一种短期光伏发电功率预测方法及系统

技术特征：
1.一种短期光伏发电功率预测方法，其特征在于，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。2.根据权利要求1所述的一种短期光伏发电功率预测方法，其特征在于，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。3.根据权利要求2所述的一种短期光伏发电功率预测方法，其特征在于，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。4.根据权利要求1所述的一种短期光伏发电功率预测方法，其特征在于，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。5.根据权利要求1所述的一种短期光伏发电功率预测方法，其特征在于，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。6.根据权利要求1所述的一种短期光伏发电功率预测方法，其特征在于，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。7.根据权利要求1所述的一种短期光伏发电功率预测方法，其特征在于，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。8.根据权利要求1所述的一种短期光伏发电功率预测方法，其特征在于，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。9.根据权利要求8所述的一种短期光伏发电功率预测方法，其特征在于，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，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：
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。10.一种短期光伏发电功率预测系统，其特征在于，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。

技术总结
本发明公开了一种短期光伏发电功率预测方法及系统。首先获取目标域光伏发电站以及源域光伏发电站的特征数据，对数据进行预处理后划分出训练数据和测试数据，然后构建GRU-DANN对抗迁移学习模型并对其进行训练，得到训练好的GRU-DANN对抗迁移学习模型，最后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。本发明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。精度。精度。


技术研发人员：殷豪 张铮 孟安波 梁濡铎 陈黍 许炫淙 王陈恩 朱梓彬 冼梓康 张展
受保护的技术使用者：广东工业大学
技术研发日：2022.09.05
技术公布日：2022/10/11