【技术实现步骤摘要】
一种多场景应用的风光发电负荷预测方法
[0001]本专利技术属于新能源发电领域，具体涉及一种多场景应用的风光发电负荷预测方法
。
技术介绍
[0002]随着全球对清洁能源的需求增加，分布式可再生能源的使用正变得越来越广泛
。
在微电网中，分布式风力发电和分布式光伏发电作为重要的能源来源，受到了广泛关注
。
然而，风力发电和光伏发电的输出存在不确定性，这一问题一直以来都是微网运行的一个关键因素
。
此外，由于当地风能和光伏资源的数据不足，负荷的预测变得困难，这对微电网的安全稳定运行构成了不利影响，同时也对投资者的可再生能源微电网项目投资意愿产生了影响
。
因此，为确保微电网系统的稳定性和可靠性，准确预测分布式风力和光伏发电状态显得十分必要
。
[0003]风力发电和光伏发电是我国主要开发的新能源，但受气象
、
地域分布等因素影响，表现出随机性
、
波动性和间歇性等特点，难以从时序上观察到规律
。
【技术保护点】
【技术特征摘要】
1.
一种多场景应用的风光发电负荷预测方法，其特征在于，包括如下步骤：步骤1：收集历史电力负荷数据和微气象数据，并对数据进行预处理；步骤2：建立深度卷积生成对抗网络
(DCGAN)
场景生成模型，生成大量逼近于真实环境风光发电出力场景；步骤3：基于长短时记忆网络
(LSTM)
进行时间序列分析，对风光出力负荷进行时间序列预测，从而预估未来风光特征的变化趋势；步骤4：通过皮尔森系数处理相关数据，将各种风光特征信息与实际场景的关联程度进行量化，有效捕捉真实场景的时空相关特性
。2.
根据权利要求1所述的一种多场景应用的风光发电负荷预测方法，其特征在于，所述步骤1中数据进行预处理，包括如下步骤，首先，将数据整合为一个
m
×
n
维的矩阵，并对数据中的缺失值进行了辨别和标记；计算数据集每一行的均值和标准差，采用邻近的数据进行了坏数据的修正，所述步骤有助于确保数据的完整性和准确性
。3.
根据权利要求2所述的一种多场景应用的风光发电负荷预测方法，其特征在于，所述的数据进行预处理，具体为：的数据进行预处理，具体为：的数据进行预处理，具体为：其中
L
m
×
n
为数据整合后的矩阵；
μ
m
×1、
σ
m
×1分别为每一行的均值和标准差；采用
3sigma
准则判断正常数据上下限，正常数据存在范围为：准则判断正常数据上下限，正常数据存在范围为：准则判断正常数据上下限，正常数据存在范围为：其中分别表示
l
ij
的上限和下限
。4.
根据权利要求1所述的一种多场景应用的风光发电负荷预测方法，其特征在于，所述步骤2中搭建的深度卷积生成对抗网络
(DCGAN)
模型，采用
DCGAN
模型对
GAN
模型进行改造，损失函数
LG
和
LD
分别根据生成器和判别器的训练目标构建；其中生成器包括两个转置卷积
层，输入
100
维的噪声向量
z
，输出的生成样本
G(z)
与真实样本维度相同，采用
ReLU
激活函数；判别器包含两层卷积，输入真实样本或生成样本
G(z)
，输出表示输入样本是真实样本的概率，输出值介于
[0,1]
，采用
LeakyReLU
激活函数；各层均采用批量归一化，采用
Adam
优化算法进行求解
。5.
根据权利要求4所述的一种多场景应用的风光发电负荷预测方法，其特征在于，所述步骤2具体为：使用真实的历史数据作为模型输入的真实样本，在生成器中采用了转置卷积层进行上采样操作，在判别器中引入了具有步长的卷积层进行下采样；为了稳定训练效果并避免过拟合问题，在模型中添加了全局平均池化层；在训练过程中，生成器通过调整网络权重来增强生成的数据与真实数据之间的相似性，同时判别器通过训练来提升其辨别能力；当模型训练完成后，判别器无法判断输入样本是生成数据还是历史数据，从而达到了纳什均衡状态，得到场景生成结果
。6.
根据权利要求5所述的一种多场景应用的风光发电负荷预测方法，其特征在于，所述损失函数
LG
和
LD
和
DCGAN
的目标函数具体为：的目标函数具体为：的目标函数具体为：其中，生成器使用一组具有概率分布
P
z
(z)
的随机噪声数据
z
作为其输入，输出是生成的数据样本
G(z)
；
P
data
(x)
表示历史数据的概率分布，判别器判定输入为真实样本的概率为
D(
·
)
；是计算的梯度；
Ex
～
pdata(x)[D(x|y)]
表示真实样本
x
从真实数据分布中采样，并通过判别器判断为真实样本的概率；
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。