【技术实现步骤摘要】
本专利技术涉及光伏发电量预测，尤其是涉及一种基于深度学习框架的分布式光伏发电功率预测系统和方法。
技术介绍
1、光伏发电(pvpg)对天气的依赖性很强，具有很强的间歇性；光伏发电的高精度预测是电力生产、输送和分配的基础，保证了电力系统的稳定性和可靠性。光伏预测大多通过智能算法，深度学习等方法实现；相比于传统算法，深度学习的效率更高，效果更好。但基于深度学习的预测算法大多基于卷积神经网络，长短期记忆网络等网络，在信息提取方面，单一的网络大多只能单一的提取同一时刻的多变量信息，或者在时间维度上提取单一变量的时序特征。如专利申请cn115347571a提出了一种基于迁移学习的光伏发电功率短期预测方法及装置，其基于迁移学习的数据集迁移，对光伏发电功率数据变分模态分解，然后构建预测模型，对光伏发电功率预测；该技术方案基于迁移学习，对于时序特征的获取能力较弱，并且其基于的长短期记忆网络缺少注意力机制，不能很好提取有效信息。该技术方案的迁移学习与变分模态分解复杂度高，并且在每次训练时均需要重复执行这些步骤，相对而言耗时较多。光伏发电受到各种环境因素影响较多，迁移学习不能很好的将当地的环境因素学习，模型缺乏针对性。为了解决上述问题，专利申请cn116070799b提出了一种基于注意力及深度学习的光伏发电量预测系统及方法，通过数据预处理模块对数据集进行预处理，并生成训练集；transformer网络模块与cnn网络模块间使用残差连接；使用基于注意力机制的transformer网络提取数据之间的时序特征信息；使用cnn网络中的卷积和池化方法，解决多
2、虽然上述现有技术能够缩短训练用时，但是其预测结果与真实结果仍然存在着误差。
技术实现思路
1、本专利技术提供一种基于深度学习框架的分布式光伏发电功率预测系统和方法，基于“利用rnn网络模块对数据样本中的异常数据进行预处理”的技术方案，以实现预测结果与真实结果之间误差降低的技术目的。
2、为实现上述目的，本专利技术提供了一种基于深度学习框架的分布式光伏发电功率预测方法，包括如下内容：
3、数据收集模块，所述数据收集模块收集光伏电站的各项数据，形成数据样本；
4、数据预处理模块，所述数据预处理模块为rnn网络模块，所述rnn网络模块对数据样本中的异常数据进行预处理，并生成训练集；
5、训练预测模块，所述训练预测模块为transformer网络模块，所述transformer网络模块基于注意力机制对训练集的数据及时序特征进行训练，生成预测结果。
6、优选地，所述数据样本包括历史天气数据和历史光伏发电数据。
7、优选地，所述历史天气数据和所述历史光伏发电数据为一定时间跨度内，每天日出时刻至日落时刻内，每隔一定时间间隔的历史数据。
8、优选地，所述时间跨度至少为6个月。
9、优选地，所述历史气象数据包括辐照度、风速、风向、温度、湿度和压强。
10、优选地，所述数据样本还包括预测时段上一时刻的实测天气数据和实测光伏发电数据，利用所述transformer网络模块获取预测时段上一时刻的光伏发电预测数据，并将该光伏发电预测数据与实测光伏发电数据实测光伏发电数据进行比较，获得预测误差值，若预测误差值小于设定阈值，则可进行光伏发电功率预测。
11、优选地，利用python方法判断预测误差值是否小于设定阈值。
12、优选地，利用z-score法对历史光伏发电数据进行分析，筛选出异常数据，所述异常数据包括超过设定阈值数据和缺失数据；将所述异常数据置空，若一项数据处于置空，则先判定置空数据项上下两条数据是否处于置空；若不处于置空则将上下两条数据的平均值作为该项数据的值，否则，根据置空数据项上下至少10条数据，利用所述rnn网络模块预测该项数据的值。
13、优选地，所述transformer网络模块包括位置编码层、基于注意力机制的transformer编码器、基于注意力机制的transformer解码器、全连接层和softmax输出层；其中每个transformer编码器依次由多头注意力层和全连接前馈网络层组成，各自通过残差和归一化层连接至下一层；transformer解码器依次由带有掩码的多头注意力层、继承编码器权重的多头注意力层和全连接前馈网络层组成，各自通过残差和归一化层连接至下一层。
14、基于深度学习框架的分布式光伏发电功率预测系统，包括依次电联接的数据收集模块、数据预处理模块和训练预测模块；
15、所述数据预处理模块，用于基于数据样本进行处理，得到合格训练集；
16、所述训练预测模块，用于采用所述分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；所述数据样本包括历史天气数据和历史光伏发电数据以及预测时段上一时刻的实测天气数据和实测光伏发电数据。
17、本专利技术相对于现有技术取得了以下有益效果：
18、通过rnn网络模块对数据样本中的异常数据进行预处理，进而生成数据准确的训练集；并通过transformer网络模块基于注意力机制对训练集的数据及时序特征进行训练，一方面，通过基于注意力机制的transformer网络提取数据之间的时序特征信息，解决传统算法时序信息利用率不高，无法获得序列中各个时刻权重的问题；另一方面，基于数据准确的基础上保证预测结果的高精度。
本文档来自技高网...【技术保护点】
1.基于深度学习框架的分布式光伏发电功率预测方法，其特征在于，包括如下内容：
2.根据权利要求1所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述数据样本包括历史天气数据和历史光伏发电数据。
3.根据权利要求2所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述历史天气数据和所述历史光伏发电数据为一定时间跨度内，每天日出时刻至日落时刻内，每隔一定时间间隔的历史数据。
4.根据权利要求3所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述时间跨度至少为6个月。
5.根据权利要求4所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述历史气象数据包括辐照度、风速、风向、温度、湿度和压强。
6.根据权利要求2-5任一项所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述数据样本还包括预测时段上一时刻的实测天气数据和实测光伏发电数据，利用所述transformer网络模块获取预测时段上一时刻的光伏发电预测数据，并将该光伏发电预测数据与实测光伏发电数据
7.根据权利要求6所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：利用Python方法判断预测误差值是否小于设定阈值。
8.根据权利要求7所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：利用Z-Score法对历史光伏发电数据进行分析，筛选出异常数据，所述异常数据包括超过设定阈值数据和缺失数据；将所述异常数据置空，若一项数据处于置空，则先判定置空数据项上下两条数据是否处于置空；若不处于置空则将上下两条数据的平均值作为该项数据的值，否则，根据置空数据项上下至少10条数据，利用所述RNN网络模块预测该项数据的值。
9.根据权利要求1所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述transformer网络模块包括位置编码层、基于注意力机制的transformer编码器、基于注意力机制的transformer解码器、全连接层和Softmax输出层；其中每个transformer编码器依次由多头注意力层和全连接前馈网络层组成，各自通过残差和归一化层连接至下一层；transformer解码器依次由带有掩码的多头注意力层、继承编码器权重的多头注意力层和全连接前馈网络层组成，各自通过残差和归一化层连接至下一层。
10.基于深度学习框架的分布式光伏发电功率预测系统，其特征在于：包括依次电联接的数据收集模块、数据预处理模块和训练预测模块；
...【技术特征摘要】
1.基于深度学习框架的分布式光伏发电功率预测方法，其特征在于，包括如下内容：
2.根据权利要求1所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述数据样本包括历史天气数据和历史光伏发电数据。
3.根据权利要求2所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述历史天气数据和所述历史光伏发电数据为一定时间跨度内，每天日出时刻至日落时刻内，每隔一定时间间隔的历史数据。
4.根据权利要求3所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述时间跨度至少为6个月。
5.根据权利要求4所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述历史气象数据包括辐照度、风速、风向、温度、湿度和压强。
6.根据权利要求2-5任一项所述的基于深度学习框架的分布式光伏发电功率预测方法，其特征在于：所述数据样本还包括预测时段上一时刻的实测天气数据和实测光伏发电数据，利用所述transformer网络模块获取预测时段上一时刻的光伏发电预测数据，并将该光伏发电预测数据与实测光伏发电数据实测光伏发电数据进行比较，获得预测误差值，若预测误差值小于设定阈值，则可进行光伏发电功率预测。
7.根据权利要求6所述的基于深度学习框架的分布式光伏发电功率预...
【专利技术属性】
技术研发人员：赵会超，杨远，张翔，孟凡斌，南钰，郑罡，于永哲，张治国，许超，李永刚，张书伟，
申请(专利权)人：华北电力大学保定，
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。