CN117411078A - 一种考虑隐私保护的新能源并网系统出力预测方法 - Google Patents
一种考虑隐私保护的新能源并网系统出力预测方法 Download PDFInfo
- Publication number
- CN117411078A CN117411078A CN202311233060.3A CN202311233060A CN117411078A CN 117411078 A CN117411078 A CN 117411078A CN 202311233060 A CN202311233060 A CN 202311233060A CN 117411078 A CN117411078 A CN 117411078A
- Authority
- CN
- China
- Prior art keywords
- new energy
- local
- output
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000010248 power generation Methods 0.000 claims abstract description 84
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 14
- 238000002910 structure generation Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- H02J3/38—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
-
- 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
- G06N3/0464—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- 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
- H02J3/381—Dispersed generators
-
- 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
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑隐私保护的新能源并网系统出力预测方法,属于新能源并网系统出力预测领域,包括:在各新能源发电主体本地,建立本地预测模型和本地预测数据集,利用本地预测数据集对当前的本地预测模型进行训练后,将模型参数上传至中心服务器进行聚合,并将聚合后的模型参数下发至各新能源发电主体;在各新能源发电主体本地,利用聚合后的模型参数对当前的本地预测模型进行更新后,利用本地预测数据集对本地预测模型进行训练,得到各新能源发电主体本地的出力预测模型;本地预测模型包括:图结构生成模块,图学习模块,以及维度校正模块。本发明在不泄露隐私的情况下,充分利用特征数据自身的时空关联性,提高新能源出力预测精度。
Description
技术领域
本发明属于新能源并网系统出力预测领域,更具体地,涉及一种考虑隐私保护的新能源并网系统出力预测方法。
背景技术
目前火力发电仍然是中国主要的发电方式,通过燃烧化石能源给电网提供充足的电力供应。然而,该过程会产生大量的温室气体,会带来全球变暖等气候问题。据统计,全国发电企业碳排放量超过40亿吨,占我国全年碳排放的比重超过40%。因此,为了减少能源供应侧的碳排放,以风电和光伏发电为主的清洁可再生能源大规模接入电网,代替了部分传统火力发电以减少发电带来的碳排放量。然而,新能源出力具有强不确定性与随机性,使得新能源出力的精准预测变得十分困难,从而给电网运行的安全性和经济性带来负面影响。因此,研究新能源出力的预测方法,对于新能源接入电网的安全稳定运行,进而减少化石能源消耗,从而降低碳排放,具有重要的意义。
新能源出力预测的目的在于根据历史数据预测未来一段时间内,新能源并网系统中各新能源发电主体(风电场,光伏发电站等)的出力功率。针对新能源出力预测问题,国内外学者展开了相关研究。目前,传统的多主体新能源预测方案有以下两种,即独立预测和集中预测。独立预测指的是不同的新能源发电厂仅利用自己的数据集进行独立预测,而不参考周围电厂的信息。假设有N个新能源发电主体,他们的数据集集合为S={S1,S2,...,SN},则独立预测的目标如下:
其中,yi和φi分别为第i个新能源发电主体的损失函数、预测目标和模型。然而,分布式新能源序列往往具有时空相关性,即周围新能源电厂所拥有的数据(比如天气特征,产电量等)可能与本地新能源出力有一定的联系。独立预测并没有考虑时空相关性,因此其预测准确率不高。
对于集中预测而言,其指的是不同的新能源发电主体的数据完全公开,可供任何主体使用,因此可以充分的利用周围的数据的时空相关性,完成精准的多新能源主体预测。集中预测的目标如下:
然而,同一地区的新能源发电主体一般归属于不同的公司,而同一个新能源发电主体可能属于不同的母公司,他们之间存在着商业竞争关系,因此多新能源发电主体之间往往不愿意直接共享数据。此外,各国政府也通过颁布法规来规范化数据隐私问题。这些基于隐私保护的限制可能会极大的降低集中预测在多新能源发电主体的出力预测的可行性然而,以上方法均未考虑多新能源主体之间的隐私问题,使得以上方法在实际应用中缺乏可行性。
针对这一问题,有方法提出采用联邦学习的方法,在不泄露隐私的情况下间接实现新能源发电主体间的数据共享,但是,考虑到特征序列为时间序列,为了充分捕捉到特征序列中的隐藏特征,现有的方法往往基于长短期记忆网络(LSTM)或者其变形完成预测模型的建立,这些模型并不能有效捕捉到特征的时空相关性,这限制了出力预测性能的提升。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种考虑隐私保护的新能源并网系统出力预测方法,其目的在于,在联邦学习框架下对预测模型进行改进,从而在不泄露隐私的情况下,充分利用特征数据的时空相关性,有效提高新能源出力预测精度。
为实现上述目的,按照本发明的一个方面,提供了一种考虑隐私保护的新能源并网系统出力预测模型建立方法,包括:
(S1)在各新能源发电主体本地,基于相同的网络结构建立本地预测模型,并建立由历史特征序列和未来出力功率序列组成的本地预测数据集;
本地预测模型包括:
图结构生成模块,用于生成特征图结构的邻接矩阵;特征图结构中,每种特征代表1个节点;
图学习模块,用于学习特征图结构中每一条边的权重,得到拓扑图结构;
以及维度校正模块,用于根据拓扑图结构预测未来出力功率序列;
(S2)在各新能源发电主体本地,利用本地预测数据集对当前的本地预测模型进行训练,训练结束后,将本地预测模型的模型参数上传至中心服务器,以使得中心服务器计算模型参数的平均值,完成模型参数聚合,并将聚合后的模型参数下发至各新能源发电主体;
(S3)在各新能源发电主体本地,利用聚合后的模型参数对当前的本地预测模型进行更新后,利用本地预测数据集对本地预测模型进行训练,以对本地预测模型的参数进行微调,得到各新能源发电主体本地的出力预测模型。
进一步地,图结构生成模块包括:
节点嵌入子模块,用于按照E=E1W2(E2W2)T-E2W2(E1W1)T生成节点嵌入信息E;
饱和校正子模块,用于利用tanh函数将节点嵌入信息E映射到[-1,1]区间后,按照生成特征图结构的邻接矩阵A;
其中,E1和E2为两个长度为n的随机排列信息,n表示特征中包含的数据种数;W1和W2分别为E1和E2的权重;α为超参数;RELU表示ReLU激活函数。
进一步地,图学习模块为多头图注意力模块。
进一步地,维度校正模块包括依次连接的多个全连接层。
进一步地,步骤(S2)中,训练结束后,上传至中心服务器的模型参数仅为图结构生成模块和图学习模块的参数。
进一步地,步骤(S2)中,训练结束后,将本地预测模型的模型参数上传至中心服务器前,还包括:利用同态加密算法对待上传的模型参数进行加密;
并且,步骤(S3)中,在各新能源发电主体本地,利用聚合后的模型参数对当前的本地预测模型进行更新之前,还包括:对接收到的模型参数进行解密。
进一步地,在步骤(S3)之后还包括:重复执行(S2)~(S3),至达到预设的迭代次数。
按照又一个方面,提供了一种考虑隐私保护的新能源并网系统出力预测方法,包括:对于新能源并网系统中的任意一个新能源发电主体,执行如下出力预测步骤,以预测其出力功率:
出力预测步骤:收集预测时刻之前预设长度为Lx的历史特征序列,输入至新能源发电主体本地的出力预测模型,得到预测时刻及其后长度为Ly的出力功率序列;
其中,新能源发电出体的出力预测模型由本发明提供的考虑隐私保护的新能源并网系统出力预测模型建立方法训练得到;Lx为历史特征序列长度,Ly为出力功率序列长度。
按照本发明的又一个方面,提供了一种考虑隐私保护的新能源并网系统出力预测系统,包括:N个出力预测器,分别用于预测新能源并网系统中的N个新能源发电主体的出力功率;
出力预测器包括:计算机可读存储介质和处理器;
计算机可读存储介质用于存储计算机程序;
处理器用于读取计算机可读存储介质中的程序,执行本发明提供的考虑隐私保护的新能源并网系统出力预测方法中的出力预测步骤;
其中,N为新能源并网系统所包含的新能源发电主体数量。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明先在新能源并网系统中的各新能源发电主体本地,建立本地预测模型,并利用本地训练数据集对其进行训练,之后将每个本地预测模型上传至中心服务器,由中心服务器对模型参数进行聚合,并将聚合后的模型参数下发回每个新能源发电主体,进行参数微调,由此实现了联邦学习,在不泄露隐私的情况下,使得各本地预测模型的训练能够充分利用多新能源发电主体间数据的时空关联性,在此基础上,本发明所建立的本地预测模型,具体包括图结构生成模块、图学习模块和维度校正模块,基于这种结构的模型,在进行新能源出力功率预测时,能够充分考虑特征中各项特征之间的内在联系,进一步提高出力功率预测精度。
(2)在本发明优选的方案中,上传的模型参数仅为图结构生成模块和图学习模块的参数,这一部分参数为空间相关的参数,由于新能源发电主体的出力具有类似的空间相关性,适合通过多主体协同学习,但是其时间相关性,尤其是长期的时间相关性,具有异质性,不适合进行协同学习,本发明仅上传空间相关的参数至中心服务器进行聚合,能够在保证通过模型参数聚合协同学习到空间相关性以提升出力功率预测精度的情况下,有效降低通信开销。
(3)在本发明优选的方案中,各新能源发电主体在将模型参数上传至中心服务器之前,会先利用同态加密算法对待上传的模型参数进行加密,由于同态加密算法具有线性可加性,因此数据中心不需要解密即可完成参数聚合,通过这种方式,在保证新能源发电主体的数据集和模型参数不对其他新能源发电主体公开的同时,也不对中心服务器公开,进一步保证了隐私安全。
(4)在本发明的优选方案中,通过重复执行模型本地训练、模型参数聚合以及模型参数微调的步骤,能够使预测模型的预测性能得到进一步提升。
附图说明
图1为本发明实施例提供的考虑隐私保护的新能源并网系统出力预测模型建立方法流程图;
图2为本发明实施例提供的本地预测模型结构示意图;
图3为本发明实施例提供的巴黎光伏出力预测结果示意图;
图4为本发明实施例提供的亚眠光伏出力预测结果示意图;
图5为本发明实施例提供的鲁昂光伏出力预测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)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。
为了解决现有的新能源出力预测方法中,独立预测无法利用数据集的时空相关性,预测精度低,而集中预测在利用数据集的时空相关性时会泄露隐私的问题,本发明提供了一种考虑隐私保护的新能源并网系统出力预测方法,其整体思路在于,在联邦学习的框架下,对预测模型结构进行改进,使其能够学习到特征与特征之间的内在联系,从而在新能源出力预测时充分利用特征数据的时空相关性,有效提高出力预测精度。
本发明可适用于新能源并网系统中各类新能源发电主体的出力预测,如风电场、光伏发电站等,不失一般性地,在以下实施例中,均以光伏发电站为例进行说明,相应地,出力功率为光伏发电功率。
以下为实施例。
实施例1:
一种考虑隐私保护的新能源并网系统出力预测模型建立方法,如图1所示,包括步骤(S1)~(S3),各步骤具体如下。
本实施中,步骤(S1)包括:在各新能源发电主体本地,基于相同的网络结构建立本地预测模型,并建立由历史特征序列和未来出力功率序列组成的本地预测数据集;
历史特征序列中各时刻的特征包括与出力功率相关的多种数据,本地预测模型用于根据历史特征序列预测未来出力功率序列。
可选地,本实施例的步骤(S1)中,具体通过如下步骤在新能源发电主体本地建立本地预测数据集:
步骤1:获取预测时刻t前长度为Lx的时间窗口内与光伏发电功率相关的数据,整合为以特征向量组成的光伏发电电功率预测数据集;
步骤2:为了在保证预测准确性的情况下,降低计算复杂度,本实施例会进一步筛选与风电功率最相关的数据特征,删除相关性较低的特征。具体来说,利用线性相关系数来衡量步骤1获取的特征序列与目标序列(风电功率)的相关性。特征X和目标特征Y的相关系数可以计算为:
其中cov为协方差函数,σX、σY分别为X和Y的标准差。相关系数的值越大,特征与目标特征的相关性强。因此,根据这种筛选指标,筛出与风电功率相关性不大的特征后,得到一个修正过的光伏发电数据集。本实施例中,最终筛选出10中特征,具体为:直射光照辐射,散射光照辐射,温度,降雨量,降雪量,降雪量,空气密度,地面太阳辐射,云层太阳辐射,云层覆盖比例。
步骤3:将每个本地预测数据集分成训练集、验证集和测试集,然后采用归一化来标准化所有特征的数据尺度。对当前时刻t下的特征向量进行特征维度的标准化,标准化方法为Min-Max标准化,其计算公式如下:
其中,为第i个特征,也是数据集中的第i列,N代表了数据集的长度。min(Xi)和max(Xi)则代表了该特征列的最小值和最大值。通过这种方式,可以将的数据集数值缩放到0~1之间,从而能够消除数据量纲对于后期模型训练的影响。
本实施例为每个新能源发电个体使用随机初始化的本地预测模型,也即是说,所有初始化的模型在结构上都是相同的,但参数不同;为了有效提高本地预测模型的预测精度,本实施例中,提出了一种新的预测模型结构,如图2所示,本地处理预测模型包括:
图结构生成模块,用于生成特征图结构的邻接矩阵;特征图结构中,每种特征代表1个节点;
图学习模块,用于学习特征图结构中每一条边的权重,得到拓扑图结构;
以及维度校正模块,用于根据拓扑图结构预测未来出力功率序列。
本实施例所建立的具有上述结构的本地预测模型,在进行光伏发电功率预测时,能够充分考虑各项特征之间的内在联系,进一步提高预测精度。模型中,各模块的具体实现如下:
(1)图结构生成模块:
图结构生成模块可以根据输入序列的维度以及特征数,自动生成可以自动迭代更替的图结构(节点和连接矩阵),从而反映序列数据每个特征之间的相互联系。图结构的数学表达式为:
其中ν为节点信息,ε为边信息。假设图中包含a个图节点和b个边界,那么:
为了简化表示,一般可以使用邻接矩阵A来表示一个图结构,利用邻接矩阵A来表示的边界和节点信息。其表示方法如下:
具体而言,假设的输入数据为其中m为输入序列的长度,n表示特征中包含的数据种数,本实施例中,n=10。那么,图结构生成模块则需要生成一个n个节点的邻接矩阵/>该邻接矩阵中记录了各项特征之间的内在联系。为了生成该邻接矩阵A,本实施例中,图结构生成模块具体包括:节点嵌入子模块和饱和校正子模块;
节点嵌入子模块,用于按照E=E1W2(E2W2)T-E2W2(E1W1)T生成节点嵌入信息E;E1和E2为两个长度为n的随机排列信息,以E1为例,具体可通过E1=shuffle([1,2,3,…,n]T)的方式生成E1,shuffle()表示shuffle函数,用于将数组中的元素按随机顺序重新排列;W1和W2分别为E1和E2的权重,为可学习的参数;
饱和校正子模块,用于利用tanh函数将节点嵌入信息E映射到[-1,1]区间后,按照生成特征图结构的邻接矩阵A;α为可学习的超参数,RELU表示ReLU激活函数,其表达式为:
本实施例中,饱和校正子模块首先使用tanh函数将输入矩阵映射到[-1,1]区间。Tanh是一种非线性激活函数,可以增强提出方法的非线性特性,以避免模型只提取线性表征特性而忽视了非线性关系。相对于sigmoid函数而言,tanh的中心在0处,因此收敛特性更好。超参数α,可以调节tanh激活函数的饱和特性,使得tanh函数不至于出现输入过大或者过小而引起的过饱和和欠饱和现象。需要说明的是,经过tanh函数进行非线性激活后,邻接矩阵为一个实数矩阵,当节点个数较多时,计算量会成指数增加。本实施例在tanh函数的基础上,采用ReLU作为生成图结构的输出,保证小于0的输入直接输出为0,而输出大于0的部分保留不变,这样做能够在一定程度上稀疏邻接矩阵,简化后续的图学习计算过程。
(2)图学习模块:
可选地,本实施例中,图学习模块具体为多头图注意力模块(Multi-head GAT),其主要功能为:给定输入的序列数据,可以根据对应的图结构对其进行学习,从而映射出输入与输出目标序列之间的非线性关系。本实施例中,利用多头图注意力模块实现图学习模块,可以学习图结构中每一条边的权重,利用权重来反映不同节点之间的联系。通过不断的更新学习,可以得到一个最优的拓扑图结构,来表征输入序列数据的空间相关性。通过这种方式,可以训练出一个泛化能力较强,鲁棒性较高的图学习网络来预测随机性强的新能源序列数据。
多头图注意力模块学习权重的原理如下:
Multi-head GAT是由多个独立GAT拼接而成的。对于multi-GAT中的第k个GAT而言,假设输入的序列数据为:
其中n为输入的特征数,h为每个特征的序列为输入序列的长度。举个例子,假设预测步长为/>及网络输出长度为Ly,那么Lx≥Ly。一般来说,输入长度的典型值为Lx=4Ly。接着,首先对输入进行线性变换,从而增强表征能力。然后,将他们拼接起来输入到注意力中,其公式如下所示:
其中,为注意力函数,/>为可以学习的线性变化的权重。/>为拼接操作,/>也是一个可学习的注意力参数。
对于一个图结构而言,其边界v:i→j∈ε的注意力分数如下所示。
值得注意的是,是节点i在图/>的临近节点集。fLR:R→R是一个非饱和的非线性激活函数,其公式如下:
fLR=max(0,x)+0.2min(0,x)
因此,第k个GAT的输出为:
其中σ为sigmoid激活函数。考虑到的图学习模块采用的是多头图注意力模块(Multi-head GAT),因此最终图学习模块的总输出为:
其中为multi-head GAT中GAT的总个数。最终的输出维度为/>
(3)维度校正模块:
对于一个预测模型,输出的维度要与预测的步长直接相关。举个例子,假设一个点预测模型需要预测未来24个时间步长的数据,那么该预测模型的输出则应该为对于模型而言,输入为一个二维的矩阵/>输出应该与预测步长Ly保持一致,因此需要一个具有表征能力的降维模块来解决这个问题。因此,本实施例提出了一个有效的降维方式,其公式如下:
为一个可学习线性变换权重,可以将输入矩阵压缩到一维。/>为的可更新学习的偏置项。因此,最终可以的到一个预期的输出项/>代表需要预测的未来Ly个数据。/>为一个1-D卷积层,卷积核大小为3,因此可以有效的将维度降低到/>卷积的具体公式如下:
其中可学习参数
为了实现上述功能,本实施例中,维度校正模块具体包括依次连接的三个全连接层。
本实施例基于上述结构在每个新能源发电主体本地建立的本地预测模型中,图结构生成模块,实现了一种动态图结构生成技术,其以特征中的每一项数据为图节点,可以在每个迭代中不断更新图结构从而得到最佳的图结构,这使得该模型能有效的提取各特征节点之间的成对内在拓扑关联。另外,使用带权重的图边界可以映射每个特征之间的关联程度,从而获得更好的拟合效果。对于生成的图连接矩阵,进一步采用了一种饱和度校正的tanh激活层以选择合适的饱和度。图学习模块采用了多头图注意力网络(Multi-head GAT)来提取序列数据以及生成的图结构,并且利用attention结构进一步提取特征内部的时间相关性以及特征之间的内在联系,以整合更高维度的序列信息。输出维度校正模块,其利用三层改进型非线性全连接层来凝聚图学习得到的高维信息,并且将其转化为低维度的序列信息,以得到指定长度的准确的预测数据。总的来说,本实施例所建立的本地预测模型,能够有效提取多新能源发电主体的特征序列的时空相关性。
在步骤(S1)所建立的本地预测模型和本地预测数据集的基础上,本实施例中,步骤(S2)具体包括:在各新能源发电主体本地,利用本地预测数据集对当前的本地预测模型进行训练,训练结束后,将本地预测模型的模型参数上传至中心服务器,以使得中心服务器计算模型参数的平均值,完成模型参数聚合,并将聚合后的模型参数下发至各新能源发电主体。
本实施例在各新能源发电主体本地,利用本地预测数据集对当前的本地预测模型进行训练,能够使得每个本地预测模型在训练过程中提取到本地的隐层特征,训练结束后,每个本地预测模型可以学习到本地的出力功率(光伏发电功率)模型的特征。对于任意第i个光伏发电站而言,本地预测模型对于第t个预测时刻的预测结果为:
其中,xi(t)表示第t个预测时刻输入本地预测模型的特征序列,wi表示本地预测模型中的模型参数,Φ()表示本地预测模型;
本地训练的目标可设定为:
其中,N表示本地预测数据集中样本的数量,yi(t)表示第t个预测时刻的出力功率序列的实际值;
训练过程中,使用Adam算法来训练本地预测模型的参数,Adam算法是一种常用解决最小化优化问题的算法,通过这种方式,每个本地预测模型可以较好地学习到本地的光伏功率模式的特征。
本实施例在本地预测模型训练结束后,将模型参数上传至中心服务器由中心服务器进行聚合,能够充分融合不同新能源发电主体之间的时空信息,并且由于各新能源发电主体内部的数据集和模型参数对于其他新能源发电主体而言不可见,因此,有效保证了多新能源发电主体之间的隐私信息不被泄露。为了进一步保证隐私安全,作为一种优选的实施方式,本实施例的步骤(S2)中,训练结束后,将本地预测模型的模型参数上传至中心服务器前,还包括:利用同态加密算法对待上传的模型参数进行加密;由于同态加密算法具有线性可加性,使得中心服务器不需要解密即可实现模型参数的聚合,通过这种方式,可以保证新能源发电主体的隐私信息既不会泄露给其他新能源发电主体,也不会泄露给中心服务器,进一步提高了隐私信息的安全性。
同时,由于本实施例中,所建立的本地预测模型中,图结构生成模块和图学习模块完成了特征的拓扑结构信息的提取,这两个模块的参数属于空间部分参数,相对地,维度校正模块的参数则可以视为时间部分参数。多主体光伏出力具有类似的空间相关性,适合进行协同学习,但是其时间相关性,尤其是长期的时间相关性,具有异质性,因此不适合上传数据中心进行协同学习。基于这一发现,为了在保证预测性能的基础上,有效地降低通信开销,作为一种优选的实施方式,本实施例的步骤(S2)中,在每个新能源发电主体本地的模型训练完成后,仅上传各模型的空间部分参数至中心服务器进行聚合。
具体而言,给定第i个风电场的本地模型的为Φ(wi),则其模型参数可分为时间部分和空间部分首先将/>进行同态加密,加密过程简化如下:
其中ki为第i个新能源发电主体的密钥,表示加密后的模型参数;Θe表示同态加密,可选地,本实施例具体选用了基于Learningwitherror(LWE)的同态加密算法,该加密方法具有同态可加性,即:
其中,表示光伏发电站的个数;
因此,可以通过如下方式聚合所有新能源发电主体上传的模型参数,得到全局模型参数:
其中,wglobal表示聚合所得的全局模型参数。
基于步骤(S2),本实施例中,各新能源发电主体在不泄露本地隐私信息的情况下获取到了全局参数,在此基础上,本实施例的步骤(S3)具体包括:在各新能源发电主体本地,利用聚合后的模型参数对当前的本地预测模型进行更新后,利用本地预测数据集对本地预测模型进行训练,以对本地预测模型的参数进行微调,得到各新能源发电主体本地的出力预测模型。
本实施的步骤(S3)利用全局模型参数对本地预测模型进行更新后,即使得各本地预测模型学习到了全局信息,实现了协同学习;容易理解的是,由于本实施例中,上传并聚合的为加密后的模型参数,因此,在新能源发电主体本地利用全局模型参数对本地预测模型进行更新之前,需要先对全局模型参数进行解密。
本实施例在模型更新后,利用本地数据集对模型再次进行训练,实现了对本地预测模型的个性化微调,生成具有不同参数的本地预测模型,从而有助于优化不同新能源发电主体的出力预测准确度。
容易理解的是,上述步骤(S2)~(S3)所述的本地训练-模型参数上传并聚合-本地微调的过程可重复执行多次,以进一步提高出力预测模型的准确度,具体是否需要重复,以及具体重复的次数,则可以根据实际的预测需求相应设定。
总的来说,本实施例在各新能源发电主体本地建立本地预测模型并利用本地数据集对其进行训练,使得每个本地预测模型学习到本地的处理功率模式的特征,之后通过模型参数聚合替代数据集共享的方式,实现协同学习,使各本地预测模型学习到全局信息,并在聚合后的模型参数的基础上利用本地数据集对模型进行本地化的微调,通过这种模型训练方式实现了联邦学习,由此在不泄露隐私的情况下,充分利用多新能源发电主体间数据的时空关联性,在此基础上,通过模型结构的改进,使其能够学习到特征数据自身的时空关联性,即特征与特征之间的内在联系,从而在出力预测过程中,能够进一步充分利用特征数据的时空关联性,有效提高新能源出力预测精度。
实施例2:
一种考虑隐私保护的新能源并网系统出力预测方法,包括:对于新能源并网系统中的任意一个新能源发电主体,执行如下出力预测步骤,以预测其出力功率:
出力预测步骤:收集预测时刻之前预设长度为Lx的历史特征序列,输入至新能源发电主体本地的出力预测模型,得到预测时刻及其后长度为Ly的出力功率序列;
其中,新能源发电出体的出力预测模型由上述实施例1提供的考虑隐私保护的新能源并网系统出力预测模型建立方法训练得到;Lx为历史特征序列长度,Ly为出力功率序列长度。
实施例3:
一种考虑隐私保护的新能源并网系统出力预测系统,包括:N个出力预测器,分别用于预测新能源并网系统中的N个新能源发电主体的出力功率;
出力预测器包括:计算机可读存储介质和处理器;
计算机可读存储介质用于存储计算机程序;
处理器用于读取计算机可读存储介质中的程序,执行上述实施例2提供的考虑隐私保护的新能源并网系统出力预测方法中的出力预测步骤;
其中,N为新能源并网系统所包含的新能源发电主体数量。
以下结合在实际数据集上的预测效果对本发明所能取得的有益效果做进一步的分析与验证。
实例验证选择了法国的光伏数据做为数据集,且均可在RenewableNinjia官网上下载。为了验证提出的预测方法在新能源配电网中的预测效果,具体使用了法国三城市,巴黎(Paris)、鲁昂(Rouen)和亚眠(Amiens)每小时的配电网光伏数据集。数据集的时间尺度为2019年1月1日0点到2019年12月31日24点(UTC时间),数据可见Renewable ninja官网(https://www.renewables.ninja/)。数据集包含的特征包括:光伏发电功率、直射光照辐射、散射光照辐射、温度、降雨量、降雪量、空气密度、地面太阳辐射、云层太阳辐射和云层覆盖比例。
为了衡量提出方法预测的准确性,在验证过程中,具体使用了MAE(mean absoluteerror),MSE(mean square error),MAPE(mean absolute percentage error),MSPE(meansquared percentage error)作为衡量指标,并且和其他对比模型进行比较。容易理解的是,这些指标均为误差衡量指标,值越小代表的预测效果越好。假设真实值序列为Y=[y1,y2,…,yn],预测值为则这些衡量指标的计算公式分别如下:
利用Paris的配电网PV数据集进行测试,将预测步长设置为1步,及预测未来1个小时的出力功率,其结果如表1所示。作为对比,使用了三个基线模型作为对比验证模型的优越性,这三个对比模型分别为:卷积神经网络(Convolutional Neural Network,CNN),门控循环单元(Gate Recurrent Unit,GRU),图卷积神经网络(Graph Convolution Network,GCN)。
表1Paris模型精度验证(步长为1h)
根据表1所示结果可以看出,本发明所提供的出力预测方法在1小时的预测步长中具有显著的性能增强。具体而言,本发明在MAE精度上比CNN,GRU和GCN分别高出了14.1%,38%和29.5%,说明本发明在1小时步长预测上有着很显著的提升。同样的,本发明在其他评价指标上相对于其他对比模型也有着不同程度的提升,这也验证了的模型在预测精度上相对于其他模型具有更好的预测效果。
另外,还在24小时的预测尺度上做了对比试验,实验结果如表2所示。可以看出,本发明在24小时预测步长上也有着较为优越的性能,能够在预测误差上超过其他对比模型。
表2Paris模型精度验证(步长为24h)
为了更清楚直观地展示预测结果,将一部分预测曲线展示在图3中,其中,“Ours”表示本发明所提供的预测方法的预测结果。需要说明的是,选择的展示预测步长为24小时,随机展示了2天的数据作为对比。从图3可以看出,在所有预测方法中,本发明是最接近真实值的,这也验证了本发明的优越性。
在Rouen数据集上做了两组对比试验,测试了对比模型和本发明在两个不同的预测步长(1小时和24小时)上的预测性能,对比实验结果如表3和表4所示,预测曲线对比见图4。
可以看出本方法在Rouen数据集中也有着较为优越的预测性能。
表3Rouen模型精度验证(步长为1h)
表4Rouen模型精度验证(步长为24h)
同样的,为了验证的方法的鲁棒性,在Amiens数据集上做了两组对比试验,测试了对比模型和提出的方法在两个不同的预测步长(1小时和24小时)上的预测性能。对比实验结果如表5,表6和图5所示。
表5Amiens模型精度验证(步长为1h)
表6 Amiens模型精度验证(步长为24h)
可以看到本发明在不同的预测步长下均有着优越的预测性能,充分说明了本发明在不同数据集上相对于其他现有模型均具有更优的预测性能,也即是说,本发明具有较强的鲁棒性。
综上,本发明首先,分别将各新能源主体的新能源出力相关的本地数据集中的特征向量输入基于本地预测模型进行本地学习,提取本地特征,经过几次本地迭代训练后,得到本地模型。接着,经过隐私保护的参数聚合后,获得融合全局信息的全局模型,可以更好的提取多新能源主体之间的时空相关性。对于本地预测模型而言,本发明所提出的模型结构部,更够自动的学习图结构以及图节点权重,因此可以不断更新获得最优的图结构,以提取最优的特征关联性。最终,本发明可以在保证不同新能源主体的隐私被保护的情况下,融合各主体的本地特征,充分提取不同主体之间的时空相关性,从而获得可靠的多新能源出力预测结果,对于具有高随机性的时间序列预测研究具有指导意义。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种考虑隐私保护的新能源并网系统出力预测模型建立方法,其特征在于,包括:
(S1)在各新能源发电主体本地,基于相同的网络结构建立本地预测模型,并建立由历史特征序列和未来出力功率序列组成的本地预测数据集;
所述本地预测模型包括:
图结构生成模块,用于生成特征图结构的邻接矩阵;所述特征图结构中,每种特征代表1个节点;
图学习模块,用于学习所述特征图结构中每一条边的权重,得到拓扑图结构;
以及维度校正模块,用于根据所述拓扑图结构预测未来出力功率序列;
(S2)在各新能源发电主体本地,利用本地预测数据集对当前的本地预测模型进行训练,训练结束后,将本地预测模型的模型参数上传至中心服务器,以使得所述中心服务器计算模型参数的平均值,完成模型参数聚合,并将聚合后的模型参数下发至各新能源发电主体;
(S3)在各新能源发电主体本地,利用聚合后的模型参数对当前的本地预测模型进行更新后,利用本地预测数据集对本地预测模型进行训练,以对本地预测模型的参数进行微调,得到各新能源发电主体本地的出力预测模型。
2.如权利要求1所述的考虑隐私保护的新能源并网系统出力预测模型建立方法,其特征在于,所述图结构生成模块包括:
节点嵌入子模块,用于按照E=E1W2(E2W2)T-E2W2(E1W1)T生成节点嵌入信息E;
饱和校正子模块,用于利用tanh函数将节点嵌入信息E映射到[-1,1]区间后,按照生成所述特征图结构的邻接矩阵A;
其中,E1和E2为两个长度为n的随机排列信息,n表示特征中包含的数据种数;W1和W2分别为E1和E2的权重;α为超参数;RELU表示ReLU激活函数。
3.如权利要求2所述的考虑隐私保护的新能源并网系统出力预测模型建立方法,其特征在于,所述图学习模块为多头图注意力模块。
4.如权利要求3所述的考虑隐私保护的新能源并网系统出力预测模型建立方法,其特征在于,所述维度校正模块包括依次连接的多个全连接层。
5.如权利要求1~4任一项所述的考虑隐私保护的新能源并网系统出力预测模型建立方法,其特征在于,所述步骤(S2)中,训练结束后,上传至中心服务器的模型参数仅为图结构生成模块和图学习模块的参数。
6.如权利要求1~4所述的考虑隐私保护的新能源并网系统出力预测模型建立方法,其特征在于,所述步骤(S2)中,训练结束后,将本地预测模型的模型参数上传至中心服务器前,还包括:利用同态加密算法对待上传的模型参数进行加密;
并且,所述步骤(S3)中,在各新能源发电主体本地,利用聚合后的模型参数对当前的本地预测模型进行更新之前,还包括:对接收到的模型参数进行解密。
7.如权利要求1~4任一项所述的考虑隐私保护的新能源并网系统出力预测模型建立方法,其特征在于,在所述步骤(S3)之后还包括:重复执行(S2)~(S3),至达到预设的迭代次数。
8.一种考虑隐私保护的新能源并网系统出力预测方法,其特征在于,包括:对于所述新能源并网系统中的任意一个新能源发电主体,执行如下出力预测步骤,以预测其出力功率:
出力预测步骤:收集预测时刻之前预设长度为Lx的历史特征序列,输入至新能源发电主体本地的出力预测模型,得到预测时刻及其后长度为Ly的出力功率序列;
其中,新能源发电出体的出力预测模型由权利要求1~8任一项所述的考虑隐私保护的新能源并网系统出力预测模型建立方法训练得到;Lx为历史特征序列长度,Ly为出力功率序列长度。
9.一种考虑隐私保护的新能源并网系统出力预测系统,其特征在于,包括:N个出力预测器,分别用于预测所述新能源并网系统中的N个新能源发电主体的出力功率;
所述出力预测器包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储计算机程序;
所述处理器用于读取所述计算机可读存储介质中的程序,执行权利要求8所述的考虑隐私保护的新能源并网系统出力预测方法中的出力预测步骤;
其中,N为新能源并网系统所包含的新能源发电主体数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233060.3A CN117411078B (zh) | 2023-09-22 | 2023-09-22 | 一种考虑隐私保护的新能源并网系统出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233060.3A CN117411078B (zh) | 2023-09-22 | 2023-09-22 | 一种考虑隐私保护的新能源并网系统出力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117411078A true CN117411078A (zh) | 2024-01-16 |
CN117411078B CN117411078B (zh) | 2024-06-14 |
Family
ID=89486225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311233060.3A Active CN117411078B (zh) | 2023-09-22 | 2023-09-22 | 一种考虑隐私保护的新能源并网系统出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117411078B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
CN113497445A (zh) * | 2021-09-08 | 2021-10-12 | 国网江西省电力有限公司电力科学研究院 | 一种区域多尺度新能源电站出力联合预测方法及系统 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN115062856A (zh) * | 2022-06-28 | 2022-09-16 | 广东电网有限责任公司 | 基于电网私有云的新能源厂站中期出力预测方法和系统 |
WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
CN116050504A (zh) * | 2023-02-03 | 2023-05-02 | 新疆大学 | 一种基于深度学习的风电功率短期预测模型 |
CN116756540A (zh) * | 2023-04-26 | 2023-09-15 | 云南电网有限责任公司电力科学研究院 | 电网静态安全风险的预测方法、装置、设备及存储介质 |
-
2023
- 2023-09-22 CN CN202311233060.3A patent/CN117411078B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及系统 |
WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
CN113497445A (zh) * | 2021-09-08 | 2021-10-12 | 国网江西省电力有限公司电力科学研究院 | 一种区域多尺度新能源电站出力联合预测方法及系统 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN115062856A (zh) * | 2022-06-28 | 2022-09-16 | 广东电网有限责任公司 | 基于电网私有云的新能源厂站中期出力预测方法和系统 |
CN116050504A (zh) * | 2023-02-03 | 2023-05-02 | 新疆大学 | 一种基于深度学习的风电功率短期预测模型 |
CN116756540A (zh) * | 2023-04-26 | 2023-09-15 | 云南电网有限责任公司电力科学研究院 | 电网静态安全风险的预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
PENG XIAOSHENG等: "Short-term wind power prediction based on wavelet transform and convolutional neural networks", 《2020 IEEE/IAS INDUSTRIAL AND COMMERCIAL POWER SYSTEM ASIA》, 29 September 2020 (2020-09-29) * |
杨家俊等: "基于异构图学习的新能源出力预测模型推理方法", 《电力建设》, vol. 44, no. 8, 31 August 2023 (2023-08-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN117411078B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Probabilistic solar irradiation forecasting based on variational Bayesian inference with secure federated learning | |
CN110059878B (zh) | 基于cnn lstm光伏发电功率预测模型及其构建方法 | |
Lam et al. | Solar radiation modelling using ANNs for different climates in China | |
Hassan et al. | Selection methodology of representative meteorological days for assessment of renewable energy systems | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
Kaplan et al. | Developing a new model in solar radiation estimation with genetic algorithm method | |
Gao et al. | A hybrid improved whale optimization algorithm with support vector machine for short-term photovoltaic power prediction | |
Gómez et al. | Evaluation of a particle swarm optimization based method for optimal location of photovoltaic grid-connected systems | |
Edalati et al. | Modelling and drawing energy and exergy of solar radiation | |
Jinpeng et al. | A hybrid predicting model for the daily photovoltaic output based on fuzzy clustering of meteorological data and joint algorithm of GAPS and RBF neural network | |
CN117411078B (zh) | 一种考虑隐私保护的新能源并网系统出力预测方法 | |
Zhang et al. | A data transfer method based on one dimensional convolutional neural network for cross-building load prediction | |
Li et al. | Grading surface urban heat island and investigating factor weight based on interpretable deep learning model across global cities | |
Becker | Prediction of Short‐Term Climate Extremes with a Multimodel Ensemble | |
Liao et al. | Wind power prediction based on periodic characteristic decomposition and multi-layer attention network | |
Qin et al. | Geometric deep-learning-based spatiotemporal forecasting for inverter-based solar power | |
Wu et al. | Prediction of egional temperature change trend based on LSTM algorithm | |
Gupta et al. | Prediction of Global Horizontal Irradiance Using an Explainable Data Driven Machine Learning Algorithms | |
Zhang et al. | Prediction of direct normal irradiation based on CNN-LSTM model | |
Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network | |
Park et al. | Predictive model for solar insolation using the deep learning technique | |
Zhang et al. | Prediction of direct normal irradiance based on ensemble deep learning models | |
Shan et al. | ACGL-TR: A deep learning model for spatio-temporal short-term irradiance forecast | |
Cheikh et al. | Deep CNN-LSTM Autoencoder for Solar Irradiation Prediction |
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 |