【技术实现步骤摘要】
本专利技术涉及人工智能和能源应用，尤其涉及一种基于深度强化学习的光伏功率预测方法及系统。
技术介绍
1、随着工业化的发展，传统化石燃料面临着日益枯竭的问题，化石燃料燃烧带来的环境污染问题成为全球经济发展的主要障碍。在替代传统能源方面，与其他可再生能源相比，太阳能因其资源丰富，环境友好的优势，成为最受欢迎的可再生能源，在世界上多数国家中使用。作为最有前景的能源，利用太阳能进行光伏发电在现代电网中得到了全球最大的关注，近年来，光伏电站的建立有了很大的增长，它可以将太阳能直接转化为电能，预计到2025年将满足四分之一的电力需求。
2、光伏发电有昼夜周期性，又依赖于许多气象变量，如太阳辐照度、空气温度、云层变化、风速、相对湿度等，这些气象变量在本质上是高度不确定的，这使得光伏发电具有有间歇性，波动性和随机性的特点。因此，光伏电站的大规模并网将给电网带来系统稳定性、可靠性、电力平衡、无功补偿和频率响应等重大问题，导致电力生产和需求之间的不平衡。
技术实现思路
1、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。
2、鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种基于深度强化学习的光伏功率预测方法解决光伏发电功率预测的精度和准确性的问题。
3、为解
4、第一方面，本专利技术提供了一种基于深度强化学习的光伏功率预测方法，包括：
5、获取历史光伏发电功率数据，将所述历史光伏发电功率数据进行预处理获取光伏发电功率数据集；
6、使用变分模态分解vmd对所述光伏发电功率数据集进行分解，获取多个预测序列，所述预测序列应用奇异谱分析ssa进行降维和频谱分析；
7、采用lstm和gru两种深度学习模型对每个子序列分别进行处理，并使用q-learning算法对两个模型的预测结果进行最优权重组合，建立光伏功率预测模型；
8、通过使用预测精度评价指标评价所述光伏功率预测模型在光伏发电功率预测中的性能。
9、作为本专利技术所述的基于深度强化学习的光伏功率预测方法的一种优选方案，其中：将所述历史光伏发电功率数据进行预处理，包括，
10、所述历史光伏发电功率数据采用生成对抗网络对缺失值进行填充，并利用one-class svm算法对数据异常值进行处理；
11、对缺失值和异常值进行处理后，再使用(0,1)标准化方法对光伏发电数据进行归一化处理。
12、作为本专利技术所述的基于深度强化学习的光伏功率预测方法的一种优选方案，其中：使用变分模态分解vmd对所述光伏发电功率数据集进行分解，获取多个预测序列，包括，
13、将光伏发电功率数据集输入到vmd算法中，基于能量最小原理，将非平稳信号分解成多个具有不同频率和振幅的子序列，获取所述序列中心频率；
14、使用傅里叶反变换将每个子序列从频域转换到时域，再根据每个子序列的模型和中心频率，将所有子序列叠加在一起，重构出预测序列。
15、作为本专利技术所述的基于深度强化学习的光伏功率预测方法的一种优选方案，其中：所述预测序列应用奇异谱分析ssa进行降维和频谱分析，包括，
16、利用奇异谱分析对每个预测序列构建延迟嵌入矩阵，所述嵌入矩阵进行奇异值分解，获取特征向量和奇异值；
17、通过分析奇异值的分布和特征向量的性质，选择合适数量的特征向量，将选定的特征向量线性组合，获取预测子序列数据集。
18、作为本专利技术所述的基于深度强化学习的光伏功率预测方法的一种优选方案，其中：采用lstm和gru两种深度学习模型对每个子序列分别进行处理，包括，
19、将每个预测子序列数据作为输入，通过lstm神经网络结构的记忆单元和门控机制，捕捉序列中的长期依赖关系，获取每个子序列的光伏功率预测结果；
20、将每个预测子序列数据作为输入，利用gru的简化遗忘门与输入门结构的非线性映射能力，将输入数据映射到预测结果上，获取每个子序列的光伏功率预测结果。
21、作为本专利技术所述的基于深度强化学习的光伏功率预测方法的一种优选方案，其中：使用q-learning算法对两个模型的预测结果进行最优权重组合，包括，
22、将lstm和gru两种深度学习模型的每个子序列的光伏功率预测结果组合作为状态，选择一个模型的预测结果或调整模型权重作为行动；
23、通过损失函数定义优化目标和方向，并指导q值函数的更新，同时利用奖励函数为行动提供激励和反馈，并更新q值函数；
24、损失函数和奖励函数公式表示如下：
25、
26、
27、其中，l为损失函数，r为奖励函数，a(m)表示光伏功率真实值，a’(m)表示预测值，n为输入样本数据点数目。
28、作为本专利技术所述的基于深度强化学习的光伏功率预测方法的一种优选方案，其中：使用预测精度评价指标评价所述光伏功率预测模型在光伏发电功率预测中的性能，包括
29、使用平均绝对误差、均方根误差和平均绝对百分比误差三个评价指标，对光伏发电功率预测模型进行全面评估。
30、第二方面，本专利技术提供了一种基于深度强化学习的光伏功率预测的系统，包括，
31、数据预处理模块，用于获取历史光伏发电功率数据，将所述历史光伏发电功率数据进行预处理获取光伏发电功率数据集；
32、二次模式分解模块，用于使用变分模态分解vmd对所述光伏发电功率数据集进行分解，获取多个子序列，所述子序列应用奇异谱分析ssa进行降维和频谱分析；
33、深度学习处理模块，用于采用lstm和gru两种深度学习模型对每个子序列分别进行处理；
34、强化学习预测模块，用于使用q-learning算法对两个模型的预测结果进行最优权重组合，建立光伏功率预测模型；
35、预测评价模块，用于通过使用预测精度评价指标评价所述光伏功率预测模型在光伏发电功率预测中的性能。
36、第三方面，本专利技术提供了一种计算设备，包括：
37、存储器和处理器；
38、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于深度强化学习的光伏功率预测方法的步骤。
39、第四方面，本专利技术提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于深度强化学习的光伏功率预测方法的步骤。
40、与现有技术相比，本专利技术的有益效果：本专利技术使用深度学习和强化学习自动提取有用的特征，减少人工特征工程的需求，提高预测的准确性、适应性和泛化能力，使得预测模型具本文档来自技高网...
【技术保护点】
1.一种基于深度强化学习的光伏功率预测方法，其特征在于，包括：
2.如权利要求1所述的基于深度强化学习的光伏功率预测方法，其特征在于，将所述历史光伏发电功率数据进行预处理，包括，
3.如权利要求1或2所述的基于深度强化学习的光伏功率预测方法，其特征在于，使用变分模态分解VMD对所述光伏发电功率数据集进行分解，获取多个预测序列，包括，
4.如权利要求3所述的基于深度强化学习的光伏功率预测方法，其特征在于，所述预测序列应用奇异谱分析SSA进行降维和频谱分析，包括，
5.如权利要求4所述的基于深度强化学习的光伏功率预测方法，其特征在于，采用LSTM和GRU两种深度学习模型对每个子序列分别进行处理，包括，
6.如权利要求5所述的基于深度强化学习的光伏功率预测方法，其特征在于，使用Q-learning算法对两个模型的预测结果进行最优权重组合，包括，
7.如权利要求6所述的基于深度强化学习的光伏功率预测方法，其特征在于，使用预测精度评价指标评价所述光伏功率预测模型在光伏发电功率预测中的性能，包括
8.一种基于
9.一种电子设备，包括：
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于深度强化学习的光伏功率预测方法的步骤。
...【技术特征摘要】
1.一种基于深度强化学习的光伏功率预测方法，其特征在于，包括：
2.如权利要求1所述的基于深度强化学习的光伏功率预测方法，其特征在于，将所述历史光伏发电功率数据进行预处理，包括，
3.如权利要求1或2所述的基于深度强化学习的光伏功率预测方法，其特征在于，使用变分模态分解vmd对所述光伏发电功率数据集进行分解，获取多个预测序列，包括，
4.如权利要求3所述的基于深度强化学习的光伏功率预测方法，其特征在于，所述预测序列应用奇异谱分析ssa进行降维和频谱分析，包括，
5.如权利要求4所述的基于深度强化学习的光伏功率预测方法，其特征在于，采用lstm和gru两种深度学习模型对每个子序...
【专利技术属性】
技术研发人员：王祖峰，方阳，陈璐，徐进，张友懿，赵中攀，胡鹏，张果，李晓江，任佳宽，李继承，刘盘金，杨辉，耿强，司林雄，汤恒，高丹，龚留专，王颖，严彬元，雷蕾，扬方，吕正品，高荣欣，张雪清，肖小兵，蔡永翔，付宇，王扬，文屹，吕黔苏，徐长宝，杨兴武，
申请(专利权)人：贵州电网有限责任公司，
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。