融合聚类与多任务学习的区域多光伏输出预测方法及装置制造方法及图纸

本发明专利技术公开一种融合聚类与多任务学习的区域多光伏输出预测方法及装置，该方法步骤包括：S01.获取目标光伏集群的输出数据以及对应的气象信息；S02.以地理环境因素为变量基于模糊聚类算法对目标光伏集群进行区域分类；S03.根据步骤S02的区域分类结果，在不同类型的区域多光伏中选取待预测集，以及从与待预测集相同的区域类型中选取出训练集；S04.使用选取出的训练集训练预先构建的光伏预测模型以用于实现区域多光伏预测，光伏预测模型基于卷积长短期记忆网络并采用底层共享的多任务学习机制构建得到。本发明专利技术具有实现方法简单、成本低、预测效率及精度高、鲁棒性强等优点。鲁棒性强等优点。鲁棒性强等优点。

【技术实现步骤摘要】
融合聚类与多任务学习的区域多光伏输出预测方法及装置


[0001]本专利技术涉及光伏发电系统
，尤其涉及一种光伏融合聚类与多任务学习的区域多光伏输出预测方法及装置。

技术介绍

[0002]光伏发电功率具有较强的不稳定性和随机性，易受到多种不稳定因素的影响，例如气象因素以及光伏板本身的特性等，其中对于已安装完成的光伏发电站，由于电池板的安装方式等已经固定，光伏发电功率主要取决于来自外界的波动性较强的气象因素。当前光伏发电在电力系统中所占比例逐渐提高，因而对电力系统的供需平衡关系、安全稳定的控制和运行的影响性也随之增大，光伏发电的加入还会给电网带来电能质量的相关问题，因此对光伏发电功率进行预测具有重要的意义。基于光伏发电功率预测可以更为合理地与其他电源统一调度，保证电力系统的稳定性，也可以有效提升效率、节约资源。
[0003]针对于光伏发电功率预测，现有技术中通常是通过利用被测光伏系统的历史光伏发电数据构建预测模型，基于构建的预测模型对实时的光伏发电量进行预测。如中国专利申请CN 114662807A公开一种基于序列编码重构的多尺度区域光伏出力预测方法及系统，该方法即是通过构建网格化采样模型，确定基准站点；根据所需要的预测时间尺度，重新构建数据集，形成多维出力张量序列；建立编码解码模型，对区域光伏出力进行预测；所述编码解码模型设有编码单元、注意力单元、解码单元；利用样本数据对编码解码模型进行训练，经过不断迭代使编码解码模型达到性能要求，形成可用混合模型。但是上述预测方式仅适用于对单一光伏输出实现预测，若要实现区域多个光伏输出的预测，则需要为区域不同光伏输出分别构建对应的预测模型，需要大量的模型构建与训练时间，因而耗费时间较长、效率较低，无法充分挖掘区域多光伏之间出力特性的相似性，尤其是当需要对光伏集群进行区域批量光伏输出预测时，会大大降低预测效率，训练过程中模型还易于发生过拟合。

技术实现思路

[0004]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种实现方法简单、耗时短、预测效率以及精度高的光伏融合聚类与多任务学习的区域多光伏输出预测方法及装置，能够充分挖掘区域多光伏之间出力特性的相似性，有效提高区域多光伏输出预测的效率以及精度。
[0005]为解决上述技术问题，本专利技术提出的技术方案为：
[0006]一种融合聚类与多任务学习的区域多光伏输出预测方法，步骤包括：
[0007]S01.获取目标光伏集群的输出数据以及对应的气象信息；
[0008]S02.以地理环境因素为变量基于模糊聚类算法对目标光伏集群进行区域分类；
[0009]S03.根据步骤S02的区域分类结果，在不同类型的区域多光伏中选取待预测集，以及从与待预测集相同的区域类型中选取出训练集；
[0010]S04.使用选取出的训练集训练预先构建的光伏预测模型以用于实现待预测集的
多光伏预测，所述光伏预测模型基于卷积长短期记忆网络并采用底层共享的多任务学习机制构建得到，所述底层共享的多任务学习机制中多个任务之间共享网络的隐藏层构建形成总体目标函数。
[0011]进一步的，所述步骤S01中还包括对获取的数据进行预处理步骤，所述预处理步骤包括去除指定时段的数据、筛选出离群值并去除、对缺失值进行填补以及对数据进程归一化处理。
[0012]进一步的，采用基于格拉布斯法筛选出所述离群值，步骤包括：
[0013]计算被处理数据的偏离值，所述偏离值根据平均值与最大值之差和平均值与最小值之差计算得到；
[0014]计算被处理数据的偏离值，对序列按大小进行排序，偏离值根据平均值与最大值之差和平均值与最小值之差计算得到；取被处理数据中偏离值超过预设的数据值作为可疑值x
out
；
[0015]计算可疑值x
out
的样本标准量g
out
，将所述样本标准量g
out
与格拉布斯表给出的临界值G
P
(n)比较，如果计算的所述样本标准量g
out
大于表中的临界值G
P
(n)，则判定对应数据值是异常值，可疑值x
out
的所述样本标准量g
out
具体按下式计算得到：
[0016][0017][0018]其中，n是样本数量，x是样本均值，s是标准差。
[0019]进一步的，还包括使用K
‑
最近邻算法对剔除值进行填补,步骤包括：
[0020]计算含缺失值行的向量与其余向量之间的距离d：
[0021][0022]式中，x和y均为去除了缺失值维度的向量；
[0023]通过距离d筛选出k个相邻向量，取缺失值维度的平均值进行填充。
[0024]进一步的，S201.计算集群下不同光伏的地理环境因素，所述地理环境因素包括太阳赤纬角δ、太阳高度角h和太阳方位角φ
s
；
[0025]S202.根据不同光伏的所述地理环境因素，对待分类数据集X＝{x1,x2,
…
,x
n
}确定出所需划定的聚类中心数量C，x1,x2,...，x
n
分别为待分类数据，n为数据数量，开始随机初始化由多个样本隶属度构成的隶属度矩阵U；
[0026]S203.计算隶属度u
ji
以及聚类中心a
i
；
[0027]S204.根据隶属度u
ji
以及聚类中心a
i
最小化目标函数J；
[0028]S205.更新隶属度矩阵U；
[0029]S206.重复S202～S205，直至小于所给定的误差值，即中心点a
i
已经稳定或者初始化隶属度矩阵U的变化很小，得到区域聚类结果。
[0030]进一步的，按照下式计算集群下不同光伏的太阳赤纬角δ、太阳高度角h和太阳方位角φ
s
计算为：
[0031][0032]其中，δ为太阳赤纬角，n为日数，从1月1日开始计算。
[0033][0034]其中，h为太阳高度角，是地理纬度，δ为太阳赤纬角，Ω为时角。
[0035][0036]其中，φ
s
为太阳方位角，在求解中取正值，Ω为时角，δ为太阳赤纬角，h为太阳高度角。
[0037]进一步的，按照下式分别计算隶属度u
ji
以及聚类中心a
i
：
[0038][0039][0040]其中，u
ji
为样本j对于第i个分类的隶属度值；d
ji
＝||x
j
‑
a
i
||为样本j到聚类中心点i的欧几里得几何距离；m为模糊系数，并将m取值为聚类结果数目。
[0041]进一步的，所述步骤S203中，目标函数J具体为：
[0042][0043]以及约束条件为：
...

【技术保护点】

【技术特征摘要】
1.一种融合聚类与多任务学习的区域多光伏输出预测方法，其特征在于，步骤包括：S01.获取目标光伏集群的输出数据以及对应的气象信息；S02.以地理环境因素为变量基于模糊聚类算法对目标光伏集群进行区域分类；S03.根据步骤S02的区域分类结果，在不同类型的区域多光伏中选取待预测集，以及从与待预测集相同的区域类型中选取出训练集；S04.使用选取出的训练集训练预先构建的光伏预测模型以用于实现待预测集的多光伏预测，所述光伏预测模型基于卷积长短期记忆网络并采用底层共享的多任务学习机制构建得到，所述底层共享的多任务学习机制中多个任务之间共享网络的隐藏层构建形成总体目标函数。2.根据权利要求1所述的融合聚类与多任务学习的区域多光伏输出预测方法，其特征在于，所述步骤S01中还包括对获取的数据进行预处理步骤，所述预处理步骤包括去除指定时段的数据、筛选出离群值并去除、对缺失值进行填补以及对数据进程归一化处理。3.根据权利要求2所述的融合聚类与多任务学习的区域多光伏输出预测方法，其特征在于，采用基于格拉布斯法筛选出所述离群值，步骤包括：计算被处理数据的偏离值，对序列按大小进行排序，偏离值根据平均值与最大值之差和平均值与最小值之差计算得到；取被处理数据中偏离值超过预设的数据值作为可疑值x
out
；计算可疑值x
out
的样本标准量g
out
，将所述样本标准量g
out
与格拉布斯表给出的临界值G
P
(n)比较，如果计算的所述样本标准量g
out
大于表中的临界值G
P
(n)，则判定对应数据值是异常值，可疑值x
out
的所述样本标准量g
out
具体按下式计算得到：具体按下式计算得到：其中，n是样本数量，是样本均值，s是标准差。4.根据权利要求2所述的融合聚类与多任务学习的区域多光伏输出预测方法，其特征在于，还包括使用K
‑
最近邻算法对剔除值进行填补,步骤包括：计算含缺失值行的向量与其余向量之间的距离d：式中，x和y均为去除了缺失值维度的向量；通过距离d筛选出k个相邻向量，取缺失值维度的平均值进行填充。5.根据权利要求1所述的融合聚类与多任务学习的区域多光伏输出预测方法，其特征在于，所述步骤S02的步骤包括：S201.计算集群下不同光伏的地理环境因素，所述地理环境因素包括太阳赤纬角δ、太阳高度角h和太阳方位角φ
s
；S202.根据不同光伏的所述地理环境因素，对待分类数据集X＝{x1,x2,
…
,x
n
}确定出所需划定的聚类中心数量C，x1,x2,...，x
n
分别为待分类数据，n为数据数量，开始随机初始化
由多个样本隶属度构成的隶属度矩阵U；S203.计算隶属度u
ji
以及聚类中心a
i
；S204.根据隶属度u
ji
以及聚类中心a
i
最小化目标函数J；S205.更新隶属度矩阵U；S206.重复S202～S205，直至小于所给定的误差值，即中心点a
i
已经稳定或者初始化隶属度矩阵U的变化很小，得到区域聚类结果。6.根据权利要求5所述的融合聚类与多任务学习的区域多光伏输出预测方法，其特征在于，集群下不同光伏的所述太阳赤纬角δ、太阳高度角h和太阳方位角φ
s
的计算表达式分别为：其中，δ为太阳赤纬角，n为日数；其中，h为太阳高度角，是地理纬度，δ为太阳赤纬角，Ω为时角；其中，φ
s
为太阳方位角，在求解中取正值，Ω为时角，δ为太阳赤纬角，h为太阳高度角。7.根据权利要求5所述的融合聚类与多任务学习的区域多光伏输出预测方法，其特征在于，按照下式分别计算隶属度u
ji
以及聚类中心a
i
：：其中，u
ji
为样本j对于第i个分类的隶属度值；d
ji
＝||x
j
‑
a
i

【专利技术属性】
技术研发人员：贺星，余敏琪，黄瑞，刘谋海，曾文伟，王智，张随涵，
申请(专利权)人：国网湖南省电力有限公司供电服务中心计量中心国家电网有限公司，
类型：发明
国别省市：