System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于可再生能源发电与综合消纳领域,具体涉及一种基于多任务渐进式学习的风-光-荷功率短期预测方法。
技术介绍
1、随着社会的高速工业化发展,能源消耗加剧和环境恶化已威胁到人类社会的可持续发展,以化石能源为核心的传统能源生产消费体系已经难以为继,构建多能优化互补的能源供需体系,引导能源产业整体转型,成为我国能源行业发展的重中之重。清洁能源如风能、太阳能具有可再生、清洁无污染、技术成熟等优点,已经成为能源转型的重要支柱,现已经得到充分的开发利用。但由于风电、光伏出力受到地理位置和气候条件的影响,呈现出明显的波动性、随机性和不确定性。随着新能源并网规模的增加,风、光出力的不确定性必然对电网的运行管理造成巨大影响,为消除其影响,精确获知电力系统源端各风电/光伏发电系统出力十分重要。同样的,随着需求侧电动汽车、高铁负荷等新型负荷占比不断增加,其随机性和不确定性也必然随之增加。
2、受同一气象过程影响,不仅同一源荷的输出功率具有时空相关性,不同源荷之间还存在空间相关性。已有研究大多将不同类别的源荷分开,对其独立进行预测,忽略了区域内源荷有丰富的相似共享信息,具有很大的局限性。因此,在进行源荷功率预测时,通过综合计及源荷之间的相关性有望达到改善多源荷联合预测精度的目的,这是本文研究的出发点。例如《基于arima-lstm模型的综合能源系统负荷与风光资源预测方法》公开了:自回归移动平均与长短时记忆(long short-term memory,lstm)网络相结合的负荷与风光资源预测模型,通过不同模型间的优势互补以改进预测性
3、为了解决这些问题,本专利技术将在进行风-光-荷联合预测时引入改进多任务学习机制,根据不同类型源荷自身特性设计合理的网络结构和损失函数,研究计及时空相关性的多任务渐进式学习风-光-荷短期功率预测方法,在共享源荷之间表征信息的同时实现对异类源荷特有性质的渐进式学习,从而提升多源荷短期功率联合预测的性能。
技术实现思路
1、本专利技术的目的是为了计及风电、光伏和负荷功率时间演变特性的相似性与差异性,通过深度时空融合网络,设计共享信息与特有信息子网先分离再融合的多任务渐进式学习框架,分别对风-光-荷的共享和特有时空信息进行由浅至深的渐进式提取,实现对风-光-荷短期功率的精准有效预测。
2、为了解决上述技术问题,本专利技术采用的技术方案为:
3、基于多任务渐进式学习的风-光-荷功率短期预测方法,包括以下步骤:
4、步骤1:采集预测输入数据,采集目标地区风-光-荷小时级的历史功率数据和多维气象预测数据;
5、步骤2:数据预处理,将作为输入变量和输出变量的各类数据根据其特点分别进行归一化操作;
6、步骤3:将数据集分割为训练集、验证集和测试集,首先基于训练集的历史风、光、荷数据运用傅里叶变换进行多周期性特征的提取,记录较明显的公共周期长度t01,t02,…,t0u以及风、光、荷各自特有的周期长度tw1,tw2,…,twu、tp1,tp2,…,tpu和tl1,tl2,…,tlu,确定各任务子网中多核卷积层的卷积核尺寸;
7、步骤4:将风-光-荷的历史功率数据和公共气象数据形成共有信息子网输入矩阵x0,各源荷历史功率序列形成特有信息子网输入矩阵x1,x2,x3,以风-光-荷s个预测时刻的功率值作为输出变量,建立基于深度时空融合网络的多任务渐进式学习模型(multi-taskprogressive learning model based on deep spatio-temporal fusion network,mtpl-dstfn);
8、步骤5:设置模型超参数,初始化权重和偏置,设定损失函数,训练mtpl-dstfn模型得到最佳权重和偏置参数,并通过验证集样本使用网格搜索优选模型的最佳超参数;
9、步骤6:将测试样本输入具有最佳超参数的mtpl-dstfn模型中,对输出的预测结果进行反归一化,得到预测日各时刻风-光-荷的功率预测结果。
10、在步骤1中,输入收集到的风电、光伏和负荷历史功率数据和气象预测数据;对每个预测子任务均有共享输入向量xt0=[pt0-d,pt0-d+1,…,pt0-1,qt0,qt0+1,…,qt0+s-1]∈rl,其中pt0-d,pt0-d+1,…,pt0-1分别为前d个历史时刻的风电、光伏和负荷功率,qt0,qt0+1,…,qt0+s-1分别为后s个预测时刻的多维公共气象预测数据(风速、辐照强度和气温)组成的行向量。对于风电预测支路有特有输入向量xt1=[pt1-d,pt1-d+1,…,pt1-1],pt1-d,pt1-d+1,…,pt1-1分别为前d个时刻的风电功率值,同理,光伏和负荷预测支路的特有输入向量分别为xt2=[pt2-d,pt2-d+1,…,pt2-1]和xt3=[pt3-d,pt3-d+1,…,pt3-1]。
11、步骤2分别对步骤1采集的风电、光伏和负荷功率数据以及气象数据进行归一化处理,其中风电和光伏功率数据以风电场和光伏电站的额定容量为基准归一化到区间[0,1],负荷功率以及风速、辐照度和温度等气象数据采用最大最小归一化方法,风向采用sin/cos三角函数归一化方法,具体归一化公式如下:
12、
13、
14、其中,设归一化前后的风电、光伏功率为x1和负荷功率以及风速、辐照度和温度等为x2和负荷功率以及风速、辐照度和温度等样本的最大、最小值分别为xmax、xmin,风电、光伏功率额定容量为xn。
15、在步骤3中,基于训练集的目标地区风电、光伏和负荷功率小时级实测数据,对其分别进行傅里叶变换后绘制幅频曲线,幅频曲线中幅值较大点所对应的频率分量在原始序列中的占比较大,将这些频率点根据采样频率换算为周期可得风-光-荷共享和特有多周期性特征,记录较明显的公共周期长度t01,t02,…,t0u风电的特有周期长度tw1,tw2,…,twu,光伏特有周期长度tp1,tp2,…,tpu和负荷的特有周期长度tl1,tl2,…,tlu,这为之后模型超参数的设置提供参考。
16、步骤4确定输入输出数据之后开始建立基于深度时空融合网络的多任务本文档来自技高网...
【技术保护点】
1.基于多任务渐进式学习的风-光-荷功率短期预测方法,其特征在于,包括以下步骤:
2.根据权利要求2所述的方法,其特征在于,在步骤1中,输入收集到的风电、光伏和负荷历史功率数据和气象预测数据;对每个预测子任务均有共享输入向量xt0=[Pt0-d,Pt0-d+1,…,Pt0-1,Qt0,Qt0+1,…,Qt0+s-1]∈Rl,其中Pt0-d,Pt0-d+1,…,Pt0-1分别为前d个历史时刻的风电、光伏和负荷功率,Qt0,Qt0+1,…,Qt0+s-1分别为后s个预测时刻的多维公共气象预测数据组成的行向量,对于风电预测支路有特有输入向量xt1=[Pt1-d,Pt1-d+1,…,Pt1-1],Pt1-d,Pt1-d+1,…,Pt1-1分别为前d个时刻的风电功率值,同理,光伏和负荷预测支路的特有输入向量分别为xt2=[Pt2-d,Pt2-d+1,…,Pt2-1]和xt3=[Pt3-d,Pt3-d+1,…,Pt3-1]。
3.根据权利要求1所述的方法,其特征在于,步骤2分别对步骤1采集的风电、光伏和负荷功率数据以及气象数据进行归一化处理,其中风电和光伏功率数据以风
4.根据权利要求1所述的方法,其特征在于:在步骤3中,基于训练集的目标地区风电、光伏和负荷功率小时级实测数据,对其分别进行傅里叶变换后绘制幅频曲线,幅频曲线中幅值较大点所对应的频率分量在原始序列中的占比较大,将这些频率点根据采样频率换算为周期可得风-光-荷共享和特有多周期性特征,记录较明显的公共周期长度T01,T02,…,T0u风电的特有周期长度TW1,TW2,…,TWu,光伏特有周期长度TP1,TP2,…,TPu和负荷的特有周期长度TL1,TL2,…,TLu,这为之后模型超参数的设置提供参考。
5.根据权利要求1所述的方法,其特征在于:步骤4确定输入输出数据之后开始建立基于深度时空融合网络的多任务渐进式学习模型,步骤4包括以下子步骤:
6.根据权利要求1或5所述的方法,其特征在于:步骤5在步骤4建立多任务渐进式学习模型之后进行超参数的设置,如各支路的神经元数量m、样本时窗长度w、时序网络GRU层数g、多核卷积层通道数k及卷积核尺寸;接着初始化权重和偏置,选择训练样本,以均方误差作为损失函数,采用SGD优化算法对模型进行训练,得到最佳权重和偏置参数;再将验证集样本输入训练好的深度时空融合模型中,采用网格搜索根据验证误差优选模型的最佳超参数,一些主要超参数的寻优范围为:神经元数量m:{16,32,64,100,128,200,300};卷积通道数k:{16,24,32,48,64};时序网络层数g:{1,2,3,4,5,6};卷积核长度Tu:[1,168]。
7.根据权利要求1所述的方法,其特征在于:步骤6将测试样本输入具有最佳超参数的多任务渐进式学习模型中,对输出的预测结果进行反归一化,得到预测日各时刻风-光-荷的功率预测结果和其中和s是往后预测的时间步数。
...【技术特征摘要】
1.基于多任务渐进式学习的风-光-荷功率短期预测方法,其特征在于,包括以下步骤:
2.根据权利要求2所述的方法,其特征在于,在步骤1中,输入收集到的风电、光伏和负荷历史功率数据和气象预测数据;对每个预测子任务均有共享输入向量xt0=[pt0-d,pt0-d+1,…,pt0-1,qt0,qt0+1,…,qt0+s-1]∈rl,其中pt0-d,pt0-d+1,…,pt0-1分别为前d个历史时刻的风电、光伏和负荷功率,qt0,qt0+1,…,qt0+s-1分别为后s个预测时刻的多维公共气象预测数据组成的行向量,对于风电预测支路有特有输入向量xt1=[pt1-d,pt1-d+1,…,pt1-1],pt1-d,pt1-d+1,…,pt1-1分别为前d个时刻的风电功率值,同理,光伏和负荷预测支路的特有输入向量分别为xt2=[pt2-d,pt2-d+1,…,pt2-1]和xt3=[pt3-d,pt3-d+1,…,pt3-1]。
3.根据权利要求1所述的方法,其特征在于,步骤2分别对步骤1采集的风电、光伏和负荷功率数据以及气象数据进行归一化处理,其中风电和光伏功率数据以风电场和光伏电站的额定容量为基准归一化到区间[0,1],负荷功率以及风速、辐照度和温度等气象数据采用最大最小归一化方法,风向采用sin/cos三角函数归一化方法,具体归一化公式如下:
4.根据权利要求1所述的方法,其特征在于:在步骤3中,基于训练集的目标地区风电、光伏和负荷功率小时级实测数据,对其分别进行傅里叶变换后绘制幅频曲线,幅频曲线中幅值较大...
【专利技术属性】
技术研发人员:李丹,梁云嫣,甘月琳,杨帆,方泽仁,胡越,贺帅,
申请(专利权)人:三峡大学,
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。