[發(fā)明專利]基于分解誤差修正和深度學(xué)習(xí)的光伏發(fā)電功率預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111118285.5
• 申請(qǐng)日: 2021-09-23
• 公開（公告）號(hào): CN113673788A
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計(jì)）人: 鄧欣宇;朱漢卿;劉揚(yáng);劉軼超;李天夢(mèng)
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)天津市電力公司;國(guó)家電網(wǎng)有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津盛理知識(shí)產(chǎn)權(quán)代理有限公司 12209
• 代理人: 王來佳

本發(fā)明涉及一種基于分解誤差修正和深度學(xué)習(xí)的光伏發(fā)電功率預(yù)測(cè)方法，包括以下步驟：S1、形成歷史負(fù)荷特征庫(kù)及影響因素特征庫(kù)；S2、得到K個(gè)光伏功率模態(tài)分量；S3、將步驟S2中得到的K個(gè)光伏功率模態(tài)分量進(jìn)行分類；S4、對(duì)CNN?GRU?AM網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到光伏功率模態(tài)分量的預(yù)測(cè)結(jié)果；S5、構(gòu)建XGBoost模型，得到光伏發(fā)電功率的預(yù)測(cè)結(jié)果。本發(fā)明能夠綜合考慮不同模態(tài)分量的波動(dòng)特點(diǎn)，并提升光伏發(fā)電功率預(yù)測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明屬于光伏發(fā)電功率預(yù)測(cè)技術(shù)領(lǐng)域，涉及光伏發(fā)電功率預(yù)測(cè)方法，尤其是一種基于分解誤差修正和深度學(xué)習(xí)的光伏發(fā)電功率預(yù)測(cè)方法。

背景技術(shù)

隨著氣候危機(jī)的加劇，構(gòu)建綠色低碳循環(huán)發(fā)展體系已經(jīng)成為全人類的共識(shí)。為此，我國(guó)提出“碳達(dá)峰、碳中和”的戰(zhàn)略目標(biāo)，“CO2排放力爭(zhēng)于2030年前達(dá)到峰值，努力爭(zhēng)取2060年前實(shí)現(xiàn)碳中和”。大力發(fā)展新能源發(fā)電是控制碳排放，實(shí)現(xiàn)碳中和目標(biāo)的關(guān)鍵。然而，光伏發(fā)電系統(tǒng)受到晝夜、氣象、季節(jié)等自然因素的影響，出力具有較強(qiáng)的波動(dòng)性和間歇性，難以參與電網(wǎng)調(diào)度，嚴(yán)重影響了電力系統(tǒng)的安全可靠和經(jīng)濟(jì)運(yùn)行。因此，準(zhǔn)確的光伏發(fā)電功率預(yù)測(cè)對(duì)電網(wǎng)的運(yùn)行、規(guī)劃至關(guān)重要。

由于光伏發(fā)電系統(tǒng)受復(fù)雜外界因素影響，物理建模困難，因此數(shù)據(jù)驅(qū)動(dòng)的方法在光伏發(fā)電功率預(yù)測(cè)問題得到廣泛應(yīng)用。在機(jī)器學(xué)習(xí)方面，代表性的方法有支持向量回歸、高斯過程回歸和XGBoost等。在深度學(xué)習(xí)方面，主要包括BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)等。其中，長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)具備長(zhǎng)時(shí)間的記憶能力，同時(shí)可作為復(fù)雜的非線性單元用于構(gòu)造更大型深度神經(jīng)網(wǎng)絡(luò)，因此取得了較好的表現(xiàn)。然而，由于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、超參數(shù)多，在進(jìn)行大規(guī)模光伏發(fā)電功率預(yù)測(cè)時(shí)效率低下。

除直接對(duì)光伏發(fā)電功率進(jìn)行預(yù)測(cè)，越來越多的方法提倡先對(duì)原始功率曲線進(jìn)行分解，再對(duì)分量進(jìn)行預(yù)測(cè)。常用的序列分解算法有經(jīng)驗(yàn)?zāi)B(tài)分解和變分模態(tài)分解，可以將光伏發(fā)電功率序列分解為多個(gè)有規(guī)律的模態(tài)分量，從而降低預(yù)測(cè)難度。然而，經(jīng)過模態(tài)分解后的分量和與原始序列存在誤差，限制了光伏發(fā)電預(yù)測(cè)的準(zhǔn)度。此外，上述方法對(duì)不同模態(tài)分量采用相同結(jié)構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，未考慮不同模態(tài)分量的波動(dòng)特點(diǎn)。

經(jīng)檢索，未發(fā)現(xiàn)與本發(fā)明相同或相近似的現(xiàn)有技術(shù)的公開文獻(xiàn)。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出一種基于分解誤差修正和深度學(xué)習(xí)的光伏發(fā)電功率預(yù)測(cè)方法，能夠綜合考慮不同模態(tài)分量的波動(dòng)特點(diǎn)，并提升光伏發(fā)電功率預(yù)測(cè)精度。

本發(fā)明解決其現(xiàn)實(shí)問題是采取以下技術(shù)方案實(shí)現(xiàn)的：

一種基于分解誤差修正和深度學(xué)習(xí)的光伏發(fā)電功率預(yù)測(cè)方法，包括以下步驟：

S1、獲取考慮對(duì)光伏系統(tǒng)發(fā)電功率產(chǎn)生影響的影響因素特征，形成歷史負(fù)荷特征庫(kù)及影響因素特征庫(kù)；

S2、使用中心頻率法確定最佳變分模態(tài)分解數(shù)目K，并使用變分模態(tài)分解VMD算法對(duì)光伏發(fā)電功率序列進(jìn)行分解，得到K個(gè)光伏功率模態(tài)分量；

S3、按照光伏功率模態(tài)分量中心頻率的大小，將步驟S2中得到的K個(gè)光伏功率模態(tài)分量進(jìn)行分類；

S4、根據(jù)步驟S3中對(duì)光伏功率模態(tài)分量進(jìn)行分類，構(gòu)建對(duì)應(yīng)的CNN-GRU-AM網(wǎng)絡(luò)，并利用步驟S1中形成歷史負(fù)荷特征庫(kù)及影響因素特征庫(kù)，對(duì)CNN-GRU-AM網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到光伏功率模態(tài)分量的預(yù)測(cè)結(jié)果；

S5、構(gòu)建XGBoost模型，將步驟S4中得到的光伏功率模態(tài)分量預(yù)測(cè)結(jié)果作為XGBoost模型的輸入，真實(shí)光伏發(fā)電功率序列作為標(biāo)簽，對(duì)XGBoost模型進(jìn)行訓(xùn)練，修正光伏功率模態(tài)分量中存在的VMD分解誤差，進(jìn)而得到光伏發(fā)電功率的預(yù)測(cè)結(jié)果。

而且，所述步驟S1中的歷史負(fù)荷特征庫(kù)為歷史的光伏發(fā)電功率序列；所述步驟S1中的影響因素特征庫(kù)包括溫度、太陽(yáng)直接輻射和漫射輻射等與光伏發(fā)電影響密切的氣象因素特征序列。