一种分布式光伏集群功率预测方法、系统、装置及介质与流程

本发明属于电力系统，具体涉及一种分布式光伏集群功率预测方法、系统、装置及介质。

背景技术：

1、虚拟电厂（virtual power plant, vpp）作为整合分布式能源资源参与电力市场运营的有效组织形式，近年来在全球范围内得到广泛关注。同时，分布式光伏因其资源丰富、部署灵活，已成为vpp的重要组成部分。准确可靠的分布式光伏功率预测是vpp能够制定发电计划、参与市场竞价、保障供需平衡的关键技术基础。

2、vpp分布式光伏集群功率预测方法主要包括物理模型、统计模型及机器学习方法。然而各类方法虽各有侧重，但在应对vpp多站点、多尺度、多源异构数据的复杂预测需求时，均表现出以下不同程度的适应性不足：（1）多源异构数据标准不一，缺失率高达15%-30%；（2）气象数据空间分辨率低、更新慢，不确定性缺乏有效量化，多云天气预测误差倍增；（3）现有方法多站点预测多采用独立建模再聚合的方式，忽略站点间空间相关性；（4）新站点接入需重新训练，周期长达数月，模型泛化能力和在线适应能力不足。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种分布式光伏集群功率预测方法、系统、装置及介质，提升预测的准确性与可靠性以及模型的适应能力与泛化能力。

2、本发明提供了如下的技术方案：

3、第一方面，提供一种分布式光伏集群功率预测方法，包括：基于预先获取的集群中各站点的历史发电功率数据、气象特征数据及地理信息数据构建三阶张量，对三阶张量进行张量分解及重构后得到融合数据；

4、基于融合数据构建站点关系权重矩阵；

5、对融合数据中的气象特征数据进行空间细化得到高分辨率气象特征数据，通过预先训练好的梯度提升树误差修正模型对高分辨率气象特征数据进行误差修正；

6、将误差修正后的高分辨率气象特征数据输入预先获取的mc-dropout模型，得到气象预测均值及气象预测方差；

7、将站点关系权重矩阵、高分辨率气象特征数据、融合数据中的历史发电功率数据和气象预测均值及气象预测方差输入预先训练好的功率预测模型，功率预测模型对高分辨率气象特征数据、融合数据中的历史发电功率数据、气象预测均值及气象预测方差进行拼接和线性变换得到各站点的初始特征；基于更新后的邻接矩阵对各站点的初始特征进行聚合，得到各站点的空间特征；对融合数据中的历史发电功率数据进行特征提取得到各站点的时间特征；对各站点的空间特征和时间特征进行融合，将融合后的特征映射为各站点的功率预测结果；更新后的邻接矩阵是通过将站点关系权重矩阵作为初始邻接矩阵进行更新得到的。

8、作为本发明的一种可选的技术方案，所述基于预先获取的集群中各站点的历史发电功率数据、气象特征数据及地理信息数据构建三阶张量，对三阶张量进行张量分解及重构后得到融合数据，包括：

9、对各站点的历史发电功率数据、气象特征数据及地理信息数据进行时间同步与插值后，构建包括时间维度、站点维度和特征维度的三阶张量；

10、所述张量分解采用tucker分解，将三阶张量分解为核心张量与时间维度、站点维度及特征维度的因子矩阵，并进行重构，表示为：

11、；

12、其中，表示重构张量，表示核心张量，、和分别表示时间维度、站点维度及特征维度的因子矩阵，、和分别表示第一模、第二模和第三模乘积；

13、对于三阶张量中缺失的位置，采用重构张量对应位置的值填补，将填补后的三阶张量作为融合数据，融合数据中包括历史发电功率数据、气象特征数据及地理信息数据。

14、作为本发明的一种可选的技术方案，所述基于融合数据构建站点关系权重矩阵，包括：

15、分别计算地理距离相似度、气象相似度和功率序列相关性，表示为：

16、；

17、；

18、；

19、其中，表示第个站点和第个站点的地理距离相似度，表示第个站点和第个站点的气象相似度，表示第个站点和第个站点的功率序列相关性，表示采用haversine公式计算的第个站点和第个站点之间的球面距离，表示第一距离带宽参数，表示指数函数，表示第个站点的气象特征数据均值，表示第个站点的气象特征数据均值，‖·‖2表示l2范数，表示第个站点的历史功率序列，表示第个站点的历史功率序列，表示协方差，表示第个站点的历史功率序列的标准差，表示第个站点的历史功率序列的标准差；

20、构建站点关系权重矩阵，表示为：

21、；

22、其中，表示站点关系权重矩阵中第个站点和第个站点对应的元素，表示地理距离相似度的权重，表示气象相似度的权重，表示功率序列相关性的权重。

23、作为本发明的一种可选的技术方案，所述对融合数据中的气象特征数据进行空间细化得到高分辨率气象特征数据，通过预先训练好的梯度提升树误差修正模型对高分辨率气象特征数据进行误差修正，包括：

24、将融合数据中的气象特征数据和地理信息数据输入预先构建好的地理加权卷积神经网络模型进行空间细化；所述地理加权卷积神经网络模型包括地理特征编码层、地理加权卷积层、多尺度卷积层和上采样层；所述地理特征编码层用于提取地理信息数据中的地理特征；所述地理加权卷积层用于根据地理特征调整地理距离权重，并基于调整后的地理距离权重对气象特征数据进行聚合得到聚合特征；所述多尺度卷积层用于提取聚合特征中不同空间尺度的气象特征；所述上采样层用于将不同空间尺度的气象特征还原至目标分辨率，得到高分辨率气象特征数据；

25、根据地理特征调整的卷积核权重表示为：

26、；

27、其中，表示气象特征数据中第个网格点的地理距离权重，表示气象特征数据中第个网格点与目标高分辨率网格点之间的欧几里得距离，表示第二距离带宽参数；

28、将高分辨率气象特征数据输入梯度提升树误差修正模型，得到预测误差值，误差修正后的高分辨率气象特征数据表示为：

29、；

30、其中，表示高分辨率气象特征数据中第个网格点的误差修正值，表示高分辨率气象特征数据中第个网格点的预报值，表示高分辨率气象特征数据中第个网格点的预测误差值。

31、作为本发明的一种可选的技术方案，所述将误差修正后的高分辨率气象特征数据输入预先获取的mc-dropout模型，得到气象预测均值及气象预测方差，包括：

32、将误差修正后的高分辨率气象特征数据输入mc-dropout模型，在推理阶段保持dropout激活，进行m次前向传播采样，得到气象预测均值及气象预测方差，表示为：

33、；

34、；

35、其中，表示蒙特卡洛采样次数，表示第次前向传播得到的气象要素预测值，表示气象预测均值，表示气象预测方差，表示第次采样对应的预测精度参数。

36、作为本发明的一种可选的技术方案，所述功率预测模型包括节点特征嵌入层、图结构学习模块、图注意力层、时间transformer层、时空特征融合层和预测输出层；

37、所述节点特征嵌入层对同一站点的高分辨率气象特征数据、融合数据中的历史发电功率数据、气象预测均值及气象预测方差进行拼接和线性变换得到该站点的初始特征；

38、在所述功率预测模型的训练过程中，图结构学习模块将站点关系权重矩阵作为初始邻接矩阵并更新邻接矩阵，表示为：

39、；

40、；

41、其中，表示第个站点和第个站点更新后的在时刻的邻接矩阵，表示第个站点和第个站点更新前的在时刻的邻接矩阵，表示第个站点和第个站点在时刻的气象相似度，表示第个站点和第个站点在时刻的功率序列相关性，表示第个站点和第个站点在时刻的连接得分，表示气象相似度的权重系数，表示功率序列相关性的权重系数，表示连接强度的增强步长，表示连接强度的减弱步长，表示增强连接的阈值，表示减弱连接的阈值；

42、所述图注意力层基于更新后的邻接矩阵对各站点的初始特征进行聚合，当达到预设最大迭代聚合次数时，将最后一次迭代结果作为各站点的空间特征，表示为：

43、；

44、；

45、；

46、其中，表示第次迭代后第个站点的空间特征，表示激活函数，表示第个站点的邻居集合，表示第个站点和第个站点间的注意力系数，表示第次迭代的权重矩阵，表示第次迭代后第个站点的空间特征，表示向量拼接操作，表示带泄露的relu激活函数，表示注意力机制的参数向量，表示转置，表示第个站点的初始特征，表示第个站点的初始特征，表示线性变换矩阵；

47、所述时间transformer层对融合数据中的历史发电功率数据进行特征提取，通过线性嵌入将历史发电功率数据映射为向量后进行位置编码得到各站点的时间特征；

48、所述时空特征融合层对各站点的空间特征和时间特征进行融合；

49、所述预测输出层将融合后的特征映射为各站点的功率预测结果。

50、作为本发明的一种可选的技术方案，所述功率预测模型的训练过程采用模型无关元学习策略，包括：

51、对于预先获取的已有站点的包括支持集和查询集的预测任务，针对每个站点的预测任务，基于当前全局模型参数在其支持集上执行梯度更新，得到任务专属参数；在对应查询集上评估任务专属参数，以各预测任务的总体损失最小化为目标，通过随机梯度下降更新全局模型参数，得到模型初始化参数；

52、在新站点的融合数据和误差修正后的高分辨率气象特征中提取历史发电功率数据及对应的气象特征数据，基于模型初始化参数执行梯度更新，得到适用于新站点的功率预测模型。

53、第二方面，提供一种分布式光伏集群功率预测系统，用于实现第一方面所述分布式光伏集群功率预测方法的步骤，包括：

54、数据预处理模块，用于基于预先获取的集群中各站点的历史发电功率数据、气象特征数据及地理信息数据构建三阶张量，对三阶张量进行张量分解及重构后得到融合数据；

55、权重矩阵构建模块，用于基于融合数据构建站点关系权重矩阵；

56、误差修正模块，用于对融合数据中的气象特征数据进行空间细化得到高分辨率气象特征数据，通过预先训练好的梯度提升树误差修正模型对高分辨率气象特征数据进行误差修正；

57、气象预测模块，用于将误差修正后的高分辨率气象特征数据输入预先获取的mc-dropout模型，得到气象预测均值及气象预测方差；

58、功率预测模块，用于将站点关系权重矩阵、高分辨率气象特征数据、融合数据中的历史发电功率数据和气象预测均值及气象预测方差输入预先训练好的功率预测模型，功率预测模型对高分辨率气象特征数据、融合数据中的历史发电功率数据、气象预测均值及气象预测方差进行拼接和线性变换得到各站点的初始特征；基于更新后的邻接矩阵对各站点的初始特征进行聚合，得到各站点的空间特征；对融合数据中的历史发电功率数据进行特征提取得到各站点的时间特征；对各站点的空间特征和时间特征进行融合，将融合后的特征映射为各站点的功率预测结果；更新后的邻接矩阵是通过将站点关系权重矩阵作为初始邻接矩阵进行更新得到的。

59、第三方面，提供一种分布式光伏集群功率预测装置，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。

60、第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面所述方法的步骤。

61、与现有技术相比，本发明的有益效果是：

62、本发明提供的一种分布式光伏集群功率预测方法，基于张量理论将多源数据映射到统一高维空间，通过张量分解及重构捕捉数据间的内在关联，有效解决了分布式光伏数据标准不一、缺失率高的难题，显著提升了数据融合效率与数据质量；对气象特征数据进行空间细化，并结合梯度提升树误差修正模型与mc-dropout模型，实现了气象预测不确定性的有效量化，为光伏功率预测提供了可靠的不确定性先验信息，有效降低了多云及极端天气条件下的预测误差；功率预测模型充分挖掘了多站点间的空间相关性与时空传播特性；采用模型无关元学习策略对功率预测模型进行训练，实现了新站点的快速适应，提升了预测模型的泛化能力和工程实用性。