一种基于迁移学习和地基云图的超短期光伏功率预测模型制造技术

本发明专利技术公开了一种基于迁移学习和地基云图的光伏功率预测模型，包括：云图特征提取模块：由卷积神经网络ResNet组成，其输入为当前时刻的地基云图，输出为该云层分布所对应的数字向量，并将该数字向量作为云图特征向量；特征映射模块：由循环神经网络LSTM组成，其输入为云图特征向量与对应时刻环境因子拼接得到的特征向量，输出为未来某一时刻的光伏功率预测值。本发明专利技术将光伏功率预测与天空云图的移动和分布联系起来，可最大限度提取当前时刻的环境信息，解决光伏功率预测信息缺失问题，能够显著提高短期光伏功率预测精度。显著提高短期光伏功率预测精度。显著提高短期光伏功率预测精度。

【技术实现步骤摘要】
一种基于迁移学习和地基云图的超短期光伏功率预测模型


[0001]本专利技术属于可再生新能源
，具体涉及光伏功率预测技术。

技术介绍

[0002]我国是人口大国，也是能源消费大国，在全球光伏产业中占有举足轻重的位置。我国有丰富的太阳能资源，全国各地太阳能资源按照辐射强度分为四大类地区，每年的太阳辐射总量达4200-6700MJ/m2。这些为我国发展光伏产业提供了优越的天然条件。浙江省属于三类地区，年平均日照为1000-2000小时。此外我国光伏发电产业链齐全，技术全面，为大力发展光伏产业提供了基础。
[0003]但是随着光伏发电在电网中的装机容量比例越来越重，给传统电网带来了严峻挑战，有效的光伏发电输出功率预测对电网的安全、稳定与经济运行十分重要。传统的光伏发电功率预测大多数是采用确定性估计方法，即只能够给决策者提供在下一时刻输出功率值，没有对其可靠性进行评估，然而光伏发电的不确定性与多变性，以及预测方法与气象等检测手段的局限性，使得光伏发电输出功率零误差预测十分困难。

技术实现思路

[0004]针对现有预测方法与气象等检测手段的局限性，本专利技术所要解决的技术问题就是提供一种基于迁移学习和地基云图的光伏功率预测模型，提高短期光伏功率预测精度。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：
[0006]一种基于迁移学习和地基云图的光伏功率预测模型，包括：
[0007]云图特征提取模块：由卷积神经网络ResNet组成，其输入为当前时刻的地基云图，输出为该云层分布所对应的数字向量，并将该数字向量作为云图特征向量；
[0008]特征映射模块：由循环神经网络LSTM组成，其输入为云图特征向量与对应时刻环境因子拼接得到的特征向量，输出为未来某一时刻的光伏功率预测值。
[0009]优选的，输入的地基云图的大小为199x199，且包含了当前天空内20km以内的云层分布。
[0010]优选的，输入的地基云图的图片序列长度为10，且10张图片从左向右按照拍摄时间早晚排列。
[0011]优选的，对应时刻环境因子包括温度、湿度、压强、风速、地面辐射度。
[0012]优选的，该预测模型的预测时间为10分钟。
[0013]本专利技术采用的技术方案，将光伏功率预测与天空云图的移动和分布联系起来，可最大限度提取当前时刻的环境信息，解决光伏功率预测信息缺失问题，能够显著提高短期光伏功率预测精度。
[0014]由于图片的特征提取方法并非传统BRBG方法，使用了卷积神经网络ResNet，即使用了迁移学习的智能学习算法，增加了鲁棒性和准确性，显著提高地基云图的特征提取能力。
[0015]特征映射模块由循环神经网络LSTM组成，可通过深度学习模型权重调整训练层数，提高了可适用性。
[0016]本专利技术的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。
附图说明
[0017]下面结合附图和具体实施方式对本专利技术作进一步描述：
[0018]图1为云层对光伏功率影响区域划分图；
[0019]图2为基于迁移学习的特征提取模块示意图；
[0020]图3a为特征向量映射模块示意图一；
[0021]图3b为特征向量映射模块示意图二；
[0022]图4为深度学习的模型训练和滚动优化示意图；
[0023]图5a为本专利技术与传统方法的光伏功率预测波形对比图(晴天)；
[0024]图5b为本专利技术与传统方法的光伏功率预测波形对比图(多云)；
[0025]图5c为本专利技术与传统方法的光伏功率预测波形对比图(阴天)。
具体实施方式
[0026]下面将结合本专利技术实施例对本专利技术技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0027]一种基于迁移学习和地基云图的光伏功率预测模型，包括：
[0028]云图特征提取模块：由卷积神经网络ResNet组成，其输入为当前时刻的地基云图，输出为该云层分布所对应的数字向量，作为云图特征向量；
[0029]该云层分布对应的数字向量为此云层在ResNet结构下的数据映射，是云层特征对应的抽象数据表示形式，输出形式为2048x1的数据格式，每一维的数据分布在0-1之间。
[0030]特征映射模块：由循环神经网络LSTM组成，其输入为云图特征向量与对应时刻环境因子拼接得到的特征向量，输出为未来某一时刻的光伏功率预测值。
[0031]优选的，输入的地基云图的大小为199x199，且包含了当前天空内20km以内的云层分布。输入的地基云图的图片序列长度为10，且10张图片从左向右按照拍摄时间早晚排列。对应时刻环境因子包括温度、湿度、压强、风速、地面辐射度。该预测模型的预测时间为10分钟。
[0032]图1为云层堆光伏功率影响区域划分结构，对于全天空云图的分析可以将其根据与太阳距离的不同划分不同距离，不同区域的云层信息对于最后的光伏功率的预测影响也不同。图1中的1-4区为核心区，对于当前光伏功率的影响也最为重要。5-8区为潜在信息区，该区存在着超短期预测和中期预测的潜在信息，如云块分类和具体分布，将对未来更长时间的光伏功率预测提供更为丰富的信息内容。
[0033]图2为基于迁移学习的特征提取模块，m
×
n conv，k表示为m
×
n维度的卷积神经网
络，k表示当前卷积神经网络的深度，Pool表示为池化层。上述的卷积神经网络ResNet模型具体可以参考现有技术。
[0034]图3a和图3b为特征向量映射模块的结构示意图，图3a表示LSTM模型结构，输入信息从输入节点处获得，输出信息从输出节点处流出，同时隐含层参数在虚线所示流方式传播。图3b表示LSTM元胞结构，其中包含了输入门、输出门和遗忘门。神经元的状态是LSTM模型的核心结构。
[0035]图4中深度学习模型训练与滚动优化结构：
[0036]M
LSTM
表示LSTM的模型，即为光伏功率特征映射模型。
[0037]M
CNN
表示特征向量提取模型，{X
T-10
，X
T-9
，...，X
T-2
，X
T-1
}表示对应时间的图片序列。
[0038]上述的循环神经网络LSTM模型具体可以参考现有技术。
[0039]实施案例：在不同天气情况下的光伏功率预测对比。
[0040]原理分析：光伏电池是以半导体P-N结上接受光照产生光生伏打效应为基础，直接将光能转换为电能的能量转换器。当光照射到半导体光伏器件上时，在器件内产本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习和地基云图的光伏功率预测模型，其特征在于包括：云图特征提取模块：由卷积神经网络ResNet组成，其输入为当前时刻的地基云图，输出为该云层分布所对应的数字向量，并将该数字向量作为云图特征向量；特征映射模块：由循环神经网络LSTM组成，其输入为云图特征向量与对应时刻环境因子拼接得到的特征向量，输出为未来某一时刻的光伏功率预测值。2.根据权利要求1所述的一种基于迁移学习和地基云图的光伏功率预测模型，其特征在于：输入的地基云图的大小为199x199，...

【专利技术属性】
技术研发人员：施光南，周关连，高捷，王建军，徐子博，金宏波，薄耀龙，周永智，韦巍，
申请(专利权)人：国网浙江绍兴市上虞区供电有限公司国网浙江省电力有限公司绍兴供电公司，
类型：发明
国别省市：