CN116502074A - 一种基于模型融合的光伏发电功率预测方法及系统 - Google Patents
一种基于模型融合的光伏发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN116502074A CN116502074A CN202310769184.7A CN202310769184A CN116502074A CN 116502074 A CN116502074 A CN 116502074A CN 202310769184 A CN202310769184 A CN 202310769184A CN 116502074 A CN116502074 A CN 116502074A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- time sequence
- data
- features
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 239000000203 mixture Substances 0.000 claims abstract description 15
- 230000001932 seasonal effect Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06N3/044—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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种基于模型融合的光伏发电功率预测方法及系统，涉及光伏发电技术领域。其首先获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据。然后，分别利用GAF‑CNN网络模型和LSTM‑Attention网络模型提取光伏发电时序数据的长时序特征和短时序特征，采用多模型融合的方式将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果，从而提高分布式光伏发电功率的预测精度。
Description
技术领域
本发明涉及光伏发电技术领域，具体而言，涉及一种基于模型融合的光伏发电功率预测方法及系统。
背景技术
传统化石能源储量的快速下降使得可再生能源的市场不断扩大，成为经济增长的重要部分。太阳能以其储量丰富、清洁高效等优势成为最理想的替代能源。光伏发电作为太阳能利用的主要形式，近年来取得了快速的发展。但由于太阳能随昼夜、季节、气象因素的不断变化导致光伏发电具有间歇性和不确定性，使其在大规模并入电网后给电网的管理调度带来巨大的挑战，因此光伏发电预测的准确性对于光伏的发展具有重要意义。
现有的预测方法大部分为时间序列法、回归法、人工神经网络预测、专家系统法等。专利CN113919545A中提出利用支持向量机回归、多元线性回归、贝叶斯岭回归模型等多个回归模型进行融合，并用Q-learning算法融合各子模型的预测结果，从而通过模型融合提升预测精度，但是却忽略了最原始的数据特征的影响。专利CN115222024B中提出通过搭建基于门控循环神经网络的光伏预测神经网络，并在该网络的输入层处搭建用于特征选择的深度强化学习特征选择网络进行特征选择，从而提升预测精度。这种方法对于单一、小规模的光伏功率预测效果较好，但是不能解决光伏发电功率对气象因素的突变性以及多依赖性的问题。因此，如何快速准确的预测光伏发电功率是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种基于模型融合的光伏发电功率预测方法及系统，通过多模型融合的方式分别提取光伏时间序列数据中的长、短时序特征，将长、短时序特征进行特征融合并预测输出最终的光伏发电功率预测结果，以提高分布式光伏发电功率的预测精度。
为解决上述技术问题，本发明采用的技术方案为：
第一方面，本申请提供一种基于模型融合的光伏发电功率预测方法，其包括：
获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据；
利用基于GAF-CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征；
将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征；
通过基于GAF-CNN-LSTM-Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。
进一步的，上述获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据的步骤包括：
获取待预测区域的历史气象数据进行预处理，并按季节划分为季节性数据；
基于季节性数据对预设的气象指标进行描述性统计特征提取，并利用高斯混合模型对提取的特征进行聚类，得到对应的天气类型聚类结果；
获取待预测区域的历史光伏发电功率数据，根据上述天气类型聚类结果分别提取不同天气类型下的光伏发电功率数据，形成光伏发电时序数据。
进一步的，上述获取待预测区域的历史气象数据进行预处理的步骤包括：
获取待预测区域的历史气象数据，利用Box-Cox变换方法对历史气象数据的异常值进行剔除，并采用线性插值法对缺失值进行填充，得到完整的历史气象数据。
进一步的，上述利用基于GAF-CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征的步骤包括：
利用GAF方法将一维的光伏发电时序数据转化为二维矩阵图像；
利用预设的CNN网络提取图像的空间特征和隐藏特征，得到对应的短时序特征。
进一步的，上述将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征的步骤包括：
将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据；
对多变量光伏发电时序数据进行归一化处理，并进行滚动切分，得到多组待检测数据；
将每组待检测数据分别输入预设的基于LSTM-Attention的网络模型中进行特征提取，得到对应的长时序特征。
进一步的，还包括：通过MAE指标对基于GAF-CNN-LSTM-Attention的功率预测混合模型进行效果评价，计算公式为：
；
其中，n为参与评价的样本个数，为光伏发电功率的预测值，/>为光伏发电功率的真实值。
第二方面，本申请提供一种基于模型融合的光伏发电功率预测系统，其包括：
数据聚类模块，用于获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据；
短时特征提取模块，用于利用基于GAF-CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征；
长时特征提取模块，用于将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征；
特征融合预测模块，用于通过基于GAF-CNN-LSTM-Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。
第三方面，本申请提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项上述的方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
相对于现有技术，本发明至少具有如下优点或有益效果：
本申请提供一种基于模型融合的光伏发电功率预测方法及系统，首先获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据。然后，利用基于GAF-CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征，极大程度地保留时间序列的完整性和时间依赖性。同时，将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征，降低模型预测误差。最后通过功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果，从而提高分布式光伏发电功率的预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明提供的一种基于模型融合的光伏发电功率预测方法一实施例的步骤框图；
图2为本发明提供的一种基于模型融合的光伏发电功率预测方法一实施例的流程示意图；
图3为本发明提供的一种基于模型融合的光伏发电功率预测方法一实施例的历史数据特征提取的步骤示意图；
图4为本发明提供的一种基于模型融合的光伏发电功率预测系统一实施例的结构框图；
图5为本发明实施例提供的一种电子设备的结构框图。
图标：1、存储器；2、处理器；3、通信接口；11、数据聚类模块；12、短时特征提取模块；13、长时特征提取模块；14、特征融合预测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
实施例
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
请参照图1和图2，本申请实施例提供一种基于模型融合的光伏发电功率预测方法，该方法包括以下步骤：
步骤S1：获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据。
上述步骤中，首先获取待预测区域的历史数据，按照所在区域的季节划分，可将气象数据划分为几块季节性数据，然后针对每块季节性数据，以日为单位进行特征提取。基于提取的特征采用高斯混合模型进行聚类，分别得到不同季节下的晴天、阴天、雨天以及其它等类别的天气日。之后根据聚类结果分别提取不同季节下不同天气类型的光伏发电数据，形成光伏发电时间序列数据。具体的，请参照图3，该过程主要包括以下步骤：
步骤S1-1：获取待预测区域的历史气象数据进行预处理，并按季节划分为季节性数据。
上述步骤中，首先获取待预测区域至少为期一年的历史气象数据，主要包括以下指标数据：光辐射强度、云量、温度、湿度、风向、风速、降雨量等。然后对数据进行预处理。示例性的，可以利用Box-Cox变换方法对历史气象数据的异常值进行剔除，并采用线性插值法对缺失值进行填充，得到完整的历史气象数据。之后，将为期一年的气象数据按照季节划分为不同季节性气象数据。其中，Box-Cox是统计建模中的一种数据变换方式，用于连续变量不满足正态分布的情况，可以一定程度上减小不可观测的误差。具体公式如下：
；
其中，为经过变换后的新变量，/>为原始连续型变量，/>为变换参数；在/>=0时为对数变换，/>=-1时为倒数变换，/>=0.5时为平方根变换。
步骤S1-2：基于季节性数据对预设的气象指标进行描述性统计特征提取，并利用高斯混合模型对提取的特征进行聚类，得到对应的天气类型聚类结果。
上述步骤中，针对每种季节性气象数据，以“日”为单位对预设的气象指标进行描述性统计特征提取，主要包括以下特征：日最大值、日最小值、日平均值、日方差等。然后根据提取的日描述性统计特征，采用高斯混合模型对日特征进行聚类，分别得到各个季节下晴天、阴天、雨雪天以及其它类型的天气日聚类结果。其中，高斯混合模型的公式如下：
；
其中，K为模型的个数，即聚类的个数；为属于第k个高斯聚类的概率，其需要满足大于零，且对一个x而言，/>之和等于1；/>为第k个高斯聚类的概率密度，其均值向量为/>；/>为协方差矩阵。
步骤S1-3：获取待预测区域的历史光伏发电功率数据，根据上述天气类型聚类结果分别提取不同天气类型下的光伏发电功率数据，形成光伏发电时序数据。
上述步骤根据天气类型聚类结果分别提取不同季节下不同天气类型对应的光伏发电功率数据，形成光伏发电时间序列数据用于后续进一步的特征提取。
步骤S2：利用基于GAF-CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征。
该步骤主要包括：
步骤S2-1：利用GAF方法将一维的光伏发电时序数据转化为二维矩阵图像。
上述步骤中，GAF（Gramian Angular Field，格拉姆角场）方法是将笛卡尔坐标系下的一维时间序列，转化为极坐标系表示，再使用三角函数生成GAF矩阵。计算公式如下：
；
其中，为时间戳，N为将极坐标的单位长度分成N等份，/>为归一化之后的时间序列值，/>为归一化之后的时间序列。通过上式可以得到GAF矩阵，如下所示：
；
其中，为第i个时间点在极坐标上的角度。
GAF矩阵的维度大小于与时间序列的长度有关，较长的时间序列长度会导致GAF矩阵维度增大，计算效率较低。基于此，上述步骤S1中的数据处理方法将较长的时序数据划分为不同季节，不同天气下的时序数据，保留序列趋势的同时缩短了序列长度，有效地降低了生成的GAF矩阵的维度，有利于提高计算效率。利用GAF方法，可以将一维的时间序列转化为二维图像，极大程度的保留时间序列的完整性和时间依赖性。
步骤S2-2：利用预设的CNN网络提取图像的空间特征和隐藏特征，得到对应的短时序特征。
上述步骤中，构建的CNN网络模型主要包括输入层、二维卷积层、池化层、全连接层和输出层等。由于具备稀疏连接、权值共享以及池化操作等特点，使得CNN在拥有较少网络层数的情况下依然具备较高的表达能力。此外CNN引入卷积核，减少了参数连接和过拟合的风险，还可实现参数共享。其中的池化操作，对特征起到二次提取的作用，极大的减少计算量。示例性的，模型中采用Adam优化算法最小化网络的损失函数，并采用MSE指标作为损失函数。从而将获取的GAF二维图像输入到搭建好的CNN网络模型中，可获取光伏时间序列在二维图像中隐藏的时序特征和短时序特征。
步骤S3：将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征。
上述步骤中，首先将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据。其中，气象数据包括光辐射强度、云量、温度、湿度、风向、风速、降雨量等。然后对多变量光伏发电时序数据进行归一化处理，并进行滚动切分，得到多组待检测数据。之后，将每组待检测数据分别输入预设的基于LSTM-Attention的网络模型中进行特征提取，得到对应的长时序特征。
具体的，每组待检测数据包括检测数量以及特征变量，将每组数据分别输入到所构建的多层的LSTM网络中，利用LSTM具有的记忆功能，提取光伏发电功率、天气等非线性数据的时序变化信息。LSTM网络引入了输入门、遗忘门、输出门，同时还添加了候选态、细胞态和隐状态。通过细胞态存储长期记忆，可以缓解梯度消失的问题，并通过隐状态存储短期记忆。多层的LSTM网络中信息会逐层传递，直到最后一层LSTM隐藏层的输出会进入Attention（注意力机制）层。注意力机制可以提高LSTM中重要时间步的作用，从而进一步降低模型预测误差。LSTM隐藏层输出向量作为注意力层的输入，其本质上就是求最后一层LSTM输出向量的加权平均和。最后通过一个全连接层进行训练，再对全连接层的输出使用softmax函数进行归一化，得出每一个隐藏层向量的分配权重。其中，权重大小表示每个时间步的隐状态对于预测结果的重要程度，其训练过程如下：
；
再利用训练出的权重对隐藏层输出向量求加权平均和，计算结果如下：
；
其中，为每个隐藏层输出的得分，/>为权重系数，/>为加权求和后的结果，/>为最后一层LSTM隐藏层的输出，softmax为激活函数。
步骤S4：通过基于GAF-CNN-LSTM-Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。
上述步骤中，通过GAF-CNN-LSTM-Attention构成的功率预测混合模型对步骤S2和S3提取的短时序特征和长时序特征进行融合，并由位于整个混合网络模型末端的全连接层对融合后的时序特征进行特征变换，最终直接输出下一时刻的光伏发电功率预测数据。
在本发明的一些实施例中，还包括：
通过MAE指标对基于GAF-CNN-LSTM-Attention的功率预测混合模型进行效果评价，以对模型进行优化，其计算公式为：
；
其中，n为参与评价的样本个数，为光伏发电功率的预测值，/>为光伏发电功率的真实值。
基于同样的发明构思，本发明还提出一种基于模型融合的光伏发电功率预测系统，请参照图4，图4为本申请实施例提供的一种基于模型融合的光伏发电功率预测系统的结构框图。该系统包括：
数据聚类模块11，用于获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据；
短时特征提取模块12，用于利用基于GAF-CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征；
长时特征提取模块13，用于将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征；
特征融合预测模块14，用于通过基于GAF-CNN-LSTM-Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。
请参照图5，图5为本申请实施例提供的一种电子设备的结构框图。该电子设备包括存储器1、处理器2和通信接口3，该存储器1、处理器2和通信接口3相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器1可用于存储软件程序及模块，如本申请实施例所提供的一种基于模型融合的光伏发电功率预测系统对应的程序指令/模块，处理器2通过执行存储在存储器1内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口3可用于与其他节点设备进行信令或数据的通信。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种基于模型融合的光伏发电功率预测方法，其特征在于，包括：
获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据；
利用基于GAF-CNN的网络模型对所述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征；
将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征；
通过基于GAF-CNN-LSTM-Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。
2.如权利要求1所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，所述获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据的步骤包括：
获取待预测区域的历史气象数据进行预处理，并按季节划分为季节性数据；
基于季节性数据对预设的气象指标进行描述性统计特征提取，并利用高斯混合模型对提取的特征进行聚类，得到对应的天气类型聚类结果；
获取待预测区域的历史光伏发电功率数据，根据所述天气类型聚类结果分别提取不同天气类型下的光伏发电功率数据，形成光伏发电时序数据。
3.如权利要求2所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，所述获取待预测区域的历史气象数据进行预处理的步骤包括：
获取待预测区域的历史气象数据，利用Box-Cox变换方法对历史气象数据的异常值进行剔除，并采用线性插值法对缺失值进行填充，得到完整的历史气象数据。
4.如权利要求1所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，所述利用基于GAF-CNN的网络模型对所述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征的步骤包括：
利用GAF方法将一维的光伏发电时序数据转化为二维矩阵图像；
利用预设的CNN网络提取图像的空间特征和隐藏特征，得到对应的短时序特征。
5.如权利要求1所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，所述将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征的步骤包括：
将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据；
对多变量光伏发电时序数据进行归一化处理，并进行滚动切分，得到多组待检测数据；
将每组待检测数据分别输入预设的基于LSTM-Attention的网络模型中进行特征提取，得到对应的长时序特征。
6.如权利要求1所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，还包括：通过MAE指标对基于GAF-CNN-LSTM-Attention的功率预测混合模型进行效果评价，计算公式为：
；
其中，n为参与评价的样本个数，为光伏发电功率的预测值，/>为光伏发电功率的真实值。
7.一种基于模型融合的光伏发电功率预测系统，其特征在于，包括：
数据聚类模块，用于获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据；
短时特征提取模块，用于利用基于GAF-CNN的网络模型对所述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征；
长时特征提取模块，用于将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM-Attention的网络模型进行特征提取，得到对应的长时序特征；
特征融合预测模块，用于通过基于GAF-CNN-LSTM-Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。
8.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的一种基于模型融合的光伏发电功率预测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于模型融合的光伏发电功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769184.7A CN116502074A (zh) | 2023-06-28 | 2023-06-28 | 一种基于模型融合的光伏发电功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769184.7A CN116502074A (zh) | 2023-06-28 | 2023-06-28 | 一种基于模型融合的光伏发电功率预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502074A true CN116502074A (zh) | 2023-07-28 |
Family
ID=87330539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310769184.7A Pending CN116502074A (zh) | 2023-06-28 | 2023-06-28 | 一种基于模型融合的光伏发电功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502074A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117353302A (zh) * | 2023-12-04 | 2024-01-05 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
| CN118627017A (zh) * | 2024-08-13 | 2024-09-10 | 杭州电子科技大学 | 一种基于低频采样和特征融合的非侵入式负荷识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
-
2023
- 2023-06-28 CN CN202310769184.7A patent/CN116502074A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张淑清等: ""基于格拉姆角场与改进的风电功率预测方法"", 《电网技术》, pages 1540 - 1548 * |
| 王艺霏等: ""基于长-短时序特征融合的资源负载预测模型"", 《计算机应用》, pages 1508 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117353302A (zh) * | 2023-12-04 | 2024-01-05 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
| CN117353302B (zh) * | 2023-12-04 | 2024-02-13 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
| CN118627017A (zh) * | 2024-08-13 | 2024-09-10 | 杭州电子科技大学 | 一种基于低频采样和特征融合的非侵入式负荷识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
| CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
| Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
| CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
| CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
| CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
| CN115115125B (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
| CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
| CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| CN114792158A (zh) | 基于时空融合图神经网络的多风电场短期功率预测方法 | |
| He et al. | A power forecasting approach for PV plant based on irradiance index and LSTM | |
| CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN111275256A (zh) | 一种基于图像特征提取的光伏发电功率日前预测方法 | |
| CN115456235A (zh) | 一种基于多模态融合的光伏功率预测系统 | |
| Ziyabari et al. | Short-term solar irradiance forecasting based on multi-branch residual network | |
| Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification | |
| Kaushik et al. | Performance Analysis of Regression Models in Solar PV Forecasting | |
| CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 | |
| CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 | |
| CN114418167A (zh) | 一种基于高原山地多元气象新能源发电功率预测优化方法 | |
| CN113449466A (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230728 |