一种基于快速在线迁移神经网络的光伏输出功率预测方法技术

本发明专利技术公开了一种基于快速在线迁移神经网络的光伏输出功率预测方法，所述方法包括获取两不同地域的在预设历史时间段内的光伏输出功率、气象数据、光伏发电设备数据，分别作为源域数据与目标域数据，并进行相关性分析以对源域数据与目标域数据进行筛选；将源域数据和部分目标域数据分别输入至源域模型和目标域模型进行训练，从训练好的源域模型和目标域模型中提取通用特征；构建光伏输出功率预测模型，对通用特征进行预测回归，预测得到光伏输出数据。本发明专利技术降低了光伏输出功率预测模型的训练成本，使得模型在缺乏历史功率输出数据的场景下高效地预测光伏输出功率。场景下高效地预测光伏输出功率。场景下高效地预测光伏输出功率。

【技术实现步骤摘要】
一种基于快速在线迁移神经网络的光伏输出功率预测方法


[0001]本专利技术属于电网
，尤其涉及一种基于快速在线迁移神经网络的光伏输出功率预测方法。

技术介绍

[0002]随着能源结构的改善、生态环境的保护，光伏发电等可再生能源在整个能源体系中的占比逐步提升。考虑到电网对并入设备的稳定性要求与光伏发电不稳定的发电量规律，预测光伏发电的输出功率对保证电网安全、提升能源利用率等方面有着极大的应用意义。在此背景下，除了使用传统的机理模型预测光伏发电量外，深度神经网络成为能源预测领域的主流方法。注意到，多层感知机可以找到数据特征之间的关联以实时预测光伏发电量，长短期记忆模型通过历史数据预测未来某一时刻或某一时间段内的光伏发电量。然而，这些深度网络的训练过程中存在明显的不足：a) 在深度神经网络模型训练过程中，需要使用大量历史数据拟合模型；b) 在实际场景下，影响光伏输出功率的因素众多，难以选取合适的特征用于模型训练。特别地，当预测新建立的光伏发电设备的输出功率时，由于缺乏历史数据，上述的通用模型难以快速应用于新设备的预测任务中。

技术实现思路

[0003]为了在缺乏历史数据的场景下快速实现光伏输出功率的预测，本专利技术提出了一种基于快速在线迁移神经网络的光伏输出功率预测方法，用于转移其他模型中的通用特征，构建光伏输出功率预测模型对通用特征进行预测回归，预测得到光伏输出数据。
[0004]为达到以上效果，本专利技术采用的技术方案如下：本专利技术实施例的第一方面提供了一种基于快速在线迁移神经网络的光伏输出功率预测方法，所述方法具体包括以下子步骤：S1：获取两不同地域的在预设历史时间段内的光伏输出功率、气象数据、光伏发电设备数据，分别作为源域数据与目标域数据，并进行相关性分析以对源域数据与目标域数据进行筛选；S2：将源域数据和部分目标域数据分别输入至源域模型和目标域模型进行训练，从训练好的源域模型和目标域模型中提取通用特征；S3：构建光伏输出功率预测模型，对步骤S2得到的通用特征进行预测回归，预测得到光伏输出数据。
[0005]本专利技术实施例的第二方面提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于快速在线迁移神经网络的光伏输出功率预测方法。
[0006]本专利技术实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于快速在线迁移神经网络的光伏输出功率预测方法。
[0007]与现有方法相比，本专利技术的有益效果主要体现在：本专利技术提出了一种基于快速在线迁移学习神经网络的光伏输出功率预测方法；获取两不同地域的在预设历史时间段内的光伏输出功率、气象数据、光伏发电设备数据，分别作为源域数据与目标域数据，并进行相关性分析以选取合适的输入特征；利用在线迁移方法，提取通用特征；接着，将转移后的通用特征输入光伏输出功率预测模型，用于预测光伏输出。本专利技术降低了光伏输出功率预测模型的训练成本，使得模型在缺乏历史功率输出数据的场景下高效地预测光伏输出功率。最后，实验表明，本专利技术方法与现有的方法相比，在保证精度相近的情况下，极大减少了训练成本与训练时间。
附图说明
[0008]图1为本专利技术方法的流程图；图2为源域数据与目标域数据分布情况的示意图；图3为本专利技术方法的流程结构与数据变化示意图；图4为快速在线迁移部分的示意图；图5为基于快速在线迁移神经网络的光伏输出功率预测方法的性能；图6为本专利技术实施例提供的一种电子设备的示意图。
具体实施方式
[0009]为使本专利技术的实施例的目的、设计思路、技术方案更加清晰，下面结合附图对本专利技术做进一步说明。
[0010]参照图1所示，本专利技术提出了一种基于快速在线迁移神经网络的光伏输出功率预测方法，所述方法包括如下步骤：步骤S1：获取两不同地域的在预设历史时间段内的光伏输出功率、气象数据、光伏发电设备数据，分别作为源域数据与目标域数据，并对源域数据与目标域数据进行相关性分析以筛选出与光伏输出功率相关度高的数据，并剔除冗余数据。
[0011]其中，气象数据包括斜面辐射、散射辐射、直接辐射、环境温度、大气压力、大气湿度；所述光伏发电设备数据包括背板温度。
[0012]对源域数据与目标域数据进行相关性分析的过程包括：使用皮尔逊相关系数度量源域数据与目标域数据的相关度与冗余量，公式如下：其中，x，y均为向量；x
i
，y
i
分别为x，y中的第i个值；分别为x，y的均值；n为向量的维数。
[0013]皮尔逊相关系数为向量间的协方差与各个向量的标准差的积之比，用于度量向量之间的相关程度。当相关系数为0时，x和y两向量不相关；当x的值增大（减小），y值减小（增大），x和y两向量负相关，相关系数为
‑
1到0；当x的值增大（减小），y值增大（减小），x和y两向量正相关，相关系数为0到+1。
[0014]如图2所示，分析源域数据与目标域数据之间数值分布的差距，同时考虑各个特征
上数据的相关程度。图2中的 (a)
ꢀ‑ꢀ
(g) 展示了源域数据与目标域数据的各个特征在概率分布上的区别；图2中的(h)展示了源域数据各个特征之间的相关程度；图2中的(i)展示了目标域数据各个特征之间的相关程度。
[0015]示例性地，根据图2中的信息，可以从已有的7维特征数据（斜面辐射、散射辐射、直接辐射、环境温度、大气压力、大气湿度和背板温度）中，分析数值分布情况，选择与光伏输出功率相关度高的特征，同时保证输入的特征数据中的冗余较少。在本实例中，选择其中5维特征数据（斜面辐射、环境温度、大气压力、大气湿度和背板温度）作为输入。由于前3维特征数据（斜面辐射、散射辐射、直接辐射）的相关度极高，可以认为信息高度重叠，即有冗余信息存在。
[0016]步骤S2：将源域数据和部分目标域数据分别输入至源域模型和目标域模型进行训练，从训练好的源域模型和目标域模型中提取通用特征，从训练好的源域模型和目标域模型中提取通用特征。
[0017]步骤S201：将步骤S1得到的源域数据输入至源域模型进行训练以获得高维的源域数据矩阵。
[0018]所述源域模型为自编码器中的编码模块，以保证源域模型输出的源域数据矩阵保留了源域数据的全部信息。
[0019]步骤S202：将步骤S1得到的部分目标域数据输入至目标域模型进行训练以获得高维的第一目标域数据矩阵。
[0020]特别地，目标域数据是以流式的形式输入至目标域模型。
[0021]所述目标域模型为自编码器中的编码模块，在目标域模型训练的过程中，还需要度量源域数据与目标域数据之间的距离，以保证目标域模型输出的目标域数据矩阵与源域数据矩阵分布相似，且同时保留了目标域数据的全部信息。
[0022]在本实例中，选用最大均值差异度量源域数据与目标域数据在再生核希尔伯特空间上的距离，公式如下：其中，x，y分别为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述方法具体包括以下子步骤：S1：获取两不同地域的在预设历史时间段内的光伏输出功率、气象数据、光伏发电设备数据，分别作为源域数据与目标域数据，并进行相关性分析以对源域数据与目标域数据进行筛选；S2：将源域数据和部分目标域数据分别输入至源域模型和目标域模型进行训练，从训练好的源域模型和目标域模型中提取通用特征；S3：构建光伏输出功率预测模型，对步骤S2得到的通用特征进行预测回归，预测得到光伏输出数据。2.根据权利要求1所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述气象数据包括斜面辐射、散射辐射、直接辐射、环境温度、大气压力、大气湿度；所述光伏发电设备数据包括背板温度。3.根据权利要求1所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，进行相关性分析以对源域数据与目标域数据进行筛选的过程包括：使用皮尔逊相关系数度量源域数据与目标域数据的相关度与冗余量，并据此选取源域数据与目标域数据的维度。4.根据权利要求1所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述步骤S2具体包括以下子步骤：S201：将源域数据输入至源域模型进行训练以获得源域数据矩阵；S202：将部分目标域数据输入至目标域模型进行训练以获得目标域数据矩阵；S203：将目标域数据输入步骤201训练好的源域模型和步骤202训练好的目标域模型中，提取通用特征。5.根据权利要求4所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述步骤S202中，部分目标域数据以流式的形式输入至目标域模型；在目标域模型训练的过程中还包括：度量源域数据与目标域数据之间的距离，使得目标域模型输出的目标域数据矩阵与源域数据矩阵分布相似，且同时保留目标域数据的全部信息。6.根据权利要求4所述的基于快速在线迁移神经网络的光伏输出功率预测方法，其特征在于，所述步骤S203中，提取的通用特征满足：式中，y为提取的通用特...

【专利技术属性】
技术研发人员：陈博，刘炯，王剑斌，杨望卓，沈怡俊，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：