一种配电网边缘侧光伏功率预测方法及装置制造方法及图纸

本发明专利技术公开了一种配电网边缘侧光伏功率预测方法及装置，包括：获取配电网边缘计算装置所辖区域的光伏出力历史数据集以及数值天气预报数据集，将数据进行边缘侧样本数据划分并标准化处理数据，得到边缘侧训练集；基于长短期记忆网络构建边缘侧光伏功率预测教师模型，通过一维卷积神经网络构建边缘侧光伏功率预测学生模型；根据边缘侧训练集，训练边缘侧光伏功率预测教师模型；将训练后的边缘侧光伏功率预测教师模型结合边缘侧训练集，采用知识蒸馏模型压缩方法对边缘侧光伏功率预测学生模型进行训练，利用训练后的边缘侧光伏功率预测学生模型对光伏输出功率进行预测

【技术实现步骤摘要】
一种配电网边缘侧光伏功率预测方法及装置


[0001]本专利技术涉及光伏功率预测的
，尤其涉及一种配电网边缘侧光伏功率预测方法及装置
。

技术介绍

[0002]以大数据
、
物联网等为代表的新型数字化技术的蓬勃快速发展，加速了配电系统的数字化转型，配电网积累的海量历史数据为准确的日前光伏预测提供了数据支撑
。
根据预测结果形式的不同，可将预测方法划分为点预测和概率预测
。
点预测属于确定性预测，所得预测结果为一个确定的出力预测值，结果直观易于分析；概率预测属于不确定性预测的一种，所得预测结果为出力的概率密度函数，仅可确定出力的波动范围
。
然而，海量数据增加了计算与通信负担，边缘计算装置集数据采集
、
存储
、
计算和控制于一体，可将部分配电网业务应用向边缘侧转移，在边缘侧完成基础的数据分析处理与快速服务响应，是应对海量数据通信压力的有效解决方案
。
同时在边缘计算模型中，电力数据能够更加精准迅速的传递至边缘装置进行处理，避免了上传云端过程中可能出现的数据失真和丢失等情况，可以为光伏预测提供实时
、
可靠的数据
。
因此，为提升光伏预测的准确性，有必要建立配电网边缘侧光伏预测方法
。
[0003]受到计算
、
存储等资源的限制，在边缘侧应用的预测模型需要尽可能轻量化，为此需要对预测模型进行压缩处理
。
目前模型压缩技术主要有网络权重剪枝
、
知识蒸馏
、
权值量化
、
低秩分解等
。
知识蒸馏作为其中一种被广泛使用的模型压缩技术，其核心思想是让一个性能强大但网络复杂体积庞大不便于移动部署的模型作为教师模型，去引导一个性能较弱但网络简单体积较小易于在移动端部署的学生模型，令其获得更好的性能
。
因此采用知识蒸馏模型压缩技术对预测模型进行压缩处理能够使得预测模型满足边缘侧条件限制，在尽可能保持预测精度的同时大幅减小预测模型的复杂度，从而更精准的为电力系统赋能
。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0005]鉴于上述现有存在的问题，提出了本专利技术
。
[0006]因此，本专利技术提供了一种配电网边缘侧光伏功率预测方法及装置解决在边缘侧有限资源条件下，边缘侧光伏预测的光伏出力随机性强
、
预测模型自适应性差，预测精度低的问题
。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]第一方面，本专利技术实施例提供了一种配电网边缘侧光伏功率预测方法，包括：获取配电网边缘计算装置所辖区域的光伏出力历史数据集以及数值天气预报数据集，将所述数据进行边缘侧样本数据划分并标准化处理所述数据，得到边缘侧训练集；
[0009]基于长短期记忆网络构建边缘侧光伏功率预测教师模型，通过一维卷积神经网络构建边缘侧光伏功率预测学生模型；
[0010]根据边缘侧训练集，训练所述边缘侧光伏功率预测教师模型；
[0011]将训练后的边缘侧光伏功率预测教师模型结合边缘侧训练集，采用知识蒸馏模型压缩方法对边缘侧光伏功率预测学生模型进行训练，利用训练后的边缘侧光伏功率预测学生模型对光伏输出功率进行预测
。
[0012]作为本专利技术所述的配电网边缘侧光伏功率预测方法的一种优选方案，其中：所述边缘侧样本数据划分包括：
[0013]对光伏出力历史数据集以及数值天气预报数据集分别进行边缘侧样本数据划分，将第
n
个边缘侧训练样本的输入特征矩阵作为数值天气预报数据集中第
n
天的天气预报信息矩阵，维度记为
N
×
M
；
[0014]将第
n
个边缘侧训练样本的标签矩阵作为光伏出力历史数据集中第
n
天的光伏实际出力矩阵，维度记为
N
×
1。
[0015]作为本专利技术所述的配电网边缘侧光伏功率预测方法的一种优选方案，其中：标准化处理所述数据包括：对光伏出力历史数据集和天气预报数据集分别进行
min
‑
max
标准化处理；
[0016]min
‑
max
标准化处理基于第
n
个边缘侧训练样本的输入特征矩阵以及第
n
个边缘侧训练样本的标签矩阵进行的处理
。
[0017]作为本专利技术所述的配电网边缘侧光伏功率预测方法的一种优选方案，其中：所述边缘侧光伏功率预测教师模型包括：遗忘门
、
输入门
、
输出门以及回归层；
[0018]边缘侧光伏功率预测教师模型利用梯度下降算法，以
L2损失作为损失函数进行模型训练，损失函数
L
t
表示为：
[0019][0020]其中，为第
n
个边缘侧训练样本预测结果中第
i
个时刻的预测值，为第
n
个边缘侧训练样本标签矩阵中的第
i
行元素
。
[0021]作为本专利技术所述的配电网边缘侧光伏功率预测方法的一种优选方案，其中：边缘侧光伏功率预测学生模型包括：卷积层
、
池化层以及回归层
。
[0022]作为本专利技术所述的配电网边缘侧光伏功率预测方法的一种优选方案，其中：采用知识蒸馏模型压缩方法对边缘侧光伏功率预测学生模型进行训练，包括：
[0023]所述边缘侧光伏功率预测学生模型训练将真实标签和教师模型的标签作为监督，其中，真实标签为第
n
个边缘侧训练样本的标签矩阵，教师模型的标签即训练后的边缘侧光伏功率预测教师模型对第
n
个边缘侧训练样本的预测结果；
[0024]当边缘侧光伏功率预测学生模型与边缘侧光伏功率预测教师模型的预测性能大于第一阈值时为0，否则为
L2损失函数，并根据梯度下降算法继续对边缘侧光伏功率预测学生模型进行训练
。
[0025]作为本专利技术所述的配电网边缘侧光伏功率预测方法的一种优选方案，其中：所述
边缘侧光伏功率预测学生模型的损失函数包括软损失函数，硬损失函数以及边缘侧光伏功率预测学生模型的总损失函数；
[0026]所述软损失函数，表示为：
[0027][0028]其中，为边缘侧光伏功率预测学生模型的对第
n
个边缘侧训练样本的预测结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种配电网边缘侧光伏功率预测方法，其特征在于，包括：获取配电网边缘计算装置所辖区域的光伏出力历史数据集以及数值天气预报数据集，将所述数据进行边缘侧样本数据划分并标准化处理所述数据，得到边缘侧训练集；基于长短期记忆网络构建边缘侧光伏功率预测教师模型，通过一维卷积神经网络构建边缘侧光伏功率预测学生模型；根据边缘侧训练集，训练所述边缘侧光伏功率预测教师模型；将训练后的边缘侧光伏功率预测教师模型结合边缘侧训练集，采用知识蒸馏模型压缩方法对边缘侧光伏功率预测学生模型进行训练，利用训练后的边缘侧光伏功率预测学生模型对光伏输出功率进行预测
。2.
如权利要求1所述的配电网边缘侧光伏功率预测方法，其特征在于，所述边缘侧样本数据划分包括：对光伏出力历史数据集以及数值天气预报数据集分别进行边缘侧样本数据划分，将第
n
个边缘侧训练样本的输入特征矩阵作为数值天气预报数据集中第
n
天的天气预报信息矩阵，维度记为
N
×
M
；将第
n
个边缘侧训练样本的标签矩阵作为光伏出力历史数据集中第
n
天的光伏实际出力矩阵，维度记为
N
×
1。3.
如权利要求2所述的配电网边缘侧光伏功率预测方法，其特征在于，标准化处理所述数据包括：对光伏出力历史数据集和天气预报数据集分别进行
min
‑
max
标准化处理；
min
‑
max
标准化处理基于第
n
个边缘侧训练样本的输入特征矩阵以及第
n
个边缘侧训练样本的标签矩阵进行的处理
。4.
如权利要求3所述的配电网边缘侧光伏功率预测方法，其特征在于，所述边缘侧光伏功率预测教师模型包括：遗忘门
、
输入门
、
输出门以及回归层；边缘侧光伏功率预测教师模型利用梯度下降算法，以
L2损失作为损失函数进行模型训练，损失函数
L
t
表示为：其中，为第
n
个边缘侧训练样本预测结果中第
i
个时刻的预测值，为第
n
个边缘侧训练样本标签矩阵中的第
i
行元素
。5.
如权利要求4所述的配电网边缘侧光伏功率预测方法，其特征在于，边缘侧光伏功率预测学生模型包括：卷积层
、
池化层以及回归层
。6.
如权利要求5所述的配电网边缘侧光伏功率预测方法，其特征在于，采用知识蒸馏模型压缩方法对边缘侧光伏功率预测学生...

【专利技术属性】
技术研发人员：张锐锋，张恒荣，吴鹏，付宇，肖小兵，王卓月，李跃，龙杉，何肖蒙，何心怡，熊楠，喻磊，林心昊，刘胤良，李新皓，苗宇，李前敏，宋子宏，支舰，郝树青，方阳，毛雅茹，刘安茳，王扬，郑友卓，班诗雪，蔡永翔，郝丽萍，张礼波，张洋，林超，高世远，冀浩然，李鹏，周意明，潘嵩，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：