【技術實現步驟摘要】
本申請涉及光伏功率預測，特別是涉及一種基于多任務學習的光伏組件功率預測方法。
技術介紹
1、由于光伏發電具有間歇性和波動性的特征，因此光伏發電會影響到電力系統的安全穩定運行，比如造成電能質量下降或者影響頻率穩定，進而限制了其在電力系統中的大規模應用。準確的光伏功率預測對于提高電網運行的經濟性和穩定性以及推動電力系統綠色低碳轉型具有至關重要的意義
2、光伏功率預測可根據預測步長劃分為單步預測與多步預測。相較于單步預測，多步預測能夠提供未來多個時間點的功率預測結果，可以反映出未來一段時間內的功率變化趨勢和波動情況，對于電網的調度優化有著更重要的指導意義。
技術實現思路
1、本申請的目的是：為解決上述技術問題，本申請提供了一種基于多任務學習的光伏組件功率預測方法，旨在提高光伏功率預測精度，從而提高光伏系統的運行效率和性能。
2、本申請的一些實施例中，基于多任務處理技術，將光伏預測任務轉化為多個光伏預測子任務，并根據各個光伏預測子任務的需求進行建模和提取對應的特征數據，提高光伏預測模型對于多視角特征數據的利用能力，提升光伏預測模型的整體預測性能和預測精度，提高光伏系統的運行效率和性能。
3、本申請的一些實施例中，通過建立各個一級預測模型的權重函數，實現對于各個一級預測模型損失權重的自適應調節，進一步地提高光伏功率的預測準確度，同時保證預測模型具備良好的運行效率。
4、本申請的一些實施例中，提供了一種基于多任務學習的光伏組件功率預測方法，包括：
5、根據歷史光伏運行參數建立特征數據庫；
6、根據光伏功率預測需求生成多個光伏預測子任務，并建立各個光伏預測子任務的一級預測模型；
7、獲取各個一級預測模型參數，并根據全部一級預測模型構建光伏預測模型；
8、根據預設修正時間節點獲取預測偏差值，根據預測偏差值判斷是否修正光伏預測模型。
9、本申請的一些實施例中，所述建立各個光伏預測子任務的一級預測模型時，包括；
10、建立光伏預測子任務數列a，a＝(a1，a2…an)，其中，ai為第i個光伏預測子任務，n為光伏預測子任務數量；
11、根據光伏預測子任務數列a依次選取目標光伏預測子任務；
12、建立目標光伏預測子任務的專家子網絡，根據專家子網絡提取特征數據庫中的特征數據，建議目標光伏預測子任務的一級預測模型；
13、生成一級預測模型數列b，b＝(b1，b2…bn)，其中，bi為第i個一級預測模型。
14、本申請的一些實施例中，獲取各個一級預測模型參數時，包括：
15、根據預測需求生成預測周期；
16、建立預測周期內的多個時間區間，并建立時間區間數列t，t＝(t1，t2…tm)，其中，ti為基于時間順序排列的預測周期內第i個時間區間，m為預測周期內的時間區間數量；
17、根據一級預測模型數列b依次選取目標一級預測模型；
18、根據目標一級預測模型參數建立預測周期內的目標一級預測模型的權重函數f(t)；
19、獲取全部權重函數，并建立權重函數數列f，f＝(f1(t)，f2(t)…fm(t))，其中，fi(t)為第i個一級預測模型在預測周期內權重系數隨時間變動的函數。
20、本申請的一些實施例中，所述構建光伏預測模型時，包括：
21、根據權重函數數列f和一級預測模型數列b構建光伏預測模型；
22、
23、其中，p(t)為預測周期內的光伏預測模型在第t時刻輸出的光伏預測功率，yi(t)為第i個一級預測模型在預測周期內的第t時刻輸出的光伏預測功率。
24、本申請的一些實施例中，生成目標一級預測模型的權重函數f(t)時，包括：
25、根據目標一級預測模型參數和時間區間數列t生成目標一級預測模型的預測損失量數列d，d＝(d1，d2…dm)，其中，di為在預測周期內第i個時間區間內的預測損失量；
26、根據預測損失量數列生成目標一級預測模型的權重函數f(t)；
27、f(ti)＝e1＊(di/di－1)+e2＊(di/d1)；
28、其中，f(ti)為目標一級預測模型在預測周期內的第i個時間區間的權重值；e1為預設第一固定系數，e2為預設第二固定系數。
29、本申請的一些實施例中，根據預設修正時間節點獲取預測偏差值時，包括：
30、根據時間區間數列t建立多個修正時間節點；
31、獲取當前修正時間節點的預測功率偏差數列g，g＝(g1，g2…gm1)，其中，gi為光伏預測模型在預測周期內第i個時間區間的功率偏差量；m1為預測周期的開始時間節點和當前修正時間節點之間的時間區間數量；
32、生成當前修正時間節點的預測偏差值h；
33、
34、其中，e3為預設第三固定系數；e4為預設第四固定系數；e5為預設第五固定系數；ki為選擇系數，若gi－gi－1大于零，則ki＝1；若gi－gi－1小于零，則ki＝0；δg為預測功率偏差數列g全部數據的平均值。
35、本申請的一些實施例中，判斷是否修正光伏預測模型時，包括：
36、預設第一預測偏差值區間(h1，h2)，第二預測偏差值區間(h2，h3)和第三預測偏差值區間(h3，h4)；
37、若預測偏差值h處于預設第一預測偏差值區間時，不生成修正指令；
38、若預測偏差值h處于預設第二預測偏差值區間時，生成一級修正指令，并根據一級修正指令修正權重函數數列f；
39、若預測偏差值h處于預設第三預測偏差值區間時，生成二級修正指令，并根據二級修正指令修正光伏預測模型。
40、本申請的一些實施例中，根據二級修正指令修正光伏預測模型時，包括：
41、依次選取目標一級預測模型，并建立目標一級預測模型的功率差值數列q，q＝(q1，q2…qm1)，其中，qi為目標一級預測模型在預測周期內第i個時間區間的功率差值；m1為預測周期的開始時間節點和當前修正時間節點之間的時間區間數量；
42、生成目標一級預測模型的誤差評價值j；
43、
44、β1為預設第一影響因子；β2為預設第二影響因子；δq為功率差值數列q中全部數據的平均值；
45、建立誤差評價值數列j，j＝(j1，j2…jn)，其中，ji為第i個一級預測模型的誤差評價值；
46、根據誤差評價值數列j修正光伏預測模型。
47、本申請的一些實施例中，根據誤差評價值數列j修正光伏預測模型時，包括：
48、預設第一誤差評價值閾值j1；
49、若ji＞j1，則剔除第i個一級預測模型；
50、若誤差評價值數列j中全部數值均小于第一誤差評價值閾值，則剔除誤差評價值數列j中最大值jmax對應的一級預測模型；...
【技術保護點】
1.一種基于多任務學習的光伏組件功率預測方法，其特征在于，包括：
2.如權利要求1所述的基于多任務學習的光伏組件功率預測方法，其特征在于，所述建立各個光伏預測子任務的一級預測模型時，包括；
3.如權利要求2所述的基于多任務學習的光伏組件功率預測方法，其特征在于，獲取各個一級預測模型參數時，包括：
4.如權利要求3所述的基于多任務學習的光伏組件功率預測方法，其特征在于，所述構建光伏預測模型時，包括：
5.如權利要求4所述的基于多任務學習的光伏組件功率預測方法，其特征在于，生成目標一級預測模型的權重函數F(t)時，包括：
6.如權利要求5所述的基于多任務學習的光伏組件功率預測方法，其特征在于，根據預設修正時間節點獲取預測偏差值時，包括：
7.如權利要求6所述的基于多任務學習的光伏組件功率預測方法，其特征在于，判斷是否修正光伏預測模型時，包括：
8.如權利要求7所述的基于多任務學習的光伏組件功率預測方法，其特征在于，根據二級修正指令修正光伏預測模型時，包括：
9.如權利要求8所述的基于多任務
...【技術特征摘要】
1.一種基于多任務學習的光伏組件功率預測方法，其特征在于，包括：
2.如權利要求1所述的基于多任務學習的光伏組件功率預測方法，其特征在于，所述建立各個光伏預測子任務的一級預測模型時，包括；
3.如權利要求2所述的基于多任務學習的光伏組件功率預測方法，其特征在于，獲取各個一級預測模型參數時，包括：
4.如權利要求3所述的基于多任務學習的光伏組件功率預測方法，其特征在于，所述構建光伏預測模型時，包括：
5.如權利要求4所述的基于多任務學習的光伏組件功率預測方法，其特征在于，生成目標一級預測模...
【專利技術屬性】
技術研發人員：史學峰，彭志忠，陳琰俊，張林旭，劉志宏，秦俊東，鞏緒先，趙基勇，易偉峰，朱壯華，劉建華，
申請(專利權)人：華能山西綜合能源有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。