基于组合深度学习的光伏发电功率预测方法技术

本发明专利技术公开一种基于组合深度学习的光伏发电功率预测方法，方法包括以下步骤：获取光伏发电功率原始数据；对数据做归一化处理，得到归一化后的数据；采用极限学习提升XGBoost算法对归一化后的数据进行处理，得到不同因素对光伏发电功率影响的权重因子，并对权重因子进行排序；根据排序结果，选择若干个对光伏发电功率的影响大的因素进行组合，得到不同的组合结果；将组合数据分别输入至不同的深度学习预测模型中，得到不同深度学习模型的光伏发电功率预测结果；将不同深度学习模型的光伏发电功率预测结果输入至强化学习中进行非线性拟合，得到最终光伏发电功率预测值。本发明专利技术有益效果是：提高非平稳时期光伏发电功率的预测精度和发电企业经济效益。度和发电企业经济效益。度和发电企业经济效益。

【技术实现步骤摘要】
基于组合深度学习的光伏发电功率预测方法


[0001]本专利技术涉及集中式光伏发电系统与分布式光伏发电系统控制
，尤其涉及一种基于组合深度学习的光伏发电功率预测方法。

技术介绍

[0002]太阳能发电具有安全清洁、取之不尽、噪音小以及环境友好等特性，成为可再生能源的重要来源之一。但是光伏发电具有明显的随机性、间歇性的特点。大规模光伏并网发电会对电网造成一定冲击作用。当光伏发电剧烈波动的非平稳时段，可能对电网稳定运行带来不利影响，严重时会使得光伏发电厂与电网解列。因此平抑削弱光伏发电的不确定性影响，这有利于电力系统安全稳定运行和光伏电能的消纳。

技术实现思路

[0003]为了解决光伏并网发电可能对电网产生的不确定性影响的问题，本专利技术提出一种基于组合深度学习的光伏发电功率预测方法。该方法基于极限梯度提升和门控循环单元，包括以下步骤：
[0004]S1：获取光伏发电功率原始数据；
[0005]S2：对数据做归一化处理，得到归一化后的数据；
[0006]S3：采用极限学习提升XGBoost算法对归一化后的数据进行处理，得到不同因素对光伏发电功率影响的权重因子，并对权重因子进行排序；
[0007]S4：根据排序结果，选择若干个对光伏发电功率的影响大的因素进行组合，得到不同组合结果；将这些组合数据分别输入至不同的深度学习预测模型中，得到不同的深度学习预测模型的光伏发电功率预测结果；
[0008]S5：将不同深度学习模型的光伏发电功率预测结果输入至强化学习中进行非线性拟合，得到最终光伏发电功率预测值。
[0009]与现有技术相比，本专利技术的有益效果包括：提高非平稳时期光伏发电功率的预测精度，精准有效的光伏发电功率预测有助于提升电网实时调度水平、电力系统稳定运行能力以及光伏电能消纳能力，提高光伏发电企业的经济效益。
附图说明
[0010]图1是光伏发电系统原理图；
[0011]图2是本专利技术方法的流程图；
[0012]图3是XGBoost模型训练流程示意图；
[0013]图4是第一棵树的结构示意图；
[0014]图5是GRU内部神经元结构示意图；
[0015]图6是GRU预测模型的结构示意图；
[0016]图7是采用GRU预测模型进行光伏发电功率预测的流程示意图；
[0017]图8是采用BP神经网络的强化学习原理图；
[0018]图9是Critic网络的结构原理图；
[0019]图10是Actor网络的结构原理图；
[0020]图11是基于XGBoost的发电功率影响因素分析示意图。
具体实施方式
[0021]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0022]正式进入介绍前，先对本申请相关技术特征中英文对照特此进行说明如下：
[0023]极限梯度提升算法XGBoost(eXtreme GradientBoosting，XGBoost)；
[0024]门控循环单元(Gated RecurrentUnit，GRU)；
[0025]长短期记忆网络LSTM(Long Short
‑
TermMemory)；
[0026]组合式深度学习(Combined Deep Learning,CDL)；
[0027]强化学习(Reinforcement Learning，RL)；
[0028]同时，本申请中也首先对光伏发电原理进行相应说明。
[0029]请参考图1，图1是光伏发电系统原理图；
[0030]太阳能经过光伏电池阵列，转换为电能储存；电能通过双向DC变换器、直流/交流逆变电路后，进入交流电网；
[0031]其中直流/交流逆变电路受逆变器控制；逆变器的控制依赖于交流电网的反馈量与给定量，进而输出控制信号，对逆变电路进行控制，从而形成闭环，完成对光伏发电系统本身的功率控制；
[0032]下面介绍光伏发电功率计算过程。
[0033]通常外界温度变化对光伏电池有功输出影响不大，故在常温温度T＝25℃条件下，以光照强度S为变量，采用工程模型描述光伏阵列输出特性，光伏电池的模型为：
[0034][0035][0036][0037][0038]由式(1)
‑
(4)分别计算出光伏电池的短路电流I
′
sc
、最大功率电流I
′
m
、开路电压U
′
oc
、最大功率电压U
′
m
。
[0039]其中，S
ref
为参考光照强度，I
sc
、U
oc
、I
m
、U
m
分别为由厂家提供的光伏电池板短路电流、开路电压、最大功率点电流、最大功率点电压。
[0040][0041][0042]由式(5)和(6)计算出修正系数C1和C2。
[0043]由式(7)计算出光伏阵列输出电流，其中N
P
和N
S
分别为串、并联光伏电池板的数目。
[0044][0045]由式(8)计算出光伏阵列输出功率P
pv
。
[0046]P
PV
＝I
PV
·
V
PV
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0047]系统中光伏电池电气参数见下表1。
[0048]表1光伏电池电气参数
[0049][0050]基于上述原理，请参考图2，图2是本申请方法流程示意图；
[0051]本申请中提及的一种基于组合深度学习的光伏发电功率预测方法，具体包括以下步骤：
[0052]S1：获取光伏发电功率原始数据；
[0053]需要说明的是，光伏发电功率原始数据为影响到光伏发电功率的一些相关因素，主要包括：光照辐射度、温度、风速、压强、湿度和光伏电池输出功率；而原始数据中，各个参数对光伏发电功率的影响是不确定的，或者说不能够进行一种量化形式的确定，对此，需要
采用一种手段，求出光照辐射度、温度、风速、压强、湿度等对光伏发电功率的影响，这一点在后文步骤S3中会涉及。
[0054]S2：对数据做归一化处理，得到归一化后的数据；
[0055]需要说明的是，归一化处理手段如下：
[0056][0057]式中，x为输入的原始数据；x
min
为设置的原始数据最小值，x
max
为设置的原始数据最大值。
[0058]S3：采用极限学习提升XGBoost算法对归一化后的数据进行处理，得到不同因素对光伏发电功率影响的权重因子，并对权重因子进行排序；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于组合深度学习的光伏发电功率预测方法，其特征在于：S1：获取光伏发电功率原始数据；S2：对数据做归一化处理，得到归一化后的数据；S3：采用极限学习提升XGBoost算法对归一化后的数据进行处理，得到不同因素对光伏发电功率影响的权重因子，并对权重因子进行排序；S4：根据排序结果，选择若干个对光伏发电功率的影响大的因素进行组合，得到不同组合结果；将这些组合数据分别输入至不同的深度学习预测模型中，得到不同的深度学习预测模型的光伏发电功率预测结果；S5：将不同深度学习模型的光伏发电功率预测结果输入至强化学习中进行非线性拟合，得到最终光伏发电功率预测值。2.如权利要求1所述的一种基于组合深度学习的光伏发电功率预测方法，其特征在于：步骤S1中，光伏发电功率原始数据包括：光照辐射度、温度、风速、压强、湿度和光伏电池输出功率。3.如权利要求1所述的一种基于组合深度学习的光伏发电功率预测方法，其特征在于：步骤S4中，不同的深度学习预测模型包括：循环神经网络RNN模型、长短期记忆网络LSTM模型和门控循环单元GRU模型。4.如权利要求2所述的一种基...

【专利技术属性】
技术研发人员：谢兴旺，
申请(专利权)人：武昌理工学院，
类型：发明
国别省市：