[發明專利]基于組合深度學習的光伏發電功率預測方法

在審

• 申請號: 202211052451.0
• 申請日: 2022-08-31
• 公開（公告）號: CN115456261A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 謝興旺
• 申請（專利權）人: 武昌理工學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N20/20;H02J3/38
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 王佩

本發明公開一種基于組合深度學習的光伏發電功率預測方法，方法包括以下步驟：獲取光伏發電功率原始數據；對數據做歸一化處理，得到歸一化后的數據；采用極限學習提升XGBoost算法對歸一化后的數據進行處理，得到不同因素對光伏發電功率影響的權重因子，并對權重因子進行排序；根據排序結果，選擇若干個對光伏發電功率的影響大的因素進行組合，得到不同的組合結果；將組合數據分別輸入至不同的深度學習預測模型中，得到不同深度學習模型的光伏發電功率預測結果；將不同深度學習模型的光伏發電功率預測結果輸入至強化學習中進行非線性擬合，得到最終光伏發電功率預測值。本發明有益效果是：提高非平穩時期光伏發電功率的預測精度和發電企業經濟效益。

技術領域

本發明涉及集中式光伏發電系統與分布式光伏發電系統控制技術領域，尤其涉及一種基于組合深度學習的光伏發電功率預測方法。

背景技術

太陽能發電具有安全清潔、取之不盡、噪音小以及環境友好等特性，成為可再生能源的重要來源之一。但是光伏發電具有明顯的隨機性、間歇性的特點。大規模光伏并網發電會對電網造成一定沖擊作用。當光伏發電劇烈波動的非平穩時段，可能對電網穩定運行帶來不利影響，嚴重時會使得光伏發電廠與電網解列。因此平抑削弱光伏發電的不確定性影響，這有利于電力系統安全穩定運行和光伏電能的消納。

發明內容

為了解決光伏并網發電可能對電網產生的不確定性影響的問題，本發明提出一種基于組合深度學習的光伏發電功率預測方法。該方法基于極限梯度提升和門控循環單元，包括以下步驟：

S1：獲取光伏發電功率原始數據；

S2：對數據做歸一化處理，得到歸一化后的數據；

S3：采用極限學習提升XGBoost算法對歸一化后的數據進行處理，得到不同因素對光伏發電功率影響的權重因子，并對權重因子進行排序；

S4：根據排序結果，選擇若干個對光伏發電功率的影響大的因素進行組合，得到不同組合結果；將這些組合數據分別輸入至不同的深度學習預測模型中，得到不同的深度學習預測模型的光伏發電功率預測結果；

S5：將不同深度學習模型的光伏發電功率預測結果輸入至強化學習中進行非線性擬合，得到最終光伏發電功率預測值。

與現有技術相比，本發明的有益效果包括：提高非平穩時期光伏發電功率的預測精度，精準有效的光伏發電功率預測有助于提升電網實時調度水平、電力系統穩定運行能力以及光伏電能消納能力，提高光伏發電企業的經濟效益。

附圖說明

圖1是光伏發電系統原理圖；

圖2是本發明方法的流程圖；

圖3是XGBoost模型訓練流程示意圖；

圖4是第一棵樹的結構示意圖；

圖5是GRU內部神經元結構示意圖；

圖6是GRU預測模型的結構示意圖；

圖7是采用GRU預測模型進行光伏發電功率預測的流程示意圖；

圖8是采用BP神經網絡的強化學習原理圖；

圖9是Critic網絡的結構原理圖；

圖10是Actor網絡的結構原理圖；

圖11是基于XGBoost的發電功率影響因素分析示意圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

正式進入介紹前，先對本申請相關技術特征中英文對照特此進行說明如下：