[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117973644A - 一种考虑参考电站优化的分布式光伏功率虚拟采集方法 - Google Patents

一种考虑参考电站优化的分布式光伏功率虚拟采集方法 Download PDF

Info

Publication number
CN117973644A
CN117973644A CN202410389240.9A CN202410389240A CN117973644A CN 117973644 A CN117973644 A CN 117973644A CN 202410389240 A CN202410389240 A CN 202410389240A CN 117973644 A CN117973644 A CN 117973644A
Authority
CN
China
Prior art keywords
virtual
representing
distributed photovoltaic
reference power
power station
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410389240.9A
Other languages
English (en)
Other versions
CN117973644B (zh
Inventor
葛磊蛟
杜天硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202410389240.9A priority Critical patent/CN117973644B/zh
Publication of CN117973644A publication Critical patent/CN117973644A/zh
Application granted granted Critical
Publication of CN117973644B publication Critical patent/CN117973644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种考虑参考电站优化的分布式光伏功率虚拟采集方法，涉及数据处理技术领域，包括以下步骤：步骤1：采用门控循环单元作为虚拟采集器来捕捉分布式光伏的时间相关性。基于Wasserstein距离度量的损失函数和注意力机制被引入到GRU来辅助虚拟采集器学习不同电站之间复杂的映射关系；步骤2：在传统的蜜獾优化算法中引入时变二进制传递函数、混沌初始化策略来搜索使虚拟采集精度最高的参考电站集合；步骤3：采用无模型强化学习深度DQN自适应动态调整虚拟采集器的超参数。本发明解决了海量分布式光伏建设带来的高采集成本、低采集可靠性的难题，对未来分布式光伏电站更好地开展精细化管理、精益化运维具有重要意义。

Description

一种考虑参考电站优化的分布式光伏功率虚拟采集方法
技术领域
本发明属于电力技术领域，涉及分布式光伏运行数据采集，为一种考虑参考电站优化的分布式光伏功率虚拟采集方法。
背景技术
随着能源短缺和环境污染的加剧，光伏系统已成为解决能源和环境问题的重要手段之一。与集中式光伏相比，分布式光伏以其安装灵活、能源利用率高等优点得以迅速发展。然而，分布式光伏数量的增加使得监测分布式光伏的运行状态需要大量传感器和通信设备。偏远地区的分布式光伏数据传输需要高昂的通信费用，巨大的数据量还需要广泛的服务器、数据库和数据监控平台，导致许多用户由于隐私或成本原因并不愿意使用这项服务。此外，随着分布式光伏安装位置的地理环境和天气条件的复杂多变，传输过程往往存在数据缺失、传输堵塞以及设备故障等问题。因此，有必要为分布式光伏集群开发一种具有经济性、鲁棒性的数据收集方法。
发明内容
本发明的目的在于：提供了一种考虑参考电站与超参数优化的分布式光伏运行数据虚拟采集方法以解决海量分布式光伏运维数据采集成本高、可靠性低的难题，主要发明内容如下：基于区域内各分布式光伏具有空间相关性这一事实，采用门控循环单元GRU作为虚拟采集器来捕捉分布式光伏的时间相关性。基于Wasserstein距离度量的损失函数和注意力机制被引入到GRU来挖掘不同电站之间复杂的映射关系。其次，在传统的蜜獾优化算法(HBA)中引入时变二进制传递函数、混沌初始化策略来搜索使虚拟采集精度最高的参考电站集合。最后，为了提高复杂天气条件下虚拟采集器的性能，采用无模型强化学习深度Q网络(DQN)自适应动态调整虚拟采集器的超参数。
本发明采用的技术方案如下：
一种考虑参考电站优化的分布式光伏功率虚拟采集方法，包括以下步骤：
步骤S1：设计虚拟采集器AL-GRU，采用GRU挖掘分布式光伏之间的时空关联特性，注意力机制用于在不同时刻动态调整参考电站的权重，基于Wasserstein 距离度量的新损失函数用于提高GRU拟合性能；
步骤S2：以所述虚拟采集器AL-GRU为数据推理模型，对区域内的参考电站进行优化，以实现通过优化后的参考电站收集区域内所有分布式光伏电站的运行数据，引入时变二进制传递函数、混沌初始化策略的蜜獾优化算法HBA，以K折交叉验证分数最高为目标函数进行优化；
步骤S3：设计状态空间、动作空间和奖励函数指导强化学习中的DQN学习历史场景中的超参数变化，在离线应用阶段能够根据分布式光伏的出力变化趋势自适应调整超参数。
进一步的，所述GRU的结构包括更新门和重置门，重置门的输出控制网络当前时刻的输入与历史时刻记忆之间的融合程度，更新门的输出决定了保留参考电站历史输出功率信息的比例，假设t时刻GRU的输入为，结合重置门和更新门可以得到t时刻的输出，具体计算公式如下：
；
；
；
；
式中：、为重置门对应的权重矩阵；W zy 、W zh 为更新门对应的权重矩阵；、为GRU输出对应的权重矩阵；表示Hadamard运算；b表示偏置向量；表示t-1时刻GRU的输出；为更新候选值；表示sigmoid激活函数。
进一步的，所述注意力机制考虑了历史出力状态构建输入滑窗，从而给注意力机制模块提供更多参考信息，假设t时刻下注意力机制模块的输入为，其中，为区域内所选参考电站的数量，为长度为T 1的时间滑窗，为了获取该时刻下各参考电站对当前待采集分布式光伏的重要程度，以作为输入构建三层注意力机制神经网络ANN，并通过Softmax层对ANN的输出进行归一化，具体计算过程如下：
；
；
；
式中：和分别为注意力机制模块输入层和隐含层的输出；和分别为输入层和隐含层的激活函数；和分别为神经网络的权重矩阵和偏置项；为第i个参考电站的权重系数；
将获得的参考电站注意力分布矩阵与当前时刻的输入相乘，得到不同参考电站对当前待采集分布式光伏的重要程度评估后的输入，虚拟采集器将根据输入拟合待采集电站的输出，计算过程如下：
；
；
通过K-shape聚类算法将待采集分布式光伏的日变化曲线划分为K个模式，计算方法如下：
；
；
；
式中：SBD是基于形状的距离；，表示进行比较的两个分布式光伏功率时间序列；由于采样时间为15min，时间序列的长度T=96；表示互相关序列的长度；k是两个序列的相对滑动距离。
进一步的，获取K类曲线的样本权重，采用概率分布衡量这K类曲线与整体波动情况的差异，利用Wasserstein距离对所得K类曲线的概率分布与整体概率分布进行度量，假设两个曲线类别的分布分别为P和Q，具体计算公式如下：
；
式中：表示P和Q分布组合起来的所有联合分布的集合；x和y分别表示从联合分布中采样得到的样本；表示样本间的距离；在所有可能的联合分布中，样本对距离的期望值下界即为Wasserstein距离；
通过Softmax函数获取每类曲线所占权重，在离线训练过程中，为属于不同类别曲线的样本赋予不同的权重，Wasserstein距离度量的损失函数指导虚拟采集器的具体计算公式如下：
；
；
式中：表示第i类曲线与整体概率分布的Wasserstein 距离；表示训练集中第i类曲线的样本数量；表示第i类曲线的样本权重；是属于第i类曲线中的第k个样本的虚拟采集结果；是真实功率。
进一步的，所述步骤S2中的参考电站选择过程包括：
步骤S201：定义参考电站选择问题，假定含有个分布式光伏的二元状态变量集合为，当其中的元素为1时说明该分布式光伏被选为参考电站，当其中的元素为0时说明该分布式光伏被选为待采集分布式光伏；
步骤S202：将K折交叉验证分数引入目标函数，在满足约束条件的前提下进行优化，具体描述如下：
；
；
；
式中：表示验证集样本数量；表示训练集样本数量；和分别表示第m个待采集分布式光伏的第i个虚拟采集值和真实值；K V 为交叉验证的折数；N cpv 表示待采集分布式光伏的数量，
优化过程中参考电站的数量计算公式为：
；
参考电站数量的约束为：
；
式中：为参考电站数量的最大值；
步骤S203：对HBA进行改进，引入时变二进制传递函数，使HBA适应二进制优化任务，引入混沌初始化策略，提高HBA初始解集的质量，具体描述如下：
时变二进制传递函数计算公式为：
；
式中：控制参数，t为当前迭代次数，和分别为控制参数的上限和下限，x代表HBA个体的位置；e为自然底数；
HBA个体的位置通过时变二进制传递函数的变换过程如下：
；
式中：表示HBA第m个搜索代理的第d个维度；rand表示0到1的随机数，
所述混沌初始化策略采用tent映射产生初始种群序列，其表示式如下：
；
步骤S204：基于步骤S202设定的目标函数和约束条件，以步骤S1开发的模型为虚拟采集器，通过步骤S203所提出的优化策略进行优化，得到最佳参考电站集合，随后将以选定参考电站为输入，其他待采集分布式光伏为输出训练虚拟采集器，实现区域内整个分布式光伏系统运行数据的采集。
进一步的，所述步骤S3中的设计状态空间中，影响控制动作决策的变量被设定为系统的状态量，设定状态空间
，其中，代表当前时段、W代表天气、DR和DP分别代表T 2时间步长内辐照度和输出功率的一阶差分、R和P代表当前时刻的辐照度和所有参考电站的输出功率、H代表虚拟采集器的超参数集。
进一步的，所述步骤S3中的动作空间设计，DQN中的智能体会依据当前状态空间调整虚拟采集器的超参数，超参数变化的组合构成了智能体的动作空间，其中，表示第个超参数的变化，，个超参数的动作空间大小为；g表示将连续空间离散化的颗粒度向量。
进一步的，所述步骤S3中的奖励函数，激励智能体采取提高虚拟采集精度的动作，定义如下：
；
式中：和分别表示2T 2步长内当前状态下以及智能体动作后的虚拟采集均方误差。
进一步的，所述步骤S3中的自适应调整超参数包括以下步骤：
步骤S301：为提高复杂天气条件下的虚拟采集性能，提出一种基于DQN的虚拟采集鲁棒性强化策略，通过DQN算法将超参数的动态调整转化为智能体的动作选择，采取衰减ε-greedy策略平衡智能体训练过程的随机搜索与贪婪行为，在该策略中选择动作的概率为1-ε，随机动作的概率为ε，动作选择过程表示为：
；
；
式中：代表t时刻时最高价值函数对应的动作；和分别为ε的下限和上限；代表强化学习训练的最大迭代次数，随着网络训练的逐渐成熟，随机动作的概率将逐渐减小；e为自然底数；
步骤S302：引入经验回放机制来提高智能体与环境交互的效率并降低样本间的相关性和依赖性，在该机制中，每一时间步智能体和环境交互得到的经验样本数据被存储到经验池中，在随后的训练过程中，DQN将基于如下损失函数更新目标网络与当前价值网络的权重：
；
式中：为目标价值网络的输出；为当前价值网络的输出；表示DQN训练样本的数量；和分别代表当前价值网络和目标价值网络的参数；表示回报折扣因子；max代表取最大值函数。
有益效果
本发明具有以下有益效果：
1.本发明提出“虚拟采集”的概念，解决海量分布式光伏建设过程中带来的数据传输设备不足以及数据传输可靠性降低等数据采集挑战。
2.针对虚拟采集问题，开发了面向时空特征提取的虚拟采集器。提出了一种基于Wasserstein距离度量的损失函数，以增强GRU在不同天气波动场景下的拟合能力。此外，整合了注意力机制，以在不同时间向参考电站提供不同的注意力水平。
3.为了解决参考电站选择难题，在传统蜜獾优化算法中引入时变二进制传递函数适应二进制决策变量优化，通过混沌初始化策略提高蜜獾优化算法初始解的质量。
4.本发明将深度强化学习与虚拟采集技术相结合，根据分布式光伏出力趋势的变化动态调整虚拟采集器的超参数，从而增强虚拟采集技术的鲁棒性。
附图说明
图1是本发明提供的考虑参考电站与超参数优化的分布式光伏运行数据虚拟采集方法的流程图。
图2是本发明中涉及的虚拟采集器的原理图。
图3是本发明中涉及的参考电站选择方法的流程图。
图4是本发明中涉及的K折交叉验证的原理图。
图5是本发明本发明中涉及的损失函数和传统损失函数MAE、MSE虚拟采集误差箱线图。
图6(a)-(d)分别是在典型日1~典型日4下添加注意力机制和不添加注意力机制的虚拟采集结果对比图。
图7是采用不同虚拟采集器对不同电站进行虚拟采集的误差对比图。
图8是在不同迭代次数下虚拟采集精度的变化情况。
具体实施方式
下面结合附图对本发明作进一步详细地说明：
如图1所示，本发明提供一种考虑参考电站优化的分布式光伏功率虚拟采集方法，所述方法包括以下步骤：
步骤S1：设计虚拟采集器AL-GRU。采用门控循环单元(GRU)作为虚拟采集器挖掘分布式光伏之间的时空关联特性。注意力机制用于在不同时刻动态调整参考电站的权重，基于Wasserstein 距离度量的新损失函数用于提高GRU拟合性能。
步骤S2：以上述开发的虚拟采集器为推理模型，对区域内的参考电站进行优化，以实现选定站点安装传感器收集整个系统的光伏运行数据。为提高参考电站的质量，提出引入时变二进制传递函数、混沌初始化策略的蜜獾优化算法，以K折交叉验证分数最高为目标函数进行优化。
步骤S3：为提高模型在不同天气条件下的表现，设计状态空间、动作空间和奖励函数指导强化学习中的DQN学习历史场景中的超参数变化。在离线应用阶段能够根据分布式光伏的出力变化趋势自适应调整超参数，以提高虚拟采集精度。
所述步骤S1中虚拟采集器的解释为：分布式光伏虚拟采集的数据推理实质上是以参考电站的采集数据作为输入，通过回归模型实时估计区域内所有分布式光伏的运行数据。因此虚拟采集器就是为进行虚拟采集任务所开发的回归模型。
所述步骤S2中参考电站优化的解释为：
本发明的目的是基于改进蜜獾优化算法选择出参考电站，其实时功率数据将作为多维特征输入智能计算模型，以估计区域内所有分布式光伏的输出。然而，在区域内随机选择参考电站是不可靠的。在电站区域内选择合理的参考电站组合可以起到相互补充的作用，进而有效提高虚拟采集的精度。
进一步，所述步骤S1中的虚拟采集器AL-GRU的包含基础GRU、注意力机制模块和Wasserstein距离度量的损失函数：
步骤S101：GRU的结构包括更新门和重置门。重置门的输出控制网络当前时刻的输入与历史时刻记忆之间的融合程度。更新门的输出决定了保留参考电站历史输出功率信息的比例。假设t时刻GRU单元的输入为，结合重置门和更新门可以得到t时刻的输出。具体计算公式如下：
；
；
；
；
式中：、为重置门对应的权重矩阵；W zy 、W zh 为更新门对应的权重矩阵；、为GRU单元输出对应的权重矩阵；表示Hadamard运算；b表示偏置向量；表示t-1时刻GRU单元的输出；为更新候选值；表示sigmoid激活函数。
步骤S102：引入注意力机制提高GRU的拟合能力。所述注意力机制考虑了历史出力状态构建输入滑窗，从而给注意力机制模块提供更多参考信息。假设t时刻下注意力机制模块的输入为。其中，为区域内所选参考电站的数量，为长度为T 1的时间滑窗。为了获取该时刻下各参考电站对当前待采集光伏的重要程度，以作为输入构建三层注意力机制神经网络(ANN)，并通过Softmax层对ANN的输出进行归一化。具体计算过程如下：
；
；
；
式中：和分别为注意力机制模块输入层和隐含层的输出；和分别为输入层和隐含层的激活函数；和分别为神经网络的权重矩阵和偏置项；为第i个参考电站的权重系数；
步骤S103：将获得的参考电站注意力分布矩阵与当前时刻的输入相乘，得到不同参考电站对当前待采集光伏的重要程度评估后的输入。虚拟采集器将根据输入拟合待采集分布式光伏的输出。计算过程如下：
；
；
所述步骤S102引入注意力机制的原因包括：区域内各个电站具有独特的地理空间位置，而且不同时刻下各参考电站对于待采集的分布式光伏重要性并不相同。这激励了我们运用注意力机制来挖掘不同光伏之间的时空关联程度。注意力机制模仿人脑注意力的资源分配机制，在特定时刻会将注意力集中在重点需要关注的区域。因此，在虚拟采集器中引入注意力机制，结合图2，本发明中涉及的虚拟采集器的原理图，可以对不同参考电站给予不同的关注程度，从而实现参考电站权重的动态分配。
步骤S104：通过K-shape聚类算法将待采集光伏的日变化曲线划分为K个模式。计算方法如下：
；
；
；
式中：SBD是基于形状的距离；，表示k-shape的输入时间序列；由于采样时间为15min，时间序列的长度T=96；表示互相关序列的长度；k是两个序列的相对滑动距离。
步骤S105：为了获取这K类曲线的样本权重，采用概率分布衡量这K类曲线与整体波动情况的差异。这样做的好处是可以避免某一条异常曲线影响整体的权重。Wasserstein距离无需2组数据的长度相同，即使在两个概率分布不发生重叠时也可以有效衡量其相似程度。因此利用 Wasserstein 距离对所得K类曲线的概率分布与整体概率分布进行度量。具体计算公式如下：
；
式中：表示P和Q分布组合起来的所有联合分布的集合；x和y分别表示从联合分布中采样得到的样本；表示样本间的距离；在所有可能的联合分布中，样本对距离的期望值下界即为Wasserstein 距离。
步骤S105：通过Softmax函数获取每类曲线所占权重。在离线训练过程中，为属于不同类别曲线的样本赋予不同的权重。Wasserstein 距离度量的损失函数指导虚拟采集器的具体计算公式如下：
；
；
式中：表示第i类曲线与整体概率分布的Wasserstein 距离；表示训练集中第i类曲线的样本数量；表示第i类曲线的样本权重；是属于第i类曲线中的第k个样本的虚拟采集结果；是真实功率。
进一步，结合图3，参见本发明中涉及的参考电站选择方法的流程图，所述步骤S2中的参考电站选择过程包括：
步骤S201：定义参考电站选择问题。假定含有个分布式光伏的二元状态变量集合为。当其中的元素为1时说明该分布式光伏被选为参考电站，当其中的元素为0时说明该分布式光伏被选为待采集分布式光伏；
步骤S202：优化过程需要考虑虚拟采集器的性能，而训练损失无法反映模型在未知条件下的拟合能力。因此，为了充分利用已有数据并反映优化过程中不同分布式光伏作为参考电站时的综合虚拟采集误差，将K折交叉验证分数引入目标函数，在满足约束条件的前提下进行优化，验证集效果见图4本发明中涉及的K折交叉验证的原理图，具体描述如下：
；
；
；
式中：表示验证集样本数量；表示训练集样本数量；和分别表示第m个待采集分布式光伏的第i个虚拟采集值和真实值；K V 为交叉验证的折数；表示待采集光伏的数量。
优化算法会偏向于增加参考电站的数量以提高虚拟采集的精度。如果不对稀疏性进行要求，则无法达到虚拟采集中降低采集成本的目的。参考电站数量计算公式为：
；
对参考电站数量的约束为：
；
式中：为参考电站数量的最大值。
步骤S203：对HBA进行改进，引入时变二进制传递函数，使HBA适应二进制优化任务。相比于其他二进制传递函数，时变传递函数能够在不同的搜索阶段提高算法的探索能力，避免陷入局部最优。此外，引入混沌初始化策略，提高HBA初始解集的质量。具体描述如下：
时变二进制传递函数计算公式为：
；
式中：x代表HBA个体的位置；e为自然底数；控制参数
；
t为当前迭代次数，和分别为控制参数的上限和下限。
HBA个体的位置通过二进制传递函数的变换过程如下：
；
式中：表示HBA第m个搜索代理的第d个维度；rand表示0到1的随机数。
所述混沌初始化策略描述如下：
传统的麻雀优化算法通过随机数初始化种群，这种随机生成方式可能使得生成的个体分布不均，导致种群多样性和寻优速度降低。因此，采用tent映射产生初始种群序列，其表示式如下：
；
步骤S204：基于步骤S202设定的目标函数和约束条件，以步骤S1开发的模型为虚拟采集器，通过步骤S203所提出的优化策略进行优化，得到最佳参考电站集合。随后将以选定参考电站为输入，其他待采集分布式光伏为输出训练虚拟采集器，实现区域内整个分布式光伏系统运行数据的虚拟采集。
进一步，所述步骤S3中的虚拟采集器超参数动态调整包括以下步骤：
步骤S301：为提高复杂天气条件下的虚拟采集性能，提出一种基于DQN的虚拟采集鲁棒性强化策略。该方法基于历史场景中的状态信息和采集误差，通过动态调整模型超参数提高虚拟采集的鲁棒性能，从而降低特定场景下的虚拟采集误差。通过DQN算法将超参数的动态调整转化为智能体的动作选择，采取衰减ε-greedy策略平衡智能体训练过程的随机搜索与贪婪行为。在该策略中选择动作的概率为1-ε，随机动作的概率为ε。
；
；
式中：代表t时刻时最高价值函数对应的动作；和分别为ε的下限和上限；代表强化学习训练的最大迭代次数。随着网络训练的逐渐成熟，随机动作的概率将逐渐减小。
所述步骤S301中的智能体解释为：强化学习中的智能体由神经网络组成，是在虚拟采集器进行数据采集过程中执行超参数调整动作的实体，以最小化虚拟采集误差完成训练。
步骤S302：引入经验回放机制来提高智能体与环境交互的效率并降低样本间的相关性和依赖性。在该机制中，每一时间步智能体和环境交互得到的经验样本数据被存储到经验池中。在随后的训练过程中，DQN将基于如下损失函数更新目标网络与当前价值网络的权重。
；
式中：为目标价值网络的输出；表示DQN训练样本的数量；和分别代表当前价值网络和目标价值网络的参数。
步骤S303：针对虚拟采集任务，对智能体状态空间、动作空间以及奖励函数的描述如下：
状态空间设计：
影响控制动作决策的变量被设定为系统的状态量。我们的目标是在复杂天气场景下，提高虚拟采集的性能。智能体的状态空间不仅需要体现出DPV的出力趋势，还需要包含超参数状态。因此，设定状态空间。其中，代表当前时段、W代表天气、DR和DP分别代表T 2时间步长内辐照度和输出功率的一阶差分、R和P代表当前时刻的辐照度和所有参考电站的输出功率、H代表虚拟采集器的超参数集。
动作空间设计：
DQN中的智能体会依据当前状态调整虚拟采集器的超参数。因此，超参数变化的组合构成了智能体的动作空间。其中，表示第个超参数的变化，，个超参数的动作空间大小为；g表示将连续空间离散化的颗粒度向量。
奖励函数设计：
奖励函数激励智能体采取提高虚拟采集精度的动作，定义如下：
；
式中：和分别表示2T 2步长内当前状态下以及智能体动作后的虚拟采集均方误差。
具体应用的最佳实施例：
要实现分布式光伏功率的虚拟采集数据，首先需要找到合适的分布式光伏功率数据集，并对收集到的数据集进行预处理，为后续做算例分析提供数据支撑。本发明选择了中国江苏省南京市江宁区的29座分布式光伏(DPV)进行虚拟采集测试。从2018年2月1日至2018年12月31日收集的数据在07:15至17:00的15分钟间隔内收集。为了便于网络的训练和验证，我们将2月1日至10月31日的数据作为训练集和验证集，其余数据用于DPV虚拟采集的有效性验证。虚拟采集精度通过误差指标平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分误差(MAPE)来评估：
；
；
；
式中：表示测试样本的数量;和分别表示分布式光伏输出功率的虚拟采集数值和真实值；通过MAPE评估虚拟采集性能时需要去除实际功率的为0的采样点。
为了证明本发明开发的IHBA的有效性，分别选用蜜獾优化算法(HBA)、郊狼算法(COA)、灰狼算法(GWO)和哈里斯鹰优化算法(HHO)对参考电站进行优化。在不同参考电站数量下各优化算法的目标函数值如表1所示。可以看出，本发明所使用的IHBA优化算法所得参考电站具有最优的目标函数值。
表1 不同参考电站数量下各优化算法目标函数值(W2)
为了验证虚拟采集器的效果，选择参考电站总数量为14，通过IHBA算法进行优化，得到参考电站编号为：2、4、7、10、11、12、14、15、16、18、20、21、24、27。首先，展示本发明所提出损失函数的优越性，将经典损失函数MAE、MSE和提出的损失函数下虚拟采集的精度进行对比。不设置随机数种子，重复实验20次，得到图5，发明中涉及的损失函数和传统损失函数MAE、MSE虚拟采集误差箱线图所示误差情况。可以看出，通过所提出损失函数的虚拟采集误差最低，并且具有较低的标准差。除此之外，相比于MAE，MSE更能反映出偏差较大的采样点。而本发明提出的损失函数能够在MSE损失函数的基础上进一步反映不同波动天气条件下的虚拟采集误差，相比于其他损失函数在虚拟采集问题中更加具有竞争力。为方便表示，在下文中我们称带有注意力机制的GRU为A-GRU，带有改进损失函数的GRU为L-GRU。
我们在测试集中挑选出四个不同出力趋势的典型日，以1号电站为代表验证添加注意力机制的效果。虚拟采集结果如图6所示，在4个典型日下添加注意力机制和不添加注意力机制的虚拟采集结果对比图，整体来看三条线较为接近，说明通过本发明所选择的参考电站能够以较高精度完成虚拟采集。此外，添加注意力机制的A-GRU要优于GRU的表现。这是因为注意力机制根据这一段时间滑窗的数据动态的为参考电站分配权重，提高了与待采集分布式光伏出力趋势更加接近的参考电站的权重。总之，在平稳和波动的天气条件下，所提出的方法均具有良好的虚拟采集性能。
不同改进方案下虚拟采集精度如表2所示。L-GRU对MAE和RMSE误差的降低效果更明显。这说明本发明开发的损失函数能够提高实际出力较大时的拟合性能，而MAPE往往被实际出力较小的采样点所影响。A-GRU的MAE和RMSE降低效果不如L-GRU，而MAPE降低效果则较好。此外，注意力机制和GRU共享损失函数，所提出的损失函数能够在不同天气条件下辅助注意力机制赋予各电站更具区分度的权重，因此两者结合具有最佳的虚拟采集精度。
表2 不同改进方案下虚拟采集误差
进一步，为体现所提出虚拟采集器的优越性，将不同虚拟采集器的性能进行对比，如图7采用不同虚拟采集器对不同电站进行虚拟采集的误差对比图所示。从模型角度来看，BP神经网络的MAE和RMSE均为最高，难以以较高精度完成虚拟采集任务。集成学习具有良好的拟合性能。其中，XGBoost的RMSE高于LightGBM，但是MAPE低于LightGBM，这是由于XGBoost的异常点大多出现在实际功率较大的采样点，而LightGBM则相反。后续可以考虑将两种模型进行融合以提高采集精度。本发明所提出的AL-GRU具有最佳的虚拟采集精度。此外，具有时序记忆功能的GRU同样优于BP神经网络和集成学习中的RF。因此，时序分析功能对虚拟采集这一任务非常重要，后续应重点针对这一特性展开研究。从电站的角度来看，相比于其他电站，1号电站和13号电站的虚拟采集精度较低。倘若将其作为参考电站可能会影响所有电站的虚拟采集精度，因此IHBA将其作为非参考电站，侧面反映了IHBA选择参考电站的合理性。
分布式光伏的出力趋势并不是一直像β分布那样规范，在不同天气条件下趋势变化明显。为了验证本发明所提出DQN动态调整超参数方法的有效性，我们基于6种虚拟采集器进行仿真验证。为清楚的显示不同迭代次数下模型性能的变化情况，我们选取AL-GRU作为典型进行展示，如图8所示，在不同迭代次数下虚拟采集精度的变化情况，为了使展示更加清晰，仅显示了RMSE的变化情况。可以看出，初期由于DQN经验不足，使得AL-GRU模型性能严重下降。这说明模型的超参数设置严重影响着虚拟采集的性能。随着迭代次数的增加，DQN通过学习更多的交互信息有效提高了超参数动态调整的能力。当最大迭代次数超过1000时，具有DQN辅助调整超参数的ALGRU虚拟采集性能趋于稳定。因此，我们选择Max_iter=1200进行实验，重复实验15次，观察不同VCM在DQN辅助下的虚拟采集误差。
各模型的虚拟采集精度如表3所示。可以看出，在DQN的辅助下各VCM的虚拟采集精度均有所提高。由于集成学习中的LightGBM、XGBoost的超参数较多，具有更大的超参数调整空间，因此精度提升更为明显。并且，集成学习模型的标准差偏大，这是因为需要更多的迭代次数从而使模型更加稳定。
表3 不同虚拟采集器自适应调整超参数后的虚拟采集误差
进一步，我们观察不同训练集比例下DQN动态调整超参数的虚拟采集效果。训练集比例分别从40%提升到80%的平均虚拟采集误差如表4所示。可以看出，参数提升效果会随着训练集的增加而得以改善，这说明强化学习需要更多的历史状态场景进行学习。因此，该技术改进后续应重点关注多样化出力场景的收集。
表4 不同训练集比例时的虚拟采集误差
一种电子设备，包括存储器所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行上述任一项所述的考虑参考电站与超参数优化的分布式光伏运行数据虚拟采集方法。
一种计算机存储介质，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行上述任一项所述的考虑参考电站与超参数优化的分布式光伏运行数据虚拟采集方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (9)

1.一种考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：包括以下步骤：
步骤S1：设计虚拟采集器AL-GRU，采用GRU挖掘分布式光伏之间的时空关联特性，注意力机制用于在不同时刻动态调整参考电站的权重，基于Wasserstein 距离度量的新损失函数用于提高GRU拟合性能；
步骤S2：以所述虚拟采集器AL-GRU为数据推理模型，对区域内的参考电站进行优化，以实现通过优化后的参考电站收集区域内所有分布式光伏电站的运行数据，引入时变二进制传递函数、混沌初始化策略的蜜獾优化算法HBA，以K折交叉验证分数最高为目标函数进行优化；
步骤S3：设计状态空间、动作空间和奖励函数指导强化学习中的DQN学习历史场景中的超参数变化，在离线应用阶段能够根据分布式光伏的出力变化趋势自适应调整超参数。
2.根据权利要求1所述的考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：所述GRU的结构包括更新门和重置门，重置门的输出控制网络当前时刻的输入与历史时刻记忆之间的融合程度，更新门的输出决定了保留参考电站历史输出功率信息的比例，假设t时刻GRU的输入为，结合重置门和更新门可以得到t时刻的输出，具体计算公式如下：
；
；
；
；
式中：、为重置门对应的权重矩阵；W zy 、W zh 为更新门对应的权重矩阵；、为GRU输出对应的权重矩阵；表示Hadamard运算；b表示偏置向量；表示t-1时刻GRU的输出；为更新候选值；表示sigmoid激活函数。
3.根据权利要求1所述的考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：所述注意力机制考虑了历史出力状态构建输入滑窗，从而给注意力机制模块提供更多参考信息，假设t时刻下注意力机制模块的输入为，其中，为区域内所选参考电站的数量，为长度为T 1的时间滑窗，为了获取该时刻下各参考电站对当前待采集分布式光伏的重要程度，以作为输入构建三层注意力机制神经网络ANN，并通过Softmax层对ANN的输出进行归一化，具体计算过程如下：
；
；
；
式中：和分别为注意力机制模块输入层和隐含层的输出；和分别为输入层和隐含层的激活函数；和分别为神经网络的权重矩阵和偏置项；为第i个参考电站的权重系数；
将获得的参考电站注意力分布矩阵与当前时刻的输入相乘，得到不同参考电站对当前待采集分布式光伏的重要程度评估后的输入，虚拟采集器将根据输入拟合待采集电站的输出，计算过程如下：
；
；
通过K-shape聚类算法将待采集分布式光伏的日变化曲线划分为K个模式，计算方法如下：
；
；
；
式中：SBD是基于形状的距离；，表示进行比较的两个分布式光伏功率时间序列；由于采样时间为15min，时间序列的长度T=96；表示互相关序列的长度；k是两个序列的相对滑动距离。
4.根据权利要求3所述的考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：获取K类曲线的样本权重，采用概率分布衡量这K类曲线与整体波动情况的差异，利用Wasserstein距离对所得K类曲线的概率分布与整体概率分布进行度量，假设两个曲线类别的分布分别为P和Q，具体计算公式如下：
;
式中：表示P和Q分布组合起来的所有联合分布的集合；x和y分别表示从联合分布中采样得到的样本；表示样本间的距离；在所有可能的联合分布中，样本对距离的期望值下界即为Wasserstein距离；
通过Softmax函数获取每类曲线所占权重，在离线训练过程中，为属于不同类别曲线的样本赋予不同的权重，Wasserstein距离度量的损失函数指导虚拟采集器的具体计算公式如下：
;
;
式中：表示第i类曲线与整体概率分布的Wasserstein 距离；表示训练集中第i类曲线的样本数量；表示第i类曲线的样本权重；是属于第i类曲线中的第k个样本的虚拟采集结果；是真实功率。
5.根据权利要求1所述的考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：所述步骤S2中的参考电站选择过程包括：
步骤S201：定义参考电站选择问题，假定含有个分布式光伏的二元状态变量集合为，当其中的元素为1时说明该分布式光伏被选为参考电站，当其中的元素为0时说明该分布式光伏被选为待采集分布式光伏；
步骤S202：将K折交叉验证分数引入目标函数，在满足约束条件的前提下进行优化，具体描述如下：
;
;
;
式中：表示验证集样本数量；表示训练集样本数量；和分别表示第m个待采集分布式光伏的第i个虚拟采集值和真实值；K V 为交叉验证的折数；N cpv 表示待采集分布式光伏的数量，
优化过程中参考电站的数量计算公式为：
;
参考电站数量的约束为：
;
式中：为参考电站数量的最大值；
步骤S203：对HBA进行改进，引入时变二进制传递函数，使HBA适应二进制优化任务，引入混沌初始化策略，提高HBA初始解集的质量，具体描述如下：
时变二进制传递函数计算公式为：
;
式中：控制参数，t为当前迭代次数，和分别为控制参数的上限和下限，x代表HBA个体的位置；e为自然底数；
HBA个体的位置通过时变二进制传递函数的变换过程如下：
;
式中：表示HBA第m个搜索代理的第d个维度；rand表示0到1的随机数，所述混沌初始化策略采用tent映射产生初始种群序列，其表示式如下：
;
步骤S204：基于步骤S202设定的目标函数和约束条件，以步骤S1开发的模型为虚拟采集器，通过步骤S203所提出的优化策略进行优化，得到最佳参考电站集合，随后将以选定参考电站为输入，其他待采集分布式光伏为输出训练虚拟采集器，实现区域内整个分布式光伏系统运行数据的采集。
6.根据权利要求1所述的考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：所述步骤S3中的设计状态空间中，影响控制动作决策的变量被设定为系统的状态量，设定状态空间，其中，代表当前时段、W代表天气、DR和DP分别代表T 2时间步长内辐照度和输出功率的一阶差分、R和P代表当前时刻的辐照度和所有参考电站的输出功率、H代表虚拟采集器的超参数集。
7.根据权利要求1所述的考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：所述步骤S3中的动作空间设计，DQN中的智能体会依据当前状态空间调整虚拟采集器的超参数，超参数变化的组合构成了智能体的动作空间，其中，表示第个超参数的变化，，个超参数的动作空间大小为；g表示将连续空间离散化的颗粒度向量。
8.根据权利要求1所述的考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：所述步骤S3中的奖励函数，激励智能体采取提高虚拟采集精度的动作，定义如下：
;
式中：和分别表示2T 2步长内当前状态下以及智能体动作后的虚拟采集均方误差。
9.根据权利要求1所述的考虑参考电站优化的分布式光伏功率虚拟采集方法，其特征在于：所述步骤S3中的自适应调整超参数包括以下步骤：
步骤S301：为提高复杂天气条件下的虚拟采集性能，提出一种基于DQN的虚拟采集鲁棒性强化策略，通过DQN算法将超参数的动态调整转化为智能体的动作选择，采取衰减ε-greedy策略平衡智能体训练过程的随机搜索与贪婪行为，在该策略中选择动作的概率为1-ε，随机动作的概率为ε，动作选择过程表示为：
;
;
式中：代表t时刻时最高价值函数对应的动作；和分别为ε的下限和上限；代表强化学习训练的最大迭代次数，随着网络训练的逐渐成熟，随机动作的概率将逐渐减小；e为自然底数；
步骤S302：引入经验回放机制来提高智能体与环境交互的效率并降低样本间的相关性和依赖性，在该机制中，每一时间步智能体和环境交互得到的经验样本数据被存储到经验池中，在随后的训练过程中，DQN将基于如下损失函数更新目标网络与当前价值网络的权重：
;
式中：为目标价值网络的输出；为当前价值网络的输出；表示DQN训练样本的数量；和分别代表当前价值网络和目标价值网络的参数；表示回报折扣因子；max代表取最大值函数。
CN202410389240.9A 2024-04-02 2024-04-02 一种考虑参考电站优化的分布式光伏功率虚拟采集方法 Active CN117973644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410389240.9A CN117973644B (zh) 2024-04-02 2024-04-02 一种考虑参考电站优化的分布式光伏功率虚拟采集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410389240.9A CN117973644B (zh) 2024-04-02 2024-04-02 一种考虑参考电站优化的分布式光伏功率虚拟采集方法

Publications (2)

Publication Number Publication Date
CN117973644A true CN117973644A (zh) 2024-05-03
CN117973644B CN117973644B (zh) 2024-06-14

Family

ID=90863099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410389240.9A Active CN117973644B (zh) 2024-04-02 2024-04-02 一种考虑参考电站优化的分布式光伏功率虚拟采集方法

Country Status (1)

Country Link
CN (1) CN117973644B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118281959A (zh) * 2024-06-03 2024-07-02 东莞理工学院 一种基于虚拟功率的微电网分布式调控方法
CN118484666A (zh) * 2024-07-16 2024-08-13 浙江兴创新能源有限公司 面向源网荷多元应用的储能电站评估方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898812A (zh) * 2020-07-17 2020-11-06 国网江苏省电力有限公司南京供电分公司 一种分布式光伏数据虚拟采集方法
CN112052913A (zh) * 2020-09-27 2020-12-08 国网江苏省电力有限公司南京供电分公司 一种分布式光伏电站功率数据虚拟采集方法
CN112100904A (zh) * 2020-08-12 2020-12-18 国网江苏省电力有限公司南京供电分公司 一种基于icoa-bpnn的分布式光伏电站有功功率虚拟采集方法
CN113962357A (zh) * 2021-09-14 2022-01-21 天津大学 基于gwo-wnn的分布式光伏功率数据虚拟采集方法
CN114186475A (zh) * 2021-10-28 2022-03-15 南京工业大学 一种基于Attention-MGRU的回转支承寿命预测方法
WO2022236064A2 (en) * 2021-05-06 2022-11-10 Strong Force Iot Portfolio 2016, Llc Quantum, biological, computer vision, and neural network systems for industrial internet of things
CN116796194A (zh) * 2023-06-27 2023-09-22 国网宁夏电力有限公司石嘴山供电公司 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法
CN117134334A (zh) * 2023-08-28 2023-11-28 淮阴工学院 一种基于机理-数据驱动混合集成的光伏发电功率预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898812A (zh) * 2020-07-17 2020-11-06 国网江苏省电力有限公司南京供电分公司 一种分布式光伏数据虚拟采集方法
CN112100904A (zh) * 2020-08-12 2020-12-18 国网江苏省电力有限公司南京供电分公司 一种基于icoa-bpnn的分布式光伏电站有功功率虚拟采集方法
CN112052913A (zh) * 2020-09-27 2020-12-08 国网江苏省电力有限公司南京供电分公司 一种分布式光伏电站功率数据虚拟采集方法
WO2022236064A2 (en) * 2021-05-06 2022-11-10 Strong Force Iot Portfolio 2016, Llc Quantum, biological, computer vision, and neural network systems for industrial internet of things
CN113962357A (zh) * 2021-09-14 2022-01-21 天津大学 基于gwo-wnn的分布式光伏功率数据虚拟采集方法
CN114186475A (zh) * 2021-10-28 2022-03-15 南京工业大学 一种基于Attention-MGRU的回转支承寿命预测方法
CN116796194A (zh) * 2023-06-27 2023-09-22 国网宁夏电力有限公司石嘴山供电公司 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法
CN117134334A (zh) * 2023-08-28 2023-11-28 淮阴工学院 一种基于机理-数据驱动混合集成的光伏发电功率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LEIJIAO GE等: "A Virtual Data Collection Model of Distributed PVs Considering Spatio-Temporal Coupling and Affine Optimization Reference", 《IEEE》, 31 July 2023 (2023-07-31), pages 3939 - 3951 *
白星振等: "基于ＥＷＴ－ＧＲＵ－ＲＲ的配电网短期电力负荷预测模型", 《山东科技大学学报（自然科学版）》, 31 October 2023 (2023-10-31) *
葛磊蛟等: "分布式光伏功率数据的IMOWOA 和 LightGBM 混合虚拟采集方法", 《中国电机工程学报》, 5 February 2024 (2024-02-05) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118281959A (zh) * 2024-06-03 2024-07-02 东莞理工学院 一种基于虚拟功率的微电网分布式调控方法
CN118484666A (zh) * 2024-07-16 2024-08-13 浙江兴创新能源有限公司 面向源网荷多元应用的储能电站评估方法及系统

Also Published As

Publication number Publication date
CN117973644B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
Liang et al. A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
Bai et al. Double-layer staged training echo-state networks for wind speed prediction using variational mode decomposition
CN117973644B (zh) 一种考虑参考电站优化的分布式光伏功率虚拟采集方法
Wang et al. Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China
CN113572157B (zh) 一种基于近端策略优化的用户实时自治能量管理优化方法
CN113112077B (zh) 基于多步预测深度强化学习算法的hvac控制系统
Zou et al. Wind turbine power curve modeling using an asymmetric error characteristic-based loss function and a hybrid intelligent optimizer
CN114362175B (zh) 基于深度确定性策略梯度算法的风电功率预测方法及系统
CN115577647B (zh) 电网故障类型识别方法与智能体构建方法
CN113887141B (zh) 一种基于联邦学习的微电网群运行策略进化方法
Li et al. Short term prediction of photovoltaic power based on FCM and CG-DBN combination
CN115759458A (zh) 基于综合能源数据处理和多任务深度学习的负荷预测方法
Luo et al. A cascaded deep learning framework for photovoltaic power forecasting with multi-fidelity inputs
CN116894504A (zh) 一种风电集群功率超短期预测模型建立方法
Lin et al. Deep reinforcement learning and LSTM for optimal renewable energy accommodation in 5G internet of energy with bad data tolerant
CN118174308A (zh) 基于多模态信息的新能源电网电压主动支撑控制方法
CN117893043A (zh) 一种基于ddpg算法和深度学习模型的水电站负荷分配方法
Peng et al. Short-term PV-Wind forecasting of large-scale regional site clusters based on FCM clustering and hybrid Inception-ResNet embedded with Informer
CN116882589A (zh) 一种基于贝叶斯优化深度神经网络的线损率在线预测方法
CN116565876A (zh) 一种鲁棒强化学习的配网潮流优化方法及计算机可读介质
CN114372418A (zh) 一种风电功率时空态势描述模型建立方法
CN112183814A (zh) 一种短期风速预测方法
Attarde et al. A CNN and BiLSTM Fusion Approach Toward Precise Appliance Energy Forecasts.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant