CN117114081A - 一种基于迁移学习的分布式光伏功率预测方法及装置 - Google Patents
一种基于迁移学习的分布式光伏功率预测方法及装置 Download PDFInfo
- Publication number
- CN117114081A CN117114081A CN202310995343.5A CN202310995343A CN117114081A CN 117114081 A CN117114081 A CN 117114081A CN 202310995343 A CN202310995343 A CN 202310995343A CN 117114081 A CN117114081 A CN 117114081A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- data
- prediction
- source domain
- prediction 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
- 238000013526 transfer learning Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011362 coarse particle Substances 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000013508 migration Methods 0.000 abstract description 2
- 230000005012 migration Effects 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012546 transfer Methods 0.000 description 6
- 230000006403 short-term memory Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力系统新能源功率预测技术领域,尤其涉及一种基于迁移学习的分布式光伏功率预测方法及装置,包括:获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据,对所述插值数据进行分类处理,获取源域及目标域,构建源域功率预测模型,获取初步预测值,基于所述初步预测值,获取误差序列,基于所述误差序列构建误差预测模型,获取源域最终预测数据,基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果。对一定范围内的多个目标域光伏电站进行迁移学习,提高了光伏功率预测精度,有效弥补数据匮乏带来功率预测精度不足的问题。
Description
技术领域
本发明涉及电力系统新能源功率预测技术领域,特别是涉及一种基于迁移学习的分布式光伏功率预测方法及装置。
背景技术
光伏功率预测即根据气象条件、统计规律等技术和手段,对未来一定时段的光伏电站有功功率进行预测。由于日照的昼夜周期性,光伏电站只能白天发电,是一种典型的间歇式电源;光伏功率受气象、环境条件影响,具有较大的波动性和随机性。这些特性使得大规模光伏发电并网对电网造成不良影响。若能及时、准确地预测光伏功率,将对电网调度及光伏电站运行具有重要意义;
迁移学习是一种允许对现有模型进行微调,以应用于新领域或新功能的机器学习思想。在迁移学习中,数据域分为源域和目标域,通常在数据量充足的源域对模型预训练,在数据量较小的目标域微调预训练模型,以充分利用源域数据提高模型其在目标数据上的性能。
目前分布式光伏往往缺少专门的气象监测装置,且每年大量新建的光伏电站缺乏足够的历史数据,难以建立高精度的预测模型。
综上所述可知,如何设计一种精度高、效率快的光伏功率预测方法是目前亟需解决的问题。
发明内容
本发明的目的是提供一种基于迁移学习的分布式光伏功率预测方法,以解决现有分布式光伏预测方法精度低、效率差的问题。
为解决上述技术问题,本发明提供一种基于迁移学习的分布式光伏功率预测方法,包括:
获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据;
对所述插值数据进行分类处理,获取源域及目标域;
构建源域功率预测模型,获取初步预测值;
基于所述初步预测值,获取误差序列;
基于所述误差序列构建误差预测模型,获取源域最终预测数据;
基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果。
优选地,所述获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据包括:
基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化处理,基于克里金插值法,对各光伏电站经纬度位置的气象数据进行地理插值计算,得到插值数据。
优选地,所述克里金插值法计算公式为:
其中,z(S0)为S0处的克里金插值结果,n为数据样本数,zi为样本点值,λi为样本点权重系数。
优选地,所述对所述插值数据进行分类处理,获取源域及目标域包括:
基于所述插值数据对具有相同气象特征的光伏电站进行自组织映射网络聚类,将所有光伏电站分类,在每一类中计算各光伏电站与其余光伏电站的相关性大小,在满足预设数据要求的情况下,选取相关性均值最高的一个或几个电站作为源域,其余光伏电站作为目标域。
优选地,所述相关性计算公式为:
其中,r为不同光伏电站间气象资源数据的相关性系数,n为数据样本数,Xi为X号电站气象数据样本,Yi为Y号电站气象数据样本,为X号电站气象数据样本平均值,/>为Y号电站气象数据样本平均值。
优选地,所述基于所述误差序列构建误差预测模型,获取源域最终预测数据包括:
利用长短期记忆网络算法对所述误差序列建立误差预测模型,基于所述初步预测值与所述误差预测值获取源域最终预测数据。
优选地,所述基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果包括:
基于源域光伏电站提取相似气象资源下的功率预测模型特征,对所述目标域光伏电站预测模型进行粗略画像及参数微调,将源域特征转换至目标域特征,获得训练完成的预测模型;
利用所述训练完成的预测模型对待预测光伏电站数据进行预测,得到光伏电站功率预测结果。
本发明还提供一种基于迁移学习的分布式光伏功率预测装置,包括:
数据获取模块,获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据;
分类处理模块,对所述插值数据进行分类处理,获取源域及目标域;
初步预测模块,构建源域功率预测模型,获取初步预测值;
误差序列获取模块,基于所述初步预测值,获取误差序列;
源域预测模块,基于所述误差序列构建误差预测模型,获取源域最终预测数据;
功率预测模块,基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果。
本发明还提供一种基于迁移学习的分布式光伏功率预测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述所述一种基于迁移学习的分布式光伏功率预测方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述一种基于迁移学习的分布式光伏功率预测方法的步骤。
本发明所提供的一种基于迁移学习的分布式光伏功率预测方法,利用克里金插值法将样本点的空间位置与样本点的值进行关联,并利用样本点与插值点的距离测算每个样本点的权重值,以加权平均的方式计算出插值点的值,再基于迁移学习对现有模型进行微调,将数据域分为源域和目标域,在数据量较小的目标域微调预训练模型,充分利用源域数据提高模型其在目标数据上的性能,实现分布式光伏电站功率预测模型的快速大批量迁移,快速学习到相似场景下预测模型的公共特征,提高光伏功率预测精度,有效弥补数据匮乏带来的功率预测精度不足的问题。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明所提供的一种基于迁移学习的分布式光伏功率预测方法的第一种具体实施例的流程图;
图2为本发明实施例提供的一种基于迁移学习的分布式光伏功率预测装置的结构框图。
具体实施方式
本发明的核心是提供一种基于迁移学习的分布式光伏功率预测方法及装置,利用迁移学习在数据质量较高的源域光伏电站中提取出相似气象资源下的功率预测模型特征,对一定范围内的多个目标域光伏电站进行迁移学习,提高了光伏功率预测精度,有效弥补数据匮乏带来的功率预测精度不足的问题。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的一种基于迁移学习的分布式光伏功率预测方法的第一种具体实施例的流程图;具体操作步骤如下:
步骤S101:获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据;
基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化处理,基于克里金插值法,对各光伏电站经纬度位置的气象数据进行地理插值计算,得到插值数据;
所述克里金插值法计算公式为:
其中,z(S0)为S0处的克里金插值结果,n为数据样本数,zi为样本点值,λi为样本点权重系数。
步骤S102:对所述插值数据进行分类处理,获取源域及目标域;
基于所述插值数据对具有相同气象特征的光伏电站进行自组织映射网络聚类,将所有光伏电站分类,在每一类中计算各光伏电站与其余光伏电站的相关性大小,在满足预设数据要求的情况下,选取相关性均值最高的一个或几个电站作为源域,其余光伏电站作为目标域;
所述相关性计算公式为:
其中,r为不同光伏电站间气象资源数据的相关性系数,n为数据样本数,Xi为X号电站气象数据样本,Yi为Y号电站气象数据样本,为X号电站气象数据样本平均值,/>为Y号电站气象数据样本平均值。
步骤S103:构建源域功率预测模型,获取初步预测值;
步骤S104:基于所述初步预测值,获取误差序列;
步骤S105:基于所述误差序列构建误差预测模型,获取源域最终预测数据;
利用长短期记忆网络算法对所述误差序列建立误差预测模型,基于所述初步预测值与所述误差预测值获取源域最终预测数据。
步骤S106:基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果。
基于源域光伏电站提取相似气象资源下的功率预测模型特征,对所述目标域光伏电站预测模型进行粗略画像及参数微调,将源域特征转换至目标域特征,获得训练完成的预测模型;
利用所述训练完成的预测模型对待预测光伏电站数据进行预测,得到光伏电站功率预测结果。
本实施例提供一种基于迁移学习的分布式光伏功率预测方法,基于迁移学习在数据质量较高的源域光伏电站中提取出相似气象资源下的功率预测模型特征,再对目标域光伏电站预测模型进行粗略“画像”及参数微调,从而实现源域向目标域的特征转移,选定一个或多个光伏电站作为源域后,对一定范围内的多个目标域光伏电站进行迁移学习,能实现分布式光伏电站功率预测模型的快速大批量迁移。针对一些建成时间较短、数据资料较少的光伏电站,运用迁移学习进行功率预测模型的搭建,能快速学习到相似场景下预测模型的公共特征,有效弥补数据匮乏带来的功率预测精度不足的问题。
基于上述实施例,本实施例对所述基于迁移学习的分布式光伏功率预测方法展开描述,具体如下:
基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化处理,结合克里金插值法,对各光伏电站经纬度位置的气象数据进行地理插值计算;
克里金插值法以地理学第一定律为背景,将样本点的空间位置与样本点的值进行关联,并利用样本点与插值点的距离测算每个样本点的权重值,以加权平均的方式计算出插值点的值。
依据插值结果对具有相同气象特征的光伏电站进行自组织映射网络(Self-Organizing Maps,SOM)聚类,将所有光伏电站划分为n类;
SOM算法是一种聚类和高维可视化的无监督学习算法,是通过模拟人脑的信号处理而发展起来的一种人工神经网络。SOM算法是一种只有输入层和竞争层的简单神经网络,通过竞争层中的神经元与相邻神经元互相促进学习直至拥有相似的权值向量,因此可将具有相似输入特征的样本数据映射至相邻神经元上,从而实现从输入空间(n维)到输出平面(2维)的降维映射。
在每一类中计算各光伏电站与其余光伏电站的相关性大小,在满足数据要求的情况下,选取相关性均值最高的一个或几个电站作为源域,其余光伏电站作为目标域,在得到SOM聚类结果后,对每一类中光伏电站的气象资源数据之间进行相关性分析。
对源域数据进行分段处理,利用长短期记忆网络算法(Long Short Term MemoryNetwork,LSTM)建立源域功率预测模型,得到初步预测结果;
将初步预测结果与原序列作差得到误差序列;
利用长短期记忆网络算法(Long Short Term Memory Network,LSTM)对误差序列建立误差预测模型,源域最终预测结果为初步预测值与误差预测值的和;
首先,将样本数据划分为a、b、c三段,三段样本数据分别表示为xa(t)、xb(t)、xc(t),利用a段数据建立基于长短期记忆网络算法(Long Short Term Memory Network,LSTM)的功率预测初步模型,对b段进行预测,得到b段的功率预测值x'b(t);
其次,将b段原始样本数据与功率预测值xb(t)作差得到功率预测的误差序列eb(t);
利用误差序列建立基于长短期记忆网络算法(Long Short Term MemoryNetwork,LSTM)的误差预测模型;
针对测试集c段数据而言,最终得到的预测结果等于功率预测初步模型得到的功率预测值x'c(t)与误差预测模型得到的误差预测值ec(t)的和,由于误差预测模型也为神经网络结构,也可进行源域向目标域的迁移学习,从而建立功率预测模型与误差修正模型的双迁移模型。
对源域训练的功率预测模型和误差预测模型进行双迁移学习,依据输入目标域数据,微调目标域的模型参数,循环执行上述,最终得到目标域各光伏电站的预测结果。
本发明实施例提供的一种基于迁移学习的分布式光伏功率预测方法,利用SOM算法竞争层中的神经元与相邻神经元互相促进学习直至拥有相似的权值向量,将具有相似输入特征的样本数据映射至相邻神经元上,实现从输入空间到输出平面的降维映射,解决输入量特征不明显、特征参数交错混杂以及非线性分布的知识发现、数据分类、故障识别,基于迁移学习方法建立功率预测模型与误差修正模型的双迁移模型,实现分布式光伏电站功率预测模型的快速大批量迁移,针对一些建成时间较短、数据资料较少的光伏电站,运用迁移学习进行功率预测模型的搭建,能快速学习到相似场景下预测模型的公共特征,有效弥补数据匮乏带来的功率预测精度不足的问题,实现了高效、精准的光伏功率预测。
请参考图2,图2为本发明实施例提供的一种基于迁移学习的分布式光伏功率预测装置的结构框图;具体装置可以包括:
数据获取模块100,获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据;
分类处理模块200,对所述插值数据进行分类处理,获取源域及目标域;
初步预测模块300,构建源域功率预测模型,获取初步预测值;
误差序列获取模块400,基于所述初步预测值,获取误差序列;
源域预测模块500,基于所述误差序列构建误差预测模型,获取源域最终预测数据;
功率预测模块600,基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果。
本实施例的一种基于迁移学习的分布式光伏功率预测装置用于实现前述的一种基于迁移学习的分布式光伏功率预测方法,因此一种基于迁移学习的分布式光伏功率预测装置中的具体实施方式可见前文中的一种基于迁移学习的分布式光伏功率预测方法的实施例部分,例如,数据获取模块100,分类处理模块200,初步预测模块300,误差序列获取模块400,源域预测模块500,功率预测模块600,分别用于实现上述一种基于迁移学习的分布式光伏功率预测方法中步骤S101,S102,S103、S104、S105、S106,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
以上对本发明所提供的一种基于迁移学习的分布式光伏功率预测方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
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。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。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
Claims (10)
1.一种基于迁移学习的分布式光伏功率预测方法,其特征在于,包括:
获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据;
对所述插值数据进行分类处理,获取源域及目标域;
构建源域功率预测模型,获取初步预测值;
基于所述初步预测值,获取误差序列;
基于所述误差序列构建误差预测模型,获取源域最终预测数据;
基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果。
2.如权利要求1所述的基于迁移学习的分布式光伏功率预测方法,其特征在于,所述获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据包括:
基于地理信息和粗颗粒气象数据,对广域范围下的气象资源数据进行网格化处理,基于克里金插值法,对各光伏电站经纬度位置的气象数据进行地理插值计算,得到插值数据。
3.如权利要求2所述的基于迁移学习的分布式光伏功率预测方法,其特征在于,所述克里金插值法计算公式为:
其中,z(S0)为S0处的克里金插值结果,n为数据样本数,zi为样本点值,λi为样本点权重系数。
4.如权利要求1所述的基于迁移学习的分布式光伏功率预测方法,其特征在于,所述对所述插值数据进行分类处理,获取源域及目标域包括:
基于所述插值数据对具有相同气象特征的光伏电站进行自组织映射网络聚类,将所有光伏电站分类,在每一类中计算各光伏电站与其余光伏电站的相关性大小,在满足预设数据要求的情况下,选取相关性均值最高的一个或几个电站作为源域,其余光伏电站作为目标域。
5.如权利要求4所述的基于迁移学习的分布式光伏功率预测方法,其特征在于,所述相关性计算公式为:
其中,r为不同光伏电站间气象资源数据的相关性系数,n为数据样本数,Xi为X号电站气象数据样本,Yi为Y号电站气象数据样本,为X号电站气象数据样本平均值,/>为Y号电站气象数据样本平均值。
6.如权利要求1所述的基于迁移学习的分布式光伏功率预测方法,其特征在于,所述基于所述误差序列构建误差预测模型,获取源域最终预测数据包括:
利用长短期记忆网络算法对所述误差序列建立误差预测模型,基于所述初步预测值与所述误差预测值获取源域最终预测数据。
7.如权利要求1所述的基于迁移学习的分布式光伏功率预测方法,其特征在于,所述基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果包括:
基于源域光伏电站提取相似气象资源下的功率预测模型特征,对所述目标域光伏电站预测模型进行粗略画像及参数微调,将源域特征转换至目标域特征,获得训练完成的预测模型;
利用所述训练完成的预测模型对待预测光伏电站数据进行预测,得到光伏电站功率预测结果。
8.一种基于迁移学习的分布式光伏功率预测装置,其特征在于,包括:
数据获取模块,获取光伏电站气象数据,对所述光伏电站气象数据进行插值计算,得到插值数据;
分类处理模块,对所述插值数据进行分类处理,获取源域及目标域;
初步预测模块,构建源域功率预测模型,获取初步预测值;
误差序列获取模块,基于所述初步预测值,获取误差序列;
源域预测模块,基于所述误差序列构建误差预测模型,获取源域最终预测数据;
功率预测模块,基于所述源域最终预测数据对所述源域功率预测模型及所述误差预测模型进行双迁移学习,微调所述目标域的模型参数,获取所述光伏电站功率预测结果。
9.一种基于迁移学习的分布式光伏功率预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述一种基于迁移学习的分布式光伏功率预测方法的步骤。
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程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种基于迁移学习的分布式光伏功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310995343.5A CN117114081A (zh) | 2023-08-08 | 2023-08-08 | 一种基于迁移学习的分布式光伏功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310995343.5A CN117114081A (zh) | 2023-08-08 | 2023-08-08 | 一种基于迁移学习的分布式光伏功率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114081A true CN117114081A (zh) | 2023-11-24 |
Family
ID=88806634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310995343.5A Pending CN117114081A (zh) | 2023-08-08 | 2023-08-08 | 一种基于迁移学习的分布式光伏功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114081A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313958A (zh) * | 2023-11-28 | 2023-12-29 | 山东大学 | 基于迁移学习的低压分布式光伏功率预测方法及系统 |
-
2023
- 2023-08-08 CN CN202310995343.5A patent/CN117114081A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313958A (zh) * | 2023-11-28 | 2023-12-29 | 山东大学 | 基于迁移学习的低压分布式光伏功率预测方法及系统 |
CN117313958B (zh) * | 2023-11-28 | 2024-02-20 | 山东大学 | 基于迁移学习的低压分布式光伏功率预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN117114081A (zh) | 一种基于迁移学习的分布式光伏功率预测方法及装置 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN109978284A (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
Chen et al. | An innovative method-based CEEMDAN–IGWO–GRU hybrid algorithm for short-term load forecasting | |
CN114418174A (zh) | 电动汽车充电负荷预测方法 | |
CN112232543A (zh) | 一种基于图卷积网络的多站点预测方法 | |
CN109829599B (zh) | 基于高比例可再生能源的配电网的集群划分方法及装置 | |
CN117498400A (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
CN112561133A (zh) | 一种基于神经网络的水流量预测系统和方法 | |
CN117273200A (zh) | 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法 | |
CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
CN116341773A (zh) | 车辆需求预测方法、装置、计算机设备和存储介质 | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
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 | |
Wica et al. | Weather forecasting system with the use of neural network and backpropagation algorithm | |
CN113328466A (zh) | 一种电动汽车充电场景生成方法 | |
Zhao et al. | Forecasting regional short-term freight volume using QPSO-LSTM algorithm from the perspective of the importance of spatial information |
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 |