做好数据铺垫。
步骤S102,将原始历史数据进行预处理生成数据集,包括:将一维的原始历史数据按照预设时间间隔转化为多维矩阵,并将多维矩阵转换为灰度图,每一个灰度图中像素点表述该时间下某一个特征量相对数值大小。
步骤S103,将数据集按照预设比例划分的训练集对基于密集连接网络结构的模型进行训练,得到训练好的模型作为光伏功率超短期预测模型。
在本发明实施例中,数据集划分是将生成的数据集划分为训练集、验证集和测试集。其中训练集占总数据集的80%,验证集占总数据集的10%,测试集占总数据集的10%,仅作为举例,不以此为限。本发明实施例采用基于密集连接网络结构的模型用于数据处理并执行实时功率预测,可以实现信息的高度复用,使得模型更加紧凑和高效。
步骤S104,将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后,输入到所述光伏功率超短期预测模型中,得到未来某时间点的功率预测值。
本实施例提供的光伏功率超短期预测方法,将光伏场站的一维特征数据添加一个时间维转化二维特征的图像数据,使之能够被深度卷积神经网络直接处理得到高阶特征用于进行预测任务,网络结构上采用密集连接结构处理数据实现信息的高度复用,使得模型更加紧凑和高效,克服现有技术中的预测精度与预测实时性之间的矛盾,在增加模型处理复杂任务能力的同时没有增加模型参数量,降低了数据处理时间,提高了预测的实时性以及预测的精度。
在一可选的实施方式中,上述步骤S102包括:
步骤a1,确定原始历史数据的时间间隔,所述时间间隔与预设时间间隔一致。
步骤a2,将每个时间段的功率、气象、负荷数据组成一个单通道二维特征矩阵,其中二维特征矩阵的行表示功率、气象、负荷数据,列表示时间。
步骤a3,将单通道的二维特征矩阵中的数据进行标准化处理。
步骤a4,将标准化处理后的二维矩阵单独映射到灰度图中,生成一个灰度图。
上述对功率、气象、负荷一维数据转化为二维特征矩阵的过程如图2所示。
上述步骤a1中可以将原始历史数据划分为不同的时间段,例如一天被划分为144个5分钟时间段,仅作为举例,不以此为限。
上述步骤a3中可以将二维矩阵中的数据进行标准化处理,使其均值为0,方差为1,这样可以使得各个特征在相同的量级上进行比较,提高模型的效果。标准化公式为,其中xi为第i个特征,/>为样本均值,/>为样本标准差。
在另一可选的实施方式中,上述步骤S102包括:
步骤b1,确定原始历史数据的多个时间间隔,所述时间间隔与预设时间间隔一致;
步骤b2,将多个时间段的功率、气象、负荷数据形成多通道的二维特征矩阵;
步骤b3,将多通道的二维特征矩阵中的数据进行标准化处理;
步骤b4,将标准化处理后的多通道特征矩阵中功率、气象、负荷数据分别映射到多通道灰度图中。
上述步骤S102将光伏场站功率、气象、负荷等原始一维数值数据添加一个时间维度处理为单通道二维矩阵或多通道二维矩阵的形式,用于输入卷积神经网络直接处理得到高阶特征用于预测任务。
在一可选的实施方式中,上述步骤S103中基于密集连接网络结构的模型为改进的DenseNet网络,即采用了DenseNet网络中密集连接思想构建一体化特征处理及功率预测模型,密集连接卷积神经网络结构通过将每一层的输入与前面每一层的输出建立连接关系,从而实现信息的高度复用,使得模型更加紧凑和高效。本发明实施例中的网络结构如图3所示,包括:数据输入、密集连接模块(DenseBlock)、卷积和池化层(Conv+Pooling)、一维展开、全连接结构,其中密集连接模块包括多个卷积层,如图4所示,后端卷积层接受前端每一个卷积层的输出作为该层的输入。网络结构参数如图5所示,其中N*M表示N个时间行和M个特征列构成的特征矩阵,当进行池化时特征横轴或纵轴尺寸为奇数时需要进行边缘置零填充,具体为填充一列或一行数值全为0的向量。
当输入为多通道二维特征矩阵时,DenseBlock1的第一个卷积层的卷积核尺寸需要进行维度调整,由一维卷积核变换为与输入通道数相一致的维度,其它网络结构参数不变。模型中由多个密集连接模块构成的网络其主要功能是对输入数据进行特征提取和处理,抽象出高层特征用于后端预测,网络后端将多维特征展开为一维向量特征,之后构建全连接神经网络结构进行进一步处理并输出预测结果,预测结果与输入时间维度保持一致,也就是本发明实施例模型结构可预测多个时间点的功率,进一步拟合处理可得到功率预测曲线。
在一可选的实施方式中,上述步骤S103中使用所建立的训练集对建立的预测网络进行训练时,建立交叉熵损失函数度量预测功率与实际功率之间的差异,采用Adam算法对网络参数进行优化,在网络训练过程中利用学习率衰减来不断降低网络损失值。交叉熵损失函数如下:
其中n表示样本数量,N表示一个特征具有的时间维度,表示样本i的第c行功率标记值,/>表示样本i的第c行功率预测值。
在模型训练结束后,需要使用验证集对训练好的功率预测网络进行验证,以确定模型的性能,本发明实施例使用均方根误差(RMSE)和平均绝对误差(MAE)来评估验证的性能指标。其公式分别为:
其中,n是样本数量,ypred是模型的预测值,ytrue是样本的真实值,差值越小,表示模型的预测效果越好。
上述步骤S104中将未来的天气、负荷等数据按照相同的方式转换成单通道或多通道二维特征矩阵并进行数据标准化,将其输入到已训练好的模型中进行预测。输出的内容通常为输入相同时间尺度的向量,向量中每个点表示未来某个时间点的功率预测值,进一步的将模型预测发多个时间点的功率进行拟合处理可得到功率预测曲线。
在本实施例中还提供了一种光伏功率超短期预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种光伏功率超短期预测装置,如图6所示,包括:
原始历史数据获取模块601,用于获取预测所需的原始历史数据,包括:功率数据、气象数据及负荷数据。
数据集生成模块602,用于将所述原始历史数据进行预处理生成数据集,包括:将一维的原始历史数据按照预设时间间隔转化为多维矩阵,并将多维矩阵转换为灰度图,每一个灰度图中像素点表述该时间下某一个特征量相对数值大小。
预测模型训练模块603,用于将数据集按照预设比例划分的训练集对预设神经网络模型进行训练,得到训练好的模型作为光伏功率超短期预测模型。
功率预测模块604,用于将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后,输入到所述光伏功率超短期预测模型中,得到未来某时间点的功率预测值。
在一些可选的实施方式中,数据集生成模块602包括:
时间间隔确定单元,用于确定原始历史数据的时间间隔,所述时间间隔与预设时间间隔一致。
二维特征矩阵获取单元,用于将每个时间段的功率、气象、负荷数据组成一个单通道二维特征矩阵或多通道二维特征矩阵,其中二维特征矩阵的行表示功率、气象、负荷数据,列表示时间。
标准化处理单元,用于将二维特征矩阵中的数据进行标准化处理。
灰度图处理模块,用于将标准化处理后的二维特征矩阵单独映射到灰度图中,生成一个灰度图或将多通道的二维特征矩阵中功率、气象、负荷数据分别映射到多通道灰度图中。
本实施例中的光伏功率超短期预测装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种计算机设备,具有上述图6所示的光伏功率超短期预测装置。
请参阅图7,图7是本发明可选实施例提供的一种计算机设备的结构示意图,如图7所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种光伏功率超短期预测方法,其特征在于,所述方法包括:
获取预测所需的原始历史数据,包括:功率数据、气象数据及负荷数据;
将所述原始历史数据进行预处理生成数据集,包括:将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵,并将二维特征矩阵转换为灰度图,每一个灰度图中像素点表述该时间下某一个特征量相对数值大小;
将数据集按照预设比例划分的训练集对基于密集连接网络结构的模型进行训练,得到训练好的模型作为光伏功率超短期预测模型;
将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后,输入到所述光伏功率超短期预测模型中,得到未来某时间点的功率预测值。
2.根据权利要求1所述的方法,其特征在于,
所述功率数据包括:功率时间序列数据、功率波形、功率趋势;
所述气象数据包括:温度、湿度、辐射强度、风速、气压;
所述负荷数据包括:当前负荷和负荷趋势。
3.根据权利要求1或2所述的方法,其特征在于,所述将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵,并将二维特征矩阵转换为灰度图,的过程,包括:
确定原始历史数据的时间间隔,所述时间间隔与预设时间间隔一致;
将每个时间段的功率、气象、负荷数据组成一个单通道二维特征矩阵,其中二维特征矩阵的行表示功率、气象、负荷数据,列表示时间;
将单通道的二维特征矩阵中的数据进行标准化处理;
将标准化处理后的二维特征矩阵单独映射到灰度图中,生成一个灰度图。
4.根据权利要求1或2所述的方法,其特征在于,所述将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵,并将二维特征矩阵转换为灰度图,的过程,包括:
确定原始历史数据的多个时间间隔,所述时间间隔与预设时间间隔一致;
将多个时间段的功率、气象、负荷数据形成多通道的二维特征矩阵;
将多通道的二维特征矩阵中的数据进行标准化处理;
将标准化处理后多通道的二维特征矩阵中功率、气象、负荷数据分别映射到多通道灰度图中。
5.根据权利要求1所述的方法,其特征在于,所述基于密集连接网络结构的模型为改进的DenseNet网络,网络结构包括:数据输入模块、密集连接模块、卷积和池化层、一维展开模块、全连接结构,其中所述密集连接模块包括多个卷积层,后端卷积层接受前端每一个卷积层的输出作为该层的输入。
6.根据权利要求5所述的方法,其特征在于,对基于密集连接网络结构的模型进行训练时,建立交叉熵损失函数度量预测功率与实际功率之间的差异,采用Adam算法对网络参数进行优化,在网络训练过程中利用学习率衰减来不断降低网络损失值,交叉熵损失函数loss如下:
其中n表示样本数量,N表示一个特征具有的时间维度,表示样本i的第c行功率标记值,/>表示样本i的第c行功率预测值。
7.根据权利要求1所述的方法,其特征在于,还包括:将预测得到的多个时间点的功率进行拟合处理得到功率预测曲线。
8.一种光伏功率超短期预测装置,其特征在于,所述装置包括:
原始历史数据获取模块,用于获取预测所需的原始历史数据,包括:功率数据、气象数据及负荷数据;
数据集生成模块,用于将所述原始历史数据进行预处理生成数据集,包括:将一维的原始历史数据按照预设时间间隔转化为多维矩阵,并将多维矩阵转换为灰度图,每一个灰度图中像素点表述该时间下某一个特征量相对数值大小;
预测模型训练模块,用于将数据集按照预设比例划分的训练集对预设神经网络模型进行训练,得到训练好的模型作为光伏功率超短期预测模型;
功率预测模块,用于将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后,输入到所述光伏功率超短期预测模型中,得到未来某时间点的功率预测值。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的光伏功率超短期预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的光伏功率超短期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310778407.6A CN116523145B (zh) | 2023-06-29 | 2023-06-29 | 光伏功率超短期预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310778407.6A CN116523145B (zh) | 2023-06-29 | 2023-06-29 | 光伏功率超短期预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523145A true CN116523145A (zh) | 2023-08-01 |
CN116523145B CN116523145B (zh) | 2023-10-20 |
Family
ID=87397945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310778407.6A Active CN116523145B (zh) | 2023-06-29 | 2023-06-29 | 光伏功率超短期预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523145B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117692350A (zh) * | 2024-02-04 | 2024-03-12 | 中国人民解放军军事科学院系统工程研究院 | 一种基于指纹的流量预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507793A (zh) * | 2020-11-05 | 2021-03-16 | 上海电力大学 | 一种超短期光伏功率预测方法 |
US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
CN116011608A (zh) * | 2022-09-16 | 2023-04-25 | 浙江大学 | 光伏功率超短期预测方法及装置、电子设备、存储介质 |
CN116128170A (zh) * | 2023-04-19 | 2023-05-16 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率超短期预测方法、装置及相关设备 |
CN116341728A (zh) * | 2023-03-16 | 2023-06-27 | 电子科技大学 | 一种基于数据驱动的超短期光伏输出功率预测方法 |
-
2023
- 2023-06-29 CN CN202310778407.6A patent/CN116523145B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507793A (zh) * | 2020-11-05 | 2021-03-16 | 上海电力大学 | 一种超短期光伏功率预测方法 |
US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
CN116011608A (zh) * | 2022-09-16 | 2023-04-25 | 浙江大学 | 光伏功率超短期预测方法及装置、电子设备、存储介质 |
CN116341728A (zh) * | 2023-03-16 | 2023-06-27 | 电子科技大学 | 一种基于数据驱动的超短期光伏输出功率预测方法 |
CN116128170A (zh) * | 2023-04-19 | 2023-05-16 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率超短期预测方法、装置及相关设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117692350A (zh) * | 2024-02-04 | 2024-03-12 | 中国人民解放军军事科学院系统工程研究院 | 一种基于指纹的流量预测方法及系统 |
CN117692350B (zh) * | 2024-02-04 | 2024-04-30 | 中国人民解放军军事科学院系统工程研究院 | 一种基于指纹的流量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116523145B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112967357B (zh) | 一种基于卷积神经网络的频谱地图构建方法 | |
CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
CN115936180A (zh) | 光伏发电功率预测方法、装置和计算机设备 | |
CN113487084A (zh) | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
CN116189172A (zh) | 一种3d目标检测方法、设备、存储介质和芯片 | |
CN115936238B (zh) | 一种全域风电中长期出力预测方法、系统、设备及介质 | |
CN115689061B (zh) | 风电超短期功率预测方法及相关设备 | |
CN116070728B (zh) | 光伏发电系统发电量预测方法、设备、系统及介质 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN113780644B (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN115689067A (zh) | 太阳辐照度预测方法、装置及存储介质 | |
Bosma et al. | Estimating solar and wind power production using computer vision deep learning techniques on weather maps | |
CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
CN115081742A (zh) | 分散式风电场的超短期功率预测方法及相关设备 | |
CN110991083A (zh) | 一种光伏电站模型确定方法、装置、设备及储存介质 | |
CN117195016B (zh) | 污水处理模式确定方法、装置、计算机设备及存储介质 | |
CN116822658B (zh) | 一种风光资源的预警方法、装置、计算机设备及存储介质 | |
CN117748500B (zh) | 光伏功率预测方法、装置、设备及介质 | |
CN117220286B (zh) | 一种水风光多能互补系统风险评估方法、装置及介质 | |
CN115796394B (zh) | 数值天气预报订正方法、装置、电子设备及存储介质 | |
CN116488158B (zh) | 一种基于迁移学习的风电中长期电量预测的方法及装置 | |
CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及系统 | |
CN118100171A (zh) | 能源转换系统的功率预测方法、系统和电子设备 | |
CN115936230A (zh) | 太阳能出力预测方法、装置以及终端 |
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 |