1.本发明涉及风光功率预测技术领域，尤其涉及一种风光功率联合预测模型的构建方法、系统及预测方法。
背景技术：2.风光发电功率预测是保障高比例新能源电力系统安全稳定运行的必要前提。从风光电站自身角度出发，准确的功率预测结果一方面可提高风电场与光伏电站的运维水平，降低弃能率；另一方面是其参与电力市场交易的前提，对提高风电与光伏的市场竞争力具有重要意义。
3.传统的风光发电功率预测主要可分为物理方法和统计方法。采用物理方法进行风电功率预测时首先考虑地形、海拔及地表粗糙度变化对风电场流场产生的影响，建立风电场计算流体力学模型，以初始数值天气预报结果为输入计算各风电机组轮毂高度处的风况，而后通过机组风速－功率曲线将风速转换为功率，将各台机组功率相加得到整场功率。采用物理方法进行光伏发电功率预测时，以初始数值天气预报结果为输入，结合光伏电站的地理信息和组件参数，基于太阳辐照传递方程、光伏组件运行方程等物理方程计算各光伏阵列出力，对其相加得到整场功率。统计方法采用统计的学习算法建立风光电站运行数据间或数值天气预报数据与运行数据间的映射关系，基于所建立的映射模型进行功率预测。常用方法包括自回归滑动平均模型、卡尔曼滤波、支持向量机、相关向量机、最小二乘法、随机森林、人工神经网络、深度学习、组合方法等。然而，传统的风光发电功率预测仅为分别构建风电或者光伏的预测模型，或者是风电预测模型和光伏预测模型存在独立性，无法同时实现风电和光伏功率的预测。
技术实现要素：4.本发明提供了一种风光功率联合预测模型的构建方法、系统及预测方法，基于风电功率预测损失值和光伏功率预测损失值优化模型参数，以使模型能够学习到风电功率和光伏功率之间的互动耦合关系，并提升模型的预测精度。
5.为了解决上述技术问题，本发明实施例提供了一种风光功率联合预测模型的构建方法，包括：
6.对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，所述样本数据集包括各所述风电场对应的若干个风电场数据、各所述光伏电站对应的若干个光伏电站数据、所述预设区域在不同时刻下的第一总风电功率、以及所述预设区域在不同时刻下的第一总光伏功率；
7.按照adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型；其中，所述联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功
率预测损失值而计算得到的。
8.实施本发明实施例，在对预搭建的全连接神经网络模型的模型参数值进行迭代优化的过程中，结合风电功率预测损失值和光伏功率预测损失值，计算得到当前全连接神经网络模型对应的联合预测损失值，以作为迭代优化的逼近目标值，不仅能够使得模型学习到风电功率和光伏功率之间的互动耦合关系，还能够多次优化模型的预测精度。
9.作为优选方案，所述联合预测损失值的获取，具体为：
10.对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据；
11.将所述待输入数据输入至当前所述全连接神经网络模型，以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；
12.按照预设的算法，根据所有所述第一总风电功率和所有所述第二总风电功率，计算得到所述风电功率预测损失值，并根据所有所述第一总光伏功率和所有所述第二总光伏功率，计算得到所述光伏功率预测损失值；
13.分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理，并将所述风电功率预测损失值对应的加权结果和所述光伏功率预测损失值对应的加权结果相加，以获得所述联合预测损失值。
14.实施本发明实施例的优选方案，通过当前全连接神经网络模型，输出样本数据集中所有风电场数据和所有光伏电站数据对应的预测值——若干个第二总风电功率和若干个第二总光伏功率，并结合样本数据集中的所有第一总风电功率和第一总光伏功率，计算得到对应的风电功率预测损失值和光伏功率预测损失值，以体现实测值和预测值的差异，作为风光功率联合预测模型的预测精度的表征。此外，考虑到风电场数据和光伏电站数据对风光功率联合预测的影响程度不同、以及二者的检测精度存在差异，分别对风电功率预测损失值和光伏功率预测损失值进行加权处理，以此为不同的预测损失值赋予不同的权重系数，进一步提升风光功率联合预测模型的预测精度。
15.作为优选方案，所述对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据，具体为：
16.利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据，构成对应的第一变量矩阵；
17.对所述第一变量矩阵进行去中心化处理，以获得对应的第二变量矩阵，并根据所述第二变量矩阵，计算得到对应的协方差矩阵；
18.采用特征值分解法，计算所述协方差矩阵对应的多个特征值和各所述特征值对应的特征向量；
19.将所有所述特征值按照从大到小的顺序进行排列，并根据排列结果选取前k个所述特征值，并利用前k个所述特征值对应的所述特征向量，对所述第一变量矩阵进行投影变换，以获得对应的所述待输入数据，实现对所述第一变量矩阵的降维优化处理。
20.实施本发明实施例的优选方案，通过对所有风电场数据和所有光伏电站数据进行降维优化处理，把包括大量初始数据的多维变量矩阵转化为包括能够反映初始数据的关键信息的主成分的待输入数据，避免输入模型的数据包括大量冗杂信息，以此优化模型的预测速率和预测精度。
21.作为优选方案，所述按照adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型，具体为：
22.按照adam算法，结合所述样本数据集中的所有所述风电场数据、所有所述光伏电站数据、所有所述第一总风电功率和所有所述第一总光伏功率，计算得到所述全连接神经网络模型对应的参数修正值；
23.利用所述参数修正值，对所述全连接神经网络模型的模型参数值进行迭代优化处理，每次迭代优化处理时根据当前所述参数修正值更新所述全连接神经网络模型的模型参数值，并获取当前所述全连接神经网络模型对应的所述联合预测损失值，直至优化次数达到预设次数或者当前所述联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为所述风光功率联合预测模型；
24.其中，所述全连接神经网络模型包括输入层、输出层和若干个隐藏层，所述模型参数值包括各所述隐藏层对应的网络权重和偏置向量。
25.实施本发明实施例的优选方案，利用adam算法和样本数据集，计算全连接神经网络模型对应的参数修正值，并在每次迭代优化处理时根据当前的参数修正值更新全连接神经网络模型的模型参数值，能够实现对全连接神经网络模型的模型参数值的优化，同时，基于预设优化次数或者预设的联合预测损失值范围，能够多次训练优化模型参数值，以逐步提升模型的预测性能。
26.为了解决相同的技术问题，本发明实施例还提供了一种风光功率联合预测模型的构建系统，包括：
27.数据获取模块，用于对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，所述样本数据集包括各所述风电场对应的若干个风电场数据、各所述光伏电站对应的若干个光伏电站数据、所述预设区域在不同时刻下的第一总风电功率、以及所述预设区域在不同时刻下的第一总光伏功率；
28.模型构建模块，用于按照adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型；其中，所述联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功率预测损失值而计算得到的。
29.作为优选方案，所述的一种风光功率联合预测模型的构建系统，还包括：
30.损失分析模块，用于对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据；将所述待输入数据输入至当前所述全连接神经网络模型，以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；按照预设的算法，根据所有所述第一总风电功率和所有所述第二总风电功率，计算得到所述风电功率预测损失值，并根据所有所述第一总光伏功率和所有所述第二总光伏功率，计算得到所述光伏功率预测损失值；分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理，并将所述风电功率预测损失值对应的加权结果和所述光伏功率预测损失值对应的加权结果相加，以获得所述联合预测损失值。
31.作为优选方案，所述损失分析模块，具体包括：
32.预处理单元，用于利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据，构成对应的第一变量矩阵；对所述第一变量矩阵进行去中心化处理，以获得对应的第二变量矩阵，并根据所述第二变量矩阵，计算得到对应的协方差矩阵；采用特征值分解法，计算所述协方差矩阵对应的多个特征值和各所述特征值对应的特征向量；将所有所述特征值按照从大到小的顺序进行排列，并根据排列结果选取前k个所述特征值，并利用前k个所述特征值对应的所述特征向量，对所述第一变量矩阵进行投影变换，以获得对应的所述待输入数据，实现对所述第一变量矩阵的降维优化处理；
33.损失分析单元，用于将所述待输入数据输入至当前所述全连接神经网络模型，以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；按照预设的算法，根据所有所述第一总风电功率和所有所述第二总风电功率，计算得到所述风电功率预测损失值，并根据所有所述第一总光伏功率和所有所述第二总光伏功率，计算得到所述光伏功率预测损失值；分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理，并将所述风电功率预测损失值对应的加权结果和所述光伏功率预测损失值对应的加权结果相加，以获得所述联合预测损失值。
34.作为优选方案，所述模型构建模块，具体包括：
35.数据处理单元，用于按照adam算法，结合所述样本数据集中的所有所述风电场数据、所有所述光伏电站数据、所有所述第一总风电功率和所有所述第一总光伏功率，计算得到所述全连接神经网络模型对应的参数修正值；
36.模型构建优化单元，用于利用所述参数修正值，对所述全连接神经网络模型的模型参数值进行迭代优化处理，每次迭代优化处理时根据当前所述参数修正值更新所述全连接神经网络模型的模型参数值，并获取当前所述全连接神经网络模型对应的所述联合预测损失值，直至优化次数达到预设次数或者当前所述联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为所述风光功率联合预测模型；其中，所述全连接神经网络模型包括输入层、输出层和若干个隐藏层，所述模型参数值包括各所述隐藏层对应的网络权重和偏置向量。
37.为了解决相同的技术问题，本发明实施例还提供了一种风光功率联合预测方法，包括：
38.获取待预测区域内的多个风电场对应的若干个风电场数据和多个光伏电站对应的若干个光伏电站数据，并对所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入矩阵；
39.将所述待输入矩阵输入至风光功率联合预测模型，并输出所述待预测区域对应的功率预测向量，并根据所述功率预测向量，获取所述待预测区域在不同时刻下的总风电功率和总光伏功率，实现对待预测区域的风光功率联合预测；
40.其中，所有所述风电场数据为各所述风电场在不同时刻下的风速、辐照度和温度，所有所述光伏电站数据为各所述光伏电站在不同时刻下的风速、辐照度和温度，所述风光功率联合预测模型是使用所述的一种风光功率联合预测模型的构建方法构建得到的。
41.作为优选方案，所述对所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入矩阵，具体为：
42.利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据，构成对应的变量矩阵；
43.采用主成分分析法，对所述变量矩阵进行降维优化处理，以获得对应的所述待输入矩阵。
附图说明
44.图1：为本发明实施例一提供的一种风光功率联合预测模型的构建方法的流程示意图；
45.图2：为本发明实施例一提供的一种风光功率联合预测模型的构建系统的结构示意图；
46.图3：为本发明实施例一提供的一种风光功率联合预测方法的流程示意图。
具体实施方式
47.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作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。
48.实施例一：
49.请参照图1，为本发明实施例提供的一种风光功率联合预测模型的构建方法，该方法包括步骤s1至步骤s2，各步骤具体如下：
50.步骤s1，对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，样本数据集包括各风电场对应的若干个风电场数据、各光伏电站对应的若干个光伏电站数据、预设区域在不同时刻下的第一总风电功率、以及预设区域在不同时刻下的第一总光伏功率。
51.在本实施例中，在一天内，每隔15分钟，对预设区域内的i个风电场和j个光伏电站分别进行实时观测，以获得各风电场对应的96个风电场数据、各光伏电站对应的96个光伏电站数据。
52.需要说明的是，风电场数据包括但不限于风电场对应的风速、辐照度和温度，光伏电站数据包括但不限于光伏电站的风速、辐照度和温度。
53.步骤s2，按照adam算法，利用样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前全连接神经网络模型作为风光功率联合预测模型；其中，联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功率预测损失值而计算得到的。
54.作为优选方案，步骤s2包括步骤s21至步骤s22，各步骤具体如下：
55.步骤s21，按照adam算法，结合样本数据集中的所有风电场数据、所有光伏电站数据、所有第一总风电功率和所有第一总光伏功率，计算得到全连接神经网络模型对应的参数修正值；其中，全连接神经网络模型包括输入层、输出层和若干个隐藏层，模型参数值包括各隐藏层对应的网络权重和偏置向量。
56.步骤s22，利用参数修正值，对全连接神经网络模型的模型参数值进行迭代优化处理，每次迭代优化处理时根据当前参数修正值更新全连接神经网络模型的模型参数值，并获取当前全连接神经网络模型对应的联合预测损失值，直至优化次数达到预设次数或者当前联合预测损失值满足预设范围，则以当前全连接神经网络模型作为风光功率联合预测模型。
57.作为优选方案，步骤s22中联合预测损失值的获取流程包括步骤s221至步骤s223，各步骤具体如下：
58.步骤s221，对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据。
59.在本实施例中，预处理流程包括步骤
①
至步骤
⑥
，具体如下：
60.步骤
①
，利用样本数据集中的所有风电场数据和所有光伏电站数据，构成对应的第一变量矩阵x＝{x1,x2,
…
,xn},n＝288，其中，xn是列向量，每一个列向量包括(i+j)个元素。
61.步骤
②
，将第一变量矩阵x中的每一个列向量减去其列向量对应的均值，实现去中心化处理，以获得对应的第二变量矩阵
62.步骤
③
，计算协方差矩阵
63.步骤
④
，采用特征值分解法，求解协方差矩阵对应的多个特征值和各特征值对应的特征向量。
64.步骤
⑤
，将所有特征值按照从大到小的顺序进行排列，并根据排列结果选取前k个特征值，并将前k个特征值对应的特征向量作为行向量，以组成特征向量矩阵p。
65.步骤
⑥
，将输入变量矩阵投影转换到k个特征向量构建的新空间中，以获得对应的待输入数据x
′
，即x
′
＝px，实现对第一变量矩阵x的降维优化处理。
66.步骤s222，将待输入数据输入至当前全连接神经网络模型，以获得预设区域对应的若干个第二总风电功率和若干个第二总光伏功率。
67.步骤s223，请参见式(1)，根据所有第一总风电功率和所有第二总风电功率，计算得到风电功率预测损失值lf，并参见式(2)，根据所有第一总光伏功率和所有第二总光伏功率，计算得到光伏功率预测损失值lg。
[0068][0069][0070]
其中，t为总时刻点个数，此处为96；y
t
为t时刻区域实际总风电功率，即预设区域内t时刻的第一总风电功率；f
t
为模型t时刻区域总风电功率预测值，即预设区域内t时刻的第二总风电功率；yg为t时刻区域实际总光伏功率，即预设区域内t时刻的第一总光伏功率；fg
为模型t时刻区域总光伏功率预测值，即预设区域内t时刻的第二总光伏功率。
[0071]
步骤s224，请参见式(3)，分别对风电功率预测损失值lf和光伏功率预测损失值lg进行加权处理，并将风电功率预测损失值对应的加权结果和光伏功率预测损失值对应的加权结果相加，以获得联合预测损失值l
total
。
[0072]
l
total
＝wflf+wglg[0073]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0074]
其中，wf、wg分别为风电功率预测任务task1的权重系数和光伏功率预测任务task2的权重系数。
[0075]
在本实施例中，全连接神经网络模型本质上是一个包含多个隐藏层的多层感知机，相邻层的节点采用全连接的方式，而在同一层的节点之间不存在连接，其主要有输入层01、第一隐藏层02、第二隐藏层03、第三隐藏层04和输出层05。其中，输入层主要有k＊n个神经元，分别对应步骤s221中降维优化后得到的待输入数据展开的一维输入向量；第一隐藏层02、第二隐藏层03和第三隐藏层04分别有800、600、300个神经元；输出层有96＊2个神经元，分别对应全连接神经网络模型的风电功率预测任务task1的96个不同时刻总风电功率和光伏功率预测任务task2的96个不同时刻总光伏功率。
[0076]
需要说明的是，全连接神经网络模型的各隐藏层所对应的网络权重和偏置向量之间的关系请参见式(4)(5)：
[0077]
α
l
＝w
lhl-1
+b
l
[0078]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0079]hl
＝f(α
l
)
[0080]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0081]
其中，l为层序号，α
l
为第l层隐藏层对应的中间计算变量，w
l
为第l层隐藏层对应的网络权重，h
l-1
为第(l-1)层隐藏层对应的节点激活值，b
l
为第l层隐藏层对应的偏置向量，h
l
为第l层隐藏层对应的节点激活值，f(
·
)为激活参数。另外地，各隐藏层主要采用lrelu(leaky rectified linear unit)激活函数，即f(x)＝max(0.01x,x)，对于本实施例，x＝α
l
。
[0082]
在本实施例中，预先设置迭代结束条件以及相关的初始参数。比如，迭代结束条件为优化次数达到预设次数，如10000次，或者是联合预测损失值满足预设范围，如小于1
×
10-5
。另外地，初始参数分别为：步长η＝0.0001，矩估计指数衰减率ρ1＝0.9，ρ2＝0.998，分母扰动ε＝1
×
10-9
，随机初始化初始权重θ(包括隐藏层对应的权重和偏置向量)，一阶矩变量初始值r＝0，s＝0，迭代次数初始值t＝0。接着，参见式(6)(7)(8)(9)(10)(11)(12)(13)，进行adam优化算法，直至满足预设的迭代结束条件(即t≥10000或者联合预测损失值小于1
×
10-5
)，则退出迭代，并以当前的全连接神经网络模型作为风光功率联合预测模型。
[0083][0084]
r＝ρ1r+(1-ρ1)g
t
[0085]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0086][0087][0088][0089][0090]
θ＝θ+δθ
[0091]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0092]
t＝t+1
[0093]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0094]
其中，{x'
(1)
,x'
(2)
,
…
,x'
(m)
}为步骤s221获取的待输入数据中的多个样本数据构成的集合，{y
(1)
,y
(2)
,
…
,y
(m)
}为上述各样本数据对应的第一总光伏功率构成的集合，g
t
为梯度值，r为一阶矩估计值，s为二阶矩估计值，为一阶矩偏差修正结果，为二阶矩偏差修正结果，为第t轮一阶矩估计值的修正系数，为第t轮二阶矩估计值的修正系数，δθ为参数修正值，θ为模型参数值，t为迭代优化次数。
[0095]
请参照图2，为本发明实施例提供的一种风光功率联合预测模型的构建系统的结构示意图，该系统包括数据获取模块1和模型构建模块2，各模块具体如下：
[0096]
数据获取模块1，用于对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，样本数据集包括各风电场对应的若干个风电场数据、各光伏电站对应的若干个光伏电站数据、预设区域在不同时刻下的第一总风电功率、以及预设区域在不同时刻下的第一总光伏功率；
[0097]
模型构建模块2，用于按照adam算法，利用样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前全连接神经网络模型作为风光功率联合预测模型；其中，联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功率预测损失值而计算得到的。
[0098]
作为优选方案，一种风光功率联合预测模型的构建系统，还包括：
[0099]
损失分析模块3，用于对样本数据集中的所有风电场数据和所有光伏电站数据进行预处理，以获得对应的待输入数据；将待输入数据输入至当前全连接神经网络模型，以获
得预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；按照预设的算法，根据所有第一总风电功率和所有第二总风电功率，计算得到风电功率预测损失值，并根据所有第一总光伏功率和所有第二总光伏功率，计算得到光伏功率预测损失值；分别对风电功率预测损失值和光伏功率预测损失值进行加权处理，并将风电功率预测损失值对应的加权结果和光伏功率预测损失值对应的加权结果相加，以获得联合预测损失值。
[0100]
作为优选方案，损失分析模块3，具体包括预处理单元31和损失分析单元32，各单元具体如下：
[0101]
预处理单元31，用于利用样本数据集中的所有风电场数据和所有光伏电站数据，构成对应的第一变量矩阵；对第一变量矩阵进行去中心化处理，以获得对应的第二变量矩阵，并根据第二变量矩阵，计算得到对应的协方差矩阵；采用特征值分解法，计算协方差矩阵对应的多个特征值和各特征值对应的特征向量；将所有特征值按照从大到小的顺序进行排列，并根据排列结果选取前k个特征值，并利用前k个特征值对应的特征向量，对第一变量矩阵进行投影变换，以获得对应的待输入数据，实现对第一变量矩阵的降维优化处理；
[0102]
损失分析单元32，用于将待输入数据输入至当前全连接神经网络模型，以获得预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；按照预设的算法，根据所有第一总风电功率和所有第二总风电功率，计算得到风电功率预测损失值，并根据所有第一总光伏功率和所有第二总光伏功率，计算得到光伏功率预测损失值；分别对风电功率预测损失值和光伏功率预测损失值进行加权处理，并将风电功率预测损失值对应的加权结果和光伏功率预测损失值对应的加权结果相加，以获得联合预测损失值。
[0103]
作为优选方案，模型构建模块2，具体包括数据处理单元21和模型构建优化单元22，各单元具体如下：
[0104]
数据处理单元21，用于按照adam算法，结合样本数据集中的所有风电场数据、所有光伏电站数据、所有第一总风电功率和所有第一总光伏功率，计算得到全连接神经网络模型对应的参数修正值；
[0105]
模型构建优化单元22，用于利用参数修正值，对全连接神经网络模型的模型参数值进行迭代优化处理，每次迭代优化处理时根据当前参数修正值更新全连接神经网络模型的模型参数值，并获取当前全连接神经网络模型对应的联合预测损失值，直至优化次数达到预设次数或者当前联合预测损失值满足预设范围，则以当前全连接神经网络模型作为风光功率联合预测模型；其中，全连接神经网络模型包括输入层、输出层和若干个隐藏层，模型参数值包括各隐藏层对应的网络权重和偏置向量。
[0106]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0107]
相比于现有技术，本发明实施例具有如下有益效果：
[0108]
本发明提出一种风光功率联合预测模型的构建方法和系统，通过在对预搭建的全连接神经网络模型的模型参数值进行迭代优化的过程中，结合风电功率预测损失值和光伏功率预测损失值，计算得到当前全连接神经网络模型对应的联合预测损失值，以作为迭代优化的逼近目标值，不仅能够使得模型学习到风电功率和光伏功率之间的互动耦合关系，还能够多次优化模型的预测精度。
[0109]
考虑到风电场数据和光伏电站数据的检测精度存在差异，且二者对风光功率联合
预测的影响程度不同，分别对风电功率预测损失值和光伏功率预测损失值进行加权处理，以此为不同的预测损失值赋予不同的权重系数，从而增加关键的数据对模型参数值的贡献度，进一步提升风光功率联合预测模型的预测精度。
[0110]
请参照图3，为本发明实施例提供的一种风光功率联合预测方法的流程示意图，该方法包括步骤s3至步骤s4，各步骤具体如下：
[0111]
步骤s3，获取待预测区域内的多个风电场对应的若干个风电场数据和多个光伏电站对应的若干个光伏电站数据，并对所有风电场数据和所有光伏电站数据进行预处理，以获得对应的待输入矩阵；其中，所有风电场数据为各风电场在不同时刻下的风速、辐照度和温度，所有光伏电站数据为各光伏电站在不同时刻下的风速、辐照度和温度。
[0112]
在本实施例中，由于风光功率主要跟气象因素相关，其中，风电功率的主要影响因素是风速，光伏功率的主要影响因素是辐照度，且温度会共同影响风电功率和光伏功率，因此，以各风电场在不同时刻下的风速、辐照度和温度作为风电场数据，以各光伏电站在不同时刻下的风速、辐照度和温度作为光伏电站数据，能够更好地预测待预测区域内的风光功率联合预测。
[0113]
作为优选方案，对所有风电场数据和所有光伏电站数据的预处理流程，具体包括步骤s31至步骤s32，各步骤具体如下：
[0114]
步骤s31，利用样本数据集中的所有风电场数据和所有光伏电站数据，构成对应的变量矩阵。
[0115]
步骤s32，采用主成分分析法，对变量矩阵进行降维优化处理，以获得对应的待输入矩阵。
[0116]
需要说明的是，步骤s3的具体执行过程，可以参考前述的一种风光功率联合预测模型的构建方法的具体工作过程，在此不再赘述。
[0117]
步骤s4，将待输入矩阵输入至风光功率联合预测模型，并输出待预测区域对应的功率预测向量，并根据功率预测向量，获取待预测区域在不同时刻下的总风电功率和总光伏功率，实现对待预测区域的风光功率联合预测；其中，风光功率联合预测模型是使用的本实施例前述的一种风光功率联合预测模型的构建方法构建得到的。
[0118]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种风光功率联合预测模型的构建方法，其特征在于，包括：对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，所述样本数据集包括各所述风电场对应的若干个风电场数据、各所述光伏电站对应的若干个光伏电站数据、所述预设区域在不同时刻下的第一总风电功率、以及所述预设区域在不同时刻下的第一总光伏功率；按照adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型；其中，所述联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功率预测损失值而计算得到的。2.如权利要求1所述的一种风光功率联合预测模型的构建方法，其特征在于，所述联合预测损失值的获取，具体为：对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据；将所述待输入数据输入至当前所述全连接神经网络模型，以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；按照预设的算法，根据所有所述第一总风电功率和所有所述第二总风电功率，计算得到所述风电功率预测损失值，并根据所有所述第一总光伏功率和所有所述第二总光伏功率，计算得到所述光伏功率预测损失值；分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理，并将所述风电功率预测损失值对应的加权结果和所述光伏功率预测损失值对应的加权结果相加，以获得所述联合预测损失值。3.如权利要求2所述的一种风光功率联合预测模型的构建方法，其特征在于，所述对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据，具体为：利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据，构成对应的第一变量矩阵；对所述第一变量矩阵进行去中心化处理，以获得对应的第二变量矩阵，并根据所述第二变量矩阵，计算得到对应的协方差矩阵；采用特征值分解法，计算所述协方差矩阵对应的多个特征值和各所述特征值对应的特征向量；将所有所述特征值按照从大到小的顺序进行排列，并根据排列结果选取前k个所述特征值，并利用前k个所述特征值对应的所述特征向量，对所述第一变量矩阵进行投影变换，以获得对应的所述待输入数据，实现对所述第一变量矩阵的降维优化处理。4.如权利要求1所述的一种风光功率联合预测模型的构建方法，其特征在于，所述按照adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型，具体为：按照adam算法，结合所述样本数据集中的所有所述风电场数据、所有所述光伏电站数
据、所有所述第一总风电功率和所有所述第一总光伏功率，计算得到所述全连接神经网络模型对应的参数修正值；利用所述参数修正值，对所述全连接神经网络模型的模型参数值进行迭代优化处理，每次迭代优化处理时根据当前所述参数修正值更新所述全连接神经网络模型的模型参数值，并获取当前所述全连接神经网络模型对应的所述联合预测损失值，直至优化次数达到预设次数或者当前所述联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为所述风光功率联合预测模型；其中，所述全连接神经网络模型包括输入层、输出层和若干个隐藏层，所述模型参数值包括各所述隐藏层对应的网络权重和偏置向量。5.一种风光功率联合预测模型的构建系统，其特征在于，包括：数据获取模块，用于对预设区域内的多个风电场和多个光伏电站分别进行实时观测，以获得样本数据集；其中，所述样本数据集包括各所述风电场对应的若干个风电场数据、各所述光伏电站对应的若干个光伏电站数据、所述预设区域在不同时刻下的第一总风电功率、以及所述预设区域在不同时刻下的第一总光伏功率；模型构建模块，用于按照adam算法，利用所述样本数据集，对预搭建的全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为风光功率联合预测模型；其中，所述联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功率预测损失值而计算得到的。6.如权利要求5所述的一种风光功率联合预测模型的构建系统，其特征在于，还包括：损失分析模块，用于对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入数据；将所述待输入数据输入至当前所述全连接神经网络模型，以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；按照预设的算法，根据所有所述第一总风电功率和所有所述第二总风电功率，计算得到所述风电功率预测损失值，并根据所有所述第一总光伏功率和所有所述第二总光伏功率，计算得到所述光伏功率预测损失值；分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理，并将所述风电功率预测损失值对应的加权结果和所述光伏功率预测损失值对应的加权结果相加，以获得所述联合预测损失值。7.如权利要求6所述的一种风光功率联合预测模型的构建系统，其特征在于，所述损失分析模块，具体包括：预处理单元，用于利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据，构成对应的第一变量矩阵；对所述第一变量矩阵进行去中心化处理，以获得对应的第二变量矩阵，并根据所述第二变量矩阵，计算得到对应的协方差矩阵；采用特征值分解法，计算所述协方差矩阵对应的多个特征值和各所述特征值对应的特征向量；将所有所述特征值按照从大到小的顺序进行排列，并根据排列结果选取前k个所述特征值，并利用前k个所述特征值对应的所述特征向量，对所述第一变量矩阵进行投影变换，以获得对应的所述待输入数据，实现对所述第一变量矩阵的降维优化处理；损失分析单元，用于将所述待输入数据输入至当前所述全连接神经网络模型，以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率；按照预设的算法，
根据所有所述第一总风电功率和所有所述第二总风电功率，计算得到所述风电功率预测损失值，并根据所有所述第一总光伏功率和所有所述第二总光伏功率，计算得到所述光伏功率预测损失值；分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理，并将所述风电功率预测损失值对应的加权结果和所述光伏功率预测损失值对应的加权结果相加，以获得所述联合预测损失值。8.如权利要求5所述的一种风光功率联合预测模型的构建系统，其特征在于，所述模型构建模块，具体包括：数据处理单元，用于按照adam算法，结合所述样本数据集中的所有所述风电场数据、所有所述光伏电站数据、所有所述第一总风电功率和所有所述第一总光伏功率，计算得到所述全连接神经网络模型对应的参数修正值；模型构建优化单元，用于利用所述参数修正值，对所述全连接神经网络模型的模型参数值进行迭代优化处理，每次迭代优化处理时根据当前所述参数修正值更新所述全连接神经网络模型的模型参数值，并获取当前所述全连接神经网络模型对应的所述联合预测损失值，直至优化次数达到预设次数或者当前所述联合预测损失值满足预设范围，则以当前所述全连接神经网络模型作为所述风光功率联合预测模型；其中，所述全连接神经网络模型包括输入层、输出层和若干个隐藏层，所述模型参数值包括各所述隐藏层对应的网络权重和偏置向量。9.一种风光功率联合预测方法，其特征在于，包括：获取待预测区域内的多个风电场对应的若干个风电场数据和多个光伏电站对应的若干个光伏电站数据，并对所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入矩阵；将所述待输入矩阵输入至风光功率联合预测模型，并输出所述待预测区域对应的功率预测向量，并根据所述功率预测向量，获取所述待预测区域在不同时刻下的总风电功率和总光伏功率，实现对待预测区域的风光功率联合预测；其中，所有所述风电场数据为各所述风电场在不同时刻下的风速、辐照度和温度，所有所述光伏电站数据为各所述光伏电站在不同时刻下的风速、辐照度和温度，所述风光功率联合预测模型是使用权利要求1至5任意一项所述的一种风光功率联合预测模型的构建方法构建得到的。10.如权利要求9所述的一种风光功率联合预测方法，其特征在于，所述对所有所述风电场数据和所有所述光伏电站数据进行预处理，以获得对应的待输入矩阵，具体为：利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据，构成对应的变量矩阵；采用主成分分析法，对所述变量矩阵进行降维优化处理，以获得对应的所述待输入矩阵。
技术总结本发明公开了一种风光功率联合预测模型的构建方法、系统及预测方法，包括：利用样本数据集，对全连接神经网络模型的模型参数值进行迭代优化，直至优化次数达到预设次数或者当前全连接神经网络模型对应的联合预测损失值满足预设范围，以训练后的模型作为风光功率联合预测模型；其中，样本数据集包括若干个风电场数据、若干个光伏电站数据、以及预设区域在不同时刻下的第一总风电功率和第一总光伏功率，联合预测损失值是结合风电功率预测损失值和光伏功率预测损失值而计算得到的。本发明结合实时的风电功率和光伏功率的预测损失值，对模型参数进行迭代优化，使得模型能够学习到风电功率和光伏功率之间的互动耦合关系，进而提升模型的预测精度。模型的预测精度。模型的预测精度。
技术研发人员：潮铸 何祥针 包博 段秦尉 唐旭辰 谢祥中 陈卉灿 汪洋 赖晓文 易江文
受保护的技术使用者：广东电网有限责任公司电力调度控制中心
技术研发日：2022.07.18
技术公布日：2022/11/1
