面向风光异构场站的区域功率分级聚合预测方法、设备、存储介质及程序产品与流程

本技术涉及新能源功率预测的，尤其涉及面向风光异构场站的区域功率分级聚合预测方法、面向风光异构场站的区域功率分级聚合预测设备、存储介质和计算机程序产品。

背景技术：

1、新能源功率预测是电力系统调度运行和新能源消纳分析的重要基础。随着区域内风电、光伏场站数量增多，调度侧既需各场站出力，也需区域风电、光伏及合计总功率的预测结果。现有预测通常以15分钟为粒度，业务上要求短期（例如未来24小时）精细预测及中长期（例如未来15天）趋势预测，需融合历史功率、数值天气预报（numerical weatherprediction，nwp）和场站容量等多源数据。

2、目前，风电预测多采用风速、风向等要素，光伏预测多采用辐照、云量等要素，通过物理模型、统计模型或机器学习模型实现。然而，在区域级多场站场景下，现有技术存在以下不足：1、风电与光伏的预测流程相互独立，特征体系与模型参数各异，当区域同时包含两类场站时，预测系统复杂度高，统一部署和维护困难；若简单拼接气象数据输入同一模型，又因物理机理差异导致精度受限。2、各场站装机容量差异大，直接以功率值建模时，大容量场站的误差在训练中占主导，小容量场站拟合效果差，难以均衡提升所有场站预测精度。3、区域汇总时普遍采用各场站独立预测后直接求和，未利用场站间地理、出力及气象条件的空间关联信息，区域总功率的稳定性不足。4、多预报日nwp数据在样本构建中常被混合排列或简单拼接，未建立预报日与预测时间点的稳定对应关系，导致输入气象序列与功率目标时间错位，影响模型对气象驱动规律的学习。5、场站汇总至集群、再汇总至区域的过程中，各层独立计算，缺乏层级间联动约束，逐层误差累积易造成区域总功率与各分量之和不相符。

3、上述内容仅用于辅助理解本技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种面向风光异构场站的区域功率分级聚合预测方法、面向风光异构场站的区域功率分级聚合预测设备、存储介质计算机程序产品，旨在解决现有区域级风光面向风光异构场站的区域功率分级聚合预测方法预测准确性低的技术问题。

2、为实现上述目的，本技术提出一种面向风光异构场站的区域功率分级聚合预测方法，所述面向风光异构场站的区域功率分级聚合预测方法包括：

3、获取区域内各风电场站和光伏场站的多源数据；

4、根据所述多源数据，为风电场站和光伏场站分别建立场站级预测模型，通过所述场站级预测模型输出各场站未来预测窗口内的归一化功率比预测序列；

5、根据各场站的类型信息，将区域内场站分为风电组和光伏组；针对每一组内的场站，基于各场站之间的相似性度量进行空间聚类，形成若干空间集群，并根据各场站的额定容量对各集群内场站的预测功率进行加权聚合，得到各集群预测出力；其中，所述各集群内场站的预测功率由所述归一化功率比预测序列与对应场站的额定容量相乘得到；

6、将所述各集群预测出力输入区域集成模型，得到区域风电总功率、区域光伏总功率和区域总功率；其中，在所述区域集成模型的训练过程中，增加用于使区域总功率预测与各集群预测之和保持一致的层级一致性约束。

7、在一实施例中，所述多源数据至少包括各场站的历史功率数据、历史气象数据、未来多预报日数值天气预报数据，以及各场站的类型信息、位置信息和额定容量；

8、所述获取区域内各风电场站和光伏场站的多源数据的步骤之后，还包括：

9、将所述历史功率数据和所述历史气象数据的记录时间，以及所述未来多预报日数值天气预报数据的预测起报时间，统一到预设时间粒度的时间轴；

10、剔除或修正所述历史功率数据中超出物理范围的功率值，并对所述历史功率数据中缺失的时间点进行插补处理。

11、在一实施例中，所述场站级预测模型包括风电场站预测模型和光伏场站预测模型；

12、所述风电场站预测模型的输入特征包括未来多预报日数值天气预报中的风速以及用于表征风速变化特性的派生特征，输出目标为归一化功率比；

13、所述光伏场站预测模型的输入特征包括未来多预报日数值天气预报中的辐照以及按天气状态划分的场景类别，输出目标为归一化功率比；

14、所述归一化功率比由场站的实际功率与额定容量之比确定。

15、在一实施例中，所述相似性度量包括各场站之间的地理距离、各场站历史功率序列之间的出力相关性、以及各场站对应时段数值天气预报的预报值之间的气象相似度；

16、所述基于各场站之间的相似性度量进行空间聚类的步骤包括：

17、对于风电组和光伏组中的每一组，将所述地理距离、所述出力相关性和所述气象相似度分别归一化，并以归一化后的各维特征的加权欧氏距离作为聚类度量，对组内的各场站进行层次聚类，形成若干空间集群。

18、在一实施例中，所述将所述各集群预测出力输入区域集成模型，得到区域风电总功率、区域光伏总功率和区域总功率的步骤包括：

19、将各集群预测出力与区域级数值天气预报气象统计量共同输入所述区域集成模型，由所述区域集成模型输出区域风电总功率、区域光伏总功率和区域总功率；

20、其中，在训练所述区域集成模型时，训练损失由主预测损失和层级一致性约束项构成，所述主预测损失用于度量区域总功率预测值与其实际值之间的误差，所述层级一致性约束项用于使区域总功率预测值与各集群预测值之和保持一致。

21、在一实施例中，所述场站级预测模型采用分支时序预测结构，包括历史功率分支、历史气象分支、未来气象分支、上下文融合单元和功率比输出单元；

22、所述历史功率分支用于接收目标场站在预设历史窗口内的历史功率比序列，通过多尺度一维卷积提取局部波动特征，再通过长短期记忆网络提取时序依赖关系，输出历史功率编码特征；

23、所述历史气象分支用于接收与所述历史功率时间段相对应的历史气象特征序列，并采用与所述历史功率分支相同的多尺度一维卷积与长短期记忆网络结构进行编码处理，输出历史气象编码特征；

24、所述未来气象分支用于接收未来预测窗口内的数值天气预报特征序列，并通过多尺度一维卷积提取未来气象在不同时间尺度上的变化特征，输出未来气象编码特征；

25、所述上下文融合单元用于接收所述历史功率编码特征、所述历史气象编码特征和所述未来气象编码特征，并采用上下文注意力机制将所述历史功率编码特征和所述历史气象编码特征共同作为上下文信息，与所述未来气象编码特征进行注意力融合，输出融合后特征；

26、所述功率比输出单元用于接收所述融合后特征，将所述融合后特征经全连接层映射为所述归一化功率比预测序列。

27、在一实施例中，对所述场站级预测模型进行训练时，所述面向风光异构场站的区域功率分级聚合预测方法还包括：

28、所述场站级预测模型一次输出未来预设天数内的归一化功率比预测序列，按照每日预设点数将该预测序列划分为多个预测日；

29、对于所述预测序列中的各预测日，将首个预测日的各时间点赋予第一权重，将其余预测日的各时间点赋予第二权重，所述第一权重大于所述第二权重；

30、以加权后的各时间点损失之和作为模型训练的总损失进行优化，使所述场站级预测模型在训练中重点优化首个预测日的预测精度，并保留其余预测日的趋势预测能力。

31、此外，为实现上述目的，本技术还提出一种面向风光异构场站的区域功率分级聚合预测装置，所述面向风光异构场站的区域功率分级聚合预测装置包括：

32、第一模块，用于获取区域内各风电场站和光伏场站的多源数据；

33、第二模块，用于根据所述多源数据，为风电场站和光伏场站分别建立场站级预测模型，通过所述场站级预测模型输出各场站未来预测窗口内的归一化功率比预测序列；

34、第三模块，用于根据各场站的类型信息，将区域内场站分为风电组和光伏组；针对每一组内的场站，基于各场站之间的相似性度量进行空间聚类，形成若干空间集群，并根据各场站的额定容量对各集群内场站的预测功率进行加权聚合，得到各集群预测出力；其中，所述各集群内场站的预测功率由所述归一化功率比预测序列与对应场站的额定容量相乘得到；

35、第四模块，用于将所述各集群预测出力输入区域集成模型，得到区域风电总功率、区域光伏总功率和区域总功率；其中，在所述区域集成模型的训练过程中，增加用于使区域总功率预测与各集群预测之和保持一致的层级一致性约束。

36、此外，为实现上述目的，本技术还提出一种面向风光异构场站的区域功率分级聚合预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的面向风光异构场站的区域功率分级聚合预测方法的步骤。

37、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的面向风光异构场站的区域功率分级聚合预测方法的步骤。

38、此外，为实现上述目的，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的面向风光异构场站的区域功率分级聚合预测方法的步骤。

39、本技术提出的一个或多个技术方案，至少具有以下技术效果：

40、通过为风电和光伏场站分别建立差异化场站级模型并统一输出归一化功率比，兼顾了两类异构场站不同的物理特性和各场站容量差异，使场站级预测更贴合各自出力原理；通过按能源类型分组后进行空间聚类并按容量加权聚合，利用了场站间地理、出力和气象条件的空间关联信息，提升了集群出力的稳定性；通过在区域集成模型中引入层级一致性约束，使区域总功率预测与各集群预测之和在训练中保持一致，消除了场站、集群、区域逐层聚合的累积偏差，确保层级间输出口径一致。同时，三级分层架构将原本割裂的风光预测流程统一在同一框架下，降低了系统部署和维护成本。由此，显著提升了区域级风光功率预测的准确性，实现了场站、集群、区域三级预测结果的一致性输出。