一种基于对偶聚类的多变量光伏功率预测方法和装置
本发明涉及可再生能源发电预测,具体而言,涉及一种基于对偶聚类的多变量光伏功率预测方法及装置。
背景技术:
1、在全球向低碳能源系统转型的背景下,光伏(pv)发电在现代电网中的渗透率不断提高。然而,光伏出力的内在间歇性和波动性给电网的稳定性、经济调度和能源管理带来了巨大挑战。可靠的短期光伏功率预测(st-pvpf)是缓解这些问题的关键策略,使电力系统调度员能够优化可再生能源调度,降低不平衡成本。
2、当前,基于数据驱动(如深度学习)的多变量光伏功率预测方法已成为主流。然而,在实际应用中,现有数据驱动模型普遍面临两大技术瓶颈,严重制约了其预测性能。其一,是样本时间错位问题。由于不同类型的气象传感器响应延迟各异,以及光伏组件对不同气象因素的物理响应存在固有的异步性,导致采集到的历史气象因素序列与未来光伏功率序列之间,在时间轴上存在难以察觉的错位。这种时序不一致性破坏了数据内在的因果关系,导致光伏功率的预测结果不准确、不稳定。
3、其二,是回归分布不平衡问题。光伏功率的实际测量值在不同功率区间的分布极不均匀,通常表现为低功率区间的样本数据密集,而高功率(峰值发电)区间的样本数据则非常稀疏。这导致机器学习模型在样本稀疏的高功率区间容易出现欠拟合,对峰值功率的预测能力极差。传统的解决方案,如简单地增加稀疏区间样本的训练权重,往往会放大该区间内异常值的影响,反而导致模型被误导,产生过拟合,无法真正解决问题。
4、综上所述,现有技术迫切需要一种能够同时有效解决多维气象特征时序错位问题,并能抑制因数据分布不平衡所引发的异常值干扰的综合性光伏功率预测机制。
技术实现思路
1、本技术的目的是提供一种基于对偶聚类的多变量光伏功率预测方法、装置及计算机可读存储介质,以解决现有技术中因样本时间错位和回归分布不平衡导致的光伏功率预测结果不准确的问题。
2、为实现上述目的,本技术提供了如下方案:
3、为实现上述目的,本发明提供了一种基于对偶聚类的多变量光伏功率预测方法,包括:获取历史光伏功率数据和多维气象因素数据,将所述数据沿特征维度拆分为历史气象因素分量集和未来光伏功率分量集,并对两个分量集分别进行聚类以生成第一相似度矩阵和第二相似度矩阵;通过搜索一时间延迟向量以最小化所述第一相似度矩阵与所述第二相似度矩阵之间的预设差异度量,确定用以对齐所述历史气象因素数据的最优时间延迟向量,从而获得时间对齐的样本集;基于所述第一相似度矩阵和所述第二相似度矩阵之间的不一致性,将样本划分为正常值集和异常值集;构建一联合损失函数,所述联合损失函数针对所述异常值集内的样本,在基础损失之上增加一惩罚项,所述惩罚项的惩罚值随着模型预测值与样本真实值之间的残差减小而增大;使用所述时间对齐的样本集和所述联合损失函数训练一机器学习预测模型,并使用所述最优时间延迟向量对齐实时气象数据以进行在线预测。
4、进一步地,所述时间延迟向量为多维时间延迟向量,其维度与所述多维气象因素的维度相同,且所述多维时间延迟向量的每个分量分别对应一个气象因素序列的时间偏移量。通过对不同气象因素施加不同的时间偏移,能够更精细地修正各类数据间的异步性。
5、可选地,所述聚类采用基于时间序列相似性的聚类算法。该类算法能够有效捕捉时间序列数据在形态、趋势上的相似性,从而为构建表征样本拓扑关系的相似度矩阵提供可靠依据。
6、在一种实施方式中,所述第一相似度矩阵和所述第二相似度矩阵均为二值矩阵,其中,若任意两个样本在同一簇内,则矩阵中对应元素为1,否则为0。这种方式简化了相似度矩阵的构建,使得后续的差异度量计算更为高效。
7、优选地,所述预设差异度量为所述第一相似度矩阵与所述第二相似度矩阵之差的frobenius范数。frobenius范数能够整体衡量两个矩阵的差异程度,其值越小,代表两个矩阵的结构越一致,即“相似的输入”与“相似的输出”的对应关系越强。
8、进一步地,所述确定最优时间延迟向量的搜索过程采用逐维搜索的方式。相比于在整个多维空间中进行穷举搜索,逐维搜索能够大幅降低计算复杂度,在可接受的时间内找到近似最优解。具体地,所述逐维搜索的方式包括:为所述时间延迟向量的每个分量预设一个以零为中心、具有预设上下限的搜索范围。这限定了搜索空间,避免了无意义的搜索,提高了寻优效率。
9、在一种实施方式中,所述将样本划分为正常值集和异常值集的步骤包括:基于所述第一相似度矩阵和所述第二相似度矩阵,计算其绝对差值矩阵;并将每个样本在所述绝对差值矩阵中对应列的元素之和定义为该样本的不一致度指标;将不一致度指标满足预设条件的样本识别为异常值集。该不一致度指标量化了每个样本违背“相似输入产生相似输出”这一基本规律的程度。进一步地,所述预设条件为:所述不一致度指标高于全体样本不一致度指标的平均值。这是一种简单而有效的数据驱动阈值确定方法,能够自适应地将样本划分为正常与异常两类。
10、可选地,所述联合损失函数的基础损失采用log-cosh损失函数。该损失函数在残差较小时近似于均方误差,有利于模型快速收敛;在残差较大时近似于平均绝对误差,能够降低对极端异常值的敏感性。进一步地,所述惩罚项是基于高斯函数构建的,在所述残差为零时取得最大惩罚值。这种独特的惩罚机制,能够在模型试图强行拟合异常值时,施加巨大的惩罚梯度,从而有效阻止模型对稀疏区间内的异常值产生过拟合。
11、此外,所述方法还包括:在训练所述机器学习预测模型之前,将功率值域划分为多个区间,并根据每个区间的样本频率计算基础区间权重,以对所述联合损失函数进行加权,使得频率较低的区间获得更高的权重。此举旨在提升模型对样本稀疏的高功率区间的关注度。
12、可选地,所述机器学习预测模型为深度学习预测模型,例如可以采用具有长程时间序列建模优势的神经网络架构。
13、本发明还提供了一种用于训练光伏功率预测模型的装置,包括:一数据处理单元,用于获取历史光伏功率数据和多维气象因素数据,对所述数据进行对偶聚类以生成第一和第二相似度矩阵,并通过最小化所述矩阵间的差异来确定用以对齐所述历史气象数据的最优时间延迟向量;一异常检测单元,用于基于所述第一和第二相似度矩阵的不一致性,将样本划分为正常值集和异常值集;一模型训练单元,用于构建一联合损失函数,并使用经所述数据处理单元对齐的数据和由所述异常检测单元划分的样本集,训练一机器学习预测模型,其中,所述联合损失函数对所述异常值集内的样本增加一惩罚项,所述惩罚项的惩罚值随预测残差减小而增大。
14、本发明还提供了一种光伏功率预测装置,包括:一在线预测模块,用于将实时采集的气象数据,使用一预先计算出的最优时间延迟向量进行对齐处理,然后将对齐后的实时数据输入到一训练好的机器学习预测模型中,输出未来短期的光伏功率预测结果;其中,所述最优时间延迟向量和所述训练好的机器学习预测模型是根据前述方法确定和训练的。
15、本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时,实现如前述任一项所述的方法。
16、与现有技术相比,本发明具有以下有益效果:1.通过引入对偶聚类策略,将抽象的“时序匹配度”问题转化为可计算的“聚类结构一致性”优化问题,无需进行复杂的暴力穷举搜索,即可高效、准确地估计出各维气象因素的最优时间延迟向量,从数据源头消除了时序错位干扰,为获得准确的光伏功率预测结果奠定了基础。2.通过计算对偶聚类结果的不一致度,实现了一种不依赖于数据先验分布假设的异常值精准识别方法。该方法能够有效筛查出违背“相似输入产生相似输出”物理规律的样本,为后续的差异化处理提供了依据。3.创新性地构建了结合log-cosh基础损失和特定惩罚项的联合损失函数。该损失函数不仅通过区间加权提升了模型对样本稀疏的高功率区间的关注度,更通过独特的惩罚项设计,从反向传播的底层机制上阻止了模型对稀疏区间内异常值的灾难性过拟合,显著提升了对峰值功率区间进行预测的稳定性和鲁棒性。4.本发明将样本对齐、异常值检测与加权训练融合成一个完整的技术框架,协同解决了样本时间错位和回归分布不平衡两大业界难题,全面提升了多变量短期光伏功率预测的整体精度和可靠性,尤其是在电网调度最为关注的极端出力场景下,获得了更准确可靠的预测结果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com