基于生成对抗网络的超短期光伏功率预测方法

1.本发明设计电网技术领域，特别是涉及利用基于半监督回归生成对抗网络进行超短期光伏功率预测。


背景技术：

2.当今世界，由于过度地依赖化石燃料，导致出现了大量的环境问题。目前能源结构朝向低碳，绿色发展，可再生清洁能源的发展得到了广泛的关注，光伏发电作为一种绿色环保的可再生能源近年来发展迅速。但是，由于光伏发电依赖光照、天气，这也导致光伏发电的间歇性，同时也为接入电网提出了挑战。因此，为了更好地将光伏发电和智能电网结合起来，进一步提高光伏发电的可靠性，研发一种准确的光伏发电功率预测技术是必要的。但是目前光伏发电预测的统计方法一般采用线性的函数建模，所以性能会受到一定的限制，同时，光伏发电预测还要依靠天气预报的准确性，所以为精准地预测带来了阻碍。
3.综上所述，统计方法预测光伏发电功率有一定的限制。


技术实现要素：

4.未解决现有技术的不足，本发明提出一种基于自适应噪声的完备经验模态分解及半监督学习生成对抗网络的超短期光伏功率预测，实现精确的超短期光伏功率预测。
5.为实现上述目的，本发明采用如下技术方案：一种基于生成对抗网络的超短期光伏功率预测方法，该方法包括以下步骤：
6.(1)从光伏电场获取原始光伏数据序列，并通过基于自适应噪声的完备经验模态分解为多个内涵模态分量，作为真实样本；
7.(2)为步骤(1)中得到的每个内涵模态分量单独构建生成对抗网络，所述生成对抗网络包括生成模型和判别模型；
8.(3)生成模型通过输入一组随机的噪声向量，通过模拟真实样本的数据分布生成虚拟样本，将虚拟样本和真实样本同时作为训练样本输入到判别模型中；判别模型输出结果，经过半监督回归环节得到预测值；
9.(4)根据预测值及误差函数计算误差，迭代更新判别模型参数；并反向传播误差，更新生成模型参数；
10.(5)判断是否训练模拟完成所有训练样本，如果是进入步骤(6)；否则返回步骤(3)；
11.(6)判断迭代次数是否达到设定值，如果是进入步骤(7)；否则返回步骤(3)；
12.(7)利用当前时刻之前的多个历史光伏内涵模态分量数据及噪声向量送入生成模型，由生成模型生成的虚拟样本；
13.(8)将生成模型生成的虚拟样本与真实样本送入训练后的判别模型，训练后的判别模型结果经过半监督回归环节得到预测值；返回步骤(7)。
14.进一步地，步骤(2)中，所述判别模型根据对生成模型所产生的的虚拟样本及真实
36.式中，和分别代表下一时刻的预测值和真实值，l
sup
为监督部分误差函数，l
unsup
为非监督部分误差函数。
37.进一步地，步骤(4)中的训练更新过程具体步骤为：
38.(4.1)通过判别模型的误差函数可以得到判别模型中各层的误差，判别模型的参数将通过adam算法进行更新；
39.(4.2)根据更新参数后的判别模型，计算预测误差，并将预测误差传回到生成模型中，更新一次生成模型的参数；
40.(4.3)当迭代次数达到预设值或预测误差小于某一阈值时，就立即结束训练过程。
41.与现有技术相比，本发明的有益效果是：
42.本发明采用一种基于生成对抗网络和半监督回归的混合点预测进行光伏功率预测，基于光伏原始序列的波动性及非线性，使用自适应噪声的完备经验模态分解进行原始数据序列分解。并且根据前10个时刻(步长为15min)的数据得到下一时刻的预测值。
43.本发明解决了传统人工神经网络样本不足的问题，提高了生成对抗网络的泛化能力；降低了传统经验模态分解所带来的模态混叠问题，及集合经验模态分解在加入白噪声后分解失去完备性、产生重构误差的问题；克服了光伏功率预测偏差较大的问题，提高了准确性。
附图说明
44.图1本发明提供的生成模型结构图；
45.图2本发明提供的判别模型结构图；
46.图3本发明提供的预测方法流程图；
47.图4本发明提供的各方法及真实光伏数据曲线图(步长15分钟)；
48.图5本发明提供的各方法评价指标对比。
具体实施方式
49.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
50.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
51.如图1、图2和图3所示，本发明提供了一种基于生成对抗网络的超短期光伏功率预测方法，开始输入该光伏电场历史数据，对原始时间序列分解。生成模型模拟原始时间序列的内涵模态分量(真实样本)，生成虚拟样本；虚拟样本与真实样本送入判别模型，经由半监督回归环节，计算误差，更新判别模型，生成模型参数；结束训练过程后，利用前10个时刻的历史光伏数据，预测下一时刻(或多个时刻)的光伏功率，具体步骤如下：
52.(1)从光伏电场获取原始光伏数据序列，并通过基于自适应噪声的完备经验模态分解为3个内涵模态分量，作为真实样本；所述内涵模态分量，简称imf，代表的是原始信号
通过经验模态分解之后得到的各层信号分量。其有两个限制条件：1)在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个。2)在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称。
53.将原始光伏数据序列通过自适应噪声的完备经验模态分解(ceemdan)为多个内涵模态分量的具体步骤具体如下：
54.(1.1)产生n
t
个带有原始版本的噪声信号，x
i
(t)＝x(t)+λ0n
i
(t)，x(t)为初始信号,t表示时间，x
i
(t)为第i个带有噪声的信号，λ0为振幅系数，n
i
(t)是服从n(0,1)分布的第i个白噪声；
55.(1.2)通过下式得到第一个内涵模态分量imf1(t)：
[0056][0057]
表示第i个带有原始版本的噪声信号的内涵模态分量，第一个阶段，计算剩余信号序列：
[0058]
r1(t)＝x(t)
‑
imf1(t)
[0059]
式中，r1(t)为整体信号减去第一个模态分量后的剩余信号。
[0060]
(1.3)在剩余信号序列中，通过下式分解得出第二个内涵模态分量：
[0061][0062]
式中，e
j
(.)代表产生第j个由经验模态分解得到的模态的函数；
[0063]
(1.4)用步骤(1.3)同样的方法得到第三个内涵模态分量，最后的原始信号可分解为：
[0064][0065]
式中，r(t)为最终剩余的残差信号。
[0066]
(2)为步骤(1)中得到的每个内涵模态分量单独构建生成对抗网络，所述生成对抗网络包括生成模型和判别模型；所述判别模型根据对生成模型所产生的的虚拟样本及真实样本进行判别，识别样本来源。构建生成对抗网络具体流程为：
[0067]
(2.1)生成模型采用卷积神经网络：将一维数据样本转换为二维数据样本，作为转置卷积层的输入，利用转置卷积层将多个二维数据样本映射到高维的数据空间，以模拟真实样本的复杂分布；之后将二维数据样本特征转换为一维数据，以匹配判别模型的输入维数；将虚拟样本p
fake
和真实样本p
labeled
输入至判别模型；生成模型的误差函数l
g
如下：
[0068]
l
g
＝||e
·
f(p
fake
)
‑
e
·
f(p
labeled
)||2[0069]
式中，p
fake
表示虚拟样本，p
labeled
表示真实样本，f(p
fake
)和f(p
labeled
)代表判别模型中间层输出，e代表期望函数，||
·
||2为2范数的平方。
[0070]
(2.2)判别模型采用卷积神经网络：将光伏数据的虚拟样本和真实样本作为判别模型的输入；并将输入样本转换为特征图；对输入样本进行卷积和池化运算，得到输入样本的高维特征表示；最后将回归层连接到判别模型末尾的全连接层，对光伏数据进行非线性
回归环节，得到光伏功率预测数据；判别模型的误差函数有两部分组成：
[0071]
l
d
＝l
unsup
+l
sup
[0072][0073]
l
unsup
＝
‑
||e
·
f(p
fake
)
‑
e
·
f(p
labeled
)||2[0074]
式中，和分别代表下一时刻的预测值和真实值，l
sup
为监督部分误差函数，l
unsup
为非监督部分误差函数。
[0075]
(3)生成模型通过输入一组随机的噪声向量，通过模拟真实样本的数据分布生成虚拟样本，将虚拟样本和真实样本同时作为训练样本输入到判别模型中；判别模型输出结果，经过半监督回归环节得到预测值；
[0076]
(4)根据预测值及误差函数计算误差，迭代更新判别模型参数；并反向传播误差，更新生成模型参数；训练更新过程具体步骤为：
[0077]
(4.1)通过判别模型的误差函数可以得到判别模型中各层的误差，判别模型的参数将通过adam算法进行更新；adam是一种可以替代传统随机梯度下降(sgd)过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。adam最开始是由openai的diederik kingma和多伦多大学的jimmy ba在提交到2015年iclr论文(adam:a method for stochastic optimization)中提出的；权重更新公式可表示为：
[0078][0079]
式中，w
i
代表权重，α
i
代表学习率，m
i
为一阶矩估计向量，v
i
为二阶矩估计向量，ε为一个足够小的数，保证分母不为0；偏差更新公式可表示为：
[0080][0081]
式中，b
i
代表偏差；同时，一二阶矩估计向量与学习率更新公式可表示为：
[0082][0083][0084][0085]
式中，β1，β2代表指数衰减系数，数值可设为0.9和0.999，l
i
为误差函数，α0可设为10
‑3。
[0086]
(4.2)根据更新参数后的判别模型，计算预测误差，并将预测误差传回到生成模型中，更新一次生成模型的参数；
[0087]
(4.3)当迭代次数达到预设值或预测误差小于某一阈值时，就立即结束训练过程。
[0088]
(5)判断是否训练模拟完成所有训练样本，如果是进入步骤(6)；否则返回步骤(3)；
[0089]
(6)判断迭代次数是否达到设定值，如果是进入步骤(7)；否则返回步骤(3)；
[0090]
(7)利用当前时刻之前的多个历史光伏内涵模态分量数据及噪声向量送入生成模型，由生成模型生成的虚拟样本；
[0091]
(8)将生成模型生成的虚拟样本与真实样本送入训练后的判别模型，训练后的判
别模型结果经过半监督回归环节得到预测值；返回步骤(7)。
[0092]
根据预测值，可以根据下式计算光伏功率预测的评价指标：
[0093]
(a)平均绝对误差(mae)：
[0094][0095]
(b)平均绝对误差百分比(mape)
[0096][0097]
(c)均方差(rmse)
[0098][0099]
式中代表时刻t
i
的光伏功率预测结果，代表时刻t
i
的真实光伏功率值。
[0100]
本发明中，生成模型和判别模型均采用卷积神经网络，卷积神经网络是一种带有卷积结构的深度神经网络，卷积结构可以减少深层网络占用的内存量，其三个关键的操作，其一是局部感受野，其二是权值共享，其三是pooling层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。卷积神经网络结构包括：卷积层，下采样层，全连接层。每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元；下面对卷积层，降采样层，全连接层做出解释：
[0101]
卷积层：通过卷积运算我们可以提取出图像的特征，通过卷积运算可以使得原始信号的某些特征增强，并且降低噪声；
[0102]
下采样层：因为对图像进行下采样，可以减少数据处理量同时保留有用信息；
[0103]
全连接层：采用softmax全连接，得到的激活值即卷积神经网络提取到的图片特征。
[0104]
本发明中生成模型如图1所示，包括：
[0105]
全连接层：根据输入数据及设置参数改变样本大小，实现数据分类，特征提取；
[0106]
重构层：仅改变数据维度，不改变内容；
[0107]
转置卷积层：将数据映射到高维，便于模拟真实样本细节；
[0108]
初始随机噪声通过全连接层及重构层将一维数据转换为多层输入特征的二维数据，输入到转置卷积层中，通过多个转置卷积层，将特征图映射至高维来放大模拟特征细节，最后将最后一层转置卷积层输出输入至全连接层，转换为一维数据，输出生成模型结果。
[0109]
本发明中判别模型如图2所示，包括：全连接层，重构层；
[0110]
卷积层：根据样本大小及卷积核参数进行卷积运算，在原始的输入上进行特征的提取；
[0111]
半监督回归环节：根据判别模型输出结果进行下一时刻(或多个时刻)的光伏功率预测
[0112]
生成模型所产生的的虚拟样本与真实样本一同送入判别模型，由全连接层及重构
层将一维数据输入转换为二维数据输出，将高维数据输入至相连接的卷积层，进行特征提取，在经过多个卷积层卷积计算后，输入至全连接层，转换为一维数据，并通过半监督回归得到预测结果。当参数更新时，优先更新判别模型，然后更新生成模型。
[0113]
为了使得本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的仿真实施例与对比例详细说明本技术的技术方案。
[0114]
对天合库米什光伏一电站光伏电场进行仿真，以1月数据为例，选择1000分样本数据，训练样本与测试样本数目之比为4:1，即800个训练样本，200个测试样本；图4、图5分别展示了本方法与其他方法及真实数据曲线变化和各方法评价指标对比。可以看出本方法的表现明显优于其他方法，并且误差更小，准确率更高。
[0115]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。