一种基于LSGAN-GRU的短期光伏功率预测方法、系统、设备及介质技术方案

一种基于LSGAN

【技术实现步骤摘要】
一种基于LSGAN
‑
GRU的短期光伏功率预测方法、系统、设备及介质


[0001]本专利技术涉及光伏功率预测方法领域，具体涉及一种基于LSGAN
‑
GRU的短期光伏功率预测方法、系统、设备及介质。

技术介绍

[0002]研究太阳能的波动特性，在1h或更短的时间内获得精确的超短期光伏功率预测，有助于电网部门通过根据预测值确定实际发电量的不足来确定必要的备用发电容量，对于促进光伏电站融入电力系统，提高电网的安全性和稳定性具有重要意义。一般来说，光伏发电功率的预测主要有物理预测模型和统计模型两大类；物理预测模型利用太阳辐照度预报值，结合光伏电池板倾角以及电站所处位置等信息，按照光伏功率的物理成因建立模型；统计模型依托光伏电站历史功率数据，分析多种外界因素对发电量的影响，最后建立输入与输出的映射模型实现光伏功率的预测；但这些预测方法都有一定的局限性，物理预测方法需要依托详细的电站及历史气象数据信息，且计算过程中容易产生偏差，导致预测结果不理想；统计模型方法在建模时更为简单快捷，但部分模型难以收敛，且多数统计模型并未根据天气类型将不同天气下的光伏功率分别预测，而天气类型对光伏发电功率影响较大，因此预测结果误差大、预测不准确、模型难以收敛的缺点。
[0003]名称为“融合多种天气状况的光伏发电功率预测方法及装置、设备”，专利号为「CN110717623B」的专利技术，提供了一种光伏发电功率预测方法，预测方法包括：将待预测功率对应的天气变量数据分别输入不同天气状况下的功率预测器，得到预设数量的预测功率值；根据得到的预测功率值,以及每个功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率；其中，功率预测器通过以下方法训练得到：获取训练数据集并划分为预设数量的样本组,利用每个样本组分别对未训练的预测器进行训练，得到不同天气状况下的功率预测器。由于该专利技术并未考虑突变天气对功率预测的影响，尤其是目前大部分光伏电站都存在突变天气数据不足的问题,因此该专利技术存在当光伏电站处于突变天气的场景下，具有预测器无法做出准确预测的缺点。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术的目的在于提出一种基于LSGAN
‑
GRU的短期光伏功率预测方法、系统、设备及介质，通过皮尔逊分析选择相关性大的天气变量作为输入变量，基于SOM神经网络对天气类型进行分类，利用多生成器的最小二乘生成MAD
‑
LSGANs，MAD
‑
LSGANs与最优GRU模型融合得到LSGAN
‑
GRU模型，通过LSGAN
‑
GRU模型来实现对突变天气光伏功率的预测，具有提升预测结果的准确性、减少预测偏差、提高收敛速率和精确度的特点。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于LSGAN
‑
GRU的短期光伏功率预测方法，包括以下步骤：
[0007]步骤1：采集光伏电站历史发电数据，基于皮尔逊相关性分析，获取天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量；
[0008]步骤2：基于SOM自组织映射神经网络，根据辐照强度对天气类型进行分类；
[0009]步骤3：对每种天气类型下的光伏数据序列按照天气类型，筛选出1类突变天气样本数据；
[0010]步骤4：基于多生成器的最小二乘构建MAD
‑
LSGANs模型；
[0011]步骤5：构建由交叉网络和深度网络组成的GRU模型；
[0012]步骤6：采用骨干差分进化IBBDE算法确定GRU模型的超参数，从而得到最优GRU模型；
[0013]步骤7：构建LSGAN
‑
GRU模型，获得突变天气下的光伏短期发电功率预测结果。
[0014]所述步骤2的具体过程为：采用的SOM自组织映射神经网络包括输入层和计算层，通过自组织学习，SOM自组织映射神经网络的计算层的神经元被分类为不同的响应区域，输入变量经过计算层时被自动分类，经过计算层分类输出的聚类结果为晴天、阴天和雨天。
[0015]所述步骤4的具体过程为：
[0016]4.1采用全连接神经网络构建所述判别模型D；
[0017]4.2将d个长度为c的一维随机噪声输入到生成模型G中，并得到伪样本；
[0018]4.3固定生成模型G的参数，训练判别模型D，根据一维的热张量，利用随机梯度下降法对所述最小二乘生成MAD
‑
LSGANs模型进行训练，更新判别模型D的参数，从而得到训练后的判别模型D'；
[0019]4.4固定训练后的判别模型D'的参数，用于训练生成模型G，根据判别模型D'输出的热张量，利用随机梯度下降法更新每个生成模型的参数，从而得到训练后的生成模型G
′
；
[0020]4.5固定训练后的生成模型G
′
的参数，用该参数对训练后的判别模型D'进行优化训练，得到优化训练的判别模型D
″
；
[0021]4.6不断重复4.2
‑
4.5，直到判别模型对生成的伪样本全部标记为“1”时，训练结束，从而由最终优化训练的生成模型生成最新的样本Q”G,(c
×
d)
×
(m+1)
；
[0022]4.7将最新的样本集Q”G,(c
×
d)
×
(m+1)
与训练样本E
a
×
(m+1)
合并后，得到新训练样本集X
s
×
(m+1)
，s＝a+(c
×
d)。
[0023]所述步骤5的具体方法为：
[0024]5.1GRU神经网络采用四层神经网络的结构；
[0025]5.2确定粒子的适应度函数；
[0026]5.3更新粒子的个体极值以及全局极值，同历史最优值进行比较筛选,判断是否找到最优解或达到最大迭代次数，若符合条件，则迭代终止，反之继续迭代寻优。
[0027]所述步骤6的具体方法为：
[0028]6.1IBBDE对初始值编码，采用随机初始化的方式，初始值包括交叉网络层数U、深度网络层数H、神经元个数θ、训练周期τ；
[0029]6.2分别计算种群中所有个体的适应度值，完成种群初始化；
[0030]用交叉网络层数U、深度网络层数H、神经元个数θ、训练周期τ，这些GRU模型超参数作为IBBDE算法中种群个体的各维度分量，建立种群，将IBBDE传入的参数解码，获得对应的迭代次数、网络层数、隐含层节点数，输出对应的适应值，实现种群初始化；
[0031]6.3IBBDE根据6.2输出的适应度值进行IBBDE种群更新；
[0032]6.4计算适应度值进行全场最优解的更新；
[0033]6.5判断是否满足条件，若否重新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSGAN
‑
GRU的短期光伏功率预测方法，其特征在于，包括以下步骤：步骤1：采集光伏电站历史发电数据，基于皮尔逊相关性分析，获取天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量；步骤2：基于SOM自组织映射神经网络，根据辐照强度对天气类型进行分类；步骤3：对每种天气类型下的光伏数据序列按照天气类型，筛选出1类突变天气样本数据；步骤4：基于多生成器的最小二乘构建MAD
‑
LSGANs模型；步骤5：构建由交叉网络和深度网络组成的GRU模型；步骤6：采用骨干差分进化IBBDE算法确定GRU模型的超参数，从而得到最优GRU模型；步骤7：构建LSGAN
‑
GRU模型，获得突变天气下的光伏短期发电功率预测结果。2.根据权利要求1所述的一种基于LSGAN
‑
GRU的短期光伏功率预测方法，其特征在于，所述步骤2的具体过程为：采用的SOM自组织映射神经网络包括输入层和计算层，通过自组织学习，SOM自组织映射神经网络的计算层的神经元被分类为不同的响应区域，输入变量经过计算层时被自动分类，经过计算层分类输出的聚类结果为晴天、阴天和雨天。3.根据权利要求1所述的一种基于LSGAN
‑
GRU的短期光伏功率预测方法，其特征在于，所述步骤4的具体过程为：4.1采用全连接神经网络构建所述判别模型D；4.2将d个长度为c的一维随机噪声输入到生成模型G中，并得到伪样本；4.3固定生成模型G的参数，训练判别模型D，根据一维的热张量，利用随机梯度下降法对所述最小二乘生成MAD
‑
LSGANs模型进行训练，更新判别模型D的参数，从而得到训练后的判别模型D'；4.4固定训练后的判别模型D'的参数，用于训练生成模型G，根据判别模型D'输出的热张量，利用随机梯度下降法更新每个生成模型的参数，从而得到训练后的生成模型G
′
；4.5固定训练后的生成模型G
′
的参数，用该参数对训练后的判别模型D'进行优化训练，得到优化训练的判别模型D
″
；4.6不断重复4.2
‑
4.5，直到判别模型对生成的伪样本全部标记为“1”时，训练结束，从而由最终优化训练的生成模型生成最新的样本Q”G,(c
×
d)
×
(m+1)
；4.7将最新的样本集Q”G,(c
×
d)
×
(m+1)
与训练样本E
a
×
(m+1)
合并后，得到新训练样本集X
s
×
(m+1)
，s＝a+(c
×
d)。4.根据权利要求1所述的一种基于LSGAN
‑
GRU的短期光伏功率预测方法，其特征在于，所述步骤5的具体方法为：5.1GRU神经网络采用四层神经网络的结构；5.2确定粒子的适应度函数；5.3更新粒子的个体极值以及全局极值，同历史最优值进行比较筛选,判断是否找到...

【专利技术属性】
技术研发人员：黄永泉，张彦民，韩鹏元，卢浩，康滟婷，唐晓乐，郑传啸，姚武，葛雪松，刘永霞，
申请(专利权)人：特变电工新疆新能源股份有限公司，
类型：发明
国别省市：