基于深度学习模型的光伏发电负荷预测.pdf
《基于深度学习模型的光伏发电负荷预测.pdf》由会员分享,可在线阅读,更多相关《基于深度学习模型的光伏发电负荷预测.pdf(4页珍藏版)》请在咨信网上搜索。
1、2023年第45卷第4期第6 2 页文章编号:1 0 0 5-7 2 7 7(2 0 2 3)0 4-0 0 6 2-0 3电气传动自动化ELECTRICDRIVE AUTOMATION基于深度学习模型的光伏发电负荷预测Vol.45,No.42023,45(4):6264许伟欣1,杨明,骆海琦,柏厚超3(1.国网江苏省电力有限公司扬州供电分公司,江苏扬州2 2 50 0 0;2.江苏苏源高科技有限公司,江苏南京2 1 0 0 0 0;3.江苏拓浦高科技有限公司,江苏南京2 1 0 0 0 0)摘要:光伏发电作为分布式能源不断普及,对电力基础设施稳定构成了一系列挑战。本文提出了一个有监督的深度学
2、习模型用于光伏发电预测,该模型利用数值天气预报和高分辨率历史测量来预测时间间隔内的联合概率分布,而不用预测变量的预期值,与常见的基线方法一一如完全连接的神经网络和长期短期记忆体系结构相比,这种设计提供了显著的性能改善,使用归一化基于平均平方误差的预测技能得分作为关键绩效指标,将提出的方法与其他模型进行比较,结果表明,新设计的性能高于目前的光伏电源预测技术水平。关键词:深度学习;光伏发电;负荷预测;分布式发电中图分类号:TM715+.1(1.State Grid Jiangsu Electric Power Co.,Ltd.Yangzhou Power Supply Branch,Yangzho
3、u 225000,Jiangsu,China;2.Jiangsu Suyuan High Technology Co.,Ltd.,Nanjing 210000,Jiangsu,China;3.Jiangsu Tuopu High Technology Co.,Ltd.,Nanjing 210000,Jiangsu,China)Abstract:The continuous popularity of photovoltaic power generation as a distributed energy source poses a seriesof challenges to the st
4、ability of power infrastructure.This article proposes a supervised deep learning model forphotovoltaic power generation prediction.The model uses Numerical weather prediction and high-resolutionhistorical measurement to predict the joint probability distribution within the time interval,rather than
5、the expectedvalue of the prediction variable.Compared with common baseline methods such as fully connected neural networkand long-term Short-term memory architecture,this design provides significant performance improvement.Thenormalized prediction skill score based on mean square error is used as th
6、e Performance indicator,Comparing theproposed method with other models,the results show that the performance of the new design is higher than thecurrent level of photovoltaic power prediction technology.Key words:Deep learning;Photovoltaic power generation;Load forecasting;Distributed generation文献标志
7、码:APhotovoltaic Load Forecasting Based on Deep Learning ModelXU Weixin,YANG Ming,LUO Haiqi,BAI Houchao3随着电力系统向更加分散的能源资源(DER)的转变,以及随之而来的高渗透水平对电力基础设施产生的负面影响,导致了对能准确预测DER工具的需求,特别是对具有高瞬态速度和显著间歇性资源,如光伏(PV)太阳能的高要求。与此同时,智能电网的不断推进和物联网技术的进步使得对住宅光伏产量的精确、高分辨率测量以及高质量、细粒度的天气数据,如高分辨率快速刷新(HRRR)模型提供的预报成为可能I-2。通过使用现
8、代深度学习(DL)方法,许多序列相关领域的模型性能得到了显著改善。可以从目前的文献综述中看到,虽然这是自然语言处理(NLP),语言建模和其他类似任务的情况,PV功率预测没有经历类似的连续性,为PV电力生产预测领域DL模型的结构改进开辟了潜力。在本文中,我们提出并评价了一个序列到序列(S2S)模型,进行执行住宅光伏发电日前预测。这个模型基于DL及NLP领域2023年第4期的两个开创性创新,引入的S2S架构和使用注意力机制作为额外的上下代码生成器。该模型可以利用高分辨率的历史数据,通过深度学习模型预测一个时间序列的联合概率分布。与基线模型和当前文献报道的结果相比,本文的研究结果提高了预测准确性。1
9、理论分析1.1预测分析目前,光伏发电量预测问题已经得到了积极地研究,这项研究产生了各种各样的预测模型和工具,预测范围和分辨率从几分钟到几周不等,采用了从物理和统计建模到机器学习(ML)的不同技术。预测通常作为变量的预期值提供,即预测步骤中光伏发电产量的预期点值 3-5。然而,如果预测被表示为一个概率分布,它本身就会提供更多的信息,从而为用户提供更高的价值。由于光伏发电量取决于多个变量,通常的做法是向预测系统提供来自数值天气预报(NWP)模型的额外数据,包括压力、湿度、温度、辐照、风速和风向。虽然预测来自住宅装置和大型光伏阵列的发电量被认为是两个截然不同的问题,但它们在很大程度上采用了相同的技术
10、。1.2深度学习序列分析单块循环体系结构的明显缺点是其固定的输人输出分辨率,对于语音识别等,需要对输入频率和输出频率进行解耦,即使使用时间投影层,单块递归模型的性能也会受到影响,因此有学者提出了序列到序列(S2S)模型。它由两个模块组成:一个LSTM编码器和一个LSTM解码器。第一个模块对输人信号进行编码,将其最终的LSTM隐藏状态作为上下传输向量传输给解码器,并从输入序列中收集有价值的信息,使得解码器只接收有用的信息。解码器以自循环方式展开输出,在时间步长t返回时将其输出作为时间步长t+1的输人。特征提取和输出合成之间的这种体系结构上的区别,除了输入和输出时间分辨率的解耦之外,被证明是有效的
11、。许伟欣,杨明,骆海琦,柏厚超基于深度学习模型的光伏发电负荷预测VdkA(Q,K,V)=sofmax(score(Q,K)x(VWv)(2)其中,dk是键K的长度。Wo,Wk,Wv是变量,W表示到一个固定维度的投影,例如通过线性激活前馈层。分值(Q,K)表示一个特征Q,相对于K的重要性,表明网络应该更具备专注的特征,Vdk的标准化是为了防止可能导致softmax不稳定性。A是表示有用上下传输的对齐矩阵,通过此矩阵的使用,性能提升主要归功于恢复有用信息,否则S2S模型将难以开发。1.3发电机约束对燃气发电机的约束由式(3)至式(5)给出。式(3)中的决策变量ECE和UGE分别代表t=O时燃气发动
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 模型 发电 负荷 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。