短期光伏出力预测模型构建方法及预测方法

本发明涉及光伏发电预测，尤其涉及短期光伏出力预测模型构建方法及预测方法。

背景技术：

1、随着光伏发电系统的广泛应用，光伏出力的准确预测对于电网规划和能源调度具有重要意义。对于微电网光伏出力的预测研究，数据特点具有较强的周期性，尤其是针对短期预测，虽然开发了很多的预测模型，但是由于短期数据波动的特点，开发简单且预测精度高的模型仍是学术界和商业界研究人员努力研究的方向。

2、而且，光伏电站数据采集库中存在部分地区数据样本少和丢失等问题，不满足训练要求。另外，在新地区的网络冷启动时需要大量数据进行预训练，如果该地区历史数据存储不足，则网络训练难以收敛，效果不理想，容易出现模型预测精确度低的问题。

3、因此，现有技术还有待改进和发展。

技术实现思路

1、本发明提供了短期光伏出力预测模型构建方法及预测方法，用于提高光伏出力预测精确度。

2、本发明第一方面提供了短期光伏出力预测模型构建方法，所述短期光伏出力预测模型构建方法包括：

3、收集光伏发电系统的历史数据，所述光伏发电系统的历史数据包括多个地区的气象环境数据以及对应的光伏出力数据；

4、使用rbf-meanshift模型对所述气象环境数据进行聚类，得到多个气象群集；

5、基于dgbco算法优化resnet初始模型，得到特征提取模型，并使用特征提取模型提取各个气象群集的特征，生成多个训练样本，所述训练样本包括各个气象群集的特征以及对应的光伏出力数据；

6、将多个所述训练样本输入deepar模型进行训练，得到源域短期光伏出力预测模型；

7、获取目标域小样本，并将所述目标域小样本输入所述源域短期光伏出力预测模型进行迁移学习，得到目标域短期光伏出力预测模型。

8、优选地，所述使用rbf-meanshift模型对气象环境数据进行聚类，得到多个气象群集，之前包括：对所述发电系统的历史数据进行无量纲化处理。

9、优选地，所述使用rbf-meanshift模型对气象环境数据进行聚类时，以rbf作为核函数，并定义bhattacharyya系数作为气象环境数据的相似性度量函数，bhattacharyya系数ρ的关系式表示为：

10、

11、式中，ρ的数值在0～1之间，p(y)表示候选目标模型，q表示目标模型，u为自然数。ρ的数值越大，表示候选目标模型pu(y)和目标模型qu越相似。

12、优选地，将公式(1)在初始位置y0处泰勒展开，对bhattacharyya系数ρ求最大值，可得到meanshift向量，其计算公式为：

13、

14、式中，mhg表示meanshift向量，h表示pu的尺度，y1表示新的迭代位置，xi(i＝1,2,…n)表示pu的位置，g(·)是一个单位的核函数，wi表示每个点的权重，权重wi的关系式表示为：

15、

16、式中，δ表示克罗内克函数，b(xi)表示在xi位置的索引值。

17、优选地，所述resnet初始模型的网络结构表示为：

18、yl＝f(xl-n，{wl-i})+xl-n  (4)

19、式中，l表示浅层单元，n表示深层单元，i＝0，1，...，n-1，w表示权重，将w设定为优化对象si，并设定r表示实数数集，d表示问题维度，通过dgbco算法寻找最优向量。

20、优选地，所述通过dgbco算法寻找最优向量，包括：

21、s31、初始化种群大小sizepop、最大迭代次数itermax、突变率mrate、勘探组占种群数量的百分比epct和下滑指数k，并设置每个解的搜索空间的上下限为[si,min,si,max]；

22、s32、计算每个解si的适应度值，找到具有最优适应度值的最佳解；

23、s33、将种群的个体根据设定的epct值分为勘探组和开发组两组，在每次迭代开始时动态管理每组的个体数量，若最佳适应度与前两次迭代相比没有变化，则增加勘探组中的解决方案的数量；

24、s34、对于勘探组，获取交叉概率p'，p'为[0,1]之间的随机数，若p'≥mrate，则个体围绕当前解决方案进行搜索，通过在其相邻的可能解中迭代地寻找一个更好的解来实现，实现的计算函数为：

25、

26、

27、式中，和分别表示区间[0，2]和[0，1]中的系数向量，t表示当前迭代，表示当前解向量，表示解将寻找有期望区域的圆的直径；

28、若p'<mrate，则生成突变解，并基于交叉概率p'的局部随机扰动，扰动公式表示为：

29、si＝si，min+(si，max-si，min)*rand  (7)

30、式中，r表示邻域函数；

31、s35、对于开发组，若p'≥mrate，则个体朝着最佳的解决方案前进，实现的计算函数为：

32、

33、

34、式中，表示一个随机向量区间[0，2]，表示最好的解决方案；

35、若p'<0.5，则个体四处寻找最佳的解决方案的策略，实现的计算公式为：

36、

37、

38、

39、式中，和均表示随机向量区间[0，1]；k表示控制的一个常数，k从2到0迭代；

40、s36、修改超出搜索空间的个体，并随机改变个体的顺序以交换勘探和开发群体成员的角色；

41、s37、判断当前迭代次数是否达到所设定的最大迭代次数；若是，则执行步骤s38；若否，则重复执行步骤s32～s36；

42、s38、优化结束，获得最优向量。

43、优选地，所述deepar模型网络结构表示为：

44、

45、式中，表示未来时间t0到t的光伏功率预测值，表示历史时间1到t0-1的光伏功率实际值，xi，1：t表示时序上的特征参数，hj,t表示自回归循环网络在t时刻下隐藏层第j个参数的输出结果，j＝1,2,...z，z为输入特征参数的数量，hj,t的关系式表示为：

46、

47、式中，θ为自回归循环网络中使用的lstm细胞状态的给定参数，θ表示正在训练的神经网络模型，h表示自回归循环网络，且自回归循环网络中加入似然函数γ(zt|θ(hj，t，θ))，使输出为概率分布预测，似然函数采用高斯分布函数。

48、优选地，所述获取目标域小样本，并将目标域小样本输入源域短期光伏出力预测模型进行迁移学习，得到目标域短期光伏出力预测模型，包括：

49、获取目标域小样本的光伏出力数据的隐特征ft，ft表示为：

50、ft＝{fcij|i＝1，2，...，nt，j＝1，2，...，m}；

51、获取目标域小样本的类别标签，并记目标域小样本的第k类光伏功率曲线的数据集的特征集为ftk，ftk表示为：

52、ftk＝{fcijk|i＝1，2，...，ntk，j＝1，2，...，m}，k＝1，2，...，k，其中ntk表示目标域小样本的第k类数据集规模；

53、计算ftk中各特征fc1k与的余弦相似度dfik，并基于余弦相似度dfik得到ftk的融合特征fck，dfik和fck分别表示为：

54、

55、

56、将目标域小样本根据融合特征fck输入源域短期光伏出力预测模型进行迁移学习，得到目标域短期光伏出力预测模型。

57、本发明第二方面提供了一种短期光伏出力预测方法，所述短期光伏出力预测方法包括：

58、构建目标域短期光伏出力预测模型和光伏发电数字孪生模型，所述目标域短期光伏出力预测模型的构建方法采用如上所述的短期光伏出力预测模型构建方法；

59、获取预测时间内的气象环境数据，并提取获取的气象环境数据的特征，将提取的特征输入所述目标域短期光伏出力预测模型以得到短期光伏出力预测数据；

60、将获取的气象环境数据和所述目标域短期光伏出力预测数据输入所述光伏发电数字孪生模型，通过所述光伏发电数字孪生模型进行展示；

61、获取预测时间内光伏出力实际数据，并计算预测时间内光伏出力实际数据与所述短期光伏出力预测数据的差值，并根据所述差值优化所述目标域短期光伏出力预测模型。

62、优选地，所述光伏发电数字孪生模型真实物理子模型和虚拟子模型，所述真实物理子模型用于对光伏发电系统的气象特征、设备信息状态特征和出力特征进行建模；所述虚拟子模型包括对光伏发电系统的运行状态进行模拟。

63、本发明提供的技术方案中，引入径向基(rbf)神经网络作为核函数的meanshift聚类算法，调整候选框质心的位置，制定相似度度量准则，提高模型的性能，能够找到并准确聚类多个气象群集；并使用dgbco算法优化resnet的网络结构，实现神经网络参数的自适应调节功能，能够准确提取各个气象群集的特征，进一步提高光伏出力预精确度；再者，通过对deepar模型进行训练，得到源域短期光伏出力预测模型，deepar模型通过在大量时间序列上训练自回归递归网络模型，可以从相关的时间序列中有效地学习全局模型，并且能够学习复杂的模式，减少光伏出力、气象等数据不确定性的影响，实现对具有时间序列特点数据的预测概率分布；最后获取目标域小样本，并将目标域小样本输入源域短期光伏出力预测模型进行迁移学习，得到目标域短期光伏出力预测模型，使用迁移学习方法可以调整领域间的样本权重、特征映射或模型训练，减小源领域和目标领域之间的领域差异，深入挖掘信息之间的数据特征，并实现信息共享，最终实现自适应调节机制。