基于数据驱动的光伏发电功率预测方法及系统与流程
本发明涉及光伏发电功率预测,尤其涉及基于数据驱动的光伏发电功率预测方法及系统。
背景技术:
1、光伏发电出力受辐照度、温度、云量等多种气象因子的综合影响,准确预测光伏功率对电网调度具有重要意义。现有光伏功率预测方法多采用确定性点预测方式,将各类气象因子同等对待,未区分不同气象因子在不同时间尺度上对光伏出力的差异化影响。在概率预测方面,现有方法通常对误差分布形态进行预设假定,难以适应光伏功率在不同天气条件下呈现的非高斯分布特征。上述问题导致光伏功率预测精度受限,尤其在天气突变场景下预测偏差显著增大,概率预测区间的可靠性难以保障。
技术实现思路
1、本发明的目的在于:为了解决上述问题,而提出的基于数据驱动的光伏发电功率预测方法及系统。
2、为了实现上述目的,本发明采用了如下技术方案:
3、基于数据驱动的光伏发电功率预测方法,包括:
4、采集光伏电站多源历史数据,对各气象因子进行多时间尺度分解,将每个气象因子分离为短期波动分量、日内趋势分量和长期趋势分量;
5、分别通过对应的时序特征提取通道提取各时间尺度分量的时间维度特征,提取气象因子的空间分布特征,通过多头注意力对时间维度特征和空间分布特征进行融合,获得时空融合特征向量;
6、将所述时空融合特征向量输入分位数回归集成预测模型,输出多个目标分位数下的光伏功率预测值,基于各分位数预测值生成不同置信水平的概率预测区间。
7、优选地,所述多时间尺度分解采用经验模态分解实现,将气象因子的原始序列分离为多个固有模态函数分量,依据各固有模态函数分量的特征频率进行归类:特征频率高于第一频率阈值的固有模态函数分量归入短期波动分量,特征频率介于第一频率阈值和第二频率阈值之间的固有模态函数分量归入日内趋势分量,特征频率低于第二频率阈值的固有模态函数分量与残差趋势项合并归入长期趋势分量。
8、优选地,所述时序特征提取通道为并行的三通道结构,短期通道采用门控循环单元处理各气象因子的短期波动分量序列并输出短期时序特征向量,日内通道采用transformer编码器处理各气象因子的日内趋势分量序列并输出日内时序特征向量,长期通道采用时序卷积网络处理各气象因子的长期趋势分量序列并输出长期时序特征向量。
9、优选地,所述空间分布特征的提取方式为:以光伏电站地理坐标为中心进行网格划分,将电站周边不同距离范围内各气象观测点的气象数据映射至对应网格节点,形成空间气象特征矩阵,所述空间气象特征矩阵的行对应网格节点,列对应各气象因子。
10、优选地,所述时空融合特征向量的生成过程为:将短期时序特征向量、日内时序特征向量和长期时序特征向量与所述空间气象特征矩阵的展平向量进行拼接形成拼接特征向量,将所述拼接特征向量作为多头注意力的输入序列,通过查询矩阵、键矩阵和值矩阵的线性变换及缩放点积注意力运算,自适应地为不同时空位置的气象因子分配注意力权重,多头注意力的输出经线性投影后获得时空融合特征向量。
11、优选地,所述分位数回归集成预测模型以梯度提升决策树为基础学习器,分别配置多个分位数目标函数进行并行训练,第个分位数对应的损失函数为:
12、;
13、其中,为第个样本的实际功率值,为第个样本在分位数下的预测值,为样本数量,为分位数检验函数,当时,当时,为实际功率值与预测值之间的残差。
14、优选地,所述还包括:实时采集最近个时间步内的实际功率值,计算实际功率值与各分位数预测值之间的偏差序列,基于偏差序列在个时间步内的均值和标准差,计算第个分位数的校正量:
15、;
16、其中,为第个分位数对应的比例系数,为预设的滚动窗口长度;将校正量叠加至各分位数预测值,获得校准后的分位数预测值,重新生成校准后的概率预测区间。
17、优选地,所述校正量的更新速率随天气状态自适应变化:当短期波动分量的振幅在预设时段内未超过振幅阈值时,判定为晴稳天气状态,校正量以较小的学习率进行更新;当短期波动分量的振幅在预设时段内超过振幅阈值时,判定为天气急剧变化状态,校正量以较大的学习率进行更新。
18、优选地,所述还包括:计算多维度评估指标,所述多维度评估指标包括点预测指标、概率预测指标和综合评分指标;每日自动计算各评估指标值并与预设警戒线进行比对,当点预测指标连续预设天数超过对应的警戒线,或概率预测区间覆盖率偏离其名义置信水平超过预设偏差范围时,将新累积的数据增量合并入训练集重新执行模型训练流程,通过对比验证选择综合评分指标更优的模型进行部署。
19、基于数据驱动的光伏发电功率预测系统,包括:
20、数据分解模块,用于采集光伏电站多源历史数据,对各气象因子进行多时间尺度分解,获得各气象因子的短期波动分量、日内趋势分量和长期趋势分量;
21、时空特征提取模块,用于分别通过对应的时序特征提取通道提取各时间尺度分量的时间维度特征,提取气象因子的空间分布特征,通过多头注意力对时间维度特征和空间分布特征进行融合,获得时空融合特征向量;
22、概率预测模块,用于将所述时空融合特征向量输入分位数回归集成预测模型,输出多个目标分位数下的光伏功率预测值,基于各分位数预测值生成不同置信水平的概率预测区间。
23、综上所述,由于采用了上述技术方案,本发明的有益效果是:
24、1、本发明通过对气象因子进行多时间尺度分解,将短期波动分量、日内趋势分量和长期趋势分量分别送入匹配的时序特征提取通道;由于不同时间尺度的分量对光伏出力的作用方式存在本质差异,分离处理使各通道专注于对应时间尺度上的特征模式,克服了不同频率信息相互干扰的问题,有助于提高气象因子对光伏出力影响的表征精度。
25、2、本发明通过基于多头注意力对时间维度特征和空间分布特征进行融合,自适应地为不同距离范围和不同时间尺度的气象因子分配差异化权重,克服了固定权重方式无法适应动态气象变化的局限,有助于提高特征提取的有效性。
1.基于数据驱动的光伏发电功率预测方法,其特征在于,包括:
2.根据权利要求1所述的基于数据驱动的光伏发电功率预测方法,其特征在于,多时间尺度分解采用经验模态分解实现,将气象因子的原始序列分离为多个固有模态函数分量,依据各固有模态函数分量的特征频率进行归类:特征频率高于第一频率阈值的固有模态函数分量归入短期波动分量,特征频率介于第一频率阈值和第二频率阈值之间的固有模态函数分量归入日内趋势分量,特征频率低于第二频率阈值的固有模态函数分量与残差趋势项合并归入长期趋势分量。
3.根据权利要求1所述的基于数据驱动的光伏发电功率预测方法,其特征在于,时序特征提取通道为并行的三通道结构,短期通道采用门控循环单元处理各气象因子的短期波动分量序列并输出短期时序特征向量,日内通道采用transformer编码器处理各气象因子的日内趋势分量序列并输出日内时序特征向量,长期通道采用时序卷积网络处理各气象因子的长期趋势分量序列并输出长期时序特征向量。
4.根据权利要求3所述的基于数据驱动的光伏发电功率预测方法,其特征在于,空间分布特征的提取方式为:以光伏电站地理坐标为中心进行网格划分,将电站周边不同距离范围内各气象观测点的气象数据映射至对应网格节点,形成空间气象特征矩阵,所述空间气象特征矩阵的行对应网格节点,列对应各气象因子。
5.根据权利要求4所述的基于数据驱动的光伏发电功率预测方法,其特征在于,时空融合特征向量的生成过程为:将短期时序特征向量、日内时序特征向量和长期时序特征向量与所述空间气象特征矩阵的展平向量进行拼接形成拼接特征向量,将所述拼接特征向量作为多头注意力的输入序列,通过查询矩阵、键矩阵和值矩阵的线性变换及缩放点积注意力运算,自适应地为不同时空位置的气象因子分配注意力权重,多头注意力的输出经线性投影后获得时空融合特征向量。
6.根据权利要求1所述的基于数据驱动的光伏发电功率预测方法,其特征在于,分位数回归集成预测模型以梯度提升决策树为基础学习器,分别配置多个分位数目标函数进行并行训练,第个分位数对应的损失函数为:
7.根据权利要求1所述的基于数据驱动的光伏发电功率预测方法,其特征在于,还包括:实时采集最近个时间步内的实际功率值,计算实际功率值与各分位数预测值之间的偏差序列,基于偏差序列在个时间步内的均值和标准差,计算第个分位数的校正量:
8.根据权利要求1所述的基于数据驱动的光伏发电功率预测方法,其特征在于,校正量的更新速率随天气状态自适应变化:当短期波动分量的振幅在预设时段内未超过振幅阈值时,判定为晴稳天气状态,校正量以较小的学习率进行更新;当短期波动分量的振幅在预设时段内超过振幅阈值时,判定为天气急剧变化状态,校正量以较大的学习率进行更新。
9.根据权利要求7所述的基于数据驱动的光伏发电功率预测方法,其特征在于,还包括:计算多维度评估指标,所述多维度评估指标包括点预测指标、概率预测指标和综合评分指标;每日自动计算各评估指标值并与预设警戒线进行比对,当点预测指标连续预设天数超过对应的警戒线,或概率预测区间覆盖率偏离其名义置信水平超过预设偏差范围时,将新累积的数据增量合并入训练集重新执行模型训练流程,通过对比验证选择综合评分指标更优的模型进行部署。
10.基于数据驱动的光伏发电功率预测系统,根据权利要求1-9任一所述的基于数据驱动的光伏发电功率预测方法,其特征在于,包括:数据分解模块,用于采集光伏电站多源历史数据,对各气象因子进行多时间尺度分解,获得各气象因子的短期波动分量、日内趋势分量和长期趋势分量;
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