本发明专利技术涉及新能源发电预测技术领域，公开了光伏功率超短期预测方法、装置、计算机设备及存储介质，本发明专利技术提供的预测方法将光伏场站的原始历史数据的一维特征数据添加一个时间维转化二维特征的图像数据，将其作为训练集对基于密集连接网络结构的模型训练得到光伏功率超短期预测模型；将未来的气象和负荷数据按照相同预处理方式处理后输入到预测模型中，得到未来某时间点的功率预测值。本发明专利技术将一维特征转为二维特征矩阵被深度卷积神经网络直接处理得到高阶特征用于预测任务，采用密集连接结构处理数据实现信息高度复用，模型更紧凑和高效增加模型处理复杂任务能力的同时未增加模型参数量，降低了数据处理时间，提高了预测的实时性及预测精度。的实时性及预测精度。的实时性及预测精度。
【技术实现步骤摘要】
光伏功率超短期预测方法、装置、计算机设备及存储介质
[0001]本专利技术涉及新能源发电预测领域，具体涉及光伏功率超短期预测方法、装置、计算机设备及存储介质。
技术介绍
[0002]随着可再生能源的发展，光伏发电作为一种重要的清洁能源，已经成为国内外能源发展的热门领域之一。然而，光伏发电的不确定性和波动性也对光伏电站的运行和管理带来了挑战，因此光伏功率预测成为了光伏电站管理中至关重要的一环。目前，传统的光伏功率预测方法主要依赖于物理模型、统计学模型等，这些方法预测准确性有限，且需要大量的人工干预。
[0003]目前基于物理模型的方法使用气象数据、太阳辐射数据、光伏电池组件数据等信息，通过建立光伏电站的物理模型来预测功率输出。这种方法需要较多的输入数据和复杂的计算。基于统计学方法的方法使用历史功率输出数据和气象数据等信息，通过建立统计学模型来预测未来功率输出。这种方法相对于基于物理模型的方法计算较为简单，但对数据的准确性要求较高，且预测结果的准确性较低。虽然目前基于人工神经网络采用较为广泛，这种方法通过使用神经网络来学习历史功率输出数据和气象数据等信息的关系，并预测未来功率输出。这种方法能够适应各种复杂的非线性关系，但需要大量的训练数据和计算资源，限制了这些模型的实际应用范围且实时性较差。
技术实现思路
[0004]有鉴于此，本专利技术提供了一种光伏功率超短期预测方法、装置、计算机设备及存储介质，以解决现有技术中的超短期功率预测精度与预测实时性之间的矛盾的问题。
[0005]第一方面，本专利技术提供了一种光伏功率超短期预测方法，包括：获取预测所需的原始历史数据，包括：功率数据、气象数据及负荷数据；将所述原始历史数据进行预处理生成数据集，包括：将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵，并将二维特征矩阵转换为灰度图，每一个灰度图中像素点表述该时间下某一个特征量相对数值大小；将数据集按照预设比例划分的训练集对基于密集连接网络结构的模型进行训练，得到训练好的模型作为光伏功率超短期预测模型；将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后，输入到所述光伏功率超短期预测模型中，得到未来某时间点的功率预测值。
[0006]本实施例提供的光伏功率超短期预测方法，将光伏场站的一维特征数据添加一个时间维转化二维特征的图像数据，使之能够被深度卷积神经网络直接处理得到高阶特征用于进行预测任务，网络结构上采用密集连接结构处理数据实现信息的高度复用，使得模型更加紧凑和高效，克服现有技术中的预测精度与预测实时性之间的矛盾，在增加模型处理
复杂任务能力的同时没有增加模型参数量，降低了数据处理时间，提高了预测的实时性以及预测的精度。
[0007]在一种可选的实施方式中，所述功率数据包括:功率时间序列数据、功率波形、功率趋势；所述气象数据包括：温度、湿度、辐射强度、风速、气压；所述负荷数据包括：当前负荷和负荷趋势。
[0008]本实施例提供的方法从功率、气象及负荷三方面所包含的多方面数据因素考虑对功率的产生影响，可以更好的为后续的预测做好数据铺垫。
[0009]在一种可选的实施方式中，所述将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵，并将二维特征矩阵转换为灰度图，的过程，包括：确定原始历史数据的时间间隔，所述时间间隔与预设时间间隔一致；将每个时间段的功率、气象、负荷数据组成一个单通道二维特征矩阵，其中二维特征矩阵的行表示功率、气象、负荷数据，列表示时间；将单通道的二维特征矩阵中的数据进行标准化处理；将标准化处理后的二维特征矩阵单独映射到灰度图中，生成一个灰度图。
[0010]在一种可选的实施方式中，所述将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵，并将二维特征矩阵转换为灰度图，的过程，包括：确定原始历史数据的多个时间间隔，所述时间间隔与预设时间间隔一致；将多个时间段的功率、气象、负荷数据形成多通道的二维特征矩阵；将多通道的二维特征矩阵中的数据进行标准化处理；将标准化处理后多通道的二维特征矩阵中功率、气象、负荷数据分别映射到多通道灰度图中。
[0011]本实施例将原始光伏场站一维特征数据添加一个时间维转化维二维图像数据，使之能够被深度卷积神经网络直接处理得到高阶特征用于进行预测任务。
[0012]在一种可选的实施方式中，所述基于密集连接网络结构的模型为改进的DenseNet网络，网络结构包括：数据输入、密集连接模块、卷积和池化层、一维展开、全连接结构，其中所述密集连接模块包括多个卷积层，后端卷积层接受前端每一个卷积层的输出作为该层的输入。
[0013]本实施例采用了DenseNet网络中密集连接思想构建一体化特征处理及功率预测模型，密集连接卷积神经网络结构通过将每一层的输入与前面每一层的输出建立连接关系，从而实现信息的高度复用，使得模型更加紧凑和高效。
[0014]在一种可选的实施方式中，对基于密集连接网络结构的模型进行训练时，建立交叉熵损失函数度量预测功率与实际功率之间的差异，采用Adam算法对网络参数进行优化，在网络训练过程中利用学习率衰减来不断降低网络损失值，交叉熵损失函数如下：其中n表示样本数量，N表示一个特征具有的时间维度，表示样本i的第c行功率标记值，表示样本i的第c行功率预测值。
[0015]在一种可选的实施方式中，所述方法还包括：将预测得到的多个时间点的功率进行拟合处理得到功率预测曲线。
[0016]本实施例可预测多个时间点的功率，进一步拟合处理可得到功率预测曲线，可以更加直观的展示未来一段时间的功率超短期预测数据。
[0017]第二方面，本专利技术提供了一种光伏功率超短期预测装置，所述装置包括：原始历史数据获取模块，用于获取预测所需的原始历史数据，包括：功率数据、气象数据及负荷数据；数据集生成模块，用于将所述原始历史数据进行预处理生成数据集，包括：将一维的原始历史数据按照预设时间间隔转化为多维矩阵，并将多维矩阵转换为灰度图，每一个灰度图中像素点表述该时间下某一个特征量相对数值大小；预测模型训练模块，用于将数据集按照预设比例划分的训练集对预设神经网络模型进行训练，得到训练好的模型作为光伏功率超短期预测模型；功率预测模块，用于将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后，输入到所述光伏功率超短期预测模型中，得到未来某时间点的功率预测值。
[0018]第三方面，本专利技术提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的光伏功率超短期预测方法。
[0019]第四方面，本专利技术提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的光伏功率超短期预测方法。
附图说明
[0020]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种光伏功率超短期预测方法，其特征在于，所述方法包括：获取预测所需的原始历史数据，包括：功率数据、气象数据及负荷数据；将所述原始历史数据进行预处理生成数据集，包括：将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵，并将二维特征矩阵转换为灰度图，每一个灰度图中像素点表述该时间下某一个特征量相对数值大小；将数据集按照预设比例划分的训练集对基于密集连接网络结构的模型进行训练，得到训练好的模型作为光伏功率超短期预测模型；将未来的气象和负荷数据按照与原始历史数据相同的预处理方式进行处理后，输入到所述光伏功率超短期预测模型中，得到未来某时间点的功率预测值。2.根据权利要求1所述的方法，其特征在于，所述功率数据包括:功率时间序列数据、功率波形、功率趋势；所述气象数据包括：温度、湿度、辐射强度、风速、气压；所述负荷数据包括：当前负荷和负荷趋势。3.根据权利要求1或2所述的方法，其特征在于，所述将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵，并将二维特征矩阵转换为灰度图，的过程，包括：确定原始历史数据的时间间隔，所述时间间隔与预设时间间隔一致；将每个时间段的功率、气象、负荷数据组成一个单通道二维特征矩阵，其中二维特征矩阵的行表示功率、气象、负荷数据，列表示时间；将单通道的二维特征矩阵中的数据进行标准化处理；将标准化处理后的二维特征矩阵单独映射到灰度图中，生成一个灰度图。4.根据权利要求1或2所述的方法，其特征在于，所述将一维的原始历史数据按照预设时间间隔转化为二维特征矩阵，并将二维特征矩阵转换为灰度图，的过程，包括：确定原始历史数据的多个时间间隔，所述时间间隔与预设时间间隔一致；将多个时间段的功率、气象、负荷数据形成多通道的二维特征矩阵；将多通道的二维特征矩阵中的数据进行标准化处理；将标准化处理后多通道的二维特征矩阵中功率、气象、负荷数据分别映射到多通道灰度图中。5.根据权利要求1所述的方法，其特征在于，所述基于密集连接网络结构的模型为改进的DenseNe...
【专利技术属性】
技术研发人员：王银，何振锋，常勇，孙勇，王一凡，刘瑞阔，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：
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。