【技术实现步骤摘要】
本专利技术涉及光伏数据处理，特别是涉及一种基于广域协同训练的分布式光伏功率预测方法。
技术介绍
1、光伏发电作为一种清洁、可再生的能源形式，正在改变着现有的能源格局。但光伏发电的不稳定性和波动性限制了其大规模应用和可靠性。准确的光伏功率预测可以优化电网调度，促进可再生能源高比例并网。
2、近年来，随着人工智能技术的飞速发展，深度神经网络已经在光伏功率预测领域广泛应用，深度神经网络提高了光伏功率预测的精度和可靠性。
3、然而，当前基于深度神经网络的光伏功率预测模型，依赖于大量数据进行训练，在实际应用中光伏电站数据存在稀缺性。同时，由于分布式光伏电站的分散性，各光伏电站所拥有的数据受地理位置、光伏阵列和气象条件的影响，其数据特征分布上存在差异，而传统数据集中的训练模型无法考虑到这种差异，难以提升光伏功率预测模型的精度和泛化能力。
技术实现思路
1、本专利技术的目的在于提供一种基于广域协同训练的分布式光伏功率预测方法，以提升光伏功率预测模型的精度和泛化能力。
2、一种基于广域协同训练的分布式光伏功率预测方法，包括：
3、步骤s1，采用皮尔逊相关系数计算光伏功率与各气象数据之间的相关性系数，并基于相关性系数从原始数据中选取相关性大于阈值的气象数据以及对应的光伏功率；
4、步骤s2，基于选取的相关性大于阈值的气象数据以及对应的光伏功率，对融合timesnet特征提取网络和时序卷积网络的混合功率预测模型进行训练，得到分布式光伏功率预测
5、步骤s3，基于广域协同训练策略，对目标区域内各个光伏电站的分布式光伏功率预测模型进行广域协同训练，得到广域光伏功率预测模型，基于广域光伏功率预测模型得到分布式光伏功率预测结果；
6、步骤2具体包括：
7、步骤s2.1，将选取的相关性大于阈值的气象数据以及对应的光伏功率作为数据集 y，并将数据集 y划分为训练集、验证集和测试集，训练集用于模型训练和参数调整，验证集和测试集用于模型性能的评估；
8、步骤s2.2，将数据集 y经第一个前馈层输入timesnet特征提取网络中，得到timesnet特征提取网络的输出 ynet1；
9、步骤s2.3：将 ynet1经第二个前馈层，输入到时序卷积网络，通过时序卷积网络捕捉光伏功率的短期波动和即时变化，从而得到分布式光伏功率预测模型，分布式光伏功率预测模型的输出为 ynet2。
10、根据本专利技术提供的基于广域协同训练的分布式光伏功率预测方法，具有以下有益效果：
11、（1）本专利技术基于选取的相关性大于阈值的气象数据以及对应的光伏功率，对融合timesnet特征提取网络和时序卷积网络的混合功率预测模型进行训练，得到分布式光伏功率预测模型，由于光伏功率受气象条件昼夜变化和季节性变化的影响，其功率曲线呈现出多周期性的变化，本专利技术通过timesnet特征提取网络捕捉光伏功率数据与气象数据之间多周期性依赖关系，通过时序卷积网络捕捉光伏功率数据的短期波动和即时变化，此外，在每个网络前引入了前馈层，利用前馈层提升对输入数据的特征提取和表征学习能力，通过timesnet特征提取网络和时序卷积网络相互协作，优势互补，能够提高功率预测精度；
12、（2）现有的分布式光伏功率预测方法，采用数据集中式训练预测模型，然而由于分布式光伏系统的分散性，光伏功率数据受安装位置、气象条件和pv阵列规模的影响，导致各光伏电站间的功率数据的特征分布存在差异，传统集中式光伏功率预测方法无法考虑到这种差异。本专利技术提出一种广域协同训练策略，各光伏电站利用本地数据进行本地模型训练，将训练结果上传至云服务器，通过云服务器协同各个分布式光伏电站训练功率预测模型，减少数据异构对模型性能的影响，提升模型泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于广域协同训练的分布式光伏功率预测方法，其特征在于，包括：
2.根据权利要求1所述的基于广域协同训练的分布式光伏功率预测方法，其特征在于，步骤S1具体包括：
3.根据权利要求2所述的基于广域协同训练的分布式光伏功率预测方法，其特征在于，步骤S1.3中，对于第j种气象数据的历史气象数据Fj和对应的光伏功率Pj，Fj={Fj1、Fj2、…、Fjq、…、FjQ}，Pj={Pj1、Pj2、…、Pjq、…、PjQ}，Fj1、Fj2、Fjq、FjQ分别为Fj中的第1个、第2个、第q个、第Q个元素，Pj1、Pj2、Pjq、PjQ分别为Pj中的第1个、第2个、第q个、第Q个元素，采用下式计算历史气象数据与光伏功率的相关性系数：
4.根据权利要求1所述的基于广域协同训练的分布式光伏功率预测方法，其特征在于，步骤S2.2具体包括：
5.根据权利要求1所述的基于广域协同训练的分布式光伏功率预测方法，其特征在于，步骤S3具体包括：
【技术特征摘要】
1.一种基于广域协同训练的分布式光伏功率预测方法，其特征在于，包括：
2.根据权利要求1所述的基于广域协同训练的分布式光伏功率预测方法，其特征在于，步骤s1具体包括：
3.根据权利要求2所述的基于广域协同训练的分布式光伏功率预测方法，其特征在于，步骤s1.3中，对于第j种气象数据的历史气象数据fj和对应的光伏功率pj，fj={fj1、fj2、…、fjq、…、fjq}，pj={pj1、pj2、…、pjq、…、pj...
【专利技术属性】
技术研发人员：邓芳明，刘涛，王锦波，薛宪法，高波，李泽文，韦宝泉，曾建军，沈阳，于小四，
申请(专利权)人：华东交通大学，
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。