【技術實現步驟摘要】
本專利技術涉及光伏功率預報，例如涉及一種光伏電站集群發電功率預報方法及系統。
技術介紹
1、隨著全球經濟的快速發展，對能源的需求也在不斷增加。然而，傳統能源如石油、煤炭等屬于非可再生資源，其開采和利用已經面臨嚴重的境況。同時，這些能源的供應也往往受到自然災害等因素的影響，存在較大的不確定性。而光伏能源作為一種清潔、可再生的能源，其能量來源于太陽光，是一種取之不盡、用之不竭的能源。發展光伏能源可以有效減少對傳統能源的依賴，保障國家的能源安全。收益于國家政策鼓勵和技術發展驅動，我國的光伏裝機總量和增量均位于世界前列。
2、光伏發電收到日照、氣候等因素影響，導致光伏發電具有波動性、周期性等特點，對電網的正常運行造成干擾。因而，隨著光伏發電量的增大，使得光伏發電功率預測變得越來越重要。隨著深度學習技術的發展，使用深度學習模型預測光伏發電功率逐漸成為主流。對于深度學習模型，需要大量的歷史數據用于模型訓練，然而，對于新增的光伏電站，歷史數據積累不足，不能夠支撐模型的訓練。并且，隨著光伏電站的運行，光伏電站自身出現老化、面板覆蓋灰塵等，因而根據光伏電站新積累的數據對模型進行更新，以適應各方面變化，同樣是需要解決的問題。
技術實現思路
1、為解決上述問題，本專利技術的目的在于提供一種光伏電站集群發電功率預報方法及系統，以實現對集群中各類型的電站發電功率準確預報，尤其是針對新安裝的光伏電站，借助集群中其他類型的電站的豐富的歷史數據實現預報模型的訓練，利用自身少量的數據對模型進行微調獲得預
2、為實現以上目的，本專利技術提供以下技術方案：
3、第一個方面，本專利技術提供了一種光伏電站集群發電功率預報方法，包括以下步驟：
4、步驟s101：對于集群中第一類型的光伏電站，使用第一訓練方式獲得的第一功率預報模型，獲取第一功率預報結果。
5、步驟s102：對于集群中第二類型的光伏電站，對第一功率預報模型進行微調，獲得第二功率預報模型，使用第二功率預報模型獲得第二功率預報結果。
6、步驟s103：對集群中第一功率預報結果和第二功率預報結果進行匯總，獲得光伏電站集群的發電功率預報結果。
7、進一步地，所述第一類型的光伏電站具有足夠的第一歷史數據，用于訓練第一功率預報模型；所述第二類型的光伏電站積累的第二歷史數據的數據量，不能夠支撐按照第一訓練方式訓練第一功率預報模型；所述第一訓練方式為有監督的訓練方式或半監督的訓練方式，所述第一功率預報模型包括特征提取層和輸出層。
8、進一步地，所述對第一功率預報模型進行微調，獲得第二功率預報模型，具體為：
9、步驟s1021：將第二歷史數據劃分為第二訓練集和第二驗證集；步驟s1022：凍結第一功率預報模型的特征提取層的參數；步驟s1023：利用第二訓練集對第一功率預報模型進行訓練，調整第一功率預報模型的輸出層的參數；步驟s1024：評估微調后的第一功率預報模型在第二驗證集的預測性能；步驟s1025：如果預測誤差大于設定閾值，獲得第二功率預報模型；否則，調整學習率，重新執行步驟s1021-s1025。
10、進一步地，對于集群中第二類型的光伏電站，使用第二功率預報模型預報發電功率一定時期后，通過數據積累得到第三歷史數據；將第三歷史數據劃分為第三訓練集和第三驗證集；使用第三訓練集對第二功率預報模型進行增量樣本訓練，獲得第三功率預報模型；如果第三功率預報模型在第三驗證集上的預測性能優于第二功率預報模型，第二類型的光伏電站采用第三功率預報模型替換第二功率預報模型進行功率預報。
11、進一步地，所述使用第三訓練集對第二功率預報模型進行增量樣本訓練，具體為：
12、凍結輸出層，使用第三訓練集對第二功率預報模型進行增量樣本訓練，調整特征提取層的參數；
13、或者，
14、將第三訓練集分為兩部分；凍結輸出層，使用第三訓練集的第一部分對第二功率預報模型進行增量樣本訓練，調整特征提取層的參數；凍結特征提取層，使用第三訓練集的第二部分對第二功率預報模型進行增量樣本訓練，調整輸出層的參數；
15、或者，不凍結特征提取層和輸出層，使用第三訓練集對第二功率預報模型進行增量樣本訓練，調整特征提取層和輸出層的參數。
16、另一個方面，本專利技術提供了一種光伏電站集群發電功率預報系統，包括以下功能模塊：
17、第一功率預報模塊：用于對集群中第一類型的光伏電站進行功率預報，使用第一訓練方式獲得的第一功率預報模型，獲取第一功率預報結果。
18、第二功率預報模塊：用于對集群中第二類型的光伏電站進行功率預報，對第一功率預報模型進行微調，獲得第二功率預報模型，使用第二功率預報模型獲得第二功率預報結果。
19、預報結果匯總模塊：對集群中第一功率預報結果和第二功率預報結果進行匯總，獲得光伏電站集群的發電功率預報結果。
20、進一步地，所述第二功率預報模塊包括模型微調單元。
21、模型微調單元：將第二歷史數據劃分為第二訓練集和第二驗證集，凍結第一功率預報模型的特征提取層的參數，利用第二訓練集對第一功率預報模型進行訓練，調整第一功率預報模型的輸出層的參數，評估微調后的第一功率預報模型在第二驗證集的預測性能，如果預測誤差大于設定閾值，獲得第二功率預報模型；否則，調整學習率，利用第二歷史數據重新對第一功率預報模型進行微調。
22、進一步地，所述第一功率預報模塊包括第一優化單元。
23、第一優化單元：用于對第一功率預報模型進行優化；使用第一功率預報模型預報發電功率一定時期后，通過數據積累得到第四歷史數據；將第四歷史數據劃分為第四訓練集和第四驗證集；使用第四訓練集對第一功率預報模型進行增量樣本訓練，獲得第四功率預報模型；如果第四功率預報模型在第四驗證集上的預測性能優于第一功率預報模型，第一類型的光伏電站采用第四功率預報模型替換第一功率預報模型進行功率預報。
24、進一步地，所述第二功率預報模塊包括第二優化單元。
25、第二優化單元：用于對第二功率預報模型進行優化；對于集群中第二類型的光伏電站，使用第二功率預報模型預報發電功率一定時期后，通過數據積累得到第三歷史數據；將第三歷史數據劃分為第三訓練集和第三驗證集；使用第三訓練集對第二功率預報模型進行增量樣本訓練，獲得第三功率預報模型；如果第三功率預報模型在第三驗證集上的預測性能優于第二功率預報模型，第二類型的光伏電站采用第三功率預報模型替換第二功率預報模型進行功率預報。
26、進一步地，所述第二功率預報模塊包括增量樣本訓練方式選擇單元，
27、增量樣本訓練方式選擇單元，用于選擇增量訓練方式；所述增量訓練方式包括：
28、方式1，凍結輸出層，使用第三訓練集對第二功率預報模型進行增量樣本訓練，調整特征提取層的參數；
2本文檔來自技高網...
【技術保護點】
1.一種光伏電站集群發電功率預報方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種光伏電站集群發電功率預報方法，其特征在于，
3.根據權利要求2所述的一種光伏電站集群發電功率預報方法，其特征在于，所述對第一功率預報模型進行微調，獲得第二功率預報模型，具體為：
4.根據權利要求3所述的一種光伏電站集群發電功率預報方法，其特征在于，
5.根據權利要求4所述的一種光伏電站集群發電功率預報方法，其特征在于，所述使用第三訓練集對第二功率預報模型進行增量樣本訓練，具體為：
6.一種光伏電站集群發電功率預報系統，用于執行權利要求1-5任一項光伏電站集群發電功率預報方法，其特征在于，包括以下功能模塊：
7.根據權利要求6所述的一種光伏電站集群發電功率預報系統，其特征在于，所述第二功率預報模塊包括模型微調單元，
8.根據權利要求7所述的一種光伏電站集群發電功率預報系統，其特征在于，所述第一功率預報模塊包括第一優化單元，
9.根據權利要求8所述的一種光伏電站集群發電功率預報系統，其特征在于，所
10.根據權利要求9所述的一種光伏電站集群發電功率預報系統，其特征在于，所述第二功率預報模塊包括增量樣本訓練方式選擇單元，
...【技術特征摘要】
1.一種光伏電站集群發電功率預報方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種光伏電站集群發電功率預報方法，其特征在于，
3.根據權利要求2所述的一種光伏電站集群發電功率預報方法，其特征在于，所述對第一功率預報模型進行微調，獲得第二功率預報模型，具體為：
4.根據權利要求3所述的一種光伏電站集群發電功率預報方法，其特征在于，
5.根據權利要求4所述的一種光伏電站集群發電功率預報方法，其特征在于，所述使用第三訓練集對第二功率預報模型進行增量樣本訓練，具體為：
6.一種光伏電站集群發電功率預報系統，用于執行...
【專利技術屬性】
技術研發人員：葛維，陳博，
申請(專利權)人：國網河北省電力有限公司，
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。