光伏发电功率时空预测方法、装置、电子设备以及介质与流程

本发明属于光伏发电功率预测，具体涉及一种光伏发电功率时空预测方法、装置、电子设备以及介质。

背景技术：

1、随着新型电力系统建设持续推进，光伏装机规模快速扩张，集群光伏出力具备强间歇性、随机性与显著时空耦合特性，精准功率时空预测成为保障电网稳定调度、提升新能源消纳的关键支撑。当前光伏功率预测主要分为物理机理建模与数据驱动建模两条技术路线，但两类单一方案均存在明显短板：纯机理模型依托光伏等效电路推导出力规律，虽物理可解释性强，却难以充分挖掘场站间时空关联特征，极端气象场景下预测误差大幅上升；纯数据驱动模型依靠海量传感数据训练网络，擅长捕捉时空时序规律，但缺少光伏内在物理约束，在新投场站、小样本数据场景泛化能力薄弱。同时现有技术大多仅单独采用机理或数据模型，未能实现二者优势互补，难以兼顾预测精度与场景适应性。

2、现阶段光伏预测相关技术仍存在多重瓶颈。其一，现场采集的辐照、功率传感数据混杂局部离群异常与全局极端极值，传统单一异常检测算法无法同步识别两类噪声，且常规数据增强手段忽略光伏时空约束，生成样本时序、空间逻辑失真，小样本场站数据短缺问题难以有效缓解。其二，现有时空深度学习模型多采用固定邻域聚合方式，无法自适应区分不同光伏场站的空间影响权重，对跨区域长距离时空关联挖掘不足。其三，现有机理 - 数据融合策略采用固定加权系数，未根据实时预测误差、场景不确定性动态调整两类模型权重，晴天、暴雨、极端辐照等差异化工况下适配性较差，难以平衡机理模型稳定性与数据模型灵敏性。此外，如何搭建一体化数据提质框架、设计适配光伏时空特征的深度网络、构建动态融合加权机制，仍是制约光伏功率时空预测精度提升的核心难题。

3、因此，亟需一种新的光伏发电功率时空预测方法、装置、电子设备以及介质来解决现有的问题。

技术实现思路

1、本发明的目的在于提供一种光伏发电功率时空预测方法、装置、电子设备以及介质，以解决现场采集的辐照、功率传感数据混杂局部离群异常与全局极端极值，传统单一异常检测算法无法同步识别两类噪声的问题。

2、第一方面，本技术提供了一种光伏发电功率时空预测方法，包括：

3、采集光伏场站辐照、温度、出力、地理位置的传感数据，修正传感数据中极端气象事件下的时空异常数据；

4、清洗时空异常数据中局部与全局异常；

5、通过时间、天气、地理多模态条件约束生成时空一致扩充样本；

6、构建单二极管等效电路模型，辨识光伏物理参数；

7、构建双层多头图注意力网络，提取场站多层次时空关联特征；

8、基于滚动预测误差与模型方差计算动态权重，对单二极管等效电路模型、双层多头图注意力网络输出加权融合得到最终光伏时空功率预测值。

9、在第一方面的一种实现方式中，所述修正传感数据中极端气象事件下的时空异常数据包括：

10、基于光伏场站的时空相关性，确定动态阈值：

11、

12、其中，ust表示时空窗口st对应的动态异常上阈值；q0.95(xst)代表时空窗口st内光伏数据集xst的95%分位数；xst表示光伏场站辐照、出力、温度原始传感数据集；表示中位绝对偏差mad的放大调节系数；表示空间距离衰减权重项，表示站点间的地理距离，为衰减系数，表示时空窗口内数据的中位绝对偏差；

13、采用正则化约束的极大似然方法确定gpd参数：

14、

15、其中，ξ表示gpd形状参数；β表示gpd尺度参数；xg表示光伏场站的出力传感样本；表示gpd概率密度函数；log表示自然对数；表示l2正则化惩罚系数；表示l2正则约束项，用于防止参数过拟合；

16、修正后的数据生成策略为：

17、其中，采用固定值替代随机采样，xcorr表示修正后的光伏功率传感数据。

18、在第一方面的一种实现方式中，所述清洗时空异常数据中局部与全局异常包括；

19、将时空数据映射至李群空间以捕捉非线性特征：

20、

21、其中，表示时空变换基函数，表示伴随表示；m表示时空数据映射至李群空间的变换算子；k表示时空变换基函数总数量；θk表示第k个时空变换基函数对应的权重系数；

22、混合评分函数定义为：

23、

24、其中，表示hausdorff距离，用于量化局部密度差异；shybrid表示全局与局部融合后的综合异常评分；siforest表示孤立森林输出的全局异常得分；slof表示局部离群因子得分；x表示映射至李群空间的光伏时空特征样本；hd()为hausdorff距离，用于量化局部密度差异；为动态权重；

25、通过协方差矩阵熵自适应调整动态权重：

26、

27、其中，entropy()为信息熵计算函数，entropy(σ)代表协方差矩阵σ的信息熵，用于表征时空数据分布混乱程度；σ为光伏时空特征协方差矩阵，cov()为协方差求解算子，σ=cov(x)表示对时空特征样本集x计算协方差矩阵；n为协方差矩阵的特征总维度，用于将信息熵归一化至0~1区间，实现权重自适应调节。

28、在第一方面的一种实现方式中，所述通过时间、天气、地理多模态条件约束生成时空一致扩充样本包括；融合时间周期、地理关联与天气类型信息，构建条件向量：

29、其中，表示时间周期编码；表示天气类型编码；表示图注意力网络生成的地理编码，基于站点经纬度与电网拓扑构建；c为ct-wgan-gp生成器使用的多模态条件向量；t为当前时刻时间戳；t为光伏发电周期总时长；wt为t时刻天气类型标签；

30、采用u-net结构耦合convlstm与时域反卷积设计生成器：

31、；

32、其中，g()为ct-wgan-gp生成器网络；为高斯随机隐噪声向量；conv()为卷积层，提取拼接后数据基础特征；lstm()为convlstm卷积长短期记忆模块，用于捕获光伏数据时序依赖；deconv()为时域反卷积层，用于重构场站空间分布，最终输出扩充后的光伏时空样本；

33、通过convlstm捕获时间依赖，反卷积层重构空间分布；

34、通过谱归一化(spectral normalization)与时空注意力模块优化判别器：

35、；

36、式中，d()为ct-wgan-gp判别器网络；sn为谱归一化操作，用于稳定网络训练、满足lipschitz连续性约束；attn()为时空注意力模块，自适应挖掘光伏数据时序与空间关联特征，最终输出样本真伪判别分值；

37、训练过程中，梯度惩罚项约束生成数据分布：

38、

39、式中，lgp为 ct-wgan-gp 的梯度惩罚损失项，用于约束判别器网络满足连续条件、稳定对抗训练过程；代表对样本求取数学期望；为真实光伏时空样本与生成器扩充样本的线性插值混合样本；为梯度算子；表示判别器d在插值样本、条件向量c处的输出梯度；为l2范数，用于计算梯度向量模长；

40、目标函数为：

41、

42、其中，表示生成器优化部分，表示判别器优化部分，表示梯度惩罚项，是梯度惩罚项的权重超参数。

43、在第一方面的一种实现方式中，所述构建单二极管等效电路模型，辨识光伏物理参数包括：

44、光伏电池的输出电流表达式为：

45、

46、其中，表示流经串联电阻的电流，为光生电流，为流经二极管的电流，为流经并联电阻的电流；

47、其中，流经二极管的电流为：

48、

49、流经并联电阻的电流为：

50、

51、其中，表示二极管饱和电流，表示二极管p-n结理想因子，表示玻尔兹曼常数，表示电池温度，表示电子电荷；vpv为光伏阵列输出端电压；ipv为光伏总输出工作电流；ish为光伏单二极管模型中流过并联旁路电阻的漏泄电流；rsh为光伏电池并联旁路等效漏电阻；

52、

53、光伏电池输出电流的表达式为：

54、

55、

56、其中，isc为标准测试工况下光伏短路电流；voc为标准工况光伏开路电压；、为光伏工程简化模型无量纲拟合修正系数；im、vm分别为标准测试工况下光伏最大功率点电流、最大功率点电压；为倒数运算；ln()为自然对数运算；

57、利用补偿系数近似计算在任意光照强度和温度条件下的参数值，补偿系数的表达式为：

58、

59、其中，δt为电池实际温度与标准参考温度的温差；tm为光伏电池实时工作温度；tref为标准测试参考温度；δs为辐照度相对变化量；s为实时辐照强度；sref为标准参考辐照度；iscref为标准工况短路电流；imref为标准工况最大功率点电流；为电流温度修正系数；vocref为标准工况开路电压；vmcref为标准工况最大功率点电压；co为电压温度衰减系数，b为辐照度拟合修正系数；

60、动态调整惯性权重辨识光伏物理参数：

61、

62、其中，ω为惯性权重系数；ωmax为权重上限最大值；ωmin为权重下限最小值；为当前迭代计数；kmax为模型完整训练总迭代步数。

63、速度更新公式为：

64、；

65、其中，为第m个粒子第ci+1迭代更新后的飞行速度；为该粒子第ci代当前速度；为个体学习因子；为全局学习因子；、为[0,1]区间均匀随机数；为第m个粒子的个体历史最优位置；为种群全局最优位置；为第m个粒子第ci代的当前位置；m代表粒子编号，ci、ci+1分别代表当前迭代、下一次迭代代数。

66、在第一方面的一种实现方式中，所述构建双层多头图注意力网络，提取场站多层次时空关联特征包括：

67、每个节点的特征向会通过线性变换进行投影，得到新的特征表示：

68、

69、式中，表示节点的特征向量，表示权重矩阵，表示节点经过变换后的特征；

70、确定节点间的注意力系数，两个节点和，其注意力系数表示节点对邻居的关注程度；

71、

72、其中，表示可学习的注意力向量；表示向量连接操作，是节点和节点的特征拼接；表示激活函数；为图注意力网络里节点j相对于节点i的未归一化注意力得分；、分别为节点i、节点j经线性映射后的隐特征；

73、注意力系数会被归一化，使得对于节点，所有邻居节点的注意力系数之和为1：

74、

75、式中，表示节点的邻居节点集合；

76、基于注意力系数通过加权聚合邻居节点的特征更新节点的表示，节点的新特征是其所有邻居节点特征的加权和：

77、

78、其中，表示非线性激活函数，表示从自注意力机制计算得到的权重，表示权重矩阵；是节点的特征向量，为节点i经注意力邻域聚合后得到的更新隐特征；

79、对每一对节点进行多个独立的注意力计算，将多个注意力头的输出进行拼接或求平均；

80、

81、式中，表示注意力头的数量，表示拼接操作，为第kh头下节点i分配给邻域节点j的注意力系数；为第kh头独立的线性投影权重矩阵。

82、在第一方面的一种实现方式中，所述基于滚动预测误差与模型方差计算动态权重，对单二极管等效电路模型、双层多头图注意力网络输出加权融合得到最终光伏时空功率预测值包括的：

83、光伏功率的最终预测结果由机理模型与数据模型混合加权计算：

84、

85、其中，、分别为单二极管等效电路模型与双层多头图注意力网络的预测结果，、分别对应单二极管等效电路模型与双层多头图注意力网络的权重，计算方法为：

86、

87、其中，表示最近24小时滚动误差，表示模型预测方差；为可调温度超参数，控制误差对权重的衰减敏感度；、分别为机理模型、数据模型最近24小时滚动均方根误差；、分别为两类模型的预测方差，表征预测不确定性；其中机理模型方差通过蒙特卡洛参数扰动估计，数据模型方差采用dropout随机前向传播估计。

88、第二方面，本技术提供了一种装置，包括：

89、采集模块，用于采集光伏场站辐照、温度、出力、地理位置的传感数据，修正传感数据中极端气象事件下的时空异常数据；

90、清洗模块，用于清洗时空异常数据中局部与全局异常；

91、时空一致扩充样本生成模块，用于通过时间、天气、地理多模态条件约束生成时空一致扩充样本；

92、单二极管等效电路模型构建模块，用于构建单二极管等效电路模型，辨识光伏物理参数；

93、双层多头图注意力网络构建模块，用于构建双层多头图注意力网络，提取场站多层次时空关联特征；

94、预测模块，用于基于滚动预测误差与模型方差计算动态权重，对单二极管等效电路模型、双层多头图注意力网络输出加权融合得到最终光伏时空功率预测值。

95、第三方面，本技术提供了一种电子设备，包括：处理器和存储器；

96、所述存储器存储计算机执行指令；

97、所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如第一方面所述的方法。

98、第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如第一方面所述的方法。

99、根据本技术所提出的上述技术方案，可以实现下述技术效果：该光伏发电功率时空预测方法、装置、电子设备以及介质，在光伏功率时空预测领域综合优势突出，首先构建了完整的自适应时空极值优化三级数据提质框架，弥补现有技术异常检测与数据增强手段单一的缺陷；传统方法仅采用固定阈值或单一算法处理异常，难以兼顾局部聚集噪声与极端气象极值，且常规 gan 生成样本易出现时空逻辑断裂；本技术融合改进极值理论、lof-iforest 混合检测与条件时空 wgan-gp 算法，依靠地理距离动态阈值修正极端数据，通过混合评分同步识别全局、局部异常，同时引入时空一致性约束生成样本，有效改善小样本场站数据匮乏问题，从源头降低数据缺陷带来的预测误差；实现物理机理与时序空间深度学习深度融合，克服单一模型短板；现有方案多单独使用等效机理模型或图卷积网络，缺失时空特征挖掘能力和光伏内在物理约束；本技术将单二极管等效机理模型与双层图注意力网络联用，利用 apso 辨识光伏物理参数精准刻画出力内在规律，依托多头注意力自适应分配场站空间关联权重，充分挖掘跨区域时空互补特性；通过设计动态不确定性加权融合策略，解决传统固定权重适配性差的问题，通过滚动预测误差与模型方差实时调整两类模型输出权重，晴天、阴雨、极端辐照等不同工况下均可自动平衡机理模型稳定性与数据模型灵敏性，相较各类单一及传统融合预测模型，在多类气象场景下均显著降低 mae、rmse，大幅提升预测决定系数与极端环境鲁棒性；同时融合传感数据清洗增强、物理机理与时空图深度学习的光伏功率时空预测方法，通过三级数据优化框架提升原始数据质量，结合单二极管机理模型与图注意力网络实现双向优势互补，依托动态不确定性加权策略完成预测结果融合，全面提升多气象、多样本场景下光伏功率预测精度与模型鲁棒性。