CN116937541A - 基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备 - Google Patents

基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备 Download PDF

Info

Publication number
CN116937541A
CN116937541A CN202310726766.7A CN202310726766A CN116937541A CN 116937541 A CN116937541 A CN 116937541A CN 202310726766 A CN202310726766 A CN 202310726766A CN 116937541 A CN116937541 A CN 116937541A
Authority
CN
China
Prior art keywords
data
prediction
interval
photovoltaic
gru
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
Application number
CN202310726766.7A
Other languages
English (en)
Inventor
舒杰
张靖
廖卓颖
王同贺
陈炯聪
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.)
Guangzhou Institute of Energy Conversion of CAS
Original Assignee
Guangzhou Institute of Energy Conversion of CAS
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 Guangzhou Institute of Energy Conversion of CAS filed Critical Guangzhou Institute of Energy Conversion of CAS
Priority to CN202310726766.7A priority Critical patent/CN116937541A/zh
Publication of CN116937541A publication Critical patent/CN116937541A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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

Abstract

本发明针对含高比例分布式光伏电力系统的稳定运行需求，提供了一种基于CNN‑GRU‑Attention的光伏短期功率区间预测方法及相关设备，方法包括如下步骤：获取关于光伏发电功率的数据；对获取的数据进行预处理；设置预测参数并利用预处理后的数据，基于CNN‑GRU‑Attention方法进行光伏短期功率区间预测；根据区间预测结果计算评价指标。本发明基于光伏发电功率历史数据和气象数据，建立了基于卷积神经网络和空间注意力机制的门控循环单元光伏短期功率预测模型。相比于传统的点预测方法，可以有效地描述出数据存在的误差和结果的不确定性，能为电力系统的运行调度提供光伏发电出力区间信息作为依据，保障了电网的稳定运行。

Description

基于CNN-GRU-Attention的光伏短期功率区间预测方法及相 关设备
技术领域
本发明涉及光伏发电功率预测技术领域，具体涉及一种基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备。
背景技术
作为光伏开发的重要形式之一，分布式光伏的整县连片开发受到了高度重视。光伏发电受天气影响大，其发电量存在较大的不稳定性，当气象因素发生变化时，光伏发电系统电源侧会产生功率波动，对配电网的稳定安全运行造成了不良影响，也在一定程度上影响了电力系统的经济性。在此背景下，对光伏发电的功率预测已逐渐成为未来新型电力系统发展中的重要研究内容。准确的光伏发电功率预测可以为分布式光伏高渗透接入的电力系统的规划建设和运行调度提供可靠的信息支撑，对系统稳定性和综合能效的提升具有重要的意义。
目前，在光伏发电功率预测领域，已发展出马尔科夫链、支持向量机、神经网络、随机森林、长短期记忆网络等多种方法，但传统的功率预测方法大多基于点预测展开，其单一时间的预测结果是一个特定的值，这类预测方法的问题在于，难以表示出数据存在的误差、模型导致的偏差以及最后结果的不确定性；同时，有限的历史数据难以全面描述不同气象类型条件下光伏发电特征参数的分布规律，进而导致预测结果产生较大偏差。因此，需要开发一种新的方法。
光伏功率区间预测可以在一定程度上解决上述问题，在点预测的基础上给出下一时刻光伏发电功率的可能区间，预测结果包含了更加详细完备的信息，能为电力系统的运行调度提供光伏发电出力区间信息作为依据，为系统的稳定运行提供技术支撑。
发明内容
针对现有技术中的不足，本发明提供一种基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备，基于光伏发电功率历史数据和气象数据，建立了基于卷积神经网络和空间注意力机制的门控循环单元光伏短期功率预测模型。相比于传统的点预测方法，可以有效地描述出数据存在的误差和结果的不确定性，能为电力系统的运行调度提供光伏发电出力区间信息作为依据，保障了电网的稳定运行。
为实现上述目的，本发明所采用的技术方案包括以下内容：
第一方面，本发明提供了一种基于CNN-GRU-Attention的光伏短期功率区间预测方法，其包括如下步骤：
获取关于光伏发电功率的数据，所述数据至少包含历史数据和气象数据；
对获取的所述数据进行预处理；
设置预测参数并利用预处理后的所述数据，基于CNN-GRU-Attention方法进行光伏短期功率区间预测；
根据区间预测结果计算评价指标。
优选的方案中，所述气象数据包括太阳辐照度、气温、相对湿度、气压、或/和光伏组件温度。
优选的方案中，所述对获取的所述数据进行预处理，具体包括：
删除错误信息、或/和补充缺失信息；
或/和，删除夜晚时段光伏功率为0的数据；
对上述整理后的数据进行归一化。
优选的方案中，所述设置预测参数，具体包括：
置信区间宽度、训练集和测试集日期。
优选的方案中，所述基于CNN-GRU-Attention方法进行光伏短期功率区间预测，具体包括：
使用二维卷积神经网络对所述历史数据和所述气象数据进行卷积处理，以更好地提取数据新特征,增强输入数据与输出数据间的相关性；同时，引入全局平均池化和全局最大池化对得到的特征参数进行化简；此外，加入维度交换层，在空间层面进行维度交换，从而引入空间注意力机制，有选择性地聚焦于重要的维度信息并忽略重要性相对较低的信息；最后，使用门控循环单元实现短期功率预测，在预测时将回归参数设置为分位数回归层，从而实现区间预测。
优选的方案中，所述评价指标，具体包括：
区间覆盖率：
式中，n为样本数量；ci为布尔量，其值由真实值yi决定，Li、Ui分别为预测区间的下界和上界，该值用于反映真实值落在预测区间上下界的比率；
区间平均带宽：
式中，ymax和ymin分别为真实值的最大值和最小值，该指标用于反映预测区间的狭窄程度；
区间覆盖宽度：
CWC＝PINAW(1+γe-η(PICP-μ))
式中，μ为预设的置信率；η为惩罚参数，η∈[50,100]，该指标综合考虑了区间覆盖率和预测区间的狭窄程度，其数值越小，预测效果越好。
第二方面，本发明提供了一种基于CNN-GRU-Attention的光伏短期功率区间预测系统，其包括：
数据获取单元，其用于获取关于光伏发电功率的数据，所述数据至少包含历史数据和气象数据；
第一处理单元，其用于对获取的所述数据进行预处理；
第二处理单元，其用于设置预测参数并利用预处理后的所述数据，基于CNN-GRU-Attention方法进行光伏短期功率区间预测；以及，
预测输出单元，其用于根据区间预测结果计算评价指标。
第三方面，本发明还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
第四方面，本发明还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
第五方面，本发明还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明与现有技术相比，其有益效果在于：
(1)提供了一种光伏功率区间预测方法，相比于传统的点预测方法，可以有效地描述出数据存在的误差、模型导致的偏差以及最终结果的不确定性，能为电力系统的运行调度提供光伏发电出力区间信息作为依据，保障了电网的稳定运行。
(2)对门控循环单元进行了改进，使用卷积神经网络对历史功率数据及气象数据进行卷积处理，以更好地提取数据新特征,增强输入数据与输出数据间的相关性；同时加入维度交换层，在空间层面进行维度交换，从而引入空间注意力机制，有选择性地聚焦于重要的维度信息并忽略重要性相对较低的信息。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本发明实施例提供的流程图；
图2为本发明实施例中光伏电站6月发电功率波形图；
图3为本发明实施例中建立的基于CNN-GRU-Attention的区间预测网络结构图；
图4(a)-(d)为本发明实施例中在95％置信区间下对6月27日-6月30日的光伏发电功率进行区间预测的结果图；
图5为本发明实施例的系统的结构示意图；
图6是本发明实施例的电子设备的示意图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
针对含高比例分布式光伏电力系统的稳定运行需求，本发明提供了一种基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备。基于光伏发电功率历史数据和气象数据，建立了基于卷积神经网络和空间注意力机制的门控循环单元光伏短期功率预测模型。相比于传统的点预测方法，可以有效地描述出数据存在的误差和结果的不确定性，能为电力系统的运行调度提供光伏发电出力区间信息作为依据，保障了电网的稳定运行。
实施例1：
参见图1，一种基于CNN-GRU-Attention的光伏短期功率区间预测方法，其具体可以包括如下步骤：
步骤1：获取关于光伏发电功率的数据，所述数据至少包含历史数据和气象数据。
该步骤中，气象数据包括但不限于太阳辐照度、气温、相对湿度、气压、光伏组件温度等。
步骤2：对获取的所述数据进行预处理。
该步骤中，对数据进行预处理时需要删除错误信息，补充缺失信息；另外，由于夜晚时段光伏功率为0，可以删除这一部分以简化后续计算；最后，将整理得到的数据进行归一化。
步骤3：设置预测参数并利用预处理后的所述数据，基于CNN-GRU-Attention方法进行光伏短期功率区间预测。
该步骤中，预测参数包括置信区间宽度、训练集以及测试集日期。
进行光伏短期功率区间预测时：通过使用二维卷积神经网络(CNN)对历史功率数据及气象数据进行卷积处理，以更好地提取数据新特征,增强输入数据与输出数据间的相关性；同时，引入全局平均池化和全局最大池化对得到的特征参数进行化简；此外，加入维度交换层，在空间层面进行维度交换，从而引入空间注意力机制，有选择性地聚焦于重要的维度信息并忽略重要性相对较低的信息；最后，使用门控循环单元(GRU)实现短期功率预测，在预测时将回归参数设置为分位数回归层，从而实现区间预测。
步骤4：根据区间预测结果计算评价指标。
区间预测结果评价指标包含以下几种：
1)区间覆盖率(PICP)
式中，n为样本数量；ci为布尔量，其值由真实值yi决定，Li、Ui分别为预测区间的下界和上界。该值反映了真实值落在预测区间上下界的比率。
2)区间平均带宽(PINAW)
式中，ymax和ymin分别为真实值的最大值和最小值。该指标定义了预测区间的狭窄程度。
3)区间覆盖宽度(CWC)
CWC＝PINAW(1+γe-η(PICP-μ))
式中，μ为预设的置信率；η为惩罚参数，η∈[50,100]。该指标综合考虑了区间覆盖率和预测区间的狭窄程度，其数值越小，预测效果越好。
下面将结合具体案例和数据，对本发明实施例中的技术方案进行描述：
以宁夏某光伏电站2019年1-6月的光伏发电记录数据为例进行说明，数据包括光伏发电功率数据和气象数据，其中气象数据包括太阳辐射、气温、器件温度、气压和相对湿度。将1月1日-6月26日共177天的历史数据作为训练集，对GRU网络进行训练；6月27日-6月30日共计4天的数据作为测试集，用以检验区间预测的精度。
数据预处理：保留每日上午5点到晚上20点的数据(夜晚时间段光伏发电功率为0)，每15分钟一个采样点，每日共计61个采样点；此外，在原有特征项的基础上新增时间特征项，由时刻表示。图2为6月光伏发电功率波形图(5-20点)。
如图3所示，建立了基于CNN-GRU-Attention的区间预测网络结构，其中包含CNN网络的卷积层、池化层、激活函数；并通过维度交换引入了空间注意力机制；并通过GRU获得分位数预测回归。
在95％置信区间下对6月27日-6月30日的光伏发电功率进行区间预测，4天的预测结果如图4(a)-(d)所示。评价指标计算结果如表1所示。
表1 四天预测结果评价指标
综合图表可见，实施例1提出的方法可以较好地实现对光伏发电功率的区间预测，取得的精度较高。在光伏发电功率波动较小的日期(6月27日)，能取得更加精确的结果。
实施例2
参见图5，基于同一发明构思，本发明实施例还提供一种基于CNN-GRU-Attention的光伏短期功率区间预测系统，其包括：
数据获取单元，其用于获取关于光伏发电功率的数据，所述数据至少包含历史数据和气象数据；
第一处理单元，其用于对获取的所述数据进行预处理；
第二处理单元，其用于设置预测参数并利用预处理后的所述数据，基于CNN-GRU-Attention方法进行光伏短期功率区间预测；以及，
预测输出单元，其用于根据区间预测结果计算评价指标。
由于该系统是本发明实施例的基于CNN-GRU-Attention的光伏短期功率区间预测方法对应的系统，并且该系统解决问题的原理与该方法相似，因此该系统的实施可以参见上述方法实施例的实施过程，重复之处不再赘述。
实施例3：
参见图6，基于同一发明构思，本发明实施例还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如上所述的基于CNN-GRU-Attention的光伏短期功率区间预测方法。
可以理解的是，存储器可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据服务器的使用所创建的数据等。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行服务器的各种功能和处理数据。可选地，处理器可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器可集成中央处理器(Central ProcessingUnit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块芯片进行实现。
由于该电子设备是本发明实施例的基于CNN-GRU-Attention的光伏短期功率区间预测方法对应的电子设备，并且该电子设备解决问题的原理与该方法相似，因此该电子设备的实施可以参见上述方法实施例的实施过程，重复之处不再赘述。
实施例4：
基于同一发明构思，本发明实施例还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的基于CNN-GRU-Attention的光伏短期功率区间预测方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-onlyMemory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-OnlyMemory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
由于该存储介质是本发明实施例的基于CNN-GRU-Attention的光伏短期功率区间预测方法对应的存储介质，并且该存储介质解决问题的原理与该方法相似，因此该存储介质的实施可以参见上述方法实施例的实施过程，重复之处不再赘述。
实施例5：
在一些可能的实施方式中，本发明实施例的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的基于CNN-GRU-Attention的光伏短期功率区间预测方法的步骤。其中，用于执行各个实施例的可执行的计算机程序代码或“代码”可以用诸如C、C++、C#、Smalltalk、Java、JavaScript、VisualBasic、结构化查询语言(例如，Transact-SQL)、Perl之类的高级编程语言或者用各种其它编程语言编写。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (9)

1.一种基于CNN-GRU-Attention的光伏短期功率区间预测方法，其特征在于，包括如下步骤：
获取关于光伏发电功率的数据，所述数据至少包含历史数据和气象数据；
对获取的所述数据进行预处理；
设置预测参数并利用预处理后的所述数据，基于CNN-GRU-Attention方法进行光伏短期功率区间预测；
根据区间预测结果计算评价指标。
2.根据权利要求1所述基于CNN-GRU-Attention的光伏短期功率区间预测方法，其特征在于，所述气象数据包括太阳辐照度、气温、相对湿度、气压、或/和光伏组件温度。
3.根据权利要求1所述基于CNN-GRU-Attention的光伏短期功率区间预测方法，其特征在于，所述对获取的所述数据进行预处理，具体包括：
删除错误信息、或/和补充缺失信息；
或/和，删除夜晚时段光伏功率为0的数据；
对上述整理后的数据进行归一化。
4.根据权利要求1所述基于CNN-GRU-Attention的光伏短期功率区间预测方法，其特征在于，所述设置预测参数，具体包括：
置信区间宽度、训练集和测试集日期。
5.根据权利要求1所述基于CNN-GRU-Attention的光伏短期功率区间预测方法，其特征在于，所述基于CNN-GRU-Attention方法进行光伏短期功率区间预测，具体包括：
使用二维卷积神经网络对所述历史数据和所述气象数据进行卷积处理，以更好地提取数据新特征,增强输入数据与输出数据间的相关性；同时，引入全局平均池化和全局最大池化对得到的特征参数进行化简；此外，加入维度交换层，在空间层面进行维度交换，从而引入空间注意力机制，有选择性地聚焦于重要的维度信息并忽略重要性相对较低的信息；最后，使用门控循环单元实现短期功率预测，在预测时将回归参数设置为分位数回归层，从而实现区间预测。
6.根据权利要求1所述基于CNN-GRU-Attention的光伏短期功率区间预测方法，其特征在于，所述评价指标，具体包括：
区间覆盖率：
式中，n为样本数量；ci为布尔量，其值由真实值yi决定，Li、Ui分别为预测区间的下界和上界，该值用于反映真实值落在预测区间上下界的比率；
区间平均带宽：
式中，ymax和ymin分别为真实值的最大值和最小值，该指标用于反映预测区间的狭窄程度；
区间覆盖宽度：
CWC＝PINAW(1+γe-η(PICP-μ))
式中，μ为预设的置信率；η为惩罚参数，η∈[50,100]，该指标综合考虑了区间覆盖率和预测区间的狭窄程度，其数值越小，预测效果越好。
7.一种基于CNN-GRU-Attention的光伏短期功率区间预测系统，其特征在于，包括：
数据获取单元，其用于获取关于光伏发电功率的数据，所述数据至少包含历史数据和气象数据；
第一处理单元，其用于对获取的所述数据进行预处理；
第二处理单元，其用于设置预测参数并利用预处理后的所述数据，基于CNN-GRU-Attention方法进行光伏短期功率区间预测；以及，
预测输出单元，其用于根据区间预测结果计算评价指标。
8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行，以实现如权利要求1至6任一所述的基于CNN-GRU-Attention的光伏短期功率区间预测方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一所述的基于CNN-GRU-Attention的光伏短期功率区间预测方法。
CN202310726766.7A 2023-06-19 2023-06-19 基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备 Pending CN116937541A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310726766.7A CN116937541A (zh) 2023-06-19 2023-06-19 基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310726766.7A CN116937541A (zh) 2023-06-19 2023-06-19 基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备

Publications (1)

Publication Number Publication Date
CN116937541A true CN116937541A (zh) 2023-10-24

Family

ID=88374644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310726766.7A Pending CN116937541A (zh) 2023-06-19 2023-06-19 基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN116937541A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117374972A (zh) * 2023-11-28 2024-01-09 广东电网有限责任公司 一种基于Transformer的光伏短期功率区间预测方法、装置及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117374972A (zh) * 2023-11-28 2024-01-09 广东电网有限责任公司 一种基于Transformer的光伏短期功率区间预测方法、装置及介质

Similar Documents

Publication Publication Date Title
CN109978228A (zh) 一种pm2.5浓度预测方法、装置及介质
Wang et al. Fast domain-aware neural network emulation of a planetary boundary layer parameterization in a numerical weather forecast model
CN116937541A (zh) 基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备
CN111814956A (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN114006369B (zh) 区域风光场站功率联合预测方法、装置、电子设备和存储介质
CN112215442A (zh) 电力系统短期负荷预测方法、系统、设备及介质
CN114064046A (zh) 基于多指标确定代码生成质量及效率评估值的方法及装置
CN116224473B (zh) 一种风速预报方法、模型训练方法、装置和存储介质
CN114498619A (zh) 一种风电功率预测方法及装置
CN112365033A (zh) 一种风电功率区间预测方法、系统及存储介质
CN116402203A (zh) 计及天气情况的短时光伏发电量预测方法、系统及介质
Dobrea et al. Machine Learning algorithms for air pollutants forecasting
Bouallègue et al. Statistical Modeling of 2-m Temperature and 10-m Wind Speed Forecast Errors
Quick et al. Stochastic gradient descent for wind farm optimization
CN116894383A (zh) 全年天气场景的随机模拟方法及装置
CN116595895A (zh) 短时电量预测模型的训练方法及短时电量预测方法
CN116703466A (zh) 基于改进灰狼算法的系统访问量预测方法及其相关设备
CN115545362A (zh) 一种ai与tsd结合的新能源中期功率组合预测方法
KR102421393B1 (ko) 발전량을 예측하는 인공지능 모델을 트레이닝 시키는 방법
CN110717623A (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN114139777A (zh) 一种风电功率预测方法及装置
CN113723670A (zh) 变时间窗口的光伏发电功率短期预测方法
CN112766592A (zh) 夏季登陆中国台风数量预测方法、装置、设备及存储介质
Wang et al. Precipitation prediction in several Chinese regions using machine learning methods
Chukwueloka et al. Modelling and Prediction of Rainfall in the North-Central Region of Nigeria Using ARIMA and NNETAR Model

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