一种小样本场景下基于元学习的新能源预测方法技术

一种小样本场景下基于元学习的新能源预测方法，包括如下步骤：S1、预测任务定义：定义预测新能源场站l在τ时刻后的有功出力为一个预测任务，不同的位置信息l和预测时间尺度τ确定了不同的预测任务；S2、预测模型构建：采用双向长短时记忆网络构建新能源预测模型；S3、基础预测模型离线训练：通过离线训练使基础预测模型适配不同的预测任务，找到其最优元参数；S4、小样本场景下预测任务快速在线适配：通过在线增量学习的方式快速泛化得到适配新预测任务的预测模型。本发明专利技术的新能源预测方法能够训练得到小样本下对不同预测任务均有很强适应性能力的新能源预测模型，是一种应用前景广阔的新能源预测方法。广阔的新能源预测方法。广阔的新能源预测方法。

【技术实现步骤摘要】
一种小样本场景下基于元学习的新能源预测方法


[0001]本专利技术涉及新能源预测
，特别是涉及一种小样本场景下基于元学习的新能源预测方法。

技术介绍

[0002]近年来，以风电、光伏为代表的新能源发电在中国乃至全球“双碳”目标下扮演越来越重要的角色，并呈现喷井式发展。截至2021年底，全球新能源总装机达到3068GW。我国风电、光伏累计装机分别超过328GW与306GW。先进的新能源预测技术变得愈来愈重要，对电力系统中不同时间尺度下的优化调度具有重要意义。
[0003]现有新能源预测技术可分为物理方法、传统统计方法以及机器学习方法三类。由于机器学习方法较其他方法具备更强的非线性拟合能力以及其不用考虑实际复杂物理模型的优点，逐渐成为新能源功率预测中的主流方法。常见的方法包括支持向量机、马尔科夫链、高斯过程、非参数贝叶斯和核密度估计等。同时，深度学习技术开始广泛应用于上述新能源功率预测方法中，以研制效果更优的新能源预测技术。其中，递归神经网络因其强大的时序特征建模能力被研究人员广泛关注，众多基于递归神经网络的预测算法展现出了卓越的新能源预测效果。此外，深度混合密度网络、堆叠自动编码器、集成卷积神经网络和时间注意网络等其他深度学习算法也被应用于新能源功率预测中，并取得了不错的效果。
[0004]尽管上述方法在新能源功率预测中表现出了突出的性能，但它们均基于数据量充足的假设。当训练功率预测模型的数据不足时，这些方法的效果可能骤降。新能源数据不足的情况在很多场景中均存在，其中一个典型场景是在线调整预测时间尺度。由于不同预测时间尺度下的新能源出力特性不同，因此在这种情况下需要重新训练新的预测模型以适应预测时间尺度调整后的预测任务。然而考虑到在线预测中的实时性需求，仅仅可以允许少量的数据用于功率预测模型的更新以避免过长的模型训练时间，可能造成训练过拟合与预测模型的性能下降。另一个典型场景是新建新能源场站的功率预测。在这种情况下，由于新能源场站没有积累足够的历史数据或者甚至没有历史数据，基于机器学习的预测算法可能出现严重的过拟合现象。
[0005]迁移学习是一种解决上述新能源数据不足问题的一个潜在方法。迁移学习旨在利用基于源域大量数据与目标与较少数据建立一个在目标域任务中泛化性能很好的模型，具备较强的小样本学习能力。其通过特征计算降低源域数据与目标域数据分布特性间的差异，得到域不变特征并将其应用在目标域任务中，以使算法在小样本情况下具备强泛化能力。然而，考虑到新能源时间序列数据(例如风电、光伏序列)的不平稳特性，想要使预测模型同时具备提取域不变特征的能力与快速适应在线获取的非平稳功率数据的能力十分困难。因此，小样本迁移学习后可能导致新能源预测模型性能的下降。
[0006]需要说明的是，在上述
技术介绍
部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0007]为解决新能源预测算法在小样本情况下性能骤降的技术难题，本专利技术提出一种小样本场景下基于元学习的新能源预测方法。
[0008]为实现上述目的，本专利技术采用以下技术方案：
[0009]一种小样本场景下基于元学习的新能源预测方法，包括如下步骤：
[0010]S1、预测任务定义：定义预测新能源场站l在τ时刻后的有功出力为一个预测任务，不同的位置信息l和预测时间尺度τ确定了不同的预测任务；对于每一个预测任务n，其均有对应的损失函数L
n
与数据集D
(n)
，数据集D
(n)
＝{(P
t
,p
t+τ
)}根据历史数据结合新能源场站不同的位置信息与预测时间尺度而生成，其中P
t
为截至t时刻可获取的模型输入信息；
[0011]S2、预测模型构建：采用双向长短时记忆网络(Bi
‑
directional Long Short
‑
Term Memory,BiLSTM)构建新能源预测模型；
[0012]S3、基础预测模型离线训练：通过离线训练使基础预测模型适配不同的预测任务，找到其最优元参数；
[0013]S4、小样本场景下预测任务快速在线适配：通过在线增量学习的方式快速泛化得到适配新预测任务的预测模型。
[0014]进一步地：
[0015]步骤S1中，当仅预测功率为确定性结果时，损失函数L
n
选择均方误差损失函数
[0016][0017]其中Ns为样本数量，p
i+τ
为预测目标的实际观测值，为p
i+τ
的估计值；
[0018]当预测功率为概率分布结果时，采用分位数回归方法中的弹球损失函数构建损失函数，其计算过程为
[0019][0020]其中为p
i+τ
的β分位点估计值，该损失函数旨在使得预测模型以β的概率给出低于观测值的结果，并以1
‑
β的概率给出高于观测值的结果。
[0021]步骤S1中，将不同预测任务中的P
t
与p
t+τ
的维度均分别设置相同；通过最小化数据集D
(n)
上的对应损失函数来更新预测模型的参数以使其适配预测任务n；具体的预测任务根据所希望适配的小样本应用场景而进行设置；当希望预测算法能够快速适配不同的在线预测时间尺度时，选择新能源场站不同时刻后的有功出力作为不同的预测任务；当希望测算法能够快速适配新建新能源场站功率预测时，选择新建新能源场站邻近场站的有功出力作为不同的预测任务。
[0022]步骤S2中，所述预测模型由多层BiLSTM网络构建；其中，给定截至时刻t模型可获取的输入信息为P
t
，BiLSTM层计算输出前向和后向的隐藏状态和
[0023][0024][0025]其中，LSTM
f
和LSTM
b
分别是前向和后向计算的LSTM结构，和是其各自细胞状
态；
[0026]基于多层BiLSTM层构建新能源预测模型并提取数据特征，相关数据特征提取结果通过一个全连接层计算输出得到最终的功率预测结果。
[0027]步骤S2中，前向计算的LSTM结构LSTM
f
的具体计算过程为：
[0028][0029][0030][0031][0032][0033][0034]其中：分别表示前向计算的LSTM结构中的输入门输出值、遗忘门输出值、当前时刻记忆单元的候选值、当前时刻记忆单元的状态、输出门的输出值和当前时刻的隐藏状态；σ表示sigmoid激活函数；含有不同下标的张量W和b分别表示权重和偏执；
⊙
表示按元素点乘；
[0035]在反向计算的LSTM结构中，反向地遍历输入序列P
t
，进行如下计算过程：
[0036][0037][0038][0039][0040][0041][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本场景下基于元学习的新能源预测方法，其特征在于，包括如下步骤：S1、预测任务定义：定义预测新能源场站l在τ时刻后的有功出力为一个预测任务，不同的位置信息l和预测时间尺度τ确定了不同的预测任务；对于每一个预测任务n，其均有对应的损失函数L
n
与数据集D
(n)
，数据集D
(n)
＝{(P
t
,p
t+τ
)}根据历史数据结合新能源场站不同的位置信息与预测时间尺度而生成，其中P
t
为截至t时刻可获取的模型输入信息；S2、预测模型构建：采用双向长短时记忆网络BiLSTM构建新能源预测模型；S3、基础预测模型离线训练：通过离线训练使基础预测模型适配不同的预测任务，找到其最优元参数；S4、小样本场景下预测任务快速在线适配：通过在线增量学习的方式快速泛化得到适配新预测任务的预测模型。2.如权利要求1所述的新能源预测方法，其特征在于，步骤S1中，当仅预测功率为确定性结果时，损失函数L
n
选择均方误差损失函数其中Ns为样本数量，p
i+τ
为预测目标的实际观测值，为p
i+τ
的估计值；当预测功率为概率分布结果时，采用分位数回归方法中的弹球损失函数构建损失函数，其计算过程为其中为p
i+τ
的β分位点估计值，该损失函数旨在使得预测模型以β的概率给出低于观测值的结果，并以1
‑
β的概率给出高于观测值的结果。3.如权利要求1所述的新能源预测方法，其特征在于，步骤S1中，将不同预测任务中的P
t
与p
t+τ
的维度均分别设置相同；通过最小化数据集D
(n)
上的对应损失函数来更新预测模型的参数以使其适配预测任务n；具体的预测任务根据所希望适配的小样本应用场景而进行设置：当希望预测算法能够快速适配不同的在线预测时间尺度时，选择新能源场站不同时刻后的有功出力作为不同的预测任务；当希望测算法能够快速适配新建新能源场站功率预测时，选择新建新能源场站邻近场站的有功出力作为不同的预测任务。4.如权利要求1至3任一项所述的新能源预测方法，其特征在于，步骤S2中，所述预测模型由多层BiLSTM网络构建；其中，给定截至时刻t模型可获取的输入信息为P
t
，BiLSTM层计算输出前向和后向的隐藏状态和和和其中，LSTM
f
和LSTM
b
分别是前向和后向计算的LSTM结构，和是其各自细胞状态；基于多层BiLSTM层构建新能源预测模型并提取数据特征，相关数据特征提取结果通过一个全连接层计算输出得到最终的功率预测结果。5.如权利要求4所述的新能源预测方法，其特征在于，步骤S2中，前向计算的LSTM结构LSTM
f
的具体计算过程为：
其中：f
tf
、分别表示前向计算的LSTM结构中的输入门输出值、遗忘门输出值、当前时刻记忆单元的候选值、当前时刻记忆单元的状态、输出门的输出值和当前时刻的隐藏状态；σ表示sigmoid激活函数；含有不同下标的张量W和b分别表示权重和偏执；
⊙
表示按元素点乘；在反向计算的LSTM结构中，反向地遍历输入序列P
t
，进行如下计算过程：，进行如下计算过程：，进行如下计算过程：，进行如下计算过程：，进行如下计算过程：，进行如下计算过程：其中：f
tb
、c
tb
、分别表示后向计算的LSTM结构中的输入门输出值、遗忘门输出值、当前时刻记忆单元的候选值、当前时刻记忆单元的状态、输出门的输出值和当前时刻的隐藏状态；然后，将正向和反向的隐藏状态和拼接，得到当前时刻的BiLSTM层输出隐藏状态h
t
：其中[
·
；
·
]表示向量拼接操作；然后，使用全连接层将BiLSTM层输出映射为最终的功率预测...

【专利技术属性】
技术研发人员：郭烨，孟子超，王康，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：