一种两阶段光伏出力辨识方法技术

本发明专利技术涉及一种两阶段光伏出力辨识方法

【技术实现步骤摘要】
一种两阶段光伏出力辨识方法、设备、存储介质


[0001]本专利技术涉及光伏出力预测领域，尤其是涉及一种两阶段光伏出力辨识方法
、
设备
、
存储介质
。

技术介绍

[0002]对于综合能源微网系统，由于自身用电负荷有限，且光伏发电具有很强的间歇性和随机性，其发电的多少对于系统的安全稳定运行有很大的影响，因此，可靠的光伏发电预测对于微网电力系统有着重要作用
。
[0003]中国专利申请公开号
CN115222138A
公开了一种基于
EEMD
‑
LSTM
微网光伏短期功率区间预测方法，包括以下步骤：
S1、
数据输入：输入光伏发电相关数据，包括气象因素
、
发电系统参数
、
光伏出力等信息；
S2、
数据预处理：将多来源数据集成主要是多文件或数据库中数据进行整合汇总处理，以达到分析不同层面的数据特征，采用
KNN
算法是对缺失数据进行检测
。
[0004]上述申请需考虑光照
、
温度等环境因素的影响，且环境数据不易得到，其应用场景受限
。
因此，当前缺少一种不需要依赖外界环境数据也能够实现光伏出力辨识的方法
。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种两阶段光伏出力辨识方法
、
设备
、
存储介质，通过减少辨识需要的数据简化光伏出力辨识的实施
。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]本专利技术的一个方面，提供了一种两阶段光伏出力辨识方法，包括如下步骤：
[0008]S1
，基于获取到的分布式光伏接入前的历史负荷样本，对
WGAN
模型进行迭代训练；
[0009]S2
，基于训练后的
WGAN
模型
、
分布式光伏接入后的净负荷样本和上下文损失函数，对噪声向量进行迭代优化，生成实际负荷样本，完成粗略辨识；
[0010]S3
，基于所述实际负荷样本，选取夜间净负荷相近的用户，计算光伏出力差值，基于光伏出力比值与光伏容量相同的关系构建优化目标，对噪声向量再次进行迭代优化，得到包括光伏出力信息的最终的实际负荷样本，完成精细辨识
。
[0011]作为优选的技术方案，对
WGAN
模型进行迭代训练的过程具体包括如下步骤：
[0012]以噪声向量作为
WGAN
模型的生成器的输入特征，以分布式光伏接入前的历史负荷作为输出标签，基于光伏出力和实际负荷设置优化目标进行优化，直至
WGAN
模型的生成器和判别器达到平衡
。
[0013]作为优选的技术方案，基于所述的分布式光伏接入后的净负荷样本与
WGAN
模型的生成器生成的样本间的差值构建所述上下文损失函数
。
[0014]作为优选的技术方案，所述的
S2
中，所述的和上下文损失函数为：
[0015][0016]其中，
L
c
为上下文损失，
⊙
表示矩阵对应元素的乘法运算，
G(z)
和分别表示生成器生成的样本和测试集的净负荷样本，
M
表示与样本数据维度一致的二值掩码矩阵，
||||2表示求模运算
。
[0017]作为优选的技术方案，所述的
S2
或
S3
中，对噪声向量进行迭代优化的过程包括如下步骤：
[0018]将噪声向量输入训练完成的
WGAN
模型的生成器，得到生成的样本；
[0019]将所述生成的样本以及分布式光伏接入后的净负荷样本输入训练完成的
WGAN
模型的判别器，判断是否负荷预设的条件，若否，对所述噪声向量进行更新，若是，则结束迭代，将迭代完成的噪声向量输入所述生成器中，输出实际负荷样本
。
[0020]作为优选的技术方案，所述的
S3
中，迭代优化过程中的损失函数值的计算包括如下步骤：
[0021]以实际负载作为噪声，利用最大信息系数的方法建立光伏出力比值与光伏容量之间的关系，并使用变分模式分解对实际负载进行降噪，通过网格搜索求解拟合系数；
[0022]基于所述拟合系数计算实际的光伏出力值，基于所述实际的光伏出力值以及生成器根据所述噪声向量生成的光伏出力值计算损失函数值
。
[0023]作为优选的技术方案，所述的
S3
中，优化目标为：
[0024][0025]其中，
G(z)
表示生成器根据所述噪声向量生成的光伏出力值，
β
k
表示拟合系数，
Δ
G
表示经过变分模式分解后的光伏出力差值，
P
表示净负荷，
||||2表示求模运算
。
[0026]作为优选的技术方案，利用
K
最近邻算法选取夜间净负荷相近的用户
。
[0027]本专利技术的另一个方面，提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行上述两阶段光伏出力辨识方法的指令
。
[0028]本专利技术的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行上述两阶段光伏出力辨识方法的指令
。
[0029]与现有技术相比，本专利技术具有以下优点：
[0030](1)
减少辨识需要的数据：不同于部分现有的辨识方法需要预先采集环境数据以辅助进行辨识，存在环境数据采集困难的问题，本申请仅需获取分布式光伏接入前的历史负荷样本以及接入后的净负荷样本，在第一阶段选用训练好的基于梯度惩罚优化的改进生成对抗网络模型
(Wasserstein GAN with Gradient Penalty
，
WGAN)
来通过解决上下文一致的生成问题进行量测缺失数据的重建，进行粗略辨识，简化了对用户实际负荷的分析过程
。
[0031](2)
提高实际应用的便利性：不同于部分现有的辨识方法需要利用已知的净负荷和辨识的实际负荷数据进行精细辨识，本申请在第二阶段基于夜间的光伏出力比值与光伏容量相同这一条件进行精细辨识，最终完成光伏出力辨识，以克服粗略辨识阶段光伏波动较大时无法高精度辨识光伏出力的问题，本申请在辨识时不需要依赖外界环境数据，也能够反映出用户的实际用电行为和环境因素导致的用电特性，提高了实际应用的便利性
。
附图说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种两阶段光伏出力辨识方法，其特征在于，包括如下步骤：
S1
，基于获取到的分布式光伏接入前的历史负荷样本，对
WGAN
模型进行迭代训练；
S2
，基于训练后的
WGAN
模型
、
分布式光伏接入后的净负荷样本和上下文损失函数，对噪声向量进行迭代优化，生成实际负荷样本，完成粗略辨识；
S3
，基于所述实际负荷样本，选取夜间净负荷相近的用户，计算光伏出力差值，基于光伏出力比值与光伏容量相同的关系构建优化目标，对噪声向量再次进行迭代优化，得到包括光伏出力信息的最终的实际负荷样本，完成精细辨识
。2.
根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，对
WGAN
模型进行迭代训练的过程具体包括如下步骤：以噪声向量作为
WGAN
模型的生成器的输入特征，以分布式光伏接入前的历史负荷作为输出标签，基于光伏出力和实际负荷设置优化目标进行优化，直至
WGAN
模型的生成器和判别器达到平衡
。3.
根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，基于所述的分布式光伏接入后的净负荷样本与
WGAN
模型的生成器生成的样本间的差值构建所述上下文损失函数
。4.
根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，所述的
S2
中，所述的和上下文损失函数为：其中，
L
c
为上下文损失，
⊙
表示矩阵对应元素的乘法运算，
G(z)
和
P
tnight
分别表示生成器生成的样本和测试集的净负荷样本，
M
表示与样本数据维度一致的二值掩码矩阵，
||||2表示求模运算
。5.
根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，所述的
S2
...

【专利技术属性】
技术研发人员：熊雪君，张雅君，冯煜尧，杨秀，金煜，李文豪，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：