基于分解误差修正和深度学习的光伏发电功率预测方法技术

本发明专利技术涉及一种基于分解误差修正和深度学习的光伏发电功率预测方法，包括以下步骤：S1、形成历史负荷特征库及影响因素特征库；S2、得到K个光伏功率模态分量；S3、将步骤S2中得到的K个光伏功率模态分量进行分类；S4、对CNN

【技术实现步骤摘要】
基于分解误差修正和深度学习的光伏发电功率预测方法


[0001]本专利技术属于光伏发电功率预测
，涉及光伏发电功率预测方法，尤其是一种基于分解误差修正和深度学习的光伏发电功率预测方法。

技术介绍

[0002]随着气候危机的加剧，构建绿色低碳循环发展体系已经成为全人类的共识。为此，我国提出“碳达峰、碳中和”的战略目标，“CO2排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”。大力发展新能源发电是控制碳排放，实现碳中和目标的关键。然而，光伏发电系统受到昼夜、气象、季节等自然因素的影响，出力具有较强的波动性和间歇性，难以参与电网调度，严重影响了电力系统的安全可靠和经济运行。因此，准确的光伏发电功率预测对电网的运行、规划至关重要。
[0003]由于光伏发电系统受复杂外界因素影响，物理建模困难，因此数据驱动的方法在光伏发电功率预测问题得到广泛应用。在机器学习方面，代表性的方法有支持向量回归、高斯过程回归和XGBoost等。在深度学习方面，主要包括BP神经网络、Elman神经网络、深度置信网络和长短时记忆网络等。其中，长短时记忆网络具备长时间的记忆能力，同时可作为复杂的非线性单元用于构造更大型深度神经网络，因此取得了较好的表现。然而，由于长短时记忆网络结构复杂、超参数多，在进行大规模光伏发电功率预测时效率低下。
[0004]除直接对光伏发电功率进行预测，越来越多的方法提倡先对原始功率曲线进行分解，再对分量进行预测。常用的序列分解算法有经验模态分解和变分模态分解，可以将光伏发电功率序列分解为多个有规律的模态分量，从而降低预测难度。然而，经过模态分解后的分量和与原始序列存在误差，限制了光伏发电预测的准度。此外，上述方法对不同模态分量采用相同结构的深度学习网络进行预测，未考虑不同模态分量的波动特点。
[0005]经检索，未发现与本专利技术相同或相近似的现有技术的公开文献。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提出一种基于分解误差修正和深度学习的光伏发电功率预测方法，能够综合考虑不同模态分量的波动特点，并提升光伏发电功率预测精度。
[0007]本专利技术解决其现实问题是采取以下技术方案实现的：
[0008]一种基于分解误差修正和深度学习的光伏发电功率预测方法，包括以下步骤：
[0009]S1、获取考虑对光伏系统发电功率产生影响的影响因素特征，形成历史负荷特征库及影响因素特征库；
[0010]S2、使用中心频率法确定最佳变分模态分解数目K，并使用变分模态分解VMD算法对光伏发电功率序列进行分解，得到K个光伏功率模态分量；
[0011]S3、按照光伏功率模态分量中心频率的大小，将步骤S2中得到的K个光伏功率模态分量进行分类；
[0012]S4、根据步骤S3中对光伏功率模态分量进行分类，构建对应的CNN
‑
GRU
‑
AM网络，并利用步骤S1中形成历史负荷特征库及影响因素特征库，对CNN
‑
GRU
‑
AM网络进行训练后得到光伏功率模态分量的预测结果；
[0013]S5、构建XGBoost模型，将步骤S4中得到的光伏功率模态分量预测结果作为XGBoost模型的输入，真实光伏发电功率序列作为标签，对XGBoost模型进行训练，修正光伏功率模态分量中存在的VMD分解误差，进而得到光伏发电功率的预测结果。
[0014]而且，所述步骤S1中的历史负荷特征库为历史的光伏发电功率序列；所述步骤S1中的影响因素特征库包括温度、太阳直接辐射和漫射辐射等与光伏发电影响密切的气象因素特征序列。
[0015]而且，所述步骤S2中使用中心频率法确定变分模态分解数目K的具体步骤包括：
[0016]①
初始化，令变分模态分解数目M＝2；
[0017]②
对历史光伏发电功率序列进行变分模态分解，得到M个模态分量；
[0018]③
计算各模态分量的中心频率；
[0019]④
判断M个模态分量是否存在重复的中心频率。若不存在，令M＝M+1，重复步骤
②
—
④
；若存在，输出最佳变分模态分解数目K为M
‑
1。
[0020]其中，所述步骤S2中K为自然数。
[0021]而且，所述步骤S3中将步骤S2中得到的K个光伏功率模态分量进行分类的方法为：将K个光伏功率模态分量分为：频率较低的Ⅰ类分量，频率中等的Ⅱ类分量和频率较高的Ⅲ类分量三类；
[0022]其中，所述步骤S3中K为自然数。
[0023]而且，所述步骤S4的具体方法为：
[0024]构建卷积神经网络(CNN)，对步骤S2中得到的K个光伏功率模态分量进行特征提取；在CNN网络后构建三类门控循环单元网络(GRU)，并在网络末端加入注意力机制(AM)，形成三类CNN
‑
GRU
‑
AM网络，分别对Ⅰ、Ⅱ、Ⅲ类光伏功率模态分量进行预测，得到光伏功率模态分量的预测结果。
[0025]而且，所述步骤S4中的三类CNN
‑
GRU
‑
AM模型的区别在于GRU网络的层数不同：其中，Ⅰ类CNN
‑
GRU
‑
AM模型中使用一层GRU网络，Ⅱ类CNN
‑
GRU
‑
AM模型中使用两层GRU网络，Ⅲ类CNN
‑
GRU
‑
AM模型中使用三层GRU网络，分别用于对Ⅰ类模态分量、Ⅱ类模态分量和Ⅲ类模态分量的训练和预测。
[0026]而且，所述步骤S4中的CNN
‑
GRU
‑
AM网络的训练方法为：
[0027]构建K个CNN
‑
GRU
‑
AM模型，分别将K个光伏功率模态分量的历史负荷特征集和影响因素特征集作为CNN
‑
GRU
‑
AM模型的输入，将光伏功率模态分量的真实值作为标签，对网络进行训练；
[0028]其中，模型采用“Adam”作为激活函数，平均绝对误差作为损失函数。
[0029]本专利技术的优点和有益效果：
[0030]1、本专利技术提出了一种基于VMD误差修正和CNN
‑
GRU
‑
AM的超短期光伏发电功率预测方法，首先使用VMD对光伏发电功率序列进行分解，并采用中心频率法确定分解数目，将非平稳的光伏发电功率序列分解为多种模态；然后利用CNN的非线性局部特征提取能力和门控循环单元网络处理时间序列预测问题的高效性，构建三种CNN
‑
GRU
‑
AM网络对模态分量进
行预测，以适应不同模态分量的波动特点；最后将模态分量预测结果作为XGBoost的输入，利用XGBoost能够防止过拟合的优势对光伏发电功率进行预测，以修正VMD的分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分解误差修正和深度学习的光伏发电功率预测方法，其特征在于：包括以下步骤：S1、获取考虑对光伏系统发电功率产生影响的影响因素特征，形成历史负荷特征库及影响因素特征库；S2、使用中心频率法确定最佳变分模态分解数目K，并使用变分模态分解VMD算法对光伏发电功率序列进行分解，得到K个光伏功率模态分量；S3、按照光伏功率模态分量中心频率的大小，将步骤S2中得到的K个光伏功率模态分量进行分类；S4、根据步骤S3中对光伏功率模态分量进行分类，构建对应的CNN
‑
GRU
‑
AM网络，并利用步骤S1中形成历史负荷特征库及影响因素特征库，对CNN
‑
GRU
‑
AM网络进行训练后得到光伏功率模态分量的预测结果；S5、构建XGBoost模型，将步骤S4中得到的光伏功率模态分量预测结果作为XGBoost模型的输入，真实光伏发电功率序列作为标签，对XGBoost模型进行训练，修正光伏功率模态分量中存在的VMD分解误差，进而得到光伏发电功率的预测结果。2.根据权利要求1所述的一种基于分解误差修正和深度学习的光伏发电功率预测方法，其特征在于：所述步骤S1中的历史负荷特征库为历史的光伏发电功率序列；所述步骤S1中的影响因素特征库包括温度、太阳直接辐射和漫射辐射等与光伏发电影响密切的气象因素特征序列。3.根据权利要求1所述的一种基于分解误差修正和深度学习的光伏发电功率预测方法，其特征在于：所述步骤S2中使用中心频率法确定变分模态分解数目K的具体步骤包括：
①
初始化，令变分模态分解数目M＝2；
②
对历史光伏发电功率序列进行变分模态分解，得到M个模态分量；
③
计算各模态分量的中心频率；
④
判断M个模态分量是否存在重复的中心频率。若不存在，令M＝M+1，重复步骤
②
—
④
；若存在，输出最佳变分模态分解数目K为M
‑
1。其中，所述步骤S2中K为自然数。4.根据权利要求1所述的一种基于分解误差修正和深...

【专利技术属性】
技术研发人员：邓欣宇，朱汉卿，刘扬，刘轶超，李天梦，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：