CN113592181B - 一种小水电群出力预测方法和*** - Google Patents
一种小水电群出力预测方法和*** Download PDFInfo
- Publication number
- CN113592181B CN113592181B CN202110879362.2A CN202110879362A CN113592181B CN 113592181 B CN113592181 B CN 113592181B CN 202110879362 A CN202110879362 A CN 202110879362A CN 113592181 B CN113592181 B CN 113592181B
- Authority
- CN
- China
- Prior art keywords
- data
- output
- hydropower station
- small hydropower
- sample data
- 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 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000001502 supplementing effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 239000013589 supplement Substances 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002015 leaf growth Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种小水电群出力预测方法和***。所述预测方法中，对初始样本进行预处理，一定程度上避免了坏数据对预测准确度的干扰，并使模型更容易收敛至最优解；利用深度卷积生成对抗网络生成小水电出力数据以补充原始样本数据，有效改善因中雨、大雨等样本数据缺乏而导致预测准确率下降的问题；将样本数据归一化还原后，根据轻梯度提升机的特点合理重构样本数据集，便于训练预测模型，提高轻梯度提升机的预测准确度；采用轻梯度提升机模型输出预测数据，与传统神经网络预测方法相比，该模型拥有支持并行化学习、内存占用率低、训练过程可视化、训练效率高、准确率高等优点，且可处理海量数据，能更快更好的运用于工业实践。
Description
技术领域
本发明涉及水电群出力预测领域，特别是涉及一种考虑数据样本不足情况下的小水电群出力预测方法和***。
背景技术
水电是市场公认的清洁可再生能源，中国西南地区水资源丰富，近些年该地区水电开发有迅猛发展的趋势。该地区的径流式水电站装机占比占较大比重，由于小水电站蓄水能力弱，当来水很多时，全部机组投入运行，水电站大量发电，而本地用户的消纳能力不强，对电力的需求量远远小于发电量；当水流较小时，部分机组因缺水而不被利用。可见小水电站基本处于有水则发的状态，自身调节能力弱，出力受降雨等因素影响，具有很强的不确定性，实际出力常严重偏离计划出力，这不仅造成严重的资源浪费，同时还影响电网的安全稳定运行，亟需对小水电发电能力进行准确的预测。
中国的小水电站大多管理薄弱、信息采集能力弱，缺乏相关气象、水文观测站，导致用于预测的历史水文、气象数据资料不足且历史发电小时数据也有缺失，预测难度很大。目前在小水电出力预测领域，提出了一些有一定成效的方法，如考虑到多个小水电站群的地区互相关性，按照地区相似程度加权建模；参考当地大水电站的预测数据来推算小水电站群的发电能力等，但这些方法都无法很好解决小水电站群历史数据严重不足的问题。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种考虑数据样本不足情况下的小水电群出力预测方法和***。
为实现上述目的，本发明提供了如下方案：
一种小水电群出力预测方法，包括：
对原始样本数据进行预处理；所述原始样本数据包括：降雨数据、气温、小水电所处流域以及历史出力数据；
基于所述原始样本数据采用深度卷积生成对抗网络生成小水电出力数据，并将所述小水电出力数据补充到所述原始样本数据中；
将补充后的所述原始样本数据进行归一化还原处理得到样本数据集，并根据轻梯度提升机的特点重构所述样本数据集；
采用重构后的所述样本数据集训练搭建好的轻梯度提升机模型；所述轻梯度提升机模型以小水电的特征标签为输入，以小水电的出力为输出；
采用训练好的所述轻梯度提升机模型，根据待预测日某一时刻小水电的特征标签得到小水电的出力。
优选地，所述对原始样本数据进行预处理，具体包括：
对所述原始样本数据进行确实数据去除和剔除异常数据处理，得到负荷数据；
对所述负荷数据进行归一化处理；
将归一化后的所述负荷数据按日期进行分组，并将当日该小水电所处流域进行独热编码，将当日降雨情况进行量化编码。
优选地，所述采用深度卷积生成对抗网络生成小水电出力数据，并将所述小水电出力数据补充到所述原始样本数据中，具体包括：
搭建深度卷积生成对抗网络；所述深度卷积生成对抗网络包括：生成器和判别器；所述生成器由输入层、反卷积层和输出层构成；所述判别器由输入层、卷积层和输出层构成；
输入数据通过所述深度卷积生成对抗网络中的输入层全连接结构重塑成为三维张量，然后经过卷积层或反卷积层提取特征，最后通过输出层再次重构数据后，通过sigmoid激活函数得到小水电出力数据；所述输入数据包括：生成器输入数据和判别器输入数据；所述生成器输入数据为从[0,1]区间内随机均匀采样的噪声数据与样本标签数据组成的数据集；当训练所述生成器时，所述判别器输入数据为生成器的输出数据与样本标签数据组成的数据集；当训练所述判别器时，所述判别器输入数据为负荷数据与样本标签数据组成的数据集。
优选地，所述深度卷积生成对抗网络的训练过程为：
采用Adam算法迭代更新所述深度卷积生成对抗网络的超参数；
生成器和判别器进行交替训练，直到达到一个纳什均衡后得到训练好的生成器和训练好的判别器；损失函数表达式如下：
式中，D代表判别器，G代表生成器，V代表损失函数，Pdata(x)代表原始样本集，Pz(z)代表噪声数据，y代表标签数据，E代表交叉熵误差，min表示训练生成器时希望最小化损失函数，max表示训练判别器时希望最大化损失函数。
优选地，根据轻梯度提升机的特点重构所述样本数据集，具体包括：
采用单点预测法，基于训练组数据和标签数据采用所述轻梯度提升机输出待预测日所有时刻的小水电出力值；将预设流域小水电站待预测时刻的降雨特征值、对应的河流流域类别号以及该小水电站群历史降雨相似日的同一时刻的出力值组合起来作为训练组数据，小水电站当前时刻的出力值为标签数据。
优选地，所述轻梯度提升机模型的搭建过程包括：
A、采用直方图算法对所述训练组数据进行最优特征划分，将连续样本划分至k个bin容器中；
B、将k个bin容器中子集合最小的容器过滤掉，对剩余的bin容器的索引值进行计算得到一个值；
C、根据该值将剩余的所述bin容器升序排列后，进行遍历得到最优***阈值，以形成决策树的***节点，进而搭建初始决策树，并获得第一输出结果；
D、将所述第一输出结果与原始训练组的残差作为新的训练组数据后，执行步骤A-C，以形成下一棵决策树，并将下一棵决策树与初始决策树相结合，得到第二输出结果；
重复步骤A-D，将生成的所有决策树结合在一起得到最终的轻梯度提升机模型。
优选地，所述轻梯度提升机模型的搭建过程中使用带深度限制的leaf-wise策略形成单棵树。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的小水电群出力预测方法对初始样本进行预处理，一定程度上避免了坏数据对预测准确度的干扰，并使模型更容易收敛至最优解；利用深度卷积生成对抗网络生成小水电出力数据以补充原始样本数据，有效改善因中雨、大雨等样本数据缺乏而导致预测准确率下降的问题；将样本数据归一化还原后，根据轻梯度提升机的特点合理重构样本数据集，便于训练预测模型，提高轻梯度提升机的预测准确度；采用轻梯度提升机模型输出预测数据，与传统神经网络预测方法相比，该模型拥有支持并行化学习、内存占用率低、训练过程可视化、训练效率高、准确率高等优点，且可处理海量数据，能更快更好的运用于工业实践。
对应于上述提供的小水电群出力预测方法，本发明还提供了以下实施***：
一种小水电群出力预测***，包括：
预处理模块，用于对原始样本数据进行预处理；所述原始样本数据包括：降雨数据、气温、小水电所处流域以及历史出力数据；
数据补充模块，用于基于所述原始样本数据采用深度卷积生成对抗网络生成小水电出力数据，并将所述小水电出力数据补充到所述原始样本数据中；
数据重构模块，用于将补充后的所述原始样本数据进行归一化还原处理得到样本数据集，并根据轻梯度提升机的特点重构所述样本数据集；
模型训练模块，用于采用重构后的所述样本数据集训练搭建好的轻梯度提升机模型；所述轻梯度提升机模型以小水电的特征标签为输入，以小水电的出力为输出；
出力预测模块，用于采用训练好的所述轻梯度提升机模型，根据待预测日某一时刻小水电的特征标签得到小水电的出力。
因本发明提供的小水电群出力预测***达到的技术效果与上述提供的小水电群出力预测方法达到的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的小水电群出力预测方法的流程图；
图2为本发明实施例提供的当日降雨情况的量化编码图；
图3为本发明实施例提供的深度卷积生成对抗网络(DCGAN)的结构示意图；
图4为本发明实施例提供的轻梯度提升机模型(LightGBM)的结构示意图；
图5为本发明提供的小水电群出力预测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种小水电群出力预测方法和***，在数据样本不足情况下能够提高小水电群出力预测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的小水电群出力预测方法，包括：
步骤100：对原始样本数据进行预处理。原始样本数据包括：降雨数据、气温、小水电所处流域以及历史出力数据。
步骤101：基于原始样本数据采用深度卷积生成对抗网络生成小水电出力数据，并将小水电出力数据补充到原始样本数据中。
步骤102：将补充后的原始样本数据进行归一化还原处理得到样本数据集，并根据轻梯度提升机的特点重构样本数据集。
步骤103：采用重构后的样本数据集训练搭建好的轻梯度提升机模型。轻梯度提升机模型以小水电的特征标签为输入，以小水电的出力为输出。
步骤104：采用训练好的轻梯度提升机模型，根据待预测日某一时刻小水电的特征标签得到小水电的出力。在该步骤中，输入某一流域小水电群待预测时刻的降雨特征值、对应的河流流域类别号以及该小水电站降雨相似日同一时刻的出力值，输出即为小水电站群当前时刻的出力值。
为了使模型更容易收敛至最优解，上述步骤100中对原始样本数据进行预处理，具体包括：
对原始样本数据进行确实数据去除和剔除异常数据处理，得到负荷数据。其中，收集小水电群所在区域的降雨、各小水电集群所处的河流流域以及小水电群历史出力数据作为原始样本集。
对负荷数据进行归一化处理，为：
式中，x表示原始样本中的负荷数据，xmax代表所有原始负荷数据中的最大值，xmin代表所有原始负荷数据中的最小值，x*为归一化后的负荷数据。
将归一化后的负荷数据按日期进行分组，并将当日该小水电所处流域进行独热编码，将当日降雨情况进行量化编码，如图2所示。
最终将处理后的所属流域以及降雨特征作为标签，与小水电群历史出力数据形成一组数据，作为深度卷积生成对抗网络的输入。
进一步，为了提高预测准确率，对中雨、大雨等原始样本数据中缺乏的部分进行样本扩充使总体样本数据增多，上述步骤101中采用深度卷积生成对抗网络生成小水电出力数据，并将小水电出力数据补充到原始样本数据中，具体包括：
搭建深度卷积生成对抗网络(DCGAN)。深度卷积生成对抗网络包括：生成器和判别器。生成器由输入层、反卷积层和输出层构成。判别器由输入层、卷积层和输出层构成。
输入数据通过深度卷积生成对抗网络中的输入层全连接结构重塑成为三维张量，然后经过卷积层或反卷积层提取特征，最后通过输出层再次重构数据后，通过sigmoid激活函数得到小水电出力数据。输入数据包括：生成器输入数据和判别器输入数据。生成器输入数据为从[0,1]区间内随机均匀采样的噪声数据Z与样本标签数据y组成的数据集。当训练生成器时，判别器输入数据为生成器的输出数据g与样本标签数据y组成的数据集，即气象、水文特征数据组成的数据集。当训练判别器时，判别器输入数据为负荷数据与样本标签数据组成的数据集，即小水电历史出力数据x与气象、水文特征数据数据y组成的数据集。生成器的输出数据为生成的小水电群历史出力数据，判别器的输出为其对输入数据真实程度评判的分数。
上述步骤101的具体实施过程实质是利用深度卷积生成对抗网络生成小水电出力对数据进行数据增强。
上述深度卷积生成对抗网络的训练过程为：
采用Adam算法迭代更新深度卷积生成对抗网络的超参数。
生成器和判别器进行交替训练，直到达到一个纳什均衡后得到训练好的生成器和训练好的判别器。损失函数表达式如下：
式中，D代表判别器，G代表生成器，V代表损失函数，Pdata(x)代表原始样本集，Pz(z)代表噪声数据，y代表标签数据，E代表交叉熵误差，min表示训练生成器时希望最小化损失函数，max表示训练判别器时希望最大化损失函数。
生成器和判别器相互对抗更新迭代，能够达到更好学习的效果，通过参数的更新训练使得判别器和生成器的性能不断提升。
此时训练好的生成器可用于增强原数据集。训练好的深度卷积生成对抗网络如图3所示。
将数据增强后的样本归一化还原，然后根据轻梯度提升机(LightGBM)的特点合理重构样本数据集，将此数据集训练预测模型，能够提高轻梯度提升机的预测准确度。因此，上述步骤102具体实施过程为：
采用单点预测法，基于训练组数据和标签数据采用轻梯度提升机输出待预测日所有时刻的小水电出力值。将预设流域小水电站待预测时刻的降雨特征值、对应的河流流域类别号以及该小水电站群历史降雨相似日的同一时刻的出力值组合起来作为训练组数据，小水电站当前时刻的出力值为标签数据。
因LightGBM的模型结构与传统神经网络不同，其无法一次性输出待预测日所有时刻的小水电出力值，因此采用单点预测的方法，即某一流域小水电站待预测时刻的降雨特征值、对应的河流流域类别号以及该小水电站降雨相似日同一时刻的出力值组合起来作为训练组数据，小水电站当前时刻的出力值为标签数据。
其中，轻梯度提升机是微软公司2017年提出的一种改进的梯度提升决策树模型，其主要思想是利用弱学习器迭代训练以得到最优模型，即强学习器，如下式所示：
其中，hm(x)为一个回归树，fM(x)为M个回归树组合起来的强学习器。
搭建适用于小水电出力预测轻梯度提升机模型的总过程大致如下：首先，采用直方图算法高效、快速寻找***点。其次，使用带深度限制的叶子生长(leaf-wise)策略形成回归树。并且最后，通过大量的弱分类器的搜索集成，最终通过各个弱分类器输出求和提供结果。
采用直方图算法得到最优划分特征。将连续的样本划分至K个bin容器中，先过滤掉子集合最小的bin容器，对剩余bin容器的索引值进行公式计算，得到一个值，根据该值对bin容器从小到大进行排序，遍历并得到最优***阈值，此方法与传统的预排序方法相比计算复杂度大大降低，内存消耗少。
在划分完最优特征点的基础上，使用带深度限制leaf-wise策略形成单棵决策树。该策略的特点包括：在形成决策树的***节点时，找到最大增益的叶子进行***并循环下去。通过对树的深度以及叶子数限制，减小模型的复杂度，防止出现过拟合。
使用梯度提升算法，迭代生成大量决策树，并最终聚合成为预测模型，输出预测结果。
搭建好的适用于小水电出力预测轻梯度提升机模型的结构如图4所示。LightGBM通过结合多个基学习器的预测结果，能够改善单个学习器的泛化能力和鲁棒性。
此外，对应于上述提供的小水电群出力预测方法，本发明还提供了一种小水电群出力预测***。如图5所示，该预测***包括：预处理模块1、数据补充模块2、数据重构模块3、模型训练模块4和出力预测模块5。
其中，预处理模块1用于对原始样本数据进行预处理。原始样本数据包括：降雨数据、气温、小水电所处流域以及历史出力数据。
数据补充模块2用于基于原始样本数据采用深度卷积生成对抗网络生成小水电出力数据，并将小水电出力数据补充到原始样本数据中。
数据重构模块3用于将补充后的原始样本数据进行归一化还原处理得到样本数据集，并根据轻梯度提升机的特点重构样本数据集。
模型训练模块4用于采用重构后的样本数据集训练搭建好的轻梯度提升机模型。轻梯度提升机模型以小水电的特征标签为输入，以小水电的出力为输出。
出力预测模块5用于采用训练好的轻梯度提升机模型，根据待预测日某一时刻小水电的特征标签得到小水电的出力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种小水电群出力预测方法，其特征在于，包括：
对原始样本数据进行预处理；所述原始样本数据包括：降雨数据、气温、小水电所处流域以及历史出力数据；
基于所述原始样本数据采用深度卷积生成对抗网络生成小水电出力数据，并将所述小水电出力数据补充到所述原始样本数据中；
将补充后的所述原始样本数据进行归一化还原处理得到样本数据集，并根据轻梯度提升机的特点重构所述样本数据集；
采用重构后的所述样本数据集训练搭建好的轻梯度提升机模型；所述轻梯度提升机模型以小水电的特征标签为输入，以小水电的出力为输出；
采用训练好的所述轻梯度提升机模型，根据待预测日某一时刻小水电的特征标签得到小水电的出力；
所述对原始样本数据进行预处理，具体包括：
对所述原始样本数据进行确实数据去除和剔除异常数据处理，得到负荷数据；
对所述负荷数据进行归一化处理；
将归一化后的所述负荷数据按日期进行分组，并将当日该小水电所处流域进行独热编码，将当日降雨情况进行量化编码；
根据轻梯度提升机的特点重构所述样本数据集，具体包括：
采用单点预测法，基于训练组数据和标签数据采用所述轻梯度提升机输出待预测日所有时刻的小水电出力值；将预设流域小水电站待预测时刻的降雨特征值、对应的河流流域类别号以及该小水电站历史降雨相似日的同一时刻的出力值组合起来作为训练组数据，小水电站当前时刻的出力值为标签数据。
2.根据权利要求1所述的小水电群出力预测方法，其特征在于，所述采用深度卷积生成对抗网络生成小水电出力数据，并将所述小水电出力数据补充到所述原始样本数据中，具体包括：
搭建深度卷积生成对抗网络；所述深度卷积生成对抗网络包括：生成器和判别器；所述生成器由输入层、反卷积层和输出层构成；所述判别器由输入层、卷积层和输出层构成；
输入数据通过所述深度卷积生成对抗网络中的输入层全连接结构重塑成为三维张量，然后经过卷积层或反卷积层提取特征，最后通过输出层再次重构数据后，通过sigmoid激活函数得到输出数据；所述输入数据包括：生成器输入数据和判别器输入数据；所述生成器输入数据为从[0,1]区间内随机均匀采样的噪声数据与样本标签数据组成的数据集；当训练所述生成器时，所述判别器输入数据为生成器的输出数据与样本标签数据组成的数据集；当训练所述判别器时，所述判别器输入数据为负荷数据与样本标签数据组成的数据集。
3.根据权利要求2所述的小水电群出力预测方法，其特征在于，所述深度卷积生成对抗网络的训练过程为：
采用Adam算法迭代更新所述深度卷积生成对抗网络的超参数；
生成器和判别器进行交替训练，直到达到一个纳什均衡后得到训练好的生成器和训练好的判别器；损失函数表达式如下：
式中，D代表判别器，G代表生成器，V代表损失函数，Pdata(x)代表原始样本集，Pz(z)代表噪声数据，y代表标签数据，E代表交叉熵误差，min表示训练生成器时希望最小化损失函数，max表示训练判别器时希望最大化损失函数。
4.根据权利要求1所述的小水电群出力预测方法，其特征在于，所述轻梯度提升机模型的搭建过程包括：
A、采用直方图算法对所述训练组数据进行最优特征划分，将连续样本划分至k个bin容器中；
B、将k个bin容器中子集合最小的容器过滤掉，对剩余的bin容器的索引值进行计算得到一个值；
C、根据该值将剩余的所述bin容器升序排列后，进行遍历得到最优***阈值，以形成决策树的***节点，进而搭建初始决策树，并获得第一输出结果；
D、将所述第一输出结果与原始训练组的残差作为新的训练组数据后，执行步骤A-C，以形成下一棵决策树，并将下一棵决策树与初始决策树相结合，得到第二输出结果；
重复步骤A-D，将生成的所有决策树结合在一起得到最终的轻梯度提升机模型。
5.根据权利要求4所述的小水电群出力预测方法，其特征在于，所述轻梯度提升机模型的搭建过程中使用带深度限制的leaf-wise策略形成单棵树。
6.一种小水电群出力预测***，其特征在于，包括：
预处理模块，用于对原始样本数据进行预处理；所述原始样本数据包括：降雨数据、气温、小水电所处流域以及历史出力数据；
数据补充模块，用于基于所述原始样本数据采用深度卷积生成对抗网络生成小水电出力数据，并将所述小水电出力数据补充到所述原始样本数据中；
数据重构模块，用于将补充后的所述原始样本数据进行归一化还原处理得到样本数据集，并根据轻梯度提升机的特点重构所述样本数据集；
模型训练模块，用于采用重构后的所述样本数据集训练搭建好的轻梯度提升机模型；所述轻梯度提升机模型以小水电的特征标签为输入，以小水电的出力为输出；
出力预测模块，用于采用训练好的所述轻梯度提升机模型，根据待预测日某一时刻小水电的特征标签得到小水电的出力。
其中，对原始样本数据进行预处理，具体包括：
对所述原始样本数据进行确实数据去除和剔除异常数据处理，得到负荷数据；
对所述负荷数据进行归一化处理；
将归一化后的所述负荷数据按日期进行分组，并将当日该小水电所处流域进行独热编码，将当日降雨情况进行量化编码；
根据轻梯度提升机的特点重构所述样本数据集，具体包括：
采用单点预测法，基于训练组数据和标签数据采用所述轻梯度提升机输出待预测日所有时刻的小水电出力值；将预设流域小水电站待预测时刻的降雨特征值、对应的河流流域类别号以及该小水电站历史降雨相似日的同一时刻的出力值组合起来作为训练组数据，小水电站当前时刻的出力值为标签数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879362.2A CN113592181B (zh) | 2021-08-02 | 2021-08-02 | 一种小水电群出力预测方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879362.2A CN113592181B (zh) | 2021-08-02 | 2021-08-02 | 一种小水电群出力预测方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592181A CN113592181A (zh) | 2021-11-02 |
| CN113592181B true CN113592181B (zh) | 2023-04-28 |
Family
ID=78253528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110879362.2A Active CN113592181B (zh) | 2021-08-02 | 2021-08-02 | 一种小水电群出力预测方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592181B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、***及设备 |
| CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及*** |
| CN110909994A (zh) * | 2019-11-13 | 2020-03-24 | 广西电网有限责任公司 | 基于大数据驱动的小水电群发电量预测方法 |
| CN112052996A (zh) * | 2020-09-03 | 2020-12-08 | 哈尔滨工业大学 | 基于卷积神经网络技术的小水电集群功率预测方法 |
-
2021
- 2021-08-02 CN CN202110879362.2A patent/CN113592181B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414601A (zh) * | 2019-07-30 | 2019-11-05 | 南京工业大学 | 基于深度卷积对抗网络的光伏组件故障诊断方法、***及设备 |
| CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及*** |
| CN110909994A (zh) * | 2019-11-13 | 2020-03-24 | 广西电网有限责任公司 | 基于大数据驱动的小水电群发电量预测方法 |
| CN112052996A (zh) * | 2020-09-03 | 2020-12-08 | 哈尔滨工业大学 | 基于卷积神经网络技术的小水电集群功率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 徐磊 等.基于卷积神经网络与LightGBM的短期风电功率预测方法.水电能源科学.2021,第39卷(第2期),第209-212页. * |
| 邓真平 等.基于模拟退火-轻型梯度提升机的电厂出力短时多点预测方法.西北民族大学学报（自然科学版）.2021,第42卷(第121期),第4-10页. * |
| 陈伟龙 等.丽水电网小水电站群出力预测方法.水电自动化与大坝监测.2010,第34卷(第6期),第66-68页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592181A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
| CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及*** | |
| CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
| CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
| CN103400210A (zh) | 一种短期风速组合预测方法 | |
| CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
| CN111815035A (zh) | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 | |
| CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及*** | |
| CN102129511A (zh) | 一种基于matlab的风电场短期风速预测*** | |
| CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
| CN113268931B (zh) | 一种基于多目标黏菌优化算法重构光伏阵列的方法与*** | |
| CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
| CN111401603A (zh) | 一种多类型能源需求预测方法 | |
| CN109242180A (zh) | 中长期电力负荷预测方法和*** | |
| CN113708366A (zh) | 一种计及新能源和电动汽车的配电网优化调度方法及*** | |
| CN103886223B (zh) | 功率预测方法和*** | |
| CN114154558A (zh) | 基于图神经网络的分布式能源发电负荷预测***及方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| CN103577893B (zh) | 一种新能源与火电双向为高载能负荷供电的节能优化方法 | |
| CN113592181B (zh) | 一种小水电群出力预测方法和*** | |
| CN108846529A (zh) | 一种发电量预测*** | |
| CN113363976A (zh) | 一种基于场景图的风光水互补发电***中期优化调度方法 | |
| CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和*** | |
| CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 |
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 |