【技術實現步驟摘要】
本專利技術實施例涉及光伏發(fā)電，尤其涉及一種增量式光伏發(fā)電預測方法、裝置、設備、存儲介質及產品。
技術介紹
1、光伏發(fā)電因其簡單的能源獲取方式而被廣泛研究。由于光伏的發(fā)電量對電網運行的穩(wěn)定性、可靠性有直接影響，光伏發(fā)電的預測被列為研究重點。光伏發(fā)電預測是一個連續(xù)的、具有周期性的復雜過程，溫度、濕度等天氣因素都會影響到預測結果，而這些因素在未來的幾個小時內隨時都可能發(fā)生改變，這也就可能導致先前模型在預測時發(fā)生精度下降的問題。為了解決這個問題，通常可以使用在線持續(xù)學習的方法來對模型進行實時更新，使得模型能對后續(xù)數據保持穩(wěn)定的預測。持續(xù)學習是一類在盡可能保留先前數據信息的同時組合新數據流訓練模型的方法，其主要研究問題是需要克服神經網絡的災難性遺忘，即學習了新的知識之后，幾乎徹底遺忘掉之前習得的內容，這種困境是學習的可塑性和記憶穩(wěn)定性之間權衡的一個方面。這也十分契合光伏發(fā)電預測時數據量以流的形式到來的場景。
2、目前持續(xù)學習的主流方法可以分為三個類別。一種是以先驗知識為中心的方法使用懲罰項來約束參數，這類方法關注如何從參數重要性對模型進行約束和如何動態(tài)調整模型的網絡結構/參數數目?；谡齽t化的參數層面算法必須為每個增量學習階段維護一個與模型大小相等的參數重要性矩陣，這導致其存儲成本隨時間呈線性增加。此外，因為不同階段對各個參數的不同偏好可能導致不同的參數重要性矩陣之間存在沖突，從而限制了這類方法的普遍適用性。當任務鏈較長時，參數會逐漸偏離可行域，此時基于先驗的方法一般與基于重放的方法結合以獲得更好的結果。另一種是動態(tài)模型架構方
技術實現思路
1、本專利技術實施例提供一種增量式光伏發(fā)電預測方法、裝置、設備、存儲介質及產品，以避免對任務邊界產生依賴性，節(jié)省計算資源，并提高預測的準確性和時效性。
2、第一方面，本專利技術實施例提供了一種增量式光伏發(fā)電預測方法，該方法包括：
3、實時獲取光伏發(fā)電的新增序列數據；
4、基于與已有的舊序列數據之間的第一分布差異以及與所述新增序列數據之間的第二分布差異從所述舊序列數據中篩選得到目標序列子集；
5、根據所述目標序列子集以及所述新增序列數據生成目標訓練樣本，并根據所述目標訓練樣本對當前的原始預測模型進行訓練，以更新得到增量預測模型；
6、根據所述增量預測模型對未來的光伏發(fā)電功率進行預測。
7、可選的，所述基于與已有的舊序列數據之間的第一分布差異以及與所述新增序列數據之間的第二分布差異從所述舊序列數據中篩選得到目標序列子集，包括：
8、將所述舊序列數據等額劃分為預設步長的子序列；
9、分別計算每個所述子序列的所述第一分布差異和所述第二分布差異；
10、根據每個所述子序列的所述第一分布差異和所述第二分布差異計算每個所述子序列的篩選得分，所述篩選得分用于指征接近所述舊序列數據分布且偏離所述新增序列數據分布的程度；
11、根據所述篩選得分從所述子序列中選擇并組合得到所述目標序列子集。
12、可選的，所述篩選得分的計算公式為：
13、ci＝c2i-λc1i；
14、λ＝l/t；
15、其中，ci表示第i個子序列的篩選得分，c1i表示第i個子序列的所述第一分布差異，c2i表示第i個子序列的所述第二分布差異，λ表示權重系數，l表示所述新增序列數據的長度，t表示所述舊序列數據的長度。
16、可選的，所述根據所述篩選得分從所述子序列中選擇并組合得到所述目標序列子集，包括：
17、將所述篩選得分進行排序，并選擇其中較大的l/e個對應的子序列組合得到所述目標序列子集，e表示所述預設步長。
18、可選的，所述預設步長為所述新增序列數據的長度與所述舊序列數據的長度之間的最大公約數。
19、可選的，所述第一分布差異及所述第二分布差異均為最大均值差異。
20、第二方面，本專利技術實施例還提供了一種增量式光伏發(fā)電預測裝置，該裝置包括：
21、增量數據獲取模塊，用于實時獲取光伏發(fā)電的新增序列數據；
22、序列子集篩選模塊，用于基于與已有的舊序列數據之間的第一分布差異以及與所述新增序列數據之間的第二分布差異從所述舊序列數據中篩選得到目標序列子集；
23、預測模型更新模塊，用于根據所述目標序列子集以及所述新增序列數據生成目標訓練樣本，并根據所述目標訓練樣本對當前的原始預測模型進行訓練，以更新得到增量預測模型；
24、發(fā)電功率預測模塊，用于根據所述增量預測模型對未來的光伏發(fā)電功率進行預測。
25、第三方面，本專利技術實施例還提供了一種計算機設備，該計算機設備包括：
26、一個或多個處理器；
27、存儲器，用于存儲一個或多個程序；
28、當所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現本專利技術任意實施例所提供的增量式光伏發(fā)電預測方法。
29、第四方面，本專利技術實施例還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現本專利技術任意實施例所提供的增量式光伏發(fā)電預測方法。
30、第五方面，本專利技術實施例還提供了一種計算機程序產品，該計算機程序產品包括計算機程序，該程序被處理器執(zhí)行時實現本專利技術任意實施例所提供的增量式光伏發(fā)電預測方法。
31、本專利技術實施例提供了一種增量式光伏發(fā)電預測方法，首先實時獲取光伏發(fā)電的新增序列數據，然后基于與已有的舊序列數據之間的第一分布差異以及與該新增序本文檔來自技高網...
【技術保護點】
1.一種增量式光伏發(fā)電預測方法，其特征在于，包括：
2.根據權利要求1所述的增量式光伏發(fā)電預測方法，其特征在于，所述基于與已有的舊序列數據之間的第一分布差異以及與所述新增序列數據之間的第二分布差異從所述舊序列數據中篩選得到目標序列子集，包括：
3.根據權利要求2所述的增量式光伏發(fā)電預測方法，其特征在于，所述篩選得分的計算公式為：
4.根據權利要求3所述的增量式光伏發(fā)電預測方法，其特征在于，所述根據所述篩選得分從所述子序列中選擇并組合得到所述目標序列子集，包括：
5.根據權利要求2-4任一所述的增量式光伏發(fā)電預測方法，其特征在于，所述預設步長為所述新增序列數據的長度與所述舊序列數據的長度之間的最大公約數。
6.根據權利要求1所述的增量式光伏發(fā)電預測方法，其特征在于，所述第一分布差異及所述第二分布差異均為最大均值差異。
7.一種增量式光伏發(fā)電預測裝置，其特征在于，包括：
8.一種計算機設備，其特征在于，包括：
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行
10.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序在被處理器執(zhí)行時實現如權利要求1-6中任一所述的增量式光伏發(fā)電預測方法。
...【技術特征摘要】
1.一種增量式光伏發(fā)電預測方法，其特征在于，包括：
2.根據權利要求1所述的增量式光伏發(fā)電預測方法，其特征在于，所述基于與已有的舊序列數據之間的第一分布差異以及與所述新增序列數據之間的第二分布差異從所述舊序列數據中篩選得到目標序列子集，包括：
3.根據權利要求2所述的增量式光伏發(fā)電預測方法，其特征在于，所述篩選得分的計算公式為：
4.根據權利要求3所述的增量式光伏發(fā)電預測方法，其特征在于，所述根據所述篩選得分從所述子序列中選擇并組合得到所述目標序列子集，包括：
5.根據權利要求2-4任一所述的增量式光伏發(fā)電預測方法，其特征在于，所述預設步長為所述新增...
【專利技術屬性】
技術研發(fā)人員：葉璇，龐振江，李旭，李錚，何玉林，占兆武，李海鵬，
申請(專利權)人：人工智能與數字經濟廣東省實驗室深圳，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。