一种基于混合深度学习的短期光伏功率预测方法及系统与流程

本发明属于光伏发电预测，尤其涉及一种基于混合深度学习的短期光伏功率预测方法及系统。

背景技术：

1、光伏发电作为可再生能源的重要形式，其功率输出受太阳辐射、温度、云层分布等多种气象因素影响，具有显著的间歇性和波动性。当光伏渗透率提升至较高比例时，这种波动性可能引发电网频率偏移，增加传统电源与新能源的协同调度难度，因此高精度的短期光伏功率预测成为保障电力系统安全运行、降低太阳能运营成本的关键技术。

2、目前的预测方法主要包括物理建模法、统计学习法及深度学习法。物理建模法依赖详细的光伏组件参数和气象数据，计算复杂度高且受限于理想化假设；统计模型在处理非线性关系时能力有限。近年来，以卷积神经网络、长短期记忆网络及transformer为代表的深度学习模型因具备强大的非线性特征提取能力，逐渐成为主流。例如，现有技术常采用cnn提取云图的空间特征，利用lstm或transformer提取功率序列的时序特征，最后通过全连接层进行特征拼接以实现多模态融合预测。

3、然而，现有的混合深度学习方案仍存在关键技术瓶颈：首先，现有技术通常将全天空云图作为一个整体进行全局特征提取，忽略了光伏发电的物理本质。事实上，仅有位于太阳光路传播路径上的云层才会对光伏阵列产生实质性的遮挡效应，而图像中远离太阳位置的地平线边缘区域或其余背景区域的云层往往属于无效信息。现有方法缺乏对太阳位置的有效跟踪及对关键遮挡区域的聚焦机制，导致模型容易受到背景云层噪声的干扰，难以在复杂的云团运动中精准捕捉导致功率突变的有效遮挡源。其次，现有技术大多采用先分别提取各模态特征，再进行简单拼接的融合策略。这种处理方式割裂了视觉信息与时序信号之间的逻辑关联，视觉模态难以对时序模态的处理过程施加影响。以光伏功率序列的频域特征为例，其中的高频分量在晴朗天气下通常表现为逆变器产生的随机噪声，应予以抑制；而在多云天气下则表现为云遮挡引起的真实功率波动，应予以保留。现有的模型结构无法根据云图呈现的天气状态自适应地调整对不同频率信号的筛选与保留策略，导致预测模型在多变气象场景下的适应性与鲁棒性不足。最后，传统的深度学习模型主要依赖于最小化预测值与真实值之间的数值误差来驱动参数更新，属于纯数据驱动的优化模式。这种方式忽略了光伏发电系统的物理运行规律与理论极限。在遭遇极端气象条件或输入数据存在缺失时，模型容易输出超出当地理论辐照度上限或违背能量守恒定律的预测结果，导致预测数据的可解释性差，难以满足电网调度系统对数据可信度的要求。

4、因此，亟需研发一种能够融合物理机理感知、实现跨模态深度交互并具备物理边界约束的新型光伏功率预测方法。

技术实现思路

1、为了解决现有光伏功率预测技术中因缺乏物理机理引导的云图特征提取、多模态特征交互方式僵化以及模型训练缺乏物理边界约束，导致复杂气象条件下预测精度低和结果可解释性不足的技术问题，本发明公开了一种基于混合深度学习的短期光伏功率预测方法及系统。通过采集多源数据并利用带时间衰减权重的插值法补全缺失值；利用太阳定位算法构建关注区掩码对全天空云图进行物理增强，突出光路遮挡特征；对功率序列进行变分模态分解得到本征模态分量；构建混合深度学习模型，通过视觉编码分支提取云图特征并映射为门控系数，利用门控系数对模态分量进行跨模态自适应筛选，实现视觉信息对时序信号的动态引导；通过时序预测分支输出预测值。训练阶段引入基于理论最大功率的物理越限惩罚项进行联合优化，并可基于误差监测执行在线冻结更新。本发明有效解决了视觉与时序特征交互不足的问题，提升了复杂气象条件下光伏功率预测的精度与鲁棒性。

2、本发明采用如下的技术方案。

3、本发明的第一方面提供了一种基于混合深度学习的短期光伏功率预测方法，包括：

4、步骤1：获取光伏电站待预测时刻前的历史功率数据、待预测时段的天气预报数据及当前时刻的全天空云图；对所述历史功率数据进行缺失值插值补全；利用太阳定位算法计算当前时刻太阳在所述全天空云图中的像素坐标，并构建以所述像素坐标为中心的关注区掩码，将所述关注区掩码与所述全天空云图叠加运算，得到物理增强云图；

5、步骤2：对处理后的所述历史功率数据进行变分模态分解，得到多个本征模态分量；

6、步骤3：将所述物理增强云图输入预置的混合深度学习模型的视觉编码分支，提取视觉特征向量并将所述视觉特征向量映射为门控系数；利用所述门控系数对所述本征模态分量进行自适应加权筛选，得到筛选后的本征模态分量；

7、步骤4：将筛选后的本征模态分量与所述天气预报数据在特征维度拼接，输入所述混合深度学习模型的时序预测分支，通过多头自注意力机制进行时序依赖性分析，得到光伏功率预测值。

8、优选的，步骤1中所述的历史功率数据、天气预报数据及全天空云图具体包括：

9、所述历史功率数据包括光伏电站的待预测时刻前的历史有功功率时间序列；

10、所述天气预报数据包括待预测时段内太阳辐照度、环境温度及相对湿度的预测序列；

11、所述全天空云图包括当前时刻地基全天空成像仪采集的可见光图像。

12、优选的，步骤1中对历史功率数据进行缺失值插值补全，具体包括：

13、选取缺失时刻前后的若干个邻近有效观测值；

14、计算每个所述有效观测值对应的时间点与所述缺失时刻之间的时间差绝对值；

15、基于所述时间差绝对值构建指数衰减函数，计算每个所述有效观测值的时间权重，其中所述时间权重随所述时间差绝对值的增大而减小；

16、利用所述时间权重对所有选取的有效观测值进行加权平均计算，得到所述缺失时刻的插值补全数据。

17、优选的，步骤1中构建以像素坐标为中心的关注区掩码，具体包括：

18、生成与所述全天空云图分辨率相同的二维权重矩阵；

19、以所述像素坐标为中心点，计算所述二维权重矩阵中各点相对于所述中心点的欧氏距离；

20、利用高斯分布函数计算各点的权重值，其中位于所述中心点的权重值最大；

21、将所述二维权重矩阵作为所述关注区掩码，将所述全天空云图的各个像素值与所述关注区掩码中对应位置的权重值进行乘法运算，得到所述物理增强云图。

22、优选的，步骤2中所述本征模态分量包括按照中心频率由高到低排列的多个分量，其中高频段分量对应于云层遮挡突变及随机噪声，中频段分量对应于光伏功率日内周期性变化，低频段分量对应于光伏功率缓变趋势特征。

23、优选的，步骤3中通过视觉编码分支提取物理增强云图的视觉特征向量，并将视觉特征向量映射为门控系数，具体包括：

24、将所述物理增强云图输入视觉编码分支，经由多层卷积层及下采样层进行特征提取，并通过全局池化层得到全局空间特征向量；

25、利用全连接层将所述全局空间特征向量映射为维度与所述本征模态分量数量相同的门控向量；利用非线性激活函数对所述门控向量进行处理，使所述门控向量的元素值映射至0到1的区间，得到所述门控系数。

26、优选的，步骤3中所述将筛选后的本征模态分量与天气预报数据拼接，通过时序预测分支的多头自注意力机制得到光伏功率预测值，具体包括：

27、将筛选后的所述本征模态分量与所述天气预报数据在特征维度进行拼接，并叠加位置编码向量，得到时序输入矩阵；

28、将所述时序输入矩阵输入时序预测分支，利用多头自注意力机制计算查询矩阵、键矩阵与值矩阵；利用所述查询矩阵与所述键矩阵进行点积运算及归一化处理，得到注意力权重矩阵；

29、将所述注意力权重矩阵与所述值矩阵进行矩阵乘法运算，得到时序特征向量；利用全连接层将所述时序特征向量映射为光伏功率预测值。

30、优选的，所述混合深度学习模型的训练过程包括：

31、获取光伏电站的历史存档数据，包括历史功率数据、历史天气数据及历史全天空云图；对所述历史存档数据进行缺失值插值补全、物理增强云图生成及变分模态分解处理，针对每个样本采样时刻构建训练样本对；所述训练样本对的输入特征包括：所述样本采样时刻之前的历史功率数据、所述样本采样时刻的历史全天空云图，以及所述样本采样时刻之后待预测时段的历史天气数据；所述训练样本对的标签值为：所述样本采样时刻之后待预测时段的实际光伏功率；

32、将所述训练样本对中的物理增强云图输入所述视觉编码分支，将历史功率数据进行变分模态分解得到本征模态分量，经由门控筛选后与历史天气数据拼接输入所述时序预测分支，获得当前轮次的训练预测值；

33、根据光伏电站的地理位置信息及所述待预测时段的时间信息，利用晴空辐射模型计算当前时刻的理论最大辐照度，并转换为理论最大功率；计算光伏功率预测值与所述理论最大功率之间的差值；当所述光伏功率预测值大于所述理论最大功率时，利用激活函数提取所述差值并进行平方运算，得到所述物理越限惩罚项，否则将所述物理越限惩罚项置为零；将所述预测误差损失项与所述物理越限惩罚项加权求和，得到总损失函数；

34、利用所述总损失函数计算梯度，并通过反向传播算法对所述混合深度学习模型的视觉编码分支及时序预测分支的参数进行联合更新。

35、本发明的第二方面提供了一种用于短期光伏功率预测的混合深度学习系统，运行所述基于混合深度学习的短期光伏功率预测方法，包括：

36、数据增强模块，用于获取光伏电站待预测时刻前的历史功率数据、待预测时段的天气预报数据及当前时刻的全天空云图；对所述历史功率数据进行缺失值插值补全；利用太阳定位算法计算当前时刻太阳在所述全天空云图中的像素坐标，并构建以所述像素坐标为中心的关注区掩码，将所述关注区掩码与所述全天空云图叠加运算，得到物理增强云图；

37、模态分解模块，用于对处理后的所述历史功率数据进行变分模态分解，得到多个本征模态分量；

38、视觉编码模块，用于将所述物理增强云图输入预置的混合深度学习模型的视觉编码分支，提取视觉特征向量并将所述视觉特征向量映射为门控系数；利用所述门控系数对所述本征模态分量进行自适应加权筛选，得到筛选后的本征模态分量；

39、时序编码模块，用于将筛选后的本征模态分量与所述天气预报数据在特征维度拼接，输入所述混合深度学习模型的时序预测分支，通过多头自注意力机制进行时序依赖性分析，得到光伏功率预测值。

40、本发明的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的一种基于混合深度学习的短期光伏功率预测方法。

41、本发明的第四方面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存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于混合深度学习的短期光伏功率预测方法。

42、本发明的有益效果在于：

43、1、本发明通过引入太阳几何定位与关注区掩码技术，强制模型聚焦于太阳光传播路径上的云层纹理，有效抑制了地平线边缘及非光路区域的无效背景干扰。相比传统全图卷积，这种物理增强手段显著提升了模型对有效遮挡的感知能力。

44、2、本发明提出了基于视觉特征的门控筛选机制。该机制能够根据云图反映的天气状态，自适应地开启或关闭高频分量的通过通道：在晴天自动滤除逆变器高频噪声，在阴天保留真实的功率波动信号，解决了传统模型无法在不同气象条件下自适应区分信号与噪声的难题，提升了预测精度。

45、3、本发明在损失函数中融合了基于晴空模型的物理越限惩罚项，将光伏发电的能量守恒与物理极限内化到深度学习网络中。这有效避免了模型在数据缺失或极端条件下输出超出理论辐照度上限的异常值，确保了预测结果符合物理规律，提升了电网调度端对预测数据的信任度。