融合天空图像与功率数据的光伏功率预测方法及相关设备与流程

摘要: 本技术涉及新能源发电与人工智能交叉,尤其涉及一种融合天空图像与功率数据的光伏功率预测方法、系统、装置及可读存储介质。背景技术:1、本部分的陈述仅仅是提供了与本技...
融合天空图像与功率数据的光伏功率预测方法及相关设备与流程

本技术涉及新能源发电与人工智能交叉,尤其涉及一种融合天空图像与功率数据的光伏功率预测方法、系统、装置及可读存储介质。

背景技术:

1、本部分的陈述仅仅是提供了与本技术相关的背景技术信息,不必然构成在先技术。

2、随着全球能源转型的深入推进,光伏发电因其清洁可再生优势,装机规模持续快速增长。然而,光伏发电的输出功率高度依赖于太阳辐照度,而太阳辐照度受云层遮挡影响极大,尤其是在多云天气条件下,云团的快速移动会导致光伏功率在数分钟内出现急剧上升或下降,即所谓的“光伏爬坡事件”。这类爬坡事件对电力系统的频率稳定、电压调节以及备用容量调度构成了严峻挑战,因此亟需一种能够提前数分钟甚至数十秒准确预测未来光伏功率变化趋势的技术手段。

3、目前,光伏功率预测技术主要分为以下几类:

4、第一类是基于数值天气预报的物理方法。该类方法利用气象卫星数据或地面气象站数据,通过大气物理模型推算未来辐照度,进而转换为功率预测值。然而,数值天气预报的空间分辨率通常为数公里至数十公里,时间分辨率多为小时级别,无法捕捉局部小尺度云团的快速运动与变形,因此在超短期(未来15至30分钟)预测场景下精度极低。

5、第二类是基于历史功率数据的统计学习方法,如自回归滑动平均模型、支持向量回归以及循环神经网络等。该类方法仅依赖历史功率时间序列,通过学习功率自身的变化规律进行外推预测。虽然计算速度快,但由于缺乏对未来云层运动的前瞻性信息,其预测结果本质上是对历史趋势的延续,无法有效预测由突发云层遮挡引发的功率突变,尤其在天气剧烈变化时预测误差急剧增大。

6、第三类是近年来兴起的基于全天空成像仪的图像预测方法。该类方法通过架设鱼眼或全景相机实时拍摄天空图像,利用计算机视觉技术分析云层形态与运动,从而预测未来时刻的云层遮挡情况。然而,现有技术仍存在以下不足:其一,单纯的图像预测模型(如卷积长短期记忆网络)生成的未来天空图像往往较为模糊,边缘纹理失真严重,导致后续功率预测的输入质量不佳;其二,现有方案大多将图像预测与功率预测作为两个独立的任务串联执行,缺乏对历史功率数据与图像特征的有效融合机制,未能充分利用历史功率中隐含的电站本地响应特性(如逆变器效率、组件衰减等),从而限制了预测精度的进一步提升。

7、综上所述,现有技术在超短期光伏功率预测领域,尚缺乏一种能够同时兼顾云层运动物理规律、图像生成高保真度以及多模态数据深度融合的有效方案。

技术实现思路

1、为了克服现有技术的不足,本技术提供一种融合天空图像与功率数据的光伏功率预测方法、系统、装置及可读存储介质,实现了基于天空图像与功率数据多模态融合的超短期光伏功率端到端预测。

2、为实现上述目的,本技术提供如下技术方案:

3、第一方面,提供了一种融合天空图像与功率数据的光伏功率预测方法,所述方法包括:

4、获取历史天空视频帧序列和历史光伏发电功率;

5、将所述历史天空视频帧序列输入嵌入物理动态模型的循环神经网络,生成粗预测的未来天空视频帧序列;

6、将所述历史天空视频帧序列和所述粗预测的未来天空视频帧序列输入视频三维条件扩散模型,生成精预测的未来天空视频帧序列;

7、将所述历史天空视频帧序列、所述历史光伏发电功率和所述精预测的未来天空视频帧序列输入多模态交叉注意力光伏预测网络,输出预测的未来光伏发电功率。

8、进一步地,所述嵌入物理动态模型的循环神经网络包括物理分支和残差分支;

9、所述物理分支用于模拟云层运动中的低阶物理动力学部分,所述低阶物理动力学包括平移、扩散与局部形变;

10、所述残差分支用于模拟云层运动中的复杂细节变化,所述复杂细节变化包括云边界纹理和局部亮度涨落。

11、进一步地,所述物理分支采用物理动态循环单元,所述物理动态循环单元中使用大卷积核构成的预测算子;所述残差分支采用多层卷积长短期记忆网络循环单元实现序列建模。

12、进一步地,所述物理分支的输出经过物理项深层解码器进行初步解码,所述残差分支的输出经过残差项深层解码器进行初步解码,解码后的结果按通道逐元素相加,得到融合后的时空特征表示。

13、进一步地,所述视频三维条件扩散模型采用三维u型网络结构,所述三维u型网络结构包括主分支和条件分支;

14、所述主分支用于处理含有噪声的未来视频帧序列;

15、所述条件分支用于处理由所述历史天空视频帧序列和所述粗预测的未来天空视频帧序列拼接得到的条件视频帧序列。

16、进一步地,所述主分支和所述条件分支分别包含下采样路径,所述下采样路径包括多个下采样层,每个下采样层包含带去噪步骤的三维残差块和降低分辨率的三维卷积块。

17、进一步地,所述三维u型网络结构的中间层融合所述主分支的下采样路径输出和所述条件分支的下采样路径输出,通过带去噪步骤嵌入的三维残差块提取深层时空特征。

18、进一步地,所述三维u型网络结构的上采样路径包括多个上采样层,每一层上采样时将当前特征与对应尺度的跳连特征在通道维度上拼接,通过带去噪步骤的三维残差块进行融合,并通过三维上采样模块将时空特征在空间维度上恢复到更高分辨率。

19、进一步地,所述多模态交叉注意力光伏预测网络包括:

20、历史图像编码器和未来图像编码器,分别用于对所述历史天空视频帧序列和所述精预测的未来天空视频帧序列进行特征提取;

21、功率嵌入模块,用于对所述历史光伏发电功率进行嵌入处理,并将嵌入结果与所述历史天空视频帧序列经所述历史图像编码器提取的特征相加;

22、历史分支自注意力transformer块,用于对历史序列进行自注意力编码;

23、未来分支自注意力transformer块,用于对未来序列进行自注意力编码;

24、交叉注意力层,用于将历史序列特征作为键和值,将未来序列特征作为查询向量,通过多头注意力计算得到基于历史信息更新后的未来特征表示;

25、光伏输出预测解码器,用于根据更新后的未来特征表示输出预测的未来光伏发电功率。

26、进一步地,所述历史图像编码器和所述未来图像编码器结构相同但参数独立,均由若干个二维卷积层级联组成,并在每一层卷积后接批归一化与非线性激活函数,最终拉平成一维向量。

27、进一步地,所述功率嵌入模块采用全连接网络对所述历史光伏发电功率进行嵌入。

28、进一步地,对历史序列与未来序列分别叠加基于三角函数的时间位置编码,以使模型感知时间顺序并捕捉时序依赖关系。

29、进一步地,所述嵌入物理动态模型的循环神经网络的训练损失函数包括结构相似性指数损失、逐像素绝对误差损失以及物理约束损失;所述物理约束损失用于约束物理分支中使用的卷积核的空间矩特性,使其在统计意义上接近偏微分方程的物理算子。

30、进一步地,所述视频三维条件扩散模型采用高斯扩散框架,根据预设的去噪步骤数构造噪声调度序列,采用余弦调度策略生成每一步的方差系数;训练时,将带噪视频与条件视频一起输入三维u型网络,令网络输出对噪声的估计,并以该估计与真实噪声之间的均方误差作为损失函数。

31、进一步地,采用分阶段训练策略对所述嵌入物理动态模型的循环神经网络、所述视频三维条件扩散模型和所述多模态交叉注意力光伏预测网络进行训练;

32、所述分阶段训练策略包括:

33、第一阶段,使用历史天空视频帧序列及其对应的真实未来天空视频帧序列训练所述嵌入物理动态模型的循环神经网络,优化目标为结构相似性指数损失、逐像素绝对误差损失与物理约束损失三者之和;

34、第二阶段,固定所述嵌入物理动态模型的循环神经网络的权重,使用所述嵌入物理动态模型的循环神经网络生成的粗预测未来天空视频帧序列与真实未来天空视频帧序列训练所述视频三维条件扩散模型,优化目标为噪声估计的均方误差损失;

35、第三阶段,固定所述嵌入物理动态模型的循环神经网络和所述视频三维条件扩散模型的权重,使用所述视频三维条件扩散模型生成的精预测未来天空视频帧序列、历史天空视频帧序列、历史光伏发电功率及真实未来光伏发电功率训练所述多模态交叉注意力光伏预测网络,优化目标为功率预测的均方误差损失。

36、第二方面,还提供了一种融合天空图像与功率数据的光伏功率预测系统,所述系统包括:

37、数据采集模块,用于获取历史天空视频帧序列和历史光伏发电功率;

38、嵌入物理动态模型的循环神经网络模块,用于根据所述历史天空视频帧序列生成粗预测的未来天空视频帧序列;

39、视频三维条件扩散模块,用于根据所述历史天空视频帧序列和所述粗预测的未来天空视频帧序列生成精预测的未来天空视频帧序列;

40、多模态交叉注意力光伏预测网络模块,用于根据所述历史天空视频帧序列、所述历史光伏发电功率和所述精预测的未来天空视频帧序列输出预测的未来光伏发电功率。

41、第三方面,还提供了一种融合天空图像与功率数据的光伏功率预测装置,所述装置包括:

42、光伏发电阵列,用于产生光伏电能;

43、功率传感器,与所述光伏发电阵列连接,用于采集历史光伏发电功率;

44、全景天空相机,用于采集历史天空视频帧序列;

45、计算机,分别与所述功率传感器和所述全景天空相机通信连接,所述计算机被配置为执行如前所述的融合天空图像与功率数据的光伏功率预测方法。

46、基于同一发明构思,本技术还提供了一种计算机可读存储介质,存储有一个或者多个程序,当该一个或者多个程序被执行时,实现如前所述的融合天空图像与功率数据的光伏功率预测方法。

47、与现有技术相比,本技术有益效果为:

48、提供了从数据获取到功率输出的完整流程,首次将历史天空视频、历史功率与未来天空视频的预测有机串联,实现了端到端的多模态融合光伏功率超短期预测。通过“粗预测→精预测→功率预测”的三级级联架构,使得系统能够直接从原始的图像和功率数据出发,自动完成云层运动预测和功率转换,无需人工干预或外部气象数据输入,实现了对光伏爬坡事件的提前数分钟预警。

49、本技术的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。

50、下面结合附图对本技术作进一步说明。