一种风光功率联合预测模型的构建方法、系统及预测方法技术方案

本发明专利技术公开了一种风光功率联合预测模型的构建方法、系统及预测方法，包括：利用样本数据集，对全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前全连接神经网络模型对应的联合预测损失值满足预设范围，以训练后的模型作为风光功率联合预测模型；其中，样本数据集包括若干个风电场数据、若干个光伏电站数据、以及预设区域在不同时刻下的第一总风电功率和第一总光伏功率，联合预测损失值是结合风电功率预测损失值和光伏功率预测损失值而计算得到的。本发明专利技术结合实时的风电功率和光伏功率的预测损失值，对模型参数进行迭代优化，使得模型能够学习到风电功率和光伏功率之间的互动耦合关系，进而提升模型的预测精度。模型的预测精度。模型的预测精度。

【技术实现步骤摘要】
一种风光功率联合预测模型的构建方法、系统及预测方法


[0001]本专利技术涉及风光功率预测
，尤其涉及一种风光功率联合预测模型的构建方法、系统及预测方法。

技术介绍

[0002]风光发电功率预测是保障高比例新能源电力系统安全稳定运行的必要前提。从风光电站自身角度出发，准确的功率预测结果一方面可提高风电场与光伏电站的运维水平，降低弃能率；另一方面是其参与电力市场交易的前提，对提高风电与光伏的市场竞争力具有重要意义。
[0003]传统的风光发电功率预测主要可分为物理方法和统计方法。采用物理方法进行风电功率预测时首先考虑地形、海拔及地表粗糙度变化对风电场流场产生的影响，建立风电场计算流体力学模型，以初始数值天气预报结果为输入计算各风电机组轮毂高度处的风况，而后通过机组风速－功率曲线将风速转换为功率，将各台机组功率相加得到整场功率。采用物理方法进行光伏发电功率预测时，以初始数值天气预报结果为输入，结合光伏电站的地理信息和组件参数，基于太阳辐照传递方程、光伏组件运行方程等物理方程计算各光伏阵列出力，对其相加得到整场功率。统计方法采用统计的学习算法建立风光电站运行数据间或数值天气预报数据与运行数据间的映射关系，基于所建立的映射模型进行功率预测。常用方法包括自回归滑动平均模型、卡尔曼滤波、支持向量机、相关向量机、最小二乘法、随机森林、人工神经网络、深度学习、组合方法等。然而，传统的风光发电功率预测仅为分别构建风电或者光伏的预测模型，或者是风电预测模型和光伏预测模型存在独立性，无法同时实现风电和光伏功率的预测。
>
技术实现思路

[0004]本专利技术提供了一种风光功率联合预测模型的构建方法、系统及预测方法，基于风电功率预测损失值和光伏功率预测损失值优化模型参数，以使模型能够学习到风电功率和光伏功率之间的互动耦合关系，并提升模型的预测精度。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种风光功率联合预测模型的构建方法，包括：
[0006]对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，所述样本数据集包括各所述风电场对应的若干个风电场数据、各所述光伏电站对应的若干个光伏电站数据、所述预设区域在不同时刻下的第一总风电功率、以及所述预设区域在不同时刻下的第一总光伏功率；
[0007]按照Adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型；其中，所述联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功
率预测损失值而计算得到的。
[0008]实施本专利技术实施例，在对预搭建的全连接神经网络模型的模型参数值进行迭代优化的过程中，结合风电功率预测损失值和光伏功率预测损失值，计算得到当前全连接神经网络模型对应的联合预测损失值，以作为迭代优化的逼近目标值，不仅能够使得模型学习到风电功率和光伏功率之间的互动耦合关系，还能够多次优化模型的预测精度。
[0009]作为优选方案，所述联合预测损失值的获取，具体为：
[0010]对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据；
[0011]将所述待输入数据输入至当前所述全连接神经网络模型，以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；
[0012]按照预设的算法，根据所有所述第一总风电功率和所有所述第二总风电功率，计算得到所述风电功率预测损失值，并根据所有所述第一总光伏功率和所有所述第二总光伏功率，计算得到所述光伏功率预测损失值；
[0013]分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理，并将所述风电功率预测损失值对应的加权结果和所述光伏功率预测损失值对应的加权结果相加，以获得所述联合预测损失值。
[0014]实施本专利技术实施例的优选方案，通过当前全连接神经网络模型，输出样本数据集中所有风电场数据和所有光伏电站数据对应的预测值——若干个第二总风电功率和若干个第二总光伏功率，并结合样本数据集中的所有第一总风电功率和第一总光伏功率，计算得到对应的风电功率预测损失值和光伏功率预测损失值，以体现实测值和预测值的差异，作为风光功率联合预测模型的预测精度的表征。此外，考虑到风电场数据和光伏电站数据对风光功率联合预测的影响程度不同、以及二者的检测精度存在差异，分别对风电功率预测损失值和光伏功率预测损失值进行加权处理，以此为不同的预测损失值赋予不同的权重系数，进一步提升风光功率联合预测模型的预测精度。
[0015]作为优选方案，所述对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据，具体为：
[0016]利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据，构成对应的第一变量矩阵；
[0017]对所述第一变量矩阵进行去中心化处理，以获得对应的第二变量矩阵，并根据所述第二变量矩阵，计算得到对应的协方差矩阵；
[0018]采用特征值分解法，计算所述协方差矩阵对应的多个特征值和各所述特征值对应的特征向量；
[0019]将所有所述特征值按照从大到小的顺序进行排列，并根据排列结果选取前k个所述特征值，并利用前k个所述特征值对应的所述特征向量，对所述第一变量矩阵进行投影变换，以获得对应的所述待输入数据，实现对所述第一变量矩阵的降维优化处理。
[0020]实施本专利技术实施例的优选方案，通过对所有风电场数据和所有光伏电站数据进行降维优化处理，把包括大量初始数据的多维变量矩阵转化为包括能够反映初始数据的关键信息的主成分的待输入数据，避免输入模型的数据包括大量冗杂信息，以此优化模型的预测速率和预测精度。
[0021]作为优选方案，所述按照Adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型，具体为：
[0022]按照Adam算法，结合所述样本数据集中的所有所述风电场数据、所有所述光伏电站数据、所有所述第一总风电功率和所有所述第一总光伏功率，计算得到所述全连接神经网络模型对应的参数修正值；
[0023]利用所述参数修正值，对所述全连接神经网络模型的模型参数值进行迭代优化处理，每次迭代优化处理时根据当前所述参数修正值更新所述全连接神经网络模型的模型参数值，并获取当前所述全连接神经网络模型对应的所述联合预测损失值，直至优化次数达到预设次数或者当前所述联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为所述风光功率联合预测模型；
[0024]其中，所述全连接神经网络模型包括输入层、输出层和若干个隐藏层，所述模型参数值包括各所述隐藏层对应的网络权重和偏置向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风光功率联合预测模型的构建方法，其特征在于，包括：对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，所述样本数据集包括各所述风电场对应的若干个风电场数据、各所述光伏电站对应的若干个光伏电站数据、所述预设区域在不同时刻下的第一总风电功率、以及所述预设区域在不同时刻下的第一总光伏功率；按照Adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型；其中，所述联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功率预测损失值而计算得到的。2.如权利要求1所述的一种风光功率联合预测模型的构建方法，其特征在于，所述联合预测损失值的获取，具体为：对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据；将所述待输入数据输入至当前所述全连接神经网络模型，以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；按照预设的算法，根据所有所述第一总风电功率和所有所述第二总风电功率，计算得到所述风电功率预测损失值，并根据所有所述第一总光伏功率和所有所述第二总光伏功率，计算得到所述光伏功率预测损失值；分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理，并将所述风电功率预测损失值对应的加权结果和所述光伏功率预测损失值对应的加权结果相加，以获得所述联合预测损失值。3.如权利要求2所述的一种风光功率联合预测模型的构建方法，其特征在于，所述对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据，具体为：利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据，构成对应的第一变量矩阵；对所述第一变量矩阵进行去中心化处理，以获得对应的第二变量矩阵，并根据所述第二变量矩阵，计算得到对应的协方差矩阵；采用特征值分解法，计算所述协方差矩阵对应的多个特征值和各所述特征值对应的特征向量；将所有所述特征值按照从大到小的顺序进行排列，并根据排列结果选取前k个所述特征值，并利用前k个所述特征值对应的所述特征向量，对所述第一变量矩阵进行投影变换，以获得对应的所述待输入数据，实现对所述第一变量矩阵的降维优化处理。4.如权利要求1所述的一种风光功率联合预测模型的构建方法，其特征在于，所述按照Adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型，具体为：按照Adam算法，结合所述样本数据集中的所有所述风电场数据、所有所述光伏电站数
据、所有所述第一总风电功率和所有所述第一总光伏功率，计算得到所述全连接神经网络模型对应的参数修正值；利用所述参数修正值，对所述全连接神经网络模型的模型参数值进行迭代优化处理，每次迭代优化处理时根据当前所述参数修正值更新所述全连接神经网络模型的模型参数值，并获取当前所述全连接神经网络模型对应的所述联合预测损失值，直至优化次数达到预设次数或者当前所述联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为所述风光功率联合预测模型；其中，所述全连接神经网络模型包括输入层、输出层和若干个隐藏层，所述模型参数值包括各所述隐藏层对应的网络权重和偏置向量。5.一种风光功率联合预测模型的构建系统，其特征在于，包括：数据获取模块，用于对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，所述样本数据集包括各所述风电场对应的若干个风电场数据、各所述光伏电站对应的若干个光伏电站数据、所述预设区域在不同时刻下的第一总风电功率、以及所述预设区域在不同时刻下的第一总光伏功率；模型构建模块，用于按照Adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型；其中，所述联合预测损失值是按照预设的算法并结...

【专利技术属性】
技术研发人员：潮铸，何祥针，包博，段秦尉，唐旭辰，谢祥中，陈卉灿，汪洋，赖晓文，易江文，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：