CN113420872B - 基于时间卷积网络的细粒度光伏负荷预测方法 - Google Patents
基于时间卷积网络的细粒度光伏负荷预测方法 Download PDFInfo
- Publication number
- CN113420872B CN113420872B CN202110971455.8A CN202110971455A CN113420872B CN 113420872 B CN113420872 B CN 113420872B CN 202110971455 A CN202110971455 A CN 202110971455A CN 113420872 B CN113420872 B CN 113420872B
- Authority
- CN
- China
- Prior art keywords
- weather
- time convolution
- data
- convolution network
- size
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 9
- 230000005855 radiation Effects 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 6
- 230000009193 crawling Effects 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时间卷积网络的细粒度光伏负荷预测方法，属于智能电网技术领域。步骤如下：收集天气原始数据，对每个原始天气数据根据光伏现场采集的太阳辐射综合数据赋予浮点值，进行编码处理，其它原始数据为浮点数表示的不作处理，得到最终的天气特征数据。设定原始负荷数据的采集频率和阈值，并通过比较采集频率和阈值设定功率窗长。前端为输入层，经过残差块以及Flatten层，再经过全连接层，最后得出预测结果，即为时间卷积网络。输入构建的时间卷积网络中，得到预测结果。预测效果较好，基于卷积网络可以并行化计算，大大提高了训练速度。
Description
技术领域
本发明涉及一种基于时间卷积网络的细粒度光伏负荷预测方法，属于智能电网技术领域。
背景技术
由于电能难以大量存储以及电力需求时刻变化等特点，要求***发电应与负荷的变化实现动态平衡。提高负荷预测准确率有利于提高光伏发电设备的利用率和经济调度的有效性。电力负荷数据具有时序性和非线性的特点，围绕其特点，国内外一般对短期电力负荷预测的模型研究分为两类，一类是时间序列分析方法，例如回归分析法、指数平滑模型法、卡尔曼滤波法、自回归积分滑动平均模型等，基本思想是从随机时间序列的过去负荷值及现在负荷值来预测未来负荷值，它的优点在于考虑了数据的时序性关系，缺点是对非线性关系数据的预测能力有限。第二类是机器学习分析方法，如随机森林，支持向量机等。这类算法问题在于缺少对时序数据时间相关性的考虑，需要人为添加时间特征来保证预测的结果。
目前长短时记忆网络（LSTM）由于兼顾数据的时序性和非线性关系，被逐渐应用在负荷预测领域。但LSTM算法由于原理特性，导致其不能进行并行计算，训练速度很慢，非常消耗计算资源。
采用时间卷积网络TCN进行光伏负荷的短时预测，不仅预测效果较好，而且，基于卷积网络可以并行化计算，大大提高了训练速度。在大数据的背景下，可以高效的训练模型。
发明内容
发明目的：针对上述现有存在的问题和不足，本发明的目的是提供一种基于时间卷积网络的细粒度光伏负荷预测方法，采用时间卷积网络TCN进行光伏负荷的短时预测，不仅预测效果较好，而且，基于卷积网络可以并行化计算，大大提高了训练速度。在大数据的背景下，可以高效的训练模型。
技术方案：为实现上述发明目的，本发明采用以下技术方案：
一种基于时间卷积网络的细粒度光伏负荷预测方法，包括如下步骤：
步骤1：收集天气预报原始数据，对其中每个天气原始数据根据经验和光伏现场采集的太阳辐射综合数据赋予浮点值，代表该天气下的太阳能辐射情况，对不同情况进行编码处理，其他天气预报原始数据为浮点数表示的不作处理，得到最终的天气特征数据；
步骤2：功率窗长window_size的选定：设定原始负荷数据的采集频率和阈值，并通过比较采集频率和阈值设定功率窗长window_size；
步骤3：时间卷积网络搭建：前端为输入层，经过若干个残差块以及一层Flatten层，再经过若干个全连接层，最后得出预测结果，即为时间卷积网络；
步骤4：负荷预测：取T时刻，将T-1-window_size至T-1区间的负荷序列和T时刻的天气特征输入步骤3中构建的时间卷积网络中，得到预测结果。
进一步的，步骤1中得到所述最终的天气特征数据的具体步骤为：
步骤1.1：爬取天气预报原始数据，包括复合天气特征、气温、风向风速、气压、湿度和降水概率；
步骤1.2：将步骤1.1得到的天气预报原始数据中的复合天气特征拆分为天气1和天气2；
步骤1.3：将步骤1.2中拆分的复合天气特征构造为一个集合{Wi}，对每一个Wi，赋予一个浮点数值Vi，其中Vi根据人为经验和光伏现场传感器采集的太阳辐射程度综合判断给定，晴=v1，多云=v2，小雨=v3，小雪=v4，阵雨=v5，阴=v6，雨夹雪=v7，中雨=v8，中雪=v9，大雨=v10，v1>v2>v3>v4>v5>v6>v7>v8>v9>v10；
步骤1.4：将风向原始数据以字符串格式进行编码，得到最终的天气特征数据。
进一步的，步骤2功率窗长window_size的选定的具体步骤为：
步骤2.1：设定原始负荷数据一天的采集频率为N个时间点；
步骤2.2：设定用功率窗长window_size内的点数来预测下一个点的天气特征，设阈值th1，若步骤2.1中的N大于th1，则使得window_size=N，若N小于th1，则window_size=th1；
进一步的，步骤3中经历的残差块为3个，经历的全连接层为3个，每个所述残差块内包括一维时间卷积、Dropout层、一维时间卷积和Dropout层按顺序排列，其中一维时间卷积中的卷积核数量为k1和k2，其中k1=k2，卷积核大小为kernel_size，步长为stride。
进一步的，步骤3中全连接层中第一层为n1个神经元，第二层为n2个神经元，第三层为1个神经元。
有益效果：与现有技术相比，本发明具有以下优点：这是一种新式的基于时间卷积网络的细粒度光伏负荷预测方法，（1）通过对天气特征进行特殊处理，表征太阳辐射值，对光伏负荷预测结果有较好提升（2）通过时间卷及网络TCN进行模型构建，不仅可以兼顾数据的时序性和非线性关系，并且这一网络有着能并行处理、感受野灵活、占内存较小等优越性。
附图说明
图1是本发明的TCN神经网络进行光伏负荷预测的步骤；
图2是本发明的TCN网络模型输入数据结构；
图3是本发明的TCN模型结构图；
图4是本发明的实施例的天气原始数据；
图5是本发明的实施例的原始数据处理后示意图；
图6是本发明的实施例的预测结果图；
图7是本发明的实施例得出的预测细粒度光伏负荷数据。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
实施例
步骤如图1所示，一种基于时间卷积网络的细粒度光伏负荷预测方法，取地区A如图4所示的2020年6月2日0时至23时45分的数据，来预测3日的0时细粒度光伏负荷值。进行如图2所示的步骤，其中气温、风力、风速、气压、湿度均为具体数值，代入模型中即可，天气为阴转中雨，为两个天气，拆分为天气1和天气2，weather1为阴，weather2为中雨，将天气数据处理后得到如图5所示的数据，2日共采集96个功率点，即N为96，96个功率点与3日0时的天气特征拼接后用于3日0时功率点的预测。取的N可以由具体情况来具体定，N越大可以使得最终结果更准确，因为之前选取的样点多，更有利于后续的预测。
如图3所示，构建时间卷积网络。本实施例中时间卷积网络中，输入层之后，共3个残差块，每个残差块内含四层：
（1）一维时间卷积：卷积核数量为k1，k2，其中k1，k2均为32，卷积核大小为kernel_size，kernel_size为3，步长stride1为1。
（2）Dropout层
（3）一维时间卷积：
（4）Dropout层。
再通过Flatten层，接着经过n1=256，即为256个神经元的全连接层；n2=64，即为64个神经元的全连接层以及1个神经元的全连接层，即为通过这个时间卷积网络。
本实施例中，通过3个上述的时间卷积网络，即可通过2日的96个点的细粒度光伏负荷，得到如图6-7所示的预测数据，由于采集精度的问题，实际得到3日的0时细粒度光伏负荷预测结果为0，没有发电。
本方法可以通过天气特征表征太阳辐射值，增强后续光伏负荷预测的准确性，使得最终光伏负荷预测结果更有可信度。使用时间卷积网络TCN进行模型构建，不仅可以兼顾数据的时序性和非线性关系，且能并行处理，更为灵活，占内存较小。
Claims (5)
1.一种基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：包括如下步骤：
步骤1：收集天气预报原始数据，对其中每个天气原始数据根据经验和光伏现场采集的太阳辐射综合数据赋予浮点值，代表该天气下的太阳能辐射情况，对不同情况进行编码处理，其他天气预报原始数据为浮点数表示的不作处理，得到最终的天气特征数据；
步骤2：功率窗长window_size的选定：设定原始负荷数据的采集频率和阈值，并通过比较采集频率和阈值设定功率窗长window_size；
步骤3：时间卷积网络搭建：前端为输入层，经过若干个残差块以及Flatten层，再经过若干个全连接层，最后得出预测结果，即为时间卷积网络；
步骤4：负荷预测：取T时刻，将T-1-window_size至T-1区间的负荷序列和T时刻的天气特征输入步骤3中构建的时间卷积网络中，得到预测结果。
2.根据权利要求1所述的基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：步骤1中得到所述最终的天气特征数据的具体步骤为：
步骤1.1：爬取天气预报原始数据，包括复合天气特征、气温、风向风速、气压、湿度和降水概率；
步骤1.2：将步骤1.1得到的天气预报原始数据中的复合天气特征拆分为天气1和天气2；
步骤1.3：将步骤1.2中拆分的复合天气特征构造为一个集合{Wi}，对每一个Wi，赋予一个浮点数值Vi，其中Vi根据人为经验和光伏现场传感器采集的太阳辐射程度综合判断给定，晴=v1，多云=v2，小雨=v3，小雪=v4，阵雨=v5，阴=v6，雨夹雪=v7，中雨=v8，中雪=v9，大雨=v10，v1>v2>v3>v4>v5>v6>v7>v8>v9>v10；
步骤1.4：将风向原始数据以字符串格式进行编码，得到最终的天气特征数据。
3.根据权利要求1所述的基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：步骤2功率窗长window_size的选定的具体步骤为：
步骤2.1：设定原始负荷数据一天的采集频率为N个时间点；
步骤2.2：设定用功率窗长window_size内的点数来预测下一个点的天气特征，设阈值th1，若步骤2.1中的N大于th1，则使得window_size=N，若N小于th1，则window_size=th1。
4.根据权利要求1所述的基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：步骤3中经历的残差块为3个，经历的全连接层为3个，每个所述残差块内包括一维时间卷积、Dropout层、一维时间卷积和Dropout层按顺序排列，其中一维时间卷积中的卷积核数量为k1和k2，其中k1=k2，卷积核大小为kernel_size，步长为stride。
5.根据权利要求1所述的基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：步骤3中全连接层中第一层为n1个神经元，第二层为n2个神经元，第三层为1个神经元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110971455.8A CN113420872B (zh) | 2021-08-24 | 2021-08-24 | 基于时间卷积网络的细粒度光伏负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110971455.8A CN113420872B (zh) | 2021-08-24 | 2021-08-24 | 基于时间卷积网络的细粒度光伏负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113420872A CN113420872A (zh) | 2021-09-21 |
| CN113420872B true CN113420872B (zh) | 2021-12-14 |
Family
ID=77719831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110971455.8A Active CN113420872B (zh) | 2021-08-24 | 2021-08-24 | 基于时间卷积网络的细粒度光伏负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420872B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016073154A (ja) * | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | 電力予測装置、電力予測方法、及びプログラム |
| CN112564098A (zh) * | 2020-12-02 | 2021-03-26 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017221343A1 (ja) * | 2016-06-22 | 2017-12-28 | 株式会社日立製作所 | 太陽光出力予測装置、電力系統制御装置及び太陽光出力予測方法 |
| CN112766554B (zh) * | 2021-01-12 | 2023-07-04 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种太阳能光热电站功率预测方法、***及设备 |
-
2021
- 2021-08-24 CN CN202110971455.8A patent/CN113420872B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016073154A (ja) * | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | 電力予測装置、電力予測方法、及びプログラム |
| CN112564098A (zh) * | 2020-12-02 | 2021-03-26 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113420872A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
| CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
| CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及*** | |
| CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
| CN112862630B (zh) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 | |
| CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
| CN112183897B (zh) | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
| CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN113255986A (zh) | 一种基于气象信息和深度学习算法的多步日径流预报方法 | |
| CN117063820A (zh) | 基于大数据的智慧园林监控平台及其方法 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN111898812B (zh) | 一种分布式光伏数据虚拟采集方法 | |
| Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
| CN117034780B (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 | |
| CN114548575A (zh) | 基于迁移学习的自适应建筑日前负荷预测方法 | |
| CN113420872B (zh) | 基于时间卷积网络的细粒度光伏负荷预测方法 | |
| CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测***与方法 | |
| Alsumaiei | Short-term forecasting of monthly water consumption in hyper-arid climate using recurrent neural networks | |
| CN116307287B (zh) | 一种光伏发电有效时段的预测方法、***及预测终端 | |
| CN116128168A (zh) | 基于因果扩充卷积和Autoformer的气象预测法 | |
| Li | Energy consumption forecasting with deep learning | |
| CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
| CN111310785A (zh) | 一种国家电网机械外破预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A fine-grained photovoltaic load forecasting method based on time convolution network Effective date of registration: 20221130 Granted publication date: 20211214 Pledgee: Nanjing Bank Co.,Ltd. Nanjing Financial City Branch Pledgor: JIANGSU ZHIZHEN ENERGY TECHNOLOGY Co.,Ltd. Registration number: Y2022980024111 |