一种短期光伏发电功率预测方法及系统

1.本发明涉及光伏发电站技术领域，尤其是涉及一种短期光伏发电功率预测方法及系统。


背景技术：

2.太阳能作为一种新能源，其大规模并网给电力系统的经济、安全稳定运行带来了挑战。因此，准确的光伏发电功率预测对电力系统具有重要意义。
3.光伏发电具有随机性、间歇性和波动性的特点，光伏发电的预测模型需要大量的样本数据进行训练仿真。然而，新建光伏发电站由于原始数据匮乏的原因，导致光伏功率预测精度较低。有效地利用多数据光伏发电站来帮助少数据光伏发电站建立光伏功率预测模型，将能够进一步提升风电场功率预测的精度。迄今为止，已有的少数据光伏发电的预测方法均是利用简单的模型迁移或是参数迁移的方式来建立预测模型，这些简单的方法无法从多数据光伏发电站数据中自动提取出建立少数据光伏功率预测模型所需要的特征，容易出现负迁移的现象。
4.因此，如何实现多数据光伏发电站的有效迁移进而建立少数据光伏功率预测模型是一个亟需解决的问题。


技术实现要素：

5.本发明提供了一种短期光伏发电功率预测方法及系统，以源域光伏发电站代表多样本光伏发电站、目标域光伏发电站代表少样板光伏发电站，可从多样本光伏发电站的数据中自动提取出建立少样本光伏发电站功率预测模型所需要的特征，实现多样本光伏发电站对少样本光伏发电站的有效迁移，以提高少样本光伏发电站的功率预测精度。
6.本发明的技术方案如下：一种短期光伏发电功率预测方法，包括以下步骤：s1、获取目标域光伏发电站以及源域光伏发电站的特征数据，并进行数据预处理；s2、将预处理后的目标域光伏发电站的特征数据划分为两部分，一部分与预处理后的源域光伏发电站的特征数据作为训练数据，另一部分作为测试数据；s3、采用gru特征提取器、回归预测器以及域分类器构建gru-dann对抗迁移学习模型，并输入训练数据对gru-dann对抗迁移学习模型进行训练，过程如下：s31、利用gru特征提取器从训练数据中提取初始时间特征；s32、将提取的初始时间特征输入至回归预测器中，得到初始时间特征的光伏发电功率预测值，通过光伏发电功率预测值以及光伏发电功率实测值计算回归损失函数，当回归损失函数收敛时，将初始时间特征作为目标时间特征；s33、将目标时间特征输入至域分类器中，通过域分类器确定目标时间特征的数据域来源，通过二进制交叉熵公式计算数据域来源与真实域来源之间的域损失；s34、根据gru特征提取器与域分类器的对抗性域适配，不断更新gru特征提取器及
域分类器的参数，当域损失收敛时，gru特征提取器从源域和目标域之间得到域不变特征，则gru-dann对抗迁移学习模型训练完成；s4、将测试数据输入至训练好的gru-dann对抗迁移学习模型中，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。
7.本发明的基于门控循环神经网络和域对抗神经网络的短期光伏发电功率预测方法，通过门控循环神经网络（gru）的特征提取器可以有效的提取源光伏发电站和目标光伏发电站数据中的时间特征，域对抗神经网络（dann）能够在源域和目标域之间找到有效帮助目标域光伏发电站建立预测模型的域不变特征，本发明可以有效提高光伏发电功率的预测精度。
8.进一步，步骤s1中，特征数据包括功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速的数据；对特征数据进行预处理的过程如下：对功率、温度、湿度、太阳直接辐射强度、太阳散射强度以及风速数据进行min-max归一化处理，获得处理后的功率序列p、温度序列t、湿度序列h、太阳直接辐射强度序列d、太阳散射强度序列s以及风速序列w。
9.进一步，步骤s2中，源域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据全部作为训练数据，而目标域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据则挑选出晴天、阴天、雨天三个不同气象日的数据作为测试数据，其余作为训练数据。
10.需要说明的是，功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速这6个参数的序列数据在某一时刻的数据形成一个数据串，即不同时刻下，可形成多个数据串，并将该多个数据串形成一个数据集，该数据集即为训练数据或测试数据集的构成形式。
11.进一步，步骤s3中，gru-dann对抗迁移学习模型的构建过程如下：gru-dann对抗迁移学习模型采用gru特征提取器，并在gru特征提取器后面分别接入回归预测器和域分类器，其中gru特征提取器与域分类器中间通过一个梯度反转层连接；通过输入数据至gru特征提取器得到时间特征，再将时间特征分别输入至回归预测器与域分类器，得到对应的光伏发电功率预测数据与域标签预测数据。
12.进一步，步骤s3中，gru特征抽取器包括两层gru层以及激活函数tanh，两层gru层分别包括6个神经元和64个神经元；回归预测器包括三层全连接层，三层全连接层分别包括100个神经元、100个神经元和1个神经元；域分类器包括两层全连接层，两层全连接层分别包括100个神经元和1个神经元。
13.进一步，步骤s32中，通过光伏发电功率预测值以及光伏发电功率实测值计算回归损失函数的过程如下：发电功率预测的回归损失定义为均方误差，即回归损失函数的公式如下：
式中，表示训练数据的样本数量，和分别表示实测值和预测值。
14.进一步，在步骤s33中，通过二进制交叉熵公式计算数据域来源与真实域来源之间的域损失的过程如下：域损失定义为二进制交叉熵，二进制交叉熵公式如下：式中，表示域损失， 和分别表示实际域标签和预测域标签，其中，源域的域标签为0，目标域的域标签为1。
15.进一步，步骤s34中，更新gru特征提取器及域分类器的参数的过程如下：通过训练gru特征提取器，提取出源域和目标域的特征，再将提取的特征输入到域分类器中，域分类器通过识别提取特征的域标签，区分特征来源于源域或者目标域，通过不断地训练gru特征提取器提取源域与目标域之间的域不变特征，最终使得域分类器无法正确识别域标签，即无法区分提取的特征来自源域或目标域，此时域损失收敛， gru特征提取器能够顺利提取出源域与目标域之间的域不变特征，则 gru特征提取器及域分类器的参数更新完成，表示gru-dann对抗迁移学习模型的训练完成。
16.进一步，由于gru特征提取器和域分类器在gru-dann对抗迁移学习模型的训练过程中对域损失的影响相反，特征提取器的目的在于使得域分类器无法区分出所提取特征的来源，即使得域损失最大化，而域分类器的目的是为准确区分出gru特征提取器所提取特征的来源，即使得域损失最小化，这种最小-最大运算不能同时通过神经网络反向传播过程中的梯度更新直接实现，所以在gru特征提取器和域分类器之间加入梯度反转层（grl），梯度反转层的作用为将传入到梯度反转层的梯度乘上一个负数，使得在梯度反转层前后的网络的训练目标是相反的，梯度反转层用伪函数来表示，下式表示其正向和反向传播过程：来表示，下式表示其正向和反向传播过程：来表示，下式表示其正向和反向传播过程：
式中，代表单位矩阵，是用于实现回归损失和域损失之间权衡的超参数，代表当前批次数，代表当前迭代数，代表迭代总次数，表示源域和目标域的最小总批次数，为迭代进程相对值，即当前迭代次数与总迭代次数的比率，为常数10。
17.本发明还提供一种短期光伏发电功率预测系统，包括分别与控制中心通信连接的数据处理模块、构建模型模块、输出模块；所述数据处理模块用于获取目标域光伏发电站以及源域光伏发电站的特征数据，并进行数据预处理，然后将预处理后的目标域光伏发电站的特征数据划分为两部分，一部分与预处理后的源域光伏发电站的特征数据作为训练数据，另一部分作为测试数据，并将训练数据和测试数据输送给所述控制中心；所述构建模型模块采用gru特征提取器、回归预测器以及域分类器构建gru-dann对抗迁移学习模型，并从所述控制中心中获取训练数据，输入训练数据对gru-dann对抗迁移学习模型进行训练，过程如下：利用gru特征提取器从训练数据中提取初始时间特征；将提取的初始时间特征输入至回归预测器中，得到初始时间特征的光伏发电功率预测值，通过光伏发电功率预测值以及光伏发电功率实测值计算回归损失函数，当回归损失函数收敛时，将初始时间特征作为目标时间特征；将目标时间特征输入至域分类器中，通过域分类器确定目标时间特征的数据域来源，通过二进制交叉熵公式计算数据域来源与真实域来源之间的域损失；根据gru特征提取器与域分类器的对抗性域适配，不断更新gru特征提取器及域分类器的参数，当域损失收敛时，gru特征提取器从源域和目标域之间得到域不变特征，则gru-dann对抗迁移学习模型训练完成；所述构建模型模块将训练好的gru-dann对抗迁移学习模型输出到所述控制中心；所述控制中心将测试数据输入到训练好的gru-dann对抗迁移学习模型中，输出得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列；所述输出模块用于将预测得到的功率时间序列进行输出显示。
18.与现有技术相比，本发明具有如下有益效果：（1）、本发明提出的短期光伏发电功率预测方法，首次将深度学习和对抗域自适应的方法相结合用于光伏发电功率预测中，所提出的gru-dann对抗迁移学习模型可以显著提高光伏发电站发电功率预测性能。
19.（2）、本发明的gru 特征提取器用于跨源域和目标域自动提取时间特征，dann通过gru特征提取器和域分类器的对抗性域适配，在源域和目标域之间找到域不变特征，从而完成对gru-dann对抗迁移学习模型的训练。本发明实现了多样本光伏发电站数据对少样本光伏发电站数据的有效迁移，训练好的模型可以直接应用于帮助预测目标光伏发电站的发电功率，而不会因域转移而导致预测性能下降，有效提高对少样本光伏发电站的功率预测精
度，对短期光伏发电功率预测具有一定的实际意义。
附图说明
20.图1为本发明短期光伏发电功率预测方法的流程图。
21.图2为本发明的gru-dann对抗迁移学习模型的框架图。
22.图3为本发明短期光伏发电功率预测系统的框架图。
23.图4为本发明短期光伏发电功率预测方法对晴天时的预测数据进行预测的效果图。
24.图5为本发明短期光伏发电功率预测方法对阴天时的预测数据进行预测的效果图。
25.图6为本发明短期光伏发电功率预测方法对雨天时的预测数据进行预测的效果图。
具体实施方式
26.附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
27.实施例1：如图1和图2所示，本实施例提供一种短期光伏发电功率预测方法，包括以下步骤：s1、获取目标域光伏发电站以及源域光伏发电站的特征数据，并进行数据预处理；s2、将预处理后的目标域光伏发电站的特征数据划分为两部分，一部分与预处理后的源域光伏发电站的特征数据作为训练数据，另一部分作为测试数据；s3、采用gru特征提取器、回归预测器以及域分类器构建gru-dann对抗迁移学习模型，并输入训练数据对gru-dann对抗迁移学习模型进行训练，过程如下：s31、利用gru特征提取器从训练数据中提取初始时间特征；s32、将提取的初始时间特征输入至回归预测器中，得到初始时间特征的光伏发电功率预测值，通过光伏发电功率预测值以及光伏发电功率实测值计算回归损失函数，当回归损失函数收敛时，将初始时间特征作为目标时间特征；s33、将目标时间特征输入至域分类器中，通过域分类器确定目标时间特征的数据域来源，通过二进制交叉熵公式计算数据域来源与真实域来源之间的域损失；s34、根据gru特征提取器与域分类器的对抗性域适配，不断更新gru特征提取器及域分类器的参数，当域损失收敛时，gru特征提取器从源域和目标域之间得到域不变特征，则gru-dann对抗迁移学习模型训练完成；s4、将测试数据输入至训练好的gru-dann对抗迁移学习模型中，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。
28.本发明的基于门控循环神经网络和域对抗神经网络的短期光伏发电功率预测方法，通过门控循环神经网络（gru）的特征提取器可以有效的提取源光伏发电站和目标光伏发电站数据中的时间特征，域对抗神经网络（dann）能够在源域和目标域之间找到有效帮助
目标域光伏发电站建立预测模型的域不变特征，本发明可以有效提高光伏发电功率的预测精度。
29.在本实施例的步骤s1中，特征数据包括功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速的数据；对特征数据进行预处理的过程如下：对功率、温度、湿度、太阳直接辐射强度、太阳散射强度以及风速数据进行min-max归一化处理，获得处理后的功率序列p、温度序列t、湿度序列h、太阳直接辐射强度序列d、太阳散射强度序列s以及风速序列w。
30.在本实施例的步骤s2中，源域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据全部作为训练数据，而目标域光伏发电站预处理后的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据则挑选出晴天、阴天、雨天三个不同气象日的数据作为测试数据，其余作为训练数据。
31.需要说明的是，功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速这6个参数的序列数据在某一时刻的数据形成一个数据串，即不同时刻下，可形成多个数据串，并将该多个数据串形成一个数据集，该数据集即为训练数据或测试数据集的构成形式。
32.其中，训练数据是用于训练gru-dann对抗迁移学习模型的数据，gru-dann对抗迁移学习模型则为由门控循环神经网络（gate recurrent unit， gru）特征提取器、回归预测器以及域分类器三者构建的模型，其用于自动提取多数据光伏发电站与少数据光伏发电站的共同特征，帮助少数据光伏发电站预测光伏发电功率。
33.在本实施例的步骤s3中，gru-dann对抗迁移学习模型的构建过程如下：gru-dann对抗迁移学习模型采用gru特征提取器，并在gru特征提取器后面分别接入回归预测器和域分类器，其中gru特征提取器与域分类器中间通过一个梯度反转层连接；通过输入数据至gru特征提取器得到时间特征，再将时间特征分别输入至回归预测器与域分类器，得到对应的光伏发电功率预测数据与域标签预测数据。
34.在本实施例的步骤s3中，gru特征抽取器包括两层gru层以及激活函数tanh，两层gru层分别包括6个神经元和64个神经元；其中激活函数tanh的公式如下：式中，和为重置门和更新门，为隐含层的状态，和为输入与
输出，为上一个输出，、、、、、为权重参数矩阵，、、为偏置参数矩阵，为矩阵乘法，为sigmod函数；回归预测器包括三层全连接层，三层全连接层分别包括100个神经元、100个神经元和1个神经元；域分类器包括两层全连接层，两层全连接层分别包括100个神经元和1个神经元。
35.在本实施例的步骤s31中，gru特征提取器从训练数据中分别提取出源域和目标域的初始时间特征；初始时间特征为功率序列p、温度序列t、湿度序列h、太阳直接辐射强度序列d、散射强度序列s以及风速序列w中的隐含数据信息，隐含数据信息指的是与功率相关的信息。
36.在本实施例的步骤s32中，通过光伏发电功率预测值以及光伏发电功率实测值计算回归损失函数的过程如下：发电功率预测的回归损失定义为均方误差，即回归损失函数的公式如下：式中，表示训练数据的样本数量，和分别表示实测值和预测值。
37.在本实施例的步骤s33中，通过二进制交叉熵公式计算数据域来源与真实域来源之间的域损失的过程如下：域损失定义为二进制交叉熵，二进制交叉熵公式如下：式中，表示域损失， 和分别表示实际域标签和预测域标签，其中，源域的域标签为0，目标域的域标签为1。
38.在本实施例的步骤s34中，更新gru特征提取器及域分类器的参数的过程如下：通过训练gru特征提取器，提取出源域和目标域的特征，再将提取的特征输入到域分类器中，域分类器通过识别提取特征的域标签，区分特征来源于源域或者目标域，通过不断地训练gru特征提取器提取源域与目标域之间的域不变特征，最终使得域分类器无法正确识别域标签，即无法区分提取的特征来自源域或目标域，此时域损失收敛， gru特征提取器能够顺利提取出源域与目标域之间的域不变特征，则 gru特征提取器及域分类器的参数更新完成，表示gru-dann对抗迁移学习模型的训练完成。
39.其中，由于gru特征提取器和域分类器在gru-dann对抗迁移学习模型的训练过程中对域损失的影响相反，特征提取器的目的在于使得域分类器无法区分出所提取特征的来
源，即使得域损失最大化，而域分类器的目的是为准确区分出gru特征提取器所提取特征的来源，即使得域损失最小化，这种最小-最大运算不能同时通过神经网络反向传播过程中的梯度更新直接实现，所以在gru特征提取器和域分类器之间加入梯度反转层（grl），梯度反转层的作用为将传入到梯度反转层的梯度乘上一个负数，使得在梯度反转层前后的网络的训练目标是相反的，梯度反转层用伪函数来表示，下式表示其正向和反向传播过程：来表示，下式表示其正向和反向传播过程：来表示，下式表示其正向和反向传播过程：来表示，下式表示其正向和反向传播过程：式中，代表单位矩阵，是用于实现回归损失和域损失之间权衡的超参数，代表当前批次数，代表当前迭代数，代表迭代总次数，表示源域和目标域的最小总批次数，为迭代进程相对值，即当前迭代次数与总迭代次数的比率，为常数10。
40.本发明提出的短期光伏发电功率预测方法，首次将深度学习和对抗域自适应的方法相结合用于光伏发电功率预测中，所提出的gru-dann对抗迁移学习模型可以显著提高光伏发电站发电功率预测性能。
41.实施例2：如图3所示，本实施例还提供一种短期光伏发电功率预测系统，用于实现上述实施例1中的短期光伏发电功率预测方法，系统包括分别与控制中心通信连接的数据处理模块、构建模型模块、输出模块；所述数据处理模块用于获取目标域光伏发电站以及源域光伏发电站的特征数据，并进行数据预处理，然后将预处理后的目标域光伏发电站的特征数据划分为两部分，一部分与预处理后的源域光伏发电站的特征数据作为训练数据，另一部分作为测试数据，并将训练数据和测试数据输送给所述控制中心；所述构建模型模块采用gru特征提取器、回归预测器以及域分类器构建gru-dann对抗迁移学习模型，并从所述控制中心中获取训练数据，输入训练数据对gru-dann对抗迁移学习模型进行训练，过程如下：利用gru特征提取器从训练数据中提取初始时间特征；将提取的初始时间特征输入至回归预测器中，得到初始时间特征的光伏发电功率
预测值，通过光伏发电功率预测值以及光伏发电功率实测值计算回归损失函数，当回归损失函数收敛时，将初始时间特征作为目标时间特征；将目标时间特征输入至域分类器中，通过域分类器确定目标时间特征的数据域来源，通过二进制交叉熵公式计算数据域来源与真实域来源之间的域损失；根据gru特征提取器与域分类器的对抗性域适配，不断更新gru特征提取器及域分类器的参数，当域损失收敛时，gru特征提取器从源域和目标域之间得到域不变特征，则gru-dann对抗迁移学习模型训练完成；所述构建模型模块将训练好的gru-dann对抗迁移学习模型输出到所述控制中心；所述控制中心将测试数据输入到训练好的gru-dann对抗迁移学习模型中，输出得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列；所述输出模块用于将预测得到的功率时间序列进行输出显示。
42.实施例3：本实施例以具体数据验证上述实施例1中的短期光伏发电功率预测方法的有效性，具体过程如下：在步骤s1中，获取澳大利亚2018/01/01/0:00~2018/12/29/23:40的三个光伏发电站的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据作为源域光伏发电站的特征数据，获取同一澳大利亚时间段内的另一个光伏发电站的功率、温度、湿度、太阳直接辐射强度、太阳散射强度和风速数据作为目标域光伏发电站的特征数据；在步骤s2中，按实施例1中方式对数据进行处理，划分出训练数据和测试数据；在步骤s3中，按上述获取的训练数据对gru-dann对抗迁移学习模型进行训练，得到训练好的gru-dann对抗迁移学习模型；在步骤s4中，将测试数据输入至训练好的gru-dann对抗迁移学习模型中，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列；其中，输出的目标功率为每20分钟一个功率预测点，按照一天72个功率预测点生成72
×
1张量的光伏功率时间序列。
43.如图4-图6所示，在本实施例中，分别获得输出目标域光伏发电站在晴天、阴天及雨天时的功率预测效果。可知，本发明有效提高了对少样本光伏发电站的功率预测精度。
44.综上所述，本发明的gru 特征提取器用于跨源域和目标域自动提取时间特征，dann通过gru特征提取器和域分类器的对抗性域适配，在源域和目标域之间找到域不变特征，从而完成对gru-dann对抗迁移学习模型的训练。
45.本发明实现了多样本光伏发电站数据对少样本光伏发电站数据的有效迁移，训练好的模型可以直接应用于帮助预测目标光伏发电站的发电功率，而不会因域转移而导致预测性能下降，有效提高对少样本光伏发电站的功率预测精度，对短期光伏发电功率预测具有一定的实际意义。
46.显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。