基于ResNet-SA-LUBE的短期光伏功率区间预测方法及装置制造方法及图纸

一种基于ResNet

【技术实现步骤摘要】
基于ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法及装置


[0001]本专利技术属于光伏发电
，具体涉及一种基于ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法及装置。

技术介绍

[0002]随着“双碳”目标的提出，加快建设含高比例新能源的新型电力系统具有重要意义。我国太阳能储量丰富，光伏发电发展迅速。受辐照强度等因素影响，太阳能具有波动性和随机性，使得高比例光伏接入电网后，维持电网供需平衡面临不小的挑战。
[0003]为了更加高效的利用太阳能，必须要解决由于太阳能本身间歇性、不可控性所带来的电能不稳定、不连续的问题。点预测模型只能得到某时刻确定的发电功率预测值，无法量化预测值与实际值的偏离程度，预测结果缺乏可靠性，因此对于光伏发电产业而言，光伏发电量预测是应对这种变化性和不确定性的基础。切实可靠的光伏发电区间预测结果不仅是检测光伏电站运行情况的重要依据，也为电网运营提供了更为可靠的调度方案。

技术实现思路
r/>[0004]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ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法，其特征在于，包括以下步骤：步骤1：以设定采样间隔采集历史光伏功率数据以及该采样时刻下的气象数据，并基于遗传算法确定最优特征组合；步骤2：将最优特征组合作为输入特征、将光伏功率特征矩阵作为预测目标输入到深度残差网络中进行训练预测，得到短期光伏功率点预测模型；步骤3：构建基于模拟退火算法和LUBE的短期光伏功率区间预测模型，将点预测模型中的特征提取层的参数迁移至期光伏功率区间预测模型；步骤4：对模型进行多次训练及初始化，将模型输出的区间预测上下限平均值作为最后的区间预测结果。2.根据权利要求1所述的基于ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法，其特征在于，步骤1中气象数据包括水平面总辐照度、水平面散射辐照度、温度、相对湿度、风速、风向、降雨量、气压和云的类型。3.根据权利要求1所述的基于ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法，其特征在于，步骤2中所采用的深度残差网络包括卷积层、平均池化层和残差连接以及全连接层，其中卷积层运算的公式为：l＝g(λ*W+b)其中，λ为输入的最优特征组合，*表示卷积操作，W为卷积核的权重，b为对应的偏置项，g(
·
)为激活函数，l为卷积运算后输出的光伏功率数据。4.根据权利要求1所述的基于ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法，其特征在于，步骤3包括以光伏功率特征矩阵为输入以光伏功率预测上限和光伏功率预测下限为模型输出构建LUBE模型；采用模拟退火算法优化LUBE模型的神经元数目，其中，优化目标为最小预测区间累计偏差；采用迁移学习将短期光伏功率点预测模型中的卷积层、残差连接层和池化层的参数迁移到优化后的LUBE模型中，得到短期光伏功率区间预测模型。5.根据权利要求4所述的基于ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法，其特征在于，步骤3中短期光伏功率区间预测模型的输入层为短期光伏功率点预测模型提取出的光伏功率特征矩阵，隐藏层利用激活函数对输入层数据进行非线性变换。6.根据权利要求5所述的基于ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法，其特征在于，短期光伏功率区间预测模型的神经网络输出层为双输出结构，一个代表预测区间的上限L，一个代表预测区间的下限U。7.根据权利要求5所述的基于ResNet
‑
SA
‑
LUBE的短期光伏功率区间预测方法，其特征在于，步骤3中短期光伏功率区间预测模型的输出计算公式为：
式中，y1为预测模型输出的光伏功率预测上限；y2为预测模型输出的光伏功率预测下限；f为输出层的传递函数，g为隐藏层的传递函数，w
ij
和w
jk
分别为两个连接神经元的权重，b
j
和b
k
分别为隐藏层和输出层的神经元偏置，p是...

【专利技术属性】
技术研发人员：毛晓波，薛溟枫，孙小燕，郑旭，於慧敏，刘胜玲，黄銮旖，
申请(专利权)人：国网江苏省电力有限公司无锡供电分公司，
类型：发明
国别省市：