[发明专利]基于多任务的分布式光伏电站超短期功率预测方法及系统

说明书

本发明公开了一种基于多任务的分布式光伏电站超短期功率预测方法及系统，包括：获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据，进行归一化；将获取的数据输入到训练好的多任务学习神经网络模型中，得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据；其中，所述多任务学习神经网络模型采用硬参数共享方式，包括两层硬参数共享层以及一层子任务层。本发明所构建的多任务学习网络能够实现“多输入、多输出”，克服了区域内多个光伏电站发电功率预测时效率低下的问题，能够同时实现多个光伏电站发电功率的预测，提高了超短期光伏发电功率预测的精度。

技术领域

本发明涉及智能配电/用电技术领域，尤其涉及一种基于多任务的分布式光伏电站超短期功率预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

分布式光伏作为主要的可再生能源之一，具有清洁、安全、可靠的优点，近年来得到了快速发展。然而，光伏发电功率的随机性与波动性也为电网的稳定运行带来挑战。进行光伏发电功率预测有助于调度部门及时调整调度计划，从而降低光伏并网对系统的负面影响，因此准确、快速的光伏发电功率预测对电力系统的安全、经济运行具有重要意义。

传统的预测方法虽然比较成熟，预测结果具有一定的参考价值，但要使光伏发电功率预测更好地服务于智能电网建设，满足安全、可靠、优质、高效的新需求，就需要对传统光伏功率发电预测方法进行全面的革新，进一步提高预测的精度。以深度学习为代表的新兴交叉学科理论的出现，也为光伏发电功率预测问题提供了新的解决思路。

目前，光伏发电功率预测从时间尺度上主要可以分为超短期预测及日前预测。其中，超短期光伏发电预测对电网调度计划安排及储能系统配置等具有重要意义，与电力系统的安全稳定运行密切相关。超短期光伏发电功率预测的主要问题在于:以往的研究往往只预测一个单一的光伏电站，没有考虑到区域内多个光伏电站之间的相关性，且在进行区域内多个光伏电站的预测时效率低下。

发明内容

为了解决上述问题，本发明提出了一种基于多任务的分布式光伏电站超短期功率预测方法及系统，能够通过硬参数共享的方式共享区域内多个光伏电站的历史特征，从而考虑多个光伏电站的相关性，同时利用网络“多输入、多输出”的特性，同时对区域内多个光伏电站的发电功率进行预测，提高了超短期光伏发电功率预测的精度和效率。

在一些实施方式中，采用如下技术方案：

一种基于多任务的分布式光伏电站超短期功率预测方法，包括：

获取待预测时刻前T个光伏发电功率数据及待预测时刻的影响因素数据，进行归一化；T为自然数；

将获取的数据输入到训练好的多任务学习神经网络模型中，得到待预测时刻的区域内多个分布式光伏电站的光伏发电功率预测数据；

其中，所述多任务学习神经网络模型采用硬参数共享方式，包括两层硬参数共享层以及一层子任务层。

进一步地，得到待预测时刻的光伏发电功率预测数据之后，还包括：

对所述光伏发电功率预测数据进行反向归一化，得到最终的光伏电站超短期功率预测数据。

进一步地，所述待预测时刻的影响因素数据包括：温度、相对湿度、全球水平辐射、扩散水平辐射、风向和日降雨量。

进一步地，进行多任务学习神经网络模型的训练时，构建样本数据库，具体包括：

获取区域内N个光伏电站与待预测日前M天的历史功率数据，构建历史功率数据数据库；获取对光伏发电产生影响的影响因素特征数据，构建特征数据库；对所述历史功率数据数据库和特征数据库中的数据进行归一化操作。

进一步地，对历史功率数据数据库中的数据，以T+1个点为单位进行分割。