【技术实现步骤摘要】
基于联邦云模型的区域分布式发电预测方法
[0001]本专利技术涉及电力数据预测
,具体的是基于联邦云模型的区域分布式发电预测方法。
技术介绍
[0002]近年来,分布式电源由于其自身清洁、低碳的特点,有助于我国构建新型能源体系,市场前景非常广泛。但是同时分布式电源也具有规模大、地域广以及出力具有不确定性的特点,给我国的电力系统带来了巨大的挑战。如何实现分布式电源出力的准确预测成为了当前急需解决问题;分布式电源的出力与其周围天气因素密切相关,例如光照强度、湿度、温度等天气因素都对于分布式电源的出力产生着巨大的影响。而通常情况下天气因素往往是很难预测的,尤其是光照强度,其不仅难以预测而且对于分布式电源的出力产生着巨大的影响。同时,由于分布式电源具有规模大、地域广的特点,进一步导致了分布式电源的出力往往难以预测,具有很强的随机性和不确定性,因此如何有效解决分布式电源的随机性和不确定性对于分布式电源出力预测具有重大意义。同时,由于分布式电源出力多属于企业商业隐私,使得数据的交换变得较为困难,如何解决规模大、区域广的分布式电源出力数据交互问题也显得尤为重要。
[0003]在我国现有的分布式电源预测模型中,有些直接忽略了分布式电源的随机性和不确定性,有一些虽然考虑了随机性和不确定性,但是并没有考虑分布式电源分布规模大、地域广所造成的天气因素差异。事实上,同一片分布式电源区域的天气因素也会存在较大差异,现有的研究很少或基本没有涉及分布式电源分区域进行处理研究。
技术实现思路
[0004]为解决上述背景 ...
【技术保护点】
【技术特征摘要】
1.基于联邦云模型的区域分布式发电预测方法,其特征在于,方法包括以下步骤:分区域构建分布式电源历史数据特征集,分布式电源历史数据特征集包括温度、光照强度、湿度、时间和分布式电源出力的维度;分区域对分布式电源历史数据特征集中的数据特征,采用云模型进行特征相似度筛选,采用多维云特征加权法对不同维度的分布式电源历史数据特征集进行加权,筛选出与当日的预测日特征集相似度最高的五天作为训练集,后对筛选出的训练集内的数据特征利用LSTM长短期神经网络进行预测,得到分布式电源出力预测值;根据得到的分布式电源出力预测值,总服务器发送联邦训练请求,各区域选择是否响应联邦训练请求,响应区域将本地模型参数上传到总服务器进行拟合,得到全局模型参数,总服务器再将全局模型参数传递回各区域,各区域利用传递回的全局模型参数进行本地训练,至获得最终预测模型。2.根据权利要求1所述的基于联邦云模型的区域分布式发电预测方法,其特征在于,所述分布式电源历史数据特征集节选自各区域中每15分钟的温度{x
11
,x
12
,...,x
1n
}、光照强度{x
21
,x
22
,...,x
2n
}、湿度{x
31
,x
32
,...,x
3n
}和分布式电源出力{y1,y2,...,y
n
},其中各区域的分布式电源历史特征数据集分别储存在当地数据库,x
1i
、x
2i
、x
3i
、y
i
分别为所选日期当日的第i个温度、湿度、光照强度特征值,n为所选择日期当日的特征个数。3.根据权利要求1所述的基于联邦云模型的区域分布式发电预测方法,其特征在于,所述云模型对分布式电源历史数据特征集中的数据特征筛选得到云模型特征,包括:当日温度、湿度和光照强度的均值、熵和超熵三个特征,根据得到的云模型特征进行正向云模型建模,采用基于期望曲线的加权相似云计算法来判定模型之间的相似度。4.根据权利要求3所述的基于联邦云模型的区域分布式发电预测方法,其特征在于,所述温度均值计算公式为:其中E
x
为温度均值,x
i
为所选日期当日的第i个温度值,n为当日特征值个数;方差计算公式如以下:S为方差,其中x
i
为所选日期当日的第i个温度值,n为当日特征值个数,为特征值均值;熵计算公式如下:E
n
为熵,其中x
i
为所选日期当日的第i个温度值,n为当日特征值个数,Ex为特征值均值;超熵计算公式如下:
H
e
为超熵,其中S2为特征值当日方差,E
n
为超熵计算公式;所述湿度和光照强度的计算公式与温度的计算公式相同。5.根据权利要求1所述的基于联邦云模型的区域分布式发电预测方法,其特征在于,所述LSTM长短期神经网络输入特征包括光照强度、温度、湿度,输出结果为分布式光伏出力,训练集为通过相似测试集相似度最高的五天。6.根据权利要求1所述的基于联邦云模型的区域分布式发电预测方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。