[发明专利]基于时间卷积网络的细粒度光伏负荷预测方法

说明书

本发明涉及一种基于时间卷积网络的细粒度光伏负荷预测方法，属于智能电网技术领域。步骤如下：收集天气原始数据，对每个原始天气数据根据光伏现场采集的太阳辐射综合数据赋予浮点值，进行编码处理，其它原始数据为浮点数表示的不作处理，得到最终的天气特征数据。设定原始负荷数据的采集频率和阈值，并通过比较采集频率和阈值设定功率窗长。前端为输入层，经过残差块以及Flatten层，再经过全连接层，最后得出预测结果，即为时间卷积网络。输入构建的时间卷积网络中，得到预测结果。预测效果较好，基于卷积网络可以并行化计算，大大提高了训练速度。

技术领域

本发明涉及一种基于时间卷积网络的细粒度光伏负荷预测方法，属于智能电网技术领域。

背景技术

由于电能难以大量存储以及电力需求时刻变化等特点，要求系统发电应与负荷的变化实现动态平衡。提高负荷预测准确率有利于提高光伏发电设备的利用率和经济调度的有效性。电力负荷数据具有时序性和非线性的特点，围绕其特点，国内外一般对短期电力负荷预测的模型研究分为两类，一类是时间序列分析方法，例如回归分析法、指数平滑模型法、卡尔曼滤波法、自回归积分滑动平均模型等，基本思想是从随机时间序列的过去负荷值及现在负荷值来预测未来负荷值，它的优点在于考虑了数据的时序性关系，缺点是对非线性关系数据的预测能力有限。第二类是机器学习分析方法，如随机森林，支持向量机等。这类算法问题在于缺少对时序数据时间相关性的考虑，需要人为添加时间特征来保证预测的结果。

目前长短时记忆网络（LSTM）由于兼顾数据的时序性和非线性关系，被逐渐应用在负荷预测领域。但LSTM算法由于原理特性，导致其不能进行并行计算，训练速度很慢，非常消耗计算资源。

采用时间卷积网络TCN进行光伏负荷的短时预测，不仅预测效果较好，而且，基于卷积网络可以并行化计算，大大提高了训练速度。在大数据的背景下，可以高效的训练模型。

发明内容

发明目的：针对上述现有存在的问题和不足，本发明的目的是提供一种基于时间卷积网络的细粒度光伏负荷预测方法，采用时间卷积网络TCN进行光伏负荷的短时预测，不仅预测效果较好，而且，基于卷积网络可以并行化计算，大大提高了训练速度。在大数据的背景下，可以高效的训练模型。

技术方案：为实现上述发明目的，本发明采用以下技术方案：

一种基于时间卷积网络的细粒度光伏负荷预测方法，包括如下步骤：

步骤1：收集天气预报原始数据，对其中每个天气原始数据根据经验和光伏现场采集的太阳辐射综合数据赋予浮点值，代表该天气下的太阳能辐射情况，对不同情况进行编码处理，其他天气预报原始数据为浮点数表示的不作处理，得到最终的天气特征数据；

步骤2：功率窗长window_size的选定：设定原始负荷数据的采集频率和阈值，并通过比较采集频率和阈值设定功率窗长window_size；

步骤3：时间卷积网络搭建：前端为输入层，经过若干个残差块以及一层Flatten层，再经过若干个全连接层，最后得出预测结果，即为时间卷积网络；

步骤4：负荷预测：取T时刻，将T-1-window_size至T-1区间的负荷序列和T时刻的天气特征输入步骤3中构建的时间卷积网络中，得到预测结果。

进一步的，步骤1中得到所述最终的天气特征数据的具体步骤为：

步骤1.1：爬取天气预报原始数据，包括复合天气特征、气温、风向风速、气压、湿度和降水概率；

步骤1.2：将步骤1.1得到的天气预报原始数据中的复合天气特征拆分为天气1和天气2；