【技术实现步骤摘要】
本专利技术涉及新能源出力预测领域，尤其涉及基于深度学习的光伏出力短期预测方法。
技术介绍
1、准确的光伏出力预测能够为电网调度提供可靠的参考信息，使系统能够提前采取储能设备的充放电调度或调频备用资源的启动等调节措施，从而优化电网负荷分配，平衡电力供需，避免因光伏出力波动引发的电压或频率波动并减少大规模弃光现象的发生。因此，提升光伏发电短期出力预测的精度与鲁棒性，是支撑电力系统调度运行的关键。
2、从预测结果的呈现形式来看，光伏功率预测可分为确定性预测、区间预测和概率预测。其中概率预测能够提供光伏电站出力的概率分布，有效量化光伏发电的不确定性，受到越来越多的关注。目前已有的概率预测方法主要基于对历史预测误差的概率分布统计分析，以及利用核密度估计或分位数回归等方法对确定性预测结果进行概率化拓展。
3、麻吕斌等人根据密度聚类模型对区域内光伏电站划分集群，从而增强光伏电站聚类后集群出力特性的一致性，利用循环神经网络实现概率预测；王于波等人提出一种分布式光伏集群发电功率波动模式识别与超短期概率预测方法，综合卫星云图和光伏功率数据，通过出力波动的特征提取构建波动模式识别模型，实现对波动规律的挖掘。此外，刘运超等人及欧阳永健等人利用图神经网络构建了静态图网络，以提取相邻电站间的动态空间信息，实现对分布式光伏集群总出力的预测。
4、以上研究在挖掘分布式光伏集群时空相关性方面做出了突出贡献，但对集群内各个站点空间位置关系的分析与建模相对粗糙，且主要聚焦于集群总功率预测。此外，由于分布式光伏集群具有高维、强非线性
技术实现思路
1、为了解决上述现有技术中存在的技术问题，本专利技术提供了一种基于深度学习的光伏出力短期预测方法，可以充分利用已知信息提升模型的预测精度。
2、为实现上述目的，本专利技术实施例提供了如下的技术方案：
3、一种基于深度学习的光伏出力短期预测方法，包括：
4、构建集群式概率预测模型，所述集群式概率预测模型用于利用条件生成对抗网络(conditional generative adversarial network,cgan)建立光伏出力与气象数据及历史出力之间的映射，在特定条件约束标签下从潜在空间中采样生成不同的预测结果，进而构建包含多个可能场景的预测结果集合，实现光伏出力的概率预测；
5、通过出力特征图编码方法量化表征集群内光伏单元之间的位置关系；
6、采用天气特征图构建方法将时序的气象标签矩阵化，保持气象数据构建的条件标签与出力数据维度的一致性。
7、上述方案中，所述集群式概率预测模型生成预测数据的过程包括：
8、获取光伏电站中的实时出力数据和气象数据，构建历史光伏出力特征图、历史天气特征图，配合随机噪声构建输入；
9、基于所述输入生成预测对应的短期出力数据；
10、构建多个预测结果集合，将这些预测结果进行整合，形成反映条件约束下光伏出力可能性的概率分布带状区间，从而实现光伏出力的概率预测。
11、上述方案中，所述集群式概率预测模型通过如下公式判断预测的准确性，
12、
13、式中，lg为生成器(generator,g)的损失函数，ld为判别器(discriminator,d)的损失函数。
14、上述方案中，通过出力特征图编码方法量化表征集群内光伏单元之间的位置关系的方法中采用基于贪心算法的分布式光伏集群空间编码方法，其包括如下步骤：
15、将分布式光伏集群所处空间进行网格化，并通过贪婪搜索的方式寻找满足编码原则的最大网格尺寸；
16、在此基础上，剪除矩阵四周的空行/列，即可获得表征分布式光伏集群位置信息的空间编码矩阵。
17、上述方案中，在通过出力特征图编码方法量化表征集群内光伏单元之间的位置关系的方法中，光伏出力特征图构建方法包括如下步骤：
18、将分布式光伏集群出力数据进行最大最小值归一化预处理，将其压缩至[0,1]范围内；
19、对于某一时刻的集群出力数据，将其填充至空间编码矩阵中，得到该时刻的光伏出力特征图。
20、上述方案中，采用天气特征图构建方法将时序的气象标签矩阵化中采用的天气特征图编码方法包括如下步骤：
21、利用皮尔逊相关系数(pearson correlation coefficient)量化分析气象数据中各天气变量与光伏电站出力的平均相关性；
22、采用交叉填充的形式将选取的两个特征填充至空间编码矩阵中，保持数据维度的一致性。
23、本专利技术提供的技术方案，具有如下有益效果：
24、1、本专利技术提供的基于深度学习的光伏出力短期预测方法，本专利技术采用cgan开展预测，其深度神经网络架构可充分挖掘历史数据中光伏出力时序变化规律、光伏出力与气象因素之间的关联关系、光伏集群中各站点之间的复杂时空关联关系等高维非线性规律，有助于充分利用已知信息提升预测精度。
25、2、cgan模型的输入中包含随机向量，可通过改变随机向量的取值生成多组预测结果，天然适合开展概率预测工作。
26、3、光伏集群空间编码方法能够有效地量化并表征光伏单元之间的空间关系，通过数据矩阵形式最大程度地保留了光伏单元间的空间互信息。
27、本专利技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的光伏出力短期预测方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的光伏出力短期预测方法，其特征在于，所述集群式概率预测模型生成预测数据的过程包括：
3.如权利要求1所述的基于深度学习的光伏出力短期预测方法，其特征在于，所述集群式概率预测模型通过如下公式判断预测的准确性，
4.如权利要求1所述的基于深度学习的光伏出力短期预测方法，其特征在于，通过出力特征图编码方法量化表征集群内光伏单元之间的位置关系的方法中采用基于贪心算法的分布式光伏集群空间编码方法，其包括如下步骤：
5.如权利要求1所述的基于深度学习的光伏出力短期预测方法，其特征在于，在通过出力特征图编码方法量化表征集群内光伏单元之间的位置关系的方法中，光伏出力特征图构建方法包括如下步骤：
6.如权利要求1所述的基于深度学习的光伏出力短期预测方法，其特征在于，采用天气特征图构建方法将时序的气象标签矩阵化中采用的天气特征图编码方法包括如下步骤：
【技术特征摘要】
1.一种基于深度学习的光伏出力短期预测方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的光伏出力短期预测方法，其特征在于，所述集群式概率预测模型生成预测数据的过程包括：
3.如权利要求1所述的基于深度学习的光伏出力短期预测方法，其特征在于，所述集群式概率预测模型通过如下公式判断预测的准确性，
4.如权利要求1所述的基于深度学习的光伏出力短期预测方法，其特征在于，通过出力特征图编码方法量化表征集群内光...
【专利技术属性】
技术研发人员：戴晨昊，董晨曦，吴冉，袁毕芳，王亚琦，吴强，林金强，
申请(专利权)人：国网湖北省电力有限公司襄阳供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。