一种光功率预测方法及装置制造方法及图纸

本申请公开了一种光功率预测方法及装置，该方法包括：获取多个光伏电站的历史时序数据和未来时序数据；将历史时序数据和未来时序数据拆分为训练集

【技术实现步骤摘要】
一种光功率预测方法及装置


[0001]本专利技术涉及电子电力
，尤其涉及一种光功率预测方法及装置
。

技术介绍

[0002]近年来，随着光伏发电技术的快速发展，预测未来发电和用电水平是成功优化调度电力资源的关键前提条件，其中，光功率预测作为发电侧新能源供给端的核心技术之一，受到了广泛关注
。
在实际应用中，需要对光伏电站的发电功率进行准确预测，使电力系统能够根据预测得到的发电功率进行电力调控
。
传统的光功率预测方法主要基于统计学原理，通过分析历史光功率曲线的周期特征与趋势来预测未来光功率，然而，该方法主要用于中长期光功率预测，针对短期光功率预测，由于无法处理多元时间序列以及实际光功率的影响因子复杂多变，导致预测效果较差
。

技术实现思路

[0003]本申请实施例提供一种光功率预测方法及装置，通过训练得到的预测模型能够适应长序列输入并高效利用较低精度的气象特征因子，实现短期光功率预测，提升模型的预测精度和泛化性能
。
[0004]第一方面，本申请实施例提供了一种光功率预测方法，包括：
[0005]获取多个光伏电站的历史时序数据和未来时序数据，其中，多个光伏电站包括目标光伏电站和至少一个相似光伏电站，历史时序数据包括历史发电数据
、
历史日期数据和历史气象数据，未来时序数据包括未来日期数据和未来气象数据；
[0006]将历史时序数据和未来时序数据拆分为训练集
、
验证集和测试集；
>[0007]基于训练集，对待训练的第一模型进行训练得到已训练的第一模型，已训练的第一模型用于时序特征学习和深度学习预测；
[0008]基于训练集，对待训练的第二模型进行训练得到已训练的第二模型，已训练的第二模型用于集成学习和回归预测；
[0009]将已训练的第一模型和已训练的第二模型进行线性融合，得到待训练的第三模型；
[0010]基于训练集，对待训练的第三模型进行训练得到已训练的第三模型；
[0011]基于训练集
、
验证集和测试集，对已训练的第三模型进行训练得到预测模型，预测模型用于预测光功率
。
[0012]通过线性融合已训练的第一模型和已训练的第二模型，相较于单个模型，可以有效提升模型的预测精度，采用多个光伏电站的历史时序数据和未来时序数据进行预测模型的训练，使得模型能够适应长序列输入并高效利用较低精度的气象特征因子，实现短期光功率预测，提升模型的泛化性能
。
[0013]在一种可能的设计中，基于训练集和验证集，对已训练的第三模型进行训练，得到最佳超参数；基于训练集
、
验证集和最佳超参数，对已训练的第三模型进行训练，得到第四
模型和第一预测精度；将测试集输入第四模型，得到第二预测精度；若第一预测精度与第二预测精度的差值小于等于预设阈值，则将第四模型确定为预测模型
。
[0014]通过确定最佳超参数，有利于提升模型的学习性能和学习效果，在训练得到第四模型的基础上，确定第四模型基于验证集的第一预测精度以及第四模型基于测试集的第二预测精度，若第一预测精度与第二预测精度的差值小于等于预设阈值，则表示第四模型基于不同的时序数据所得到的预测精度接近，将第四模型确定为预测模型，可以保证预测模型的预测精度和泛化性能
。
[0015]在另一种可能的设计中，获取多组超参数；基于训练集和多组超参数，对已训练的第三模型进行训练，得到多组超参数中每组超参数对应的模型；将验证集输入多组超参数中每组超参数对应的模型，得到多组超参数中每组超参数对应的模型的预测精度；若多组超参数中的第一超参数对应的模型的预测精度最高，则将第一超参数确定为最佳超参数
。
[0016]通过计算多组超参数中每组超参数对应的模型的预测精度，用于判断多组超参数中每组超参数对应的模型的预测的精确程度，将预测精度最高的第一超参数确定为最佳超参数，有利于提升模型的学习性能和学习效果
。
[0017]在另一种可能的设计中，将训练集中的目标光伏电站的历史时序数据和未来时序数据输入已训练的第一模型，得到第一预测数据，第一预测数据包括第一预测光功率值和第一预测光功率变动值；将训练集中的目标光伏电站的历史时序数据和未来时序数据输入已训练的第二模型，得到第二预测数据，第二预测数据包括第二预测光功率值和第二预测光功率变动值；基于第一预测数据
、
第二预测数据和训练集中的目标光伏电站的历史时序数据和未来时序数据，对待训练的第三模型进行训练得到已训练的第三模型
。
[0018]在待训练的第三模型的训练过程中，借助正则化技术，不仅预测目标光伏电站的光功率值，还要预测目标光伏电站的光功率变动值，基于预测光功率值和预测光功率变动值的预测误差，用于指导基于结果误差来修正模型的参数，能够提升模型的预测精度和泛化性能
。
[0019]在另一种可能的设计中，基于训练集中的目标光伏电站的历史时序数据和未来时序数据，对待训练的第一模型进行训练，得到已训练的第一模型
。
[0020]基于目标光伏电站的数据对待训练的第一模型进行训练，有利于提升已训练的第一模型对目标光伏电站的预测精度
。
[0021]在另一种可能的设计中，对训练集中的目标光伏电站的历史时序数据和未来时序数据进行特征提取，得到第一时序特征矩阵
、
第二时序特征矩阵和第三时序特征矩阵；将第一时序特征矩阵
、
第二时序特征矩阵和第三时序特征矩阵进行特征融合，得到特征拼接矩阵；基于特征拼接矩阵和目标光伏电站的历史发电数据，对待训练的第一模型进行训练，得到已训练的第一模型
。
[0022]通过对目标光伏电站的数据进行特征提取和时序特征学习，有利于已训练的第一模型适应长序列输入与高效利用较低精度的气象特征因子
。
[0023]在另一种可能的设计中，基于训练集中的至少一个光伏电站的历史时序数据和未来时序数据，对待训练的第二模型进行训练，得到已训练的第二模型，其中，至少一个光伏电站包括目标光伏电站
。
[0024]采用至少一个光伏电站的数据对待训练的第二模型进行训练，有利于防止模型过
拟合
。
[0025]第二方面，本申请实施例提供了一种光功率预测装置，包括：
[0026]获取模块，用于获取多个光伏电站的历史时序数据和未来时序数据，其中，多个光伏电站包括目标光伏电站和至少一个相似光伏电站，历史时序数据包括历史发电数据
、
历史日期数据和历史气象数据，未来时序数据包括未来日期数据和未来气象数据；
[0027]处理模块，用于将历史时序数据和未来时序数据拆分为训练集
、
验证集和测试集；
[0028]处理模块，还用于基于训练集，对待训练的第一模型进行训练得到已训练的第一模型，已训练的第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种光功率预测方法，其特征在于，包括：获取多个光伏电站的历史时序数据和未来时序数据，其中，所述多个光伏电站包括目标光伏电站和至少一个相似光伏电站，所述历史时序数据包括历史发电数据
、
历史日期数据和历史气象数据，所述未来时序数据包括未来日期数据和未来气象数据；将所述历史时序数据和所述未来时序数据拆分为训练集
、
验证集和测试集；基于所述训练集，对待训练的第一模型进行训练得到已训练的第一模型，所述已训练的第一模型用于时序特征学习和深度学习预测；基于所述训练集，对待训练的第二模型进行训练得到已训练的第二模型，所述已训练的第二模型用于集成学习和回归预测；将所述已训练的第一模型和所述已训练的第二模型进行线性融合，得到待训练的第三模型；基于所述训练集，对所述待训练的第三模型进行训练得到已训练的第三模型；基于所述训练集
、
所述验证集和所述测试集，对所述已训练的第三模型进行训练得到预测模型，所述预测模型用于预测光功率
。2.
如权利要求1所述的方法，其特征在于，所述基于所述训练集
、
所述验证集和所述测试集，对所述已训练的第三模型进行训练得到预测模型，包括：基于所述训练集和所述验证集，对所述已训练的第三模型进行训练，得到最佳超参数；基于所述训练集
、
所述验证集和所述最佳超参数，对所述已训练的第三模型进行训练，得到第四模型和第一预测精度；将所述测试集输入所述第四模型，得到第二预测精度；若所述第一预测精度与所述第二预测精度的差值小于等于预设阈值，则将所述第四模型确定为所述预测模型
。3.
如权利要求2所述的方法，其特征在于，所述基于所述训练集和所述验证集，对所述已训练的第三模型进行训练，得到最佳超参数，包括：获取多组超参数；基于所述训练集和所述多组超参数，对所述已训练的第三模型进行训练，得到所述多组超参数中每组超参数对应的模型；将所述验证集输入所述多组超参数中每组超参数对应的模型，得到所述多组超参数中每组超参数对应的模型的预测精度；若所述多组超参数中的第一超参数对应的模型的预测精度最高，则将所述第一超参数确定为所述最佳超参数
。4.
如权利要求1所述的方法，其特征在于，所述基于所述训练集，对所述待训练的第三模型进行训练得到已训练的第三模型，包括：将所述训练集中的目标光伏电站的历史时序数据和未来时序数据输入所述已训练的第一模型，得到第一预测数据，所述第一预测数据包括第一预测光功率值和第一预测光功率变动值；将所述训练集中的目标光伏电站的历史时序数据和未来时序数据输入所述已训练的第二模型，得到第二预测数据，所述第二预测数据包括第二预测光功率值和第二预测光功率变动值；
基于所述第一预测数据
、
所述第二预测数据和所述训练集中的目标光伏电站的历史时序数据和未来时序数据，对所述待训练的第三模型进行训练得到所述已训练的第三模型
。5.
如权利要求1所述的方法，其特征在于，所述基于所述训练集，对待训练的第一模型进行训练得到已训练的第一模型，包括：基于所述训练集中的目标光伏电站的历史时序数据...

【专利技术属性】
技术研发人员：周开成，
申请(专利权)人：港华数智能源科技深圳有限公司，
类型：发明
国别省市：