• • 下一篇
丁正凯1,2,傅启明1,2,陈建平2,3,4,陆悠1,2,吴宏杰1,方能炜4,邢镔4
1.苏州科技大学 电子与信息工程学院,江苏 苏州 215009;2. 江苏省建筑智慧节能重点实验室(苏州科技大学),江苏 苏州 215009;
3. 苏州科技大学 建筑与城市规划学院,江苏 苏州 215009;4.
重庆工业大数据创新中心有限公司,重庆市 400707
摘要: 针对传统模型受功率随机波动性影响以及易忽略重要信息从而导致预测精度低的问题,提出两种基于注意力(attention)机制的深度确定性策略梯度(DDPG)和循环确定性策略梯(RDPG)的模型——ADDPG和ARDPG,并在此基础上提出一个光伏功率预测框架。首先,将原始光伏功率数据以及气象数据标准化;然后,将光伏功率预测问题建模为马尔可夫决策过程(MDP),以历史功率数据和当前气象数据作为状态;其次,将attention机制加入DDPG和RDPG的Actor网络,赋予状态中各个分量的权重来突出重要且关键的信息,忽略无关紧要的信息和减少原始光伏功率带来的非稳定性,得到最优的动作即功率预测值;再次,通过DRL agents和历史数据交互来学习数据中的关键信息;最后,求解MDP问题得到最优的策略来做出准确的预测。所提模型在DKASC、Alice Springs光伏系统中的数据上进行实验。实验结果表明,在均方根误差(RMSE)的评估指标下,与DDPG和RDPG相比,ADDPG和ARDPG的预测误差降低了24.24%和31.34%;与加入attention机制的长短时记忆网络(LSTM)模型相比,ADDPG和ARDPG的预测误差降低了26.89%,18.76%。所提模型能够有效提高光伏功率的预测精度,也可以推广到其他预测领域如电网预测、风力发电预测等。
中图分类号: