[發明專利]基于自編碼器深度學習模型的短期光伏功率預測方法

在審

• 申請號: 202210146567.4
• 申請日: 2022-02-17
• 公開（公告）號: CN114676622A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 袁紹軍;郭金智;畢圓圓;尹兆磊;張寶華;丁然;周迎偉;陳晨;劉震宇;劉嗣萃;于立強;白明輝;楊慢慢;張柏楊;段明慧;趙磊
• 申請（專利權）人: 國網冀北電力有限公司承德供電公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F113/04;G06F119/02;G06F119/06
• 代理公司: 北京中南長風知識產權代理事務所(普通合伙) 11674
• 代理人: 李青

本發明公開了基于自編碼器深度學習模型的短期光伏功率預測方法，包括：S1，構建變分自編碼器模型VAE；S2，基于所述變分自編碼器模型VAE進行短期光伏功率預測。S1包括：S11，構建所述變分自編碼器模型VAE的一個編碼器和一個解碼器；S12，通過近似后驗qθ(z|x)得到所述編碼器，通過似然pφ(x|z)得到所述解碼器；S13，構建并計算損失函數，以訓練VAE的特征提??；S14，通過使用訓練觀測值最小化損失函數L(θ,φ)來獲得編碼器和解碼器的參數。還公開了基于自編碼器深度學習模型的短期光伏功率預測系統、電子設備以及計算機可讀存儲介質。

技術領域

本發明屬于智慧電力技術領域，尤其涉及基于自編碼器深度學習模型的短期光伏功率預測方法。

背景技術

光伏(PV)系統中太陽能輸出的準確建模和預測對于構建以新能源為主體的新型電力系統的安全運行至關重要。準確的光伏功率預測，可以減少光伏發電不確定性對電網的影響，提高電能質量及光伏系統的滲透水平。光伏發電輸出具有很高的波動性和間歇性，光伏系統輸出功率的準確建模和預測，能夠有效提高能源管理系統有效運行和電力系統并網調度管理水平。

光伏發電功率預測主要采用物理方法、統計方法及人工智能方法?；谖锢矸匠虒崿F預測，需要大量的傳感器獲取物理參數，預測方法的魯棒性較差。傳統的統計方法通過回歸分析等方法來映射發電量和歷史數據間的關系，但處理非線性數據效果不理想。相比之下，人工智能技術具有處理復雜的非線性問題的能力和更強的容錯性。

近年來，淺層機器學習(ML)作為非參數模型，可以模擬過程變量之間的復雜關系，已被廣泛用于改進太陽能光伏預測。Wang Kejun等通過將數據重新采樣方法與機器學習相結合，開發了一種用于太陽能預測的單變量方法，將神經網絡(CNN)、支持向量回歸(SVR)、隨機森林(RF)和多元線性回歸(MLR)在內的機器學習算法應用于重新采樣的時間序列，以計算多步提前預測。在過去幾年中，深度學習已成為學術界和工業界的一個熱點方向，廣泛應用于計算機視覺、自然語言處理、語音識別、可再生能源預測、異常檢測、強化學習等領域。由于其數據驅動的方法，深度學習帶來了時間序列數據中相關信息的提取和分析方式的范式轉變。通過將多層連接到神經網絡結構中，深度學習驅動的方法能夠靈活有效地對過程變量之間的隱式交互進行建模，并在人工指令有限的情況下從海量數據集中自動提取相關信息。多種深度學習技術已應用到太陽能功率預測。

Gangqiang Li等人使用循環神經網絡(RNN)預測光伏發電功率。然而，由于存在梯度消失和梯度爆炸，簡單的RNN不適合學習長期進化。為了繞過這個限制，已經開發了幾種RNN變體，包括長短期記憶網絡(LSTM)和門控循環單元(GRU) 網絡。從本質上講，與簡單的RNN模型相比，LSTM和GRU模型在對更長的時間跨度內的時間相關數據進行建模方面具有卓越的能力。Fei Wang等人將LSTM循環神經網絡(LSTM-RNN)應用于獨立日前光伏功率預測，并使用修改方法對預測結果進行了改進，該方法考慮了不同光伏功率模式的相關性，提高了預測質量。 Aprillia H等人通過將卷積神經網絡(CNN)和Salpswarm算法(SSA)相結合，引入了一種混合預測方法，用于光伏功率輸出預測。深度學習模型具有高效學習時間序列數據中的非線性特征和相關信息的能力?；赩AE(Variational Auto-Encoder)的深度學習模型在時間序列建模和非線性逼近特征提取方面表現性能優異，有望提高預測精度，但是現有技術還沒有對此用于短期光伏功率預測的方案。

發明內容

本發明的目的是提供基于自編碼器深度學習模型的短期光伏功率預測方法，將變分自編碼器(VAE)方法應用于光伏發電時間序列數據的預測。并與循環神經網絡(DRNN)、長短期記憶(LSTM)深度學習方法和支持向量回歸(SVR)機器學習方法的預測輸出進行了對比分析比較，這些模型考慮了固有的時間依賴性和非線性特征。為了指導光伏系統的短期和長期運營策略，對單步和多步提前預測進行了對比研究。兩個太陽能電站預測結果表明，深度學習模型較基線機器學習模型預測性能更好，基于VAE的預測方法能夠學習更高級別的特征，其預測性能表現更佳。