申请/专利权人：华东交通大学

申请日：2024-04-16

公开（公告）日：2024-06-21

公开（公告）号：CN118052338B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06N3/0464;G06N3/049;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开了一种基于广域协同训练的分布式光伏功率预测方法，包括：步骤S1，采用皮尔逊相关系数计算光伏功率与各气象数据之间的相关性系数，并基于相关性系数从原始数据中选取相关性大于阈值的气象数据以及对应的光伏功率；步骤S2，基于选取的相关性大于阈值的气象数据以及对应的光伏功率，对融合TimesNet特征提取网络和时序卷积网络的混合功率预测模型进行训练，得到分布式光伏功率预测模型；步骤S3，基于广域协同训练策略，对目标区域内各个光伏电站的分布式光伏功率预测模型进行广域协同训练，得到广域光伏功率预测模型，基于广域光伏功率预测模型得到分布式光伏功率预测结果。本发明能够提升光伏功率预测模型的精度和泛化能力。

主权项：1.一种基于广域协同训练的分布式光伏功率预测方法，其特征在于，包括：步骤S1，采用皮尔逊相关系数计算光伏功率与各气象数据之间的相关性系数，并基于相关性系数从原始数据中选取相关性大于阈值的气象数据以及对应的光伏功率；步骤S2，基于选取的相关性大于阈值的气象数据以及对应的光伏功率，对融合TimesNet特征提取网络和时序卷积网络的混合功率预测模型进行训练，得到分布式光伏功率预测模型；步骤S3，基于广域协同训练策略，对目标区域内各个光伏电站的分布式光伏功率预测模型进行广域协同训练，得到广域光伏功率预测模型，基于广域光伏功率预测模型得到分布式光伏功率预测结果；其中，步骤2具体包括：步骤S2.1，将选取的相关性大于阈值的气象数据以及对应的光伏功率作为数据集Y，并将数据集Y划分为训练集、验证集和测试集，训练集用于模型训练和参数调整，验证集和测试集用于模型性能的评估；步骤S2.2，将数据集Y经第一个前馈层输入TimesNet特征提取网络中，得到TimesNet特征提取网络的输出Ynet1；步骤S2.3：将Ynet1经第二个前馈层，输入到时序卷积网络，通过时序卷积网络捕捉光伏功率的短期波动和即时变化，从而得到分布式光伏功率预测模型，分布式光伏功率预测模型的输出为Ynet2；步骤S3具体包括：步骤S3.1，在广域协同训练策略中，由一个云服务器协同各个光伏电站参与广域协同训练，首先在云服务器设定广域协同训练的目标参数，目标参数包括：广域迭代次数、光伏电站本地模型迭代次数、学习率；步骤S3.2：在首轮广域迭代时，云服务器向各个光伏电站下发目标参数；步骤S3.3：各个光伏电站接收云服务器下发的目标参数，进行第一轮的本地训练，计算出分布式光伏功率预测模型的模型参数和损失函数，表达式如下： ； ；其中，表示在第t轮迭代中第n个光伏电站的分布式光伏功率预测模型的模型参数，表示在第t-1轮迭代中第n个光伏电站的分布式光伏功率预测模型的模型参数，表示在第t-1轮迭代中第n个光伏电站的分布式光伏功率预测模型的损失函数；表示在第t轮迭代中第n个光伏电站的分布式光伏功率预测模型的损失函数，表示在上对光伏数据样本进行预测所得的损失结果，和分别表示第h个数据点和对应的标签；步骤S3.4，各个光伏电站将各自的分布式光伏功率预测模型的模型参数和损失函数上传至云服务器，参与广域协同训练；步骤S3.5，云服务器接收各个光伏电站将各自的分布式光伏功率预测模型的模型参数和损失函数，并利用下式进行聚合更新： ； ；其中，表示经过广域协同训练策略得到的第t+1轮的广域光伏功率预测模型的模型参数，表示第n个光伏电站的数据量，D表示目标区域内所有光伏电站的总数据量，表示第n个光伏电站的模型特征权重，N表示目标区域内光伏电站的数量，表示经过广域协同训练策略得到的第t+1轮的广域光伏功率预测模型的损失函数；步骤S3.6，云服务器向各个光伏电站下发，以进行下一轮本地训练，如此迭代训练，直至达到步骤S3.1中设定的广域协同训练的目标参数，则完成广域协同训练过程，得到广域光伏功率预测模型，再基于广域光伏功率预测模型得到分布式光伏功率预测结果。

全文数据：

权利要求：

百度查询： 华东交通大学 一种基于广域协同训练的分布式光伏功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD