一种分布式光伏发电功率预测方法、系统、设备及介质技术方案

本发明专利技术属于发电功率预测技术领域，具体公开一种分布式光伏发电功率预测方法、系统、设备及介质，采集分布式光伏运行相关数据，进行标准化处理；在LSTM网络中引入Attention机制，将解码器一个LSTM单元提取的信息与其他LSTM单元相连，使不同时段间的隐含信息都可以用权值精确地表示出来，更好对分布式光伏进行预测；建立分布式光伏发电功率预测模型；采用元学习框架对预测模型的初始参数进行优化，获得优化后的分布式光伏发电功率预测模型，将原始数据集输入到优化后的分布式光伏发电功率预测模型，输出分布式光伏发电功率预测值；采用元学习框架对模型参数进行分层优化，能够快速获得最优初始参数，有效减少模型迭代次数，提高模型运行性能和模型运行速度。高模型运行性能和模型运行速度。高模型运行性能和模型运行速度。

【技术实现步骤摘要】
一种分布式光伏发电功率预测方法、系统、设备及介质


[0001]本专利技术属于发电功率预测
，具体涉及一种分布式光伏发电功率预测方法、系统、设备及介质。

技术介绍

[0002]随着社会对能源安全、生态环境以及气候变化等问题的日益重视，以风电、光伏为代表的可再生能源发电并网的比例将会持续走高。然而，风电、光伏等可再生能源电力具有很强的随机性和间歇性，其大规模并网将给电力系统的规划、运行和控制带来挑战。准确的光伏出力预测是实现分布式光伏发电就地消纳和提升配电网接纳光伏能力的关键，也能够为光伏电源的优化规划设计、配电网的优化调度和管理提供支持。然而，光伏出力受气候环境、安装条件等多种不确定性因素的影响，而且大规模分布式光伏由于多点无序接入配电网而形成一个有机整体，其出力彼此之间也相互耦合影响，给光伏出力的准确预测带来难度。
[0003]目前光伏预测的方法一般分为直接预测和间接预测两大类。光伏出力直接预测法，就其本质上而言，均是数据统计的预测方法，它是根据历史数据的规律预测未来不同天气状况下的光伏出力情况的一种方法，其预测精度一般都能满足要求。间接预测方法是指不需要任何光伏的历史数据，直接根据天气预报数据进行预测的方法，其主要的优点是减少了大量的历史数据统计。
[0004]而现有的光伏发电功率的直接预测方法和间接预测方法的预测效率较差，无法快速的对光伏发电功率进行预测。

技术实现思路

[0005]为了克服现有技术的缺点，本专利技术的目的在于提供一种分布式光伏发电功率预测方法、系统、设备及介质，以解决现有的光伏发电功率的预测方法预测效率较差，无法快速的对光伏发电功率进行预测的问题。
[0006]为了达到上述目的，本专利技术采用以下技术方案实现：
[0007]第一方面，本专利技术提供一种分布式光伏发电功率预测方法，包括：
[0008]获取分布式光伏运行相关数据，采用标准化对获取到的分布式光伏运行相关数据进行处理，得到原始数据集；
[0009]获取预先构建的分布式光伏发电功率预测模型；其中，所述分布式光伏发电功率预测模型采用LSTM网络，并在所述LSTM网络中引入Attention机制；
[0010]基于元学习框架，通过原始数据集对分布式光伏发电功率预测模型参数进行优化，获得优化后的分布式光伏发电功率预测模型；
[0011]将实际运行数据输入到优化后的分布式光伏发电功率预测模型，输出分布式光伏发电功率预测值。
[0012]进一步的，所述获取分布式光伏运行相关数据包括：
[0013]通过电力公司或光伏发电运营商获取光伏运行相关数据，包括光伏历史发电功率，收集气象类指标，包括太阳辐射、环境温度、湿度、风速、气压和云量。
[0014]进一步的，所述采用标准化对获取到的分布式光伏运行相关数据进行处理，得到原始数据集，具体包括：
[0015]采用标准化对收集到的数据进行处理，得到均值为0、方差为1的数据样本，处理后的数据特征符合正态分布，构成原始数据集；标准化方程式如下：
[0016][0017]式中，表示第i个样本的第n个特征，E(x
(n)
)表示第n个特征的期望，Std(x
(n)
)表示第n个特征的方差；表示第i个样本的第n个特征的标准化值。
[0018]进一步的，分布式光伏发电功率预测模型的构建方法，具体包括：
[0019]设某时刻为t时刻，则t
‑
1时刻传入的信息a
<t
‑
1>
与t时刻的输入信息x
<t>
乘以权重W再加上偏置b，通过sigmoid激活函数σ(x)得到门单元的控制系数Γ，来控制是否更新记忆单元中的备选信息或者遗忘t
‑
1时刻记忆单元中保存的信息C
＜t
‑
1>
，从而更新记忆单元中的信息C
<t>
；更新后的记忆单元C
<t>
中的信息经过tanh(x)激活函数并乘以output门单元的控制系数＞后得到a
<t>
传入下一个LSTM的cell，从而实现在处理时序问题过程中对关键的信息进行记忆与更新；LSTM的每个单元用以下公式表示：
[0020][0021]式中，为t时刻记忆单元中的备选信息；tanh(x)为激活函数；σ(x)为sigmoid激活函数；Γ
u
为update门单元；Γ
f
为forget门单元；Γ
o
为output门单元；C
<t>
为t时刻的记忆单元中的信息；C
<t
‑
1>
为t
‑
1时刻的记忆单元中的信息；a
<t＞
为t时刻传入的信息；a
<t
‑
1＞
为t
‑
1时刻传入的信息；x
<t>
为t时刻的输入信息；
c
为记忆单元的权重；
c
为记忆单元的偏置；W
u
为update门单元的权重；b
u
为update门单元的偏置；W
f
为forget门单元的权重；b
f
为forget门单元的偏置；W
o
为output门单元的权重；b
o
为output门单元的偏置；
[0022]多个LSTM的cell通过记忆单元C、LSTM的cell间的信息传送单元a以及各时刻的输入信息x来得到预测数据y；
[0023]在时间序列数据的处理中，Attention机制对LSTM输出的隐藏层向量h
t
进行加权求和，其中h
i
表示第i时刻输入序列的隐藏层的状态值，采用点积的方式计算最后一个隐藏层输出h
k
与其他每个时间点隐藏层输出h
i
的相似度得分e
i
，相似度计算公式如下：
[0024]e
i
＝ot(h
k
，h
i
)
[0025]通过soft
‑
max函数计算每个时间点的不同注意力权重a
i
，在此基础上计算注意力权重a
i
与隐藏层状态的乘积，得到Attention层的输出向量C：
[0026][0027][0028]式中：C为Attention层的输出向量；a
i
为每个时间点的不同注意力权重；e
i
为每个时间点隐藏层输出h
i
的相似度得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式光伏发电功率预测方法，其特征在于，包括：获取分布式光伏运行相关数据，采用标准化对获取到的分布式光伏运行相关数据进行处理，得到原始数据集；获取预先构建的分布式光伏发电功率预测模型；其中，所述分布式光伏发电功率预测模型采用LSTM网络，并在所述LSTM网络中引入Attention机制；基于元学习框架，通过原始数据集对分布式光伏发电功率预测模型参数进行优化，获得优化后的分布式光伏发电功率预测模型；将实际运行数据输入到优化后的分布式光伏发电功率预测模型，输出分布式光伏发电功率预测值。2.根据权利要求1所述的一种分布式光伏发电功率预测方法，其特征在于，所述获取分布式光伏运行相关数据包括：通过电力公司或光伏发电运营商获取光伏运行相关数据，包括光伏历史发电功率，收集气象类指标，包括太阳辐射、环境温度、湿度、风速、气压和云量。3.根据权利要求1所述的一种分布式光伏发电功率预测方法，其特征在于，所述采用标准化对获取到的分布式光伏运行相关数据进行处理，得到原始数据集，具体包括：采用标准化对收集到的数据进行处理，得到均值为0、方差为1的数据样本，处理后的数据特征符合正态分布，构成原始数据集；标准化方程式如下：式中，表示第i个样本的第n个特征，E(x
(n)
)表示第n个特征的期望，Std(x
(n)
)表示第n个特征的方差；表示第i个样本的第n个特征的标准化值。4.根据权利要求1所述的一种分布式光伏发电功率预测方法，其特征在于，分布式光伏发电功率预测模型的构建方法，具体包括：设某时刻为t时刻，则t
‑
1时刻传入的信息a
<t
‑
1>
与t时刻的输入信息x
<t>
乘以权重W再加上偏置b，通过sigmoid激活函数σ(x)得到门单元的控制系数Γ，来控制是否更新记忆单元中的备选信息或者遗忘t
‑
1时刻记忆单元中保存的信息C
<t
‑
1>
，从而更新记忆单元中的信息C
<t>
；更新后的记忆单元C
<t>
中的信息经过tanh(x)激活函数并乘以output门单元的控制系数Γ后得到a
<t>
传入下一个LSTM的cell，从而实现在处理时序问题过程中对关键的信息进行记忆与更新；LSTM的每个单元用以下公式表示：式中，为t时刻记忆单元中的备选信息；tan h(x)为激活函数；σ(x)为sigmoid激活函数；Γ
u
为update门单元；Γ
f
为forget门单元；Γ
o
为output门单元；C
<t>
为t时刻的记忆单元中的信息；C
<t
‑
1>
为t
‑
1时刻的记忆单元中的信息；a
<t>
为t时刻传入的信息；a
<t
‑
1>
为t
‑
1时
刻传入的信息；x
<t>
为t时刻的输入信息；W
c
为记忆单元的权重；b
c
为记忆单元的偏置；W
u
为update门单元的权重；b
u
为update门单元的偏置；W
f
为forget门单元的权重；b
f
为forget门单元的偏置；W
o
为output门单元的权重；b
o
为output门单元的偏置；多个LSTM的cell通过记忆单元C、LSTM的cell间的信息传送单元a以及各时刻的输入信息x来得到预测数据y；在时间序列数据的处理中，Attention机制对LSTM输出的隐藏层向量h
t
进行加权求和，其中h
i
表示第i时刻输入序列的隐藏层的状态值，采用点积的方式...

【专利技术属性】
技术研发人员：代志强，许禹诺，李炳辉，胡伟，汪海涛，张鑫，郭秋婷，郭大勇，林凯，
申请(专利权)人：国家电网有限公司清华大学，
类型：发明
国别省市：