第二十七届中国科协年会学术论文
邓芳明, 吴磊, 王锦波, 韦宝泉, 高波, 李泽文
针对光伏电站空间位置分散及用户之间数据缺失易导致的功率预测精度不足的问题,提出一种场景分类与隐私保护下的分布式光伏短期功率预测协同训练策略。首先,利用皮尔逊相关系数提取重要气象特征,并采用模糊C均值聚类(FCM)算法将历史数据集聚类划分为晴天、阴天和雨天。其次,将天气变化相似的区域聚类成若干组,判别、筛选同类别下晴天、非晴天集合,构建不同场景下光伏功率预测模型。然后,在一般的联邦学习迭代算法的基础上添加多任务学习算法,建立一种新型多任务模式的本地训练方法,保留参与联合建模的各光伏电站间的差异性。最后,对待测日进行预测,将其数据输入至上述建立的对应场景预测模型下,得到待测日的光伏功率预测结果。实验结果表明:在不同天气条件下,所提预测方法与多种网络模型相比,准确率最大可提升24.77%,均方根误差RMSE最大降低89.24%。与传统联邦框架相比,所提方法能在更快的训练轮次内达到目标用户识别率(UA),缩短50%的通信轮数并且使平均UA提升8%。所提方案不仅在提高光伏短期功率预测的准确性方面得到验证,同时还展现出较强的适应性和鲁棒性。