一种光伏和风电发电功率预测方法及系统技术方案

本发明专利技术提供了一种光伏和风电发电功率预测方法及系统，涉及风光发电技术领域，具体包括以下步骤：构建基于卷积神经网络和双向门控循环神经网络的发电功率预测模型；获取光伏发电和风电的历史数据，进行特征提取，构建特征图；对所述特征图进行特征提取，表征光伏和风电发电功率的特征向量；将所述特征向量输出为时间序列，在所述发电功率预测模型中进行训练，捕捉所述时间序列中的长期训练关系；输出预测结果；对所述预测结果进行评价。本发明专利技术中的预测模型充分提取数据的局部相关特征，跟踪实际的光伏发电和风力发电功率；挖掘序列中的长期依赖关系以弥补卷积神经网络的缺陷，从而实现光伏和风电功率高精度预测。实现光伏和风电功率高精度预测。实现光伏和风电功率高精度预测。

【技术实现步骤摘要】
一种光伏和风电发电功率预测方法及系统


[0001]本专利技术涉及风光发电
，特别是涉及一种光伏和风电发电功率预测方法及系统。

技术介绍

[0002]随着化石燃料能源的存储量越来越少及其带来的环境问题越来越严重，光伏发电和风力发电在电力市场所占的份额越来越高。目前风光发电的发电功率具有间歇性和不确定性的特点，而供需平衡是维持电网稳定运行的一个关键条件，因此，对风光发电功率的预测就显得尤为重要。
[0003]目前通过多种方法可以预测光伏发电系统输出功率，但是主要是针对光伏发电特性进行物理建模、传统统计学建模以及人工智能算法建模，以达到提高光伏发电输出功率预测精度的目的。
[0004]一般来讲，物理建模是指在利用光伏电池板将太阳能转化为电能的过程中，充分考虑光伏电池物理特性，通过搭建对应数据模型来合理预测。这种建模能够仅利用光伏系统电池组件的特性参数和光伏发电接入后电网中的各类特征值得到结果，而不全靠光伏发电系统以往的历史数据，同时还可以用于生成统计模型或其他预测模型的输入变量。传统统计学建模主要是指对光伏发电系统输出的历史数据进行不断探索，以多种类影响光伏发电系统输出功率的干扰因素作为搭建模型的输入，从而通过对应的统计学预测模型得到高效预测结果。因为其建立在发电系统历史输出数据研究起点之上，所以相比物理方法应用更广泛，但是有可能会被非线性变量以及环境因素所影响。工智能方法通过不断拓展和创新补充传统统计学方法内涵，对其算法结构进行持续迭代更新，其中研究较多的是普通机器学习算法以及深度学习神经网络算法。
[0005]尽管存在多种预测光伏发电系统输出功率方法，但是深度学习神经网络方法在通常状态下要比物理预测模型等方法表现出更高的预测性能。虽然在光伏发电输出功率预测方面效果较好，但是深度学习神经网络从模型搭建和特征变量处理角度，仍然存在大量问题需要深入研究：
[0006]目前存在预测模型参数过多情况很多，而且是人工根据经验对多种数据进行整定调整，增大了参数的随机性，很大程度上影响了预测精度。光伏发电系统输出历史数据良莠不齐，对搭建优质预测模型造成很大困难。采用不恰当的算法去构建模型会造成较低的预测性能。
[0007]因此需要提供一种新的光伏和风电发电功率预测方法，对传统方法进行改进，选取合适的历史数据，实现光伏和风电功率高精度预测。

技术实现思路

[0008]基于以上问题，本专利技术提供了一种光伏和风电发电功率预测方法。
[0009]为实现上述目的，本专利技术提供如下技术方案：
[0010]本专利技术提供了一种光伏和风电发电功率预测方法，具体包括以下步骤：
[0011]S1、构建基于卷积神经网络和双向门控循环神经网络的发电功率预测模型；
[0012]S2、获取光伏发电和风电的历史数据，进行特征提取，构建特征图；
[0013]S3、表征光伏和风电发电功率的特征向量；
[0014]S4、将所述特征向量输出为时间序列，在所述发电功率预测模型中进行训练，捕捉所述时间序列中的长期训练关系；
[0015]S5、输出预测结果；
[0016]S6、对所述预测结果进行评价。
[0017]优选地，所述历史数据至少包括装机容量、光伏发电量、风力发电量、光辐照度、光照强度、风速。
[0018]优选地，将历史数据经所述卷积神经网络的输入层输入，通过卷积层提取历史数据的局部相关特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量。
[0019]优选地，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤；然后在全连接层中失去空间拓扑结构，被展开为特征向量并通过激励函数。
[0020]优选地，捕捉所述时间序列中的长期训练关系的方法为：
[0021]构建双向门控循环神经网络训练模型，该双向门控循环神经网络训练模型种存在更新门z
t
和复位门r
t
；
[0022]当输入的时间序列中不存在有效信息时，则复位门r
t
无限靠近1，更新门z
t
无限靠近0，则该次训练的信息不会被保存；
[0023]当输入的时间序列中存在有效信息时，且历史信息无效时，则复位门r
t
无限靠近0，更新门z
t
无限靠近1，则该次训练的信息被保存，且历史信息被排除；
[0024]当输入的时间序列中存在有效信息时，且历史信息有效时，则复位门r
t
无限靠近0，更新门z
t
无限靠近0.5，则该次训练的信息被保存，且历史信息保留。
[0025]优选地，定义输入的时间序列为x
t
，候选隐藏状态及隐藏状态H
t
，对于更新门、重置门以及隐藏状态的计算表达式如下：
[0026][0027]z
t
＝(W
z
X
t
+
z
H
t
‑1+
z
)
[0028][0029]r
t
＝(W
r
X
t
+
r
H
t
‑1)。
[0030]优选地，对预测结果的评价方法为：采用均方根误差eRMSE、平均绝对百分比误差eMAPE、回归系数R、回归系数的平方R2作为评价指标进行预测结果评价，
[0031]具体评价方式为：
[0032][0033][0034]其中，P
r
表示功率观测值，
Pp
表示功率预测值，N为预测的未来光伏功率的总点数。
[0035]本专利技术还提供一种光伏和风电发电功率预测系统，采用上述任意一项所述的一种光伏和风电发电功率预测方法进行预测，包括：
[0036]数据获取模块，用于获取光伏发电和风电的历史数据；
[0037]特征提取模块，用于对特征图进行特征提取，表征光伏和风电发电功率的特征向量；将所述特征向量输出为时间序列；
[0038]训练模块，用于基于发电功率预测模型中进行训练，捕捉所述时间序列中的长期训练关系并输出预测结果；
[0039]评价模块，用于对预测结果进行评价并输出评价结果。
[0040]与现有技术相比，本专利技术有以下优势：
[0041]本专利技术提出了一种光伏和风电发电功率预测方法及系统，由卷积神经网络和双向门控循环神经网络结合构成，卷积神经网络用于充分提取数据的局部相关特征，以实现提高模型的局部预测性能，卷积神经网络模型的添加使得该模型功率预测值能够最大程度地跟踪实际的光伏发电和风力发电功率；双向门控循环神经网络可前向和后向传播，克服了单向传播门控循环神经网络挖掘数据信息不充分的缺陷。双向门控循环神经网络可学习和最大程度地挖掘序列中的长期依赖关系以弥补卷积神经网络的缺陷，从而实现光伏和风电功率高精度预测。
附图说明
[0042]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏和风电发电功率预测方法，其特征在于：具体包括以下步骤：S1、构建基于卷积神经网络和双向门控循环神经网络的发电功率预测模型；S2、获取光伏发电和风电的历史数据，进行特征提取，构建特征图；S3、表征光伏和风电发电功率的特征向量；S4、将所述特征向量输出为时间序列，在所述发电功率预测模型中进行训练，捕捉所述时间序列中的长期训练关系；S5、输出预测结果；S6、对所述预测结果进行评价。2.根据权利要求1中所述的一种光伏和风电发电功率预测方法，其特征在于：所述历史数据至少包括装机容量、光伏发电量、风力发电量、光辐照度、光照强度、风速。3.根据权利要求1中所述的一种光伏和风电发电功率预测方法，其特征在于：将历史数据经所述卷积神经网络的输入层输入，通过卷积层提取历史数据的局部相关特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量。4.根据权利要求3中所述的一种光伏和风电发电功率预测方法，其特征在于：在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤；然后在全连接层中失去空间拓扑结构，被展开为特征向量并通过激励函数。5.根据权利要求1中所述的一种光伏和风电发电功率预测方法，其特征在于：捕捉所述时间序列中的长期训练关系的方法为：构建双向门控循环神经网络训练模型，该双向门控循环神经网络训练模型种存在更新门z
t
和复位门r
t
；当输入的时间序列中不存在有效信息时，则复位门r
t
无限靠近1，更新门z
t
无限靠近0，则该次训练的信息不会被保存；当输入的时间序列中存在有效信息时，且历史信息无效时，则复位门r
t
无限靠近0，更新门z
t
无限靠近1，则该次训练的信息被保存，且历史信息被排除；当输入的时间序列中存在有效信息时，且历史信息有效时，则复位门r<...

【专利技术属性】
技术研发人员：马喜平，梁琛，保承家，甄文喜，李亚昕，董晓阳，任明远，杨军亭，康晓华，徐瑞，
申请(专利权)人：国网甘肃省电力公司，
类型：发明
国别省市：