[发明专利]基于联邦学习的区域光伏功率概率预测方法及其协同调控系统

说明书

一种基于联邦学习的区域光伏功率概率预测方法，主要包括如下步骤：明确区域内各个参与联邦学习框架进行概率预测的光伏电站，收集一段时间内信息以及对应的光伏功率变量，并按时间顺序采集上述变量构成样本数据集；对上述步骤获得的样本数据集进行缺失值与异常值处理；对光伏电站的样本数据集进行分割，按照一定比例分割为训练集与测试集；分别对训练集和测试集进行归一化；步骤，构建联邦学习框架；根据中心服务器根据预测要求，建立全局预测模型，定义训练误差函数与精度要求，并将网络结构以及初始化参数分发至各个光伏电站。

技术领域

本发明属于光伏电站发电量预测技术领域，涉及一种针对区域能源协同调控系统以及基于联邦学习框架的区域光伏功率概率预测方法。

背景技术

可再生能源“消纳”难题一直制约着中国能源电力行业的转型发展。近年来，通过政府政策引导、深入挖掘如火电、水电和抽水蓄能等各类电源调峰潜力、加强市场调节能力等措施，使消纳问题逐步得到改善，但是一些瓶颈问题依然存在：

1.中国灵活性电源相对匮乏，如东北、华北和西北地区抽水蓄能、燃气电站等灵活调节电源比重不足2％，特别是供暖季节，热电联产机组受“以热定电”运行模式的约束，加剧了电力系统调峰压力，严重挤占了可再生能源消纳空间；

2.已实施的热电联产机组灵活性调节技术中蓄热罐、电锅炉等存在效率问题，低压缸零出力和蒸汽流程改造等存在适配性问题；

3.在利用电热综合调控手段提高电力及供暖灵活性、促进可再生能源消纳方面还缺少必要的技术储备。

围绕北方冬季“清洁供暖”和“可再生能源消纳”两大环境和能源发展需求，构建区域能源协同调控体系，破解传统热电联产机组有限调节能力与可再生能源消纳之间的矛盾，提升热电联合系统运行灵活性，实现供热与环保的协调联动具有重要现实意义。以电、热综合能效最优为目标的含有电热泵的区域能源协同调控体系，离不开对区域内可再生能源例如光伏发电功率的准确预测，来动态调节各种能源出力情况。

太阳能是一种源自自然的清洁、可持续能源，其总量丰富，具有广阔的应用前景。随着新能源发电系统规模的不断增长，其接入对电力系统的影响不断提高，促使对高效预测工具的需求更加迫切。仅对某个光伏电站的小规模预测模型已经不能够满足需求，能够处理大跨度地理区域的预测模型将成为未来电力生产的重要支撑。

目前对光伏功率预测的研究主要关注的是确定性预测(点预测)，即预测出某一确定位置在未来某一时刻时的输出功率。而光伏功率容易受到天气变化等影响，存在较强的随机性与不确定性，特别是天气状况频繁波动与大范围波动时，点预测常与实际值存在显著的差异，精度难以满足电力系统运行调度的需求。此外，点预测虽然给出了最关键的预测信息，但其所包含的信息量相较于概率预测较小，无法反映光伏功率不确定性带来的运行风险，不利于电网运行的备用决策，在大规模光伏发电接入的形势下难以适应电力系统安全、稳定、经济运行的需要。

实际测得的气象数据与辐照度数据常分散在不同的机构，形成了一个个“数据孤岛”，即便一个机构内部，数据壁垒也不易打通，缺乏有效的互通和协作。而将散落在各地、各机构的数据合并集中则存在着数据隐私与泄露保护问题。由于隐私、安全或法律限制，数据所有者常无法直接共享其原始数据以进行模型训练，以上严重制约人工智能发展。

发明内容

针对上述问题，本发明提出一种基于联邦学习的区域光伏功率概率预测方法。该方法利用联邦学习框架以及贝叶斯长短期记忆神经网络，以在保护数据隐私的前提下综合考虑不确定性提高短期区域光伏功率预测精度，并给出不同置信水平下的概率预测结果。在联邦学习框架下，实现本地化的数据存储与模型训练，全局化模型优化与更新。技术方案如下：

基于联邦学习的区域光伏功率概率预测方法，包括如下步骤：

步骤1.明确区域内各个参与联邦学习框架进行概率预测的光伏电站，收集一段时间内气象信息以及对应的光伏功率变量，并按时间顺序采集上述变量构成样本数据集；