1.本发明应用于信息缺失情况下光伏发电系统发电功率的精准在线预测，涉及特征筛选，数据清洗以及在线迁移学习预测技术。
背景技术：2.太阳能光伏发电作为一种几乎取之不尽、用之不竭的清洁能源，在世界能源领域发挥着重要的作用。在过去的十年中，全球部署的并网光伏发电容量从2010年的41.5gw增长到了惊人的1860％，到2020年底，全球部署的并网光伏发电容量达到了惊人的773.2gw。此外，全球部署的并网光伏每年新增装机容量也在逐年增加，无论是从年度增长还是整体增长趋势来看，光伏发电都具有良好的发展前景。
3.光伏发电功率的低可预测性主要是由于发电元件受到天气的强影响的而造成的不平稳性和不连续性，而天气是极难预测的，因此间接导致了光伏功率预测的困难。此外，数据冗余问题、数据异常问题和数据缺失问题也会导致光伏功率预测的误差增大。因此有必要设计一个完善的光伏发电功率预测框架，以便于对信息缺失状况下光伏发电系统发电功率的精准在线预测。
技术实现要素：4.为了克服光伏发电功率输出预测时信息缺失以及实时预测问题，本发明提出一种基于信息融合在线迁移的光伏发电系统功率预测方法。通过一系列数据预处理方法对数据进行增强并提取合适的特征信息，最后应用在线迁移方法对光伏功率输出值进行实时预测。
5.本发明解决其技术问题所采用的技术方案是：
6.一种基于信息融合在线迁移的光伏发电系统功率预测方法，所述方法包括以下步骤：
7.步骤1：设计特征选择和数据清洗模块对历史数据进行数据预处理。定义n天历史功率输出为p＝{p
(d)
|d＝1
…
n}为第d天功率输出向量，t＝96为一天采样的次数)和历史外特征v＝{v
(d)
|d＝1
…
n}，n}，
8.首先通过矩阵范数计算历史功率的距离：
[0009][0010]
式中ped
ij
＝||p
i-pj||2为第i天和第j天的光伏功率相似性度量，功率曲线相同的
日子其值越低，反之ped值越高。
[0011]
同时，计算历史外特征的距离：
[0012][0013]
式中为第i天和第j天的第k个外特征的相似性度量。同样，外部变量相似的日子数值会很小，而外部变量相似且差异较大的日子，如晴天和阴天，数值会很高。
[0014]
计算外特征与功率的相关性：
[0015][0016]
然后根据rmsedd值筛选相似度最高的l个外特征，选择完外特征后分析并筛选异常数据：
[0017]
pved＝[pved1…
pvedi…
pvedn]1×nꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0018]
式中pvedi＝||p
i-vi||2，如果就意味着这一天的数据大概率发生错误。筛选出这样的数据以便于后续修补，记为ne为异常数据的样本数，εi＝[p v
1 v2…vl
]为错误样本向量。
[0019]
步骤2：通过历史数据训练自编码器异常修补网络来对上面筛选出的异常数据进行修补，损失函数为均方误差：
[0020][0021]
注意输入输出都为外特征于功率值，为了训练网络修补的能力，需要对输入数据进行随机丢弃处理：
[0022][0023]
其中，是通过随机丢弃操作产生的，λ为布尔对角矩阵，其非对角线元素都为0，对角线为0或者1。其具体计算如下：
[0024][0025]
步骤3：搭建神经网络模型，根据历史数据训练原始模型。
[0026]
根据历史数据训练原始模型，前n天历史数据作为输入，当天功率输出作为输出，
具体可由下面公式表示：
[0027]
p
(d)
＝f(p
(d-1)
，p
(d-2)
，
…
，v
(d-1)
，v
(d-2)
，
…
)
ꢀꢀꢀꢀꢀꢀꢀ
(8)
[0028]
步骤4：进行在线迁移学习，利用迁移学习机制同时进行新模型学习以及与旧模型的在线融合预测。
[0029]
在第t步，给定一个实时输入x
t
，我们通过以下预测函数来进行预测：
[0030][0031]
其中α
1，t
，α
2，t
为第t步新旧模型的权重参数，其更新方式如下：
[0032][0033]
式中α
1，t-1
，α
2，t-1
为上一步权重参数，为上一步权重参数，最后计算损失函数更新权重，损失函数由下式计算：
[0034]
l
t
＝[|y
t-h(x
2，t
)|-s]
+
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0035]
其中s＞0为最大允许误差，[v]
+
＝max{0，v}。权重更新方式为：
[0036][0037]
式中τ
t
＝min{c，l
t
/||x
t
||2}，c为最大更新约束。
[0038]
为了克服光伏发电功率输出预测时信息缺失以及实时预测问题，本发明通过一系列数据预处理方法提取合适的特征信息，并通过自编码器特征修补网络修复错误样本，最后在已有即历史模型的基础上应用在线迁移方法实时更新新模型的同时将新模型与旧模型进行融合预测。本发明在不同阶段通过自适应学习模型权重进行新旧模型的自适应融合从而实现将历史模型中的知识融合进新学习的模型中，相比于现有的方法，该方法将已有的知识应用到新模型中，减小了新模型训练的难度，提升了预测精度。
[0039]
本发明的有益效果主要体现在：在信息缺失情况下对有效特征进行筛选并采用在线迁移的方式来对模型进行迁移。利用相似性度量筛选出最相关特征，并筛选出错误样本，之后利用历史数据训练自编码器异常修补网络来对筛选出的异常数据进行修补，在预测部分，根据历史数据先训练一个预测网络，最后利用迁移学习机制同时进行新模型学习以及与旧模型的在线融合预测。
附图说明
[0040]
图1是本发明的自编码器异常修补网络示意图；
[0041]
图2是本发明的在线迁移模型融合示意图；
[0042]
图3是本发明的实验mae精度对比图。
具体实施方式
[0043]
为使本发明的实施例的目的、设计思路、技术方案更加清晰，下面结合附图对本发
明做进一步说明。
[0044]
参照图1～图3，一种基于信息融合在线迁移的光伏发电系统功率预测方法包括如下步骤：
[0045]
步骤1：设计特征选择和数据清洗模块对历史数据进行数据预处理。定义n天历史功率输出为p＝{p
(d)
|d＝1
…
n}为第d天功率输出向量，t＝96为一天采样的次数)和历史外特征v＝{v
(d)
|d＝1
…
n}，n}，
[0046]
首先通过矩阵范数计算历史功率的距离：
[0047][0048]
式中ped
ij
＝||p
i-pj||2为第i天和第j天的光伏功率相似性度量，功率曲线相同的日子其值越低，反之ped值越高。
[0049]
同时，计算历史外特征的距离：
[0050][0051]
式中为第i天和第j天的第k个外特征的相似性度量。同样，外部变量相似的日子数值会很小，而外部变量相似且差异较大的日子，如晴天和阴天，数值会很高。
[0052]
计算外特征与功率的相关性：
[0053][0054]
然后根据rmsedd值筛选相似度最高的l个外特征，选择完外特征后分析并筛选异常数据：
[0055]
pved＝[pved1…
pvedi…
pvedn]1×nꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0056]
式中pvedi＝||p
i-vi||2，如果就意味着这一天的数据大概率发生错误。筛选出这样的数据以便于后续修补，记为ne为异常数据的样本数，εi＝[p v
1 v2…vl
]为错误样本向量。
[0057]
步骤2：通过历史数据训练自编码器异常修补网络来对上面筛选出的异常数据进行修补，如图1所示，损失函数为均方误差：
[0058][0059]
注意输入输出都为外特征于功率值，为了训练网络修补的能力，需要对输入数据进行随机丢弃处理：
[0060][0061]
其中，是通过随机丢弃操作产生的，a为布尔对角矩阵，其非对角线元素都为0，对角线为0或者1。其具体计算如下：
[0062][0063]
步骤3：根据历史数据训练原始模型。
[0064]
根据历史数据训练原始模型，前n天历史数据作为输入，当天功率输出作为输出，具体可由下面公式表示：
[0065]
p
(d)
＝f(p
(d-1)
，p
(d-2)
，
…
，v
(d-1)
，v
(d-2)
，
…
)
ꢀꢀꢀꢀꢀꢀꢀ
(8)
[0066]
步骤4：进行在线迁移学习，如图2所示，利用迁移学习机制同时进行新模型学习以及与旧模型的在线融合预测。
[0067]
在第t步，给定一个实时输入x
t
，我们通过以下预测函数来进行预测：
[0068][0069]
其中α
1，t
，α
2，t
为第t步新旧模型的权重参数，其更新方式如下：
[0070][0071]
式中α
1，t-1
，α
2，t-1
为上一步权重参数，为上一步权重参数，最后计算损失函数更新权重，损失函数由下式计算：
[0072]
l
t
＝[|y
t-h(x
2，t
)|-s]
+
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0073]
其中s＞0为最大允许误差，[v]
+
＝max{0，v}。权重更新方式为：
[0074][0075]
式中τ
t
＝min{c，l
t
/||x
t
||2}，c为最大更新约束。
[0076]
本发明在信息缺失情况下实现对有效特征的提取与错误样本的修补，同时运用在线迁移学习机制对历史模型和在线模型进行融合，提升了预测精度，图3为历史模型与融合模型的mse值对比，可以发现所提方法经过若干次迭代后即可超越历史模型，证明了所提方法的有效性。
技术特征：1.一种基于信息融合在线迁移的光伏发电系统功率预测方法，包括以下步骤：步骤1:设计特征选择和数据清洗模块对历史数据进行数据预处理；步骤2:通过历史数据训练自编码器异常修补网络来对上面筛选出的异常数据进行修补；步骤3:搭建神经网络模型，根据历史数据训练原始模型；步骤4：进行在线迁移学习，利用迁移学习机制同时进行新模型学习以及与旧模型的在线融合预测。2.如权利要求1所述的应用于信息缺失情况下光伏发电系统发电功率的精准在线预测方法，其特征在于，步骤1所述的对历史数据进行数据预处理，具体包括：定义第n天历史功率输出为p＝{p
(d)
|d＝1
…
n},历史外特征为v＝{v
(d)
|d＝1
…
n}，其中第d天为则历史功率的距离表示为：其中ped
ij
＝||p
i-p
j
||2为第i天和第j天的光伏功率相似性度量，功率曲线相同的日子其值越低，反之ped值越高；历史外特征的距离为：其中为第i天和第j天的第k个外特征的相似性度量；外特征与功率的相关性计算为：根据rmsedd值筛选相似度最高的l个外特征，选择完外特征后分析并筛选异常数据：pved＝[pved1…
pved
i
…
pvedn]1×
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中pved
i
＝||p
i-v
i
||2，如果筛选出这样的数据以便于后续修补，记为n
e
为异常数据的样本数，ε
i
＝[p v
1 v2…
v
l
]为错误样本向量。3.如权利要求1所述的应用于信息缺失情况下光伏发电系统发电功率的精准在线预测方法，其特征在于，步骤2中，通过历史数据训练自编码器异常修补网络来对上面筛选出的异常数据进行修补，损失函数为均方误差：
注意输入输出都为外特征于功率值，为了训练网络修补的能力，需要对输入数据进行随机丢弃处理：其中，是通过随机丢弃操作产生的，λ为布尔对角矩阵，其非对角线元素都为0，对角线为0或者1；其具体计算如下：4.如权利要求1所述的应用于信息缺失情况下光伏发电系统发电功率的精准在线预测方法，步骤3中根据历史数据训练原始模型，具体由下面公式表示：p
(d)
＝f(p
(d-1)
，p
(d-2)
，...，v
(d-1)
，v
(d-2)
，...)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)5.如权利要求1所述的应用于信息缺失情况下光伏发电系统发电功率的精准在线预测方法，步骤4中进行在线迁移学习，利用迁移学习机制同时进行新模型学习以及与旧模型的在线融合预测；在第t步，给定一个实时输入x
t
，通过以下预测函数来进行预测：其中α
1,t
，α
2,t
为第t步新旧模型的权重参数，其更新方式如下：式中α
1,t-1
，α
2,t-1
为上一步权重参数，为上一步权重参数，最后计算损失函数更新权重，损失函数由下式计算：l
t
＝[|y
t-h(z
2，t
)|-s]
+
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)其中s>0为最大允许误差，[v]
+
＝max{0,v}；权重更新方式为：w
t+1
＝w
t
+τ
t
y
t
x
2，t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)式中c为最大更新约束。
技术总结一种基于信息融合在线迁移的光伏发电系统功率预测方法，包括：步骤1:设计特征选择和数据清洗模块对历史数据进行数据预处理；步骤2:通过历史数据训练自编码器异常修补网络来对上面筛选出的异常数据进行修补；步骤3:搭建神经网络模型，根据历史数据训练原始模型；步骤4：进行在线迁移学习，利用迁移学习机制同时进行新模型学习以及与旧模型的在线融合预测。本发明在不同阶段通过自适应学习模型权重进行新旧模型的自适应融合从而实现将历史模型中的知识融合进新学习的模型中，将已有的知识应用到新模型中，减小了新模型训练的难度，提升了预测精度。升了预测精度。升了预测精度。
技术研发人员：陈博 沈怡俊 杨望卓 郭方洪 张文安
受保护的技术使用者：浙江工业大学
技术研发日：2022.06.20
技术公布日：2022/11/1
