CN114492941A - 一种基于集群划分和数据增强的整县光伏预测方法 - Google Patents

Abstract

一种基于集群划分和数据增强的整县分布式光伏预测方法，具体是：对整个县的光伏出力历史数据库选择晴天的典型功率曲线，以单站最大功率对出力进行标幺化；计算皮尔逊相关系数作为距离度量，利用基于密度的抗噪聚类算法(Density‑Based Spatial Clustering of Applications with Noise，DBSCAN)对光伏站点进行聚类，形成集群划分，对于异常点，使用k近邻搜索，划分到最近集群；在集群内通过生成式对抗神经网络对历史数据进行数据扩充；将原始数据和生成的数据图片化共同训练深度卷积网络预测模型。本发明的预测方法通过改进的GAN的动态博弈过程训练过程学习到原始数据分布，然后生成相应分布的数据，补充了整县光伏历史数据库，通过增强的训练集训练深度卷积神经网络，提高了模型预测精准度。

Description

一种基于集群划分和数据增强的整县光伏预测方法

技术领域

本发明属于光伏发电功率预测领域，具体涉及一种基于集群划分和数据增强的整县光伏预测方法。

背景技术

气候变化是人类共同面临的世界性问题，随着生产力的飞速发展，各国排放二氧化碳量激增，温室效应日渐严重，为了应对气候变暖，世界各国以全球协约的方式给出了碳减排目标。光伏发电不需要化石燃料的燃烧进行能量转换，是一种绿色清洁能源。集中式光伏需要占用大量土地资源，多集中在地广人稀的西北地区，电力资源需要通过特高压输电线路输送到负荷中心。屋顶分布式光伏不占用专门的土地资源，同时靠近负荷中心，发电潜能巨大。光伏的渗透率不断提高，其出力的随机性和波动性对电网的安全稳定运行造成压力，因此整县光伏发电功率预测的准确性越来越重要。

整县分布式光伏目前主要存在两个问题，一是分布式光伏相较于集中式光伏起步晚，历史气象数据和发电功率数据比较匮乏，难以训练出高精度的数据驱动模型；二是分布式光伏数量众多，地理分布广泛，难以进行类似集中式站点的一站一预测。因此，需要解决贫数据的模型训练问题，同时需要处理海量站点的整县光伏功率预测问题。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于集群划分和数据增强的整县光伏预测方法。

本发明采用如下的技术方案：

一种基于集群划分和数据增强的整县光伏预测方法，包括以下步骤：

S1，采集所设定区域内以及所设定时间内的每个光伏出力站点的历史晴天光伏出力数据以及气象数据；

S2，根据S1采集的晴天光伏出力数据求取每个光伏出力站点的最大功率并进行标幺化，之后进行光伏集群划分；

S3，构建光伏数据增强神经网络模型；

S4，在光伏集群内通过S3构建的光伏数据增强神经网络模型进行数据增强，再将增强后的数据输入至CNN神经网络，训练后得到光伏预测神经网络模型；

S5：将气象预报数据输入至S4的光伏预测神经网络模型中进行光伏预测。

在S1中，所述光伏出力数据的为整县历史晴天光伏出力数据；

气象数据包括月、日、时、分、直射辐照度、漫射水平辐照度、总水平辐照度、环境温度、气压、相对湿度、风向、风速、地表反射度和发电功率。

在S2中，历史晴天光伏出力曲线为标幺化的出力曲线，首先从历史出力数据中计算单站最大功率，然后计算曲线的标幺值；

数据标幺化的公式如下：

上式中，x为样本原始数据，x_max为站点最大历史出力值，z为标幺化的数据。

在S2中，使用DBSCAN方法对光伏集群进行划分，DBSCAN的距离度量采用pearson相关性距离,DBSCAN进行聚类分析产生的异常站点，以pearson 相关性距离为度量采用k-最近邻算法搜索最近的k个站点，统计k个站点的簇编号，将异常站点划分到编号个数最多的簇。

在S3中，可选择的神经网络模型为GAN。

可选的神经网络模型也可为改进的GAN，具体算法为：

S3.1，设定学习率α、截断参数c、批训练样本数m、生成器每迭代一次判别器迭代的次数n_critic，初始化判别器网络参数w_t、生成器网络参数θ_t；

S3.2，检查生成器参数θ_t是否收敛，如果收敛则结束迭代；如果没有收敛则进入S3.3；

S3.3，检查当前迭代次数是否达到迭代次数阈值n_critic，如果没有达到则更新判别器网络参数w_t并更新当前迭代次数，重复本步骤；如果达到了迭代次数阈值n_critic则进入步骤S3.4；

步骤3.4，计算生成器损失函数

并更新生成器参数θ_t，并返回步骤3.2；

更新判别器网络参数w_t的方法为：

其中，clip(.)表示深度学习中的的剪裁函数，RMSProp(.)表示深度学习中的学习率自适应优化器，

表示判别器损失函数的梯度，具体计算方法为：

其中，x⁽ⁱ⁾是输入参数中的第i训练批次；z⁽ⁱ⁾为第i次训练从生成器产生的样本分布中的批采样；

为判别器网络。

生成器损失函数的梯度为：

其中，

为判别器网络，z⁽ⁱ⁾为第i次训练从生成器产生的样本分布中的批采样。

更新生成器参数θ_t的方法为：

其中，RMSProp(.)表示深度学习中的学习率自适应优化器。

S4的数据增强是指首先将S1采集的数据图片化，将一天的原始数据按天划分，每天48个点，形成48*15像素大小的图片；然后通过光伏数据增强神经网络模型进行对抗学习，生成同分布的新数据。

在S4中，CNN神经网络为5层结构，前四层每层包含卷积层、批归一化层和线性整流层，最后一层为全连接层、批归一化层和ReLU层。

本发明的有益效果在于，与现有技术相比，

1、本发明预测方法通过对整县分布式光伏进行集群划分，将相关性强的分布式站点划分一个集群，通过对光伏集群进行整体出力预测，从而可以减少数值天气预报布点，有效减轻计算压力，提高整体预测精度；

2、本发明预测方法通过对抗训练，学习原始数据的相互关系和分布特征，生成新的相似数据，补充了贫乏的训练数据集，提高模型预测精准度。

附图说明

图1是本发明预测方法流程图；

图2是本发明DBSCAN聚类柱状图；

图3是本发明DBSCAN聚类结果的时序图；

图4是本发明k-近邻搜索后的结果；

图5是原始数据的图像化；

图6是改进的GAN的生成的数据和训练过程；

图7是CNN和改进的GAN-CNN预测时序对比图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

一种基于集群划分和数据增强的整县光伏预测方法，其预测方法流程如图 1所示，具体包括以下步骤：

S1：采集所设定区域内以及所设定时间内的每个光伏出力站点的历史晴天光伏出力数据以及气象数据；

在本发明中，所采集光伏出力数据的为整县历史晴天光伏出力数据；

环境数据包括月、日、时、分、直射辐照度、漫射水平辐照度、总水平辐照度、环境温度、气压、相对湿度、风向、风速、地表反射度和发电功率。

S2：根据S1采集的晴天光伏出力数据求取每个光伏出力站点的最大功率并进行标幺化，之后进行集群划分；

进一步的，S2中的历史晴天光伏出力曲线为标幺化的出力曲线，首先从历史出力数据中计算单站最大功率，然后计算曲线的标幺值；

数据标幺化的公式如下：

上式中，x为样本原始数据，x_max为站点最大历史出力值，z为标幺化的数据。

根据站点典型历史晴天光伏出力曲线，采用DBSCAN对整县光伏进行进去集群划分，形成高相关性的光伏集群；

本领域的普通技术人员可以根据实际情况选择集群划分的方法，本发明所选取的方法仅为一优选实施例，不能是本发明的必然限制。

进一步的，所述S2中采用DBSCAN进行集群划分，DBSCAN的距离度量采用pearson相关性距离；

Pearson相关性距离的公式如下：

其中，

x_s，x_t为随机两个站点的出力序列，x_sj表示x_s中的第j个数据值，x_ti表示x_t中的第i个数据值，n表示x_sj中的数据总数，m表示x_ti中的数据总数；

进一步的，对于DBSCAN进行聚类分析所产生的异常站点，以pearson相关性距离为度量采用k-最近邻算法搜索最近的k个站点，统计k个站点的簇编号，将异常站点划分到编号个数最多的簇。

S3：构建光伏数据增强神经网络模型；

本领域的普通技术人员可以根据实际情况选择神经网络，本发明所建议的方法仅为一优选实施例，不能是本发明的必然限制。

优选地，可选择的神经网络模型为GAN；

在本实施例中，所光伏数据增强神经网络模型为改进的GAN，改进的GAN的算法具体为：

S3.1，设定学习率α、截断参数c、批训练样本数m、生成器每迭代一次判别器迭代的次数n_critic，初始化判别器网络参数w_t和生成器网络参数θ_t，

S3.2，检查生成器参数θ_t是否收敛，如果收敛则结束迭代；如果没有收敛则进入S3.3；

S3.3，检查当前迭代次数是否达到迭代次数阈值n_critic，如果没有达到则更新判别器网络参数w_t并更新当前迭代次数，重复本步骤；如果达到了迭代次数阈值n则进入步骤S3.4；

本领域的普通技术人员可以根据实际情况设定判别器网络参数w_t的更新方法，本发明中所给出的方法仅为一优选实施例，不能是本发明的必然限制。

更新判别器网络参数w_t的方法为：

其中，clip(.)表示深度学习中的的剪裁函数，RMSProp(.)表示深度学习中的学习率自适应优化器，

表示判别器损失函数的梯度函数，具体计算方法为：

其中，x⁽ⁱ⁾是输入参数中的第i训练批次；z⁽ⁱ⁾为第i次训练从生成器产生的样本分布中的批采样；

为一个判别器网络，本领域的技术人员可以根据实际情况进行选取；

步骤3.4，计算生成器损失函数

并更新生成器参数θ_t，并返回步骤3.2；

本领域的普通技术人员可以根据实际情况设定生成器损失函数

以及生成器参数θ_t的更新方法，本发明中所给出的方法仅为一优选实施例，不能是本发明的必然限制。

生成器损失函数的梯度为：

更新生成器参数θ_t的方法为：

S4：在光伏集群内通过S3构建的光伏数据增强神经网络模型进行数据增强，再将增强后的数据输入至CNN神经网络，训练后得到光伏预测神经网络模型。

进一步的，将S1采集的数据图片化，将一天的数据按天划分，每天48个点，形成48*15像素大小的图片；然后通过光伏数据增强神经网络模型进行对抗学习，生成同分布的新数据。

进一步的，CNN神经网络为5层结构，前四层每层包含卷积层、批归一化层和线性整流(Rectified Linear Unit)层，最后一层为全连接层、批归一化层和ReLU层。采用原始数据和新数据训练深度卷积网络，得到最终的预测模型。

S5：将气象预报数据输入至S4的光伏预测神经网络模型中进行光伏预测。优选地，光伏预测的时间范围为1-3天。

本发明光伏功率预测方法中的步骤S1的一个示例，示例如下：

以澳大利亚电网发布的2014年家庭光伏数据进行说明，选取了105个家庭的历史光伏数据，统计每个家庭光伏一年最大的光伏出力，根据权利要求2的公式进行标幺化，选取典型的晴天出力序列。以pearson相关性距离为度量进行聚类，通过参数调整，最终确定DBSCAN的部分参数，领域半径为0.04，最少点数目为4。聚类结果如图2所示，从柱状图可以看出，105个分布式站点划分为了两个簇，其中有9个站点被判定为异常点。聚类的时序图如图3所示，从时序图中可以出力曲线大致可以分成两个重叠度比较高的条带，聚类结果与感官基本符合。采用k-近邻搜索对9个异常站点搜索近邻站点，k取5，将异常站点划归到个数最多的簇中，最终的集群划分结果如图4所示。

将集群内各个站点功率出力相加得到集群总出力，将出力曲线和对应气象数据按天进行划分，共15个特征48个时间点，形成48*15的数据矩阵，进一步图像化，如图5所示。通过所构建的数据增强神经网络对抗学习生成新的数据，如图6所示，可以看出，新生成的数据与原始数据有着相似的数据特点，从训练过程可以看出，改进的GAN已经趋于稳定。

将原始数据和生成的数据共同构成训练集，用于训练深度卷积网络，与采用相同结构和参数的，只由原始数据的深度卷积网络进行对比，在测试集上的预测指标如表1所示，预测结果时序图如图7所示，可见本方法能够有效提高预测精度。

表1 两种方法对比的误差统计

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (11)

1.一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，所述基于集群划分和数据增强的整县光伏预测方法包括以下步骤：

S1，采集所设定区域内以及所设定时间内的每个光伏出力站点的历史晴天光伏出力数据以及气象数据；

S2，根据S1采集的晴天光伏出力数据求取每个光伏出力站点的最大功率并进行标幺化，之后进行光伏集群划分；

S3，构建光伏数据增强神经网络模型；

S4，在光伏集群内通过S3构建的光伏数据增强神经网络模型进行数据增强，再将增强后的数据输入至CNN神经网络，训练后得到光伏预测神经网络模型；

S5：将气象预报数据输入至S4的光伏预测神经网络模型中进行光伏预测。

2.根据权利要求1所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

在所述S1中，所述光伏出力数据的为整县历史晴天光伏出力数据；

所述气象数据包括月、日、时、分、直射辐照度、漫射水平辐照度、总水平辐照度、环境温度、气压、相对湿度、风向、风速、地表反射度和发电功率。

3.根据权利要求1或2所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

在所述S2中，历史晴天光伏出力曲线为标幺化的出力曲线，首先从历史出力数据中计算单站最大功率，然后计算曲线的标幺值；

数据标幺化的公式如下：

上式中，x为样本原始数据，x_max为站点最大历史出力值，z为标幺化的数据。

4.根据权利要求1或3所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

在所述S2中，使用DBSCAN方法对光伏集群进行划分，DBSCAN的距离度量采用pearson相关性距离；DBSCAN进行聚类分析产生的异常站点，以pearson相关性距离为度量采用k-最近邻算法搜索最近的k个站点，统计k个站点的簇编号，将异常站点划分到编号个数最多的簇。

5.根据权利要求1所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

在所述S3中，可选择的神经网络模型为GAN。

6.根据权利要求1或5所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

可选的神经网络模型为改进的GAN，具体算法为：

S3.1，设定学习率α、截断参数c、批训练样本数m、生成器每迭代一次判别器迭代的次数n_critic，初始化判别器网络参数w_t、生成器网络参数θ_t；

S3.2，检查生成器参数θ_t是否收敛，如果收敛则结束迭代；如果没有收敛则进入S3.3；

S3.3，检查当前迭代次数是否达到迭代次数阈值n_critic，如果没有达到则更新判别器网络参数w_t并更新当前迭代次数，重复本步骤；如果达到了迭代次数阈值n_critic则进入步骤S3.4；

步骤3.4，计算生成器损失函数

并更新生成器参数θ_t，并返回步骤3.2。

7.根据权利要求6所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

更新判别器网络参数w_t的方法为：

其中，clip(.)表示深度学习中的的剪裁函数，RMSProp(.)表示深度学习中的学习率自适应优化器，

表示判别器损失函数的梯度，具体计算方法为：

其中，x⁽ⁱ⁾是输入参数中的第i训练批次；z⁽ⁱ⁾为第i次训练从生成器产生的样本分布中的批采样；

为判别器网络。

8.根据权利要求6或7所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

生成器损失函数的梯度为：

其中，

为判别器网络，z⁽ⁱ⁾为第i次训练从生成器产生的样本分布中的批采样。

9.根据权利要求8所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

更新生成器参数Q_t的方法为：

其中，RMSProp(.)表示深度学习中的学习率自适应优化器。

10.根据权利要求1所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

所述S4的数据增强是指首先将S1采集的数据图片化，将一天的原始数据按天划分，每天48个点，形成48*15像素大小的图片；然后通过光伏数据增强神经网络模型进行对抗学习，生成同分布的新数据。

11.根据权利要求1-10任意一项所述的一种基于集群划分和数据增强的整县光伏预测方法，其特征在于，

在所述S4中，CNN神经网络为5层结构，前四层每层包含卷积层、批归一化层和线性整流层，最后一层为全连接层、批归一化层和ReLU层。

Images