【技术实现步骤摘要】
基于模型不可知元学习方法的光储电网发电功率预测方法
[0001]本专利技术涉及光储电网发电
,更具体地说,涉及将工艺知识的统一结构化表示方法用于光储电网发电功率预测。
技术介绍
[0002]光储电网是一种大规模利用太阳能转化成电能的发电设备,在光储电网发电的场景中需要依据设备的发电功率确定设备的技术规格,存储设备的容量,传输设备的材料等一系列相关信息,同时也可以用于估算未来一段时间的收益判断投资的价值,因此准确的预测每个地区设备的发电量的能力尤为重要,在过去,目标发电量预测的准确性一方面取决于相关从业人员的个人经验,需要长期跟踪分析目标的情况,并根据气象数据,电站数据,设备数据进行分析;另一方面,架设光储蓄网的地理位置种类繁多,各自的发电功率趋势也有所不同,在考虑不同目标特征的同时还需要对相似类型的目标进行类比分析,这对人工预测而言是一项巨大的挑战。
[0003]预测未来发电功率的重要依据是该地区过去一段时间的发电效率数据,由于发电功率数据是以天为单位进行采集,并且沿时间方向具有一定的规律性,因此可以将问题抽象成为一个时间序列数据预测问题,使用过去的发电数据预测未来的发电功率趋势,目前在业务中较为常用的时间序列数据预测的方法可以分为两种,人工预测法和模型预测法,相比于使用计算机建模进行预测,人工预测法无论是速度还是总体上的预测准确度都有较大的差距,但是人工预测法同时也有难以替代的优势:首先对于有经验的从业者而言可以通过相同类型的序列模式快速推断出某种新的时间序列数据规律,其次对于某些模式变化较快的目标, ...
【技术保护点】
【技术特征摘要】
1.一种基于模型不可知元学习方法的光储电网发电功率预测方法,其特征在于,包括如下步骤:S1.数据基本信息在发电功率预测任务中,规定输入的样本X为发电功率的特征,包括动态特征和静态特征两种;动态特征为时序数据,包括设备数据和气象数据两种;其中设备数据是包括设备过去一段时间内的电池电压V、电池充电电流A、电池功率W、散热器温度℃、电池充电状态以及逆变器状态;气象数据包括过去一段时间内该设备所处位置的温度℃、湿度%m3/m3、CO2浓度ppm、蒸发mm、气压hPa、辐射W/m2、风向
°
、降雨量日累计mm,日照时长h,辐射间隔累计MJ/m2,光照度KLux在内数据特征;静态特征则中设备数据包含电池类型、软件主版本号、所属设备、设备名称共4项,电站数据包含额定输出功率、逆变器充电状态共2项特征;预测标签y为该区域内设备未来一段时间内的发电量趋势;全体的数据集服从分布p(D
t
),整体输入数据结构可以用来表示,其中t代表其中的时间节点,T
i
代表第i次记录事件,我们的目的是找到一个从X
i
到y
i
∈p(D
t
)的映射,其中p(D
t
)是所有任务所属的空间范围;S2.线性特征提取使用线性自回归捕获输入样本X线性的时间依赖关系,并获得一个粗粒度但稳定的时序表征关系,模型参数为ω
a
,包括自回归系数W
a
和偏置值b,y
a
(X
t
,ω
a
)代表线性模型预测得到的结果,h
t
代表t时刻的目标效率,AR模型可以用如下公式表示:y
a
(h
t
,ω
a
)=W
a
[h1…
h
t
‑1]+b在该场景,AR模型可以用于捕捉目标线性增长或下降的趋势;输入X为用于预测的发电效率时序数据,得到的线性预测结果y
a
作为特征融合的输入之一;S3.周期性特征提取使用skip
‑
LSTM[13]提取不同周期性的非线性模式特征,x
t
表示t时刻的输入样本值,h
t
代表t时刻的目标效率对不同跳跃间隔的时间序列数据进行建模,以学习多个周期模式,并输出不同间隔的嵌入模型,skip
‑
LSTM的表述如下:其中p代表间隔的时间周期,p=1用于挖掘天颗粒度的特征,p=7用于挖掘周颗粒度的特征,p=30用于挖掘月颗粒度的特征,得到的包含不同周期规律的预测结果作为特征融合的输入之一;S4.线性特征和周期性特征的融合输入为S2和S3的输出,y
a
与y
l
,经过一个多层感知机F将两个信息融合:X
′
=F
ω,L
(y
a
,y
l
)其中ω为模型中的可训练参数,L为损失函数。经过这一步得到的数据作为元学习模型的输入X
′
;
S5.子任务划分将全部数据X
′
随机分割成和源域和目标域,作为元学习模型的训练集和测试集,是两个互补的子任务的集合,在该任务中,我们发现电站的发电功率趋势与其地理位置和中央电站设备情况有一定相关性,因此以电站为单位进行子任务划分,每一个子任务的范围是一个中央电站周围的光伏发电设备的发电功率预测,其中每一个子任务中都包含自己的输入数据和预测结果,再将每一个独立的元任务输入,输出数据{(X
′
i
,y
i
)}分割成任务内部的训练集和测试集源域上的样本需要在有监督学习的情况下推进更新,再将结果应用到目标域上测试效果;S6.基础模型的选择选择CNN或LSTM作为元学习的优化目标,针对基础模型的训练过程如下:CNN序列模型训练:在CNN模型中结构可分为三层,嵌入层,卷积层和多层感知机层,对一维向量的卷积操作可以挖掘其延时间维度t的数据模式,从而捕捉的时间序列中的特征,其中的可训练参数包括:嵌入层的权值矩阵...
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。