一种数据填补与功率预测的协同优化方法、系统及设备与流程

本技术涉及人工智能与数据处理领域，特别是涉及一种数据填补与功率预测的协同优化方法、系统及设备。

背景技术：

1、随着全球能源结构的深度转型，以太阳能为代表的可再生能源在电力系统中的渗透率正以前所未有的速度增长。光伏发电凭借其资源丰富、清洁无污染的优势，已成为新能源发展的核心驱动力之一。然而，光伏发电的输出功率高度依赖于太阳辐照度、温度等气象条件，呈现出显著的间歇性、波动性和不确定性。这种固有的不稳定性给电网的稳定运行、功率平衡和调度规划带来了严峻挑战。因此，发展高精度的光伏功率预测技术，对于提升电网对新能源的消纳能力、保障电力系统安全经济运行具有至关重要的理论与实践意义。

2、目前，光伏功率预测技术已形成较为成熟的研究体系，主流技术方案大致可分为物理模型和数据驱动模型两大类。物理模型基于光伏电池的物理特性及当地的气象参数，通过建立复杂的数学物理方程来推算发电功率。数据驱动模型凭借其高效、灵活的特点，在短期功率预测领域得到了更广泛的应用。

3、尽管目前预测模型取得了长足进步，但在实际工程应用中仍面临一个关键瓶颈：数据的完整性问题。上述主流预测模型大多基于一个理想化假设，即输入的数据序列是完整且连续的。然而，在真实的光伏电站运维场景中，由于传感器故障、通信系统异常、数据采集设备维护或极端天气干扰等不可控因素，监测数据时常会出现部分时段的缺失。

4、这种数据缺失问题对预测模型的性能造成损害：在模型训练阶段，不完整的数据序列会破坏其内在的时间连续性和相关性，使模型难以充分学习到光伏功率变化的周期性、趋势性和随机性规律。

技术实现思路

1、本技术的目的是提供一种数据填补与功率预测的协同优化方法、系统及设备，可解决因数据填补与预测环节分离而导致的预测性能受限问题，提高光伏功率预测精度。

2、为实现上述目的，本技术提供了如下方案：

3、第一方面，本技术提供了一种数据填补与功率预测的协同优化方法，包括：

4、获取目标光伏电站的信息数据；所述信息数据包括：包含缺失值的光伏功率时间序列以及所述光伏功率时间序列对应的时间戳；

5、基于时间感知自编码器对所述信息数据进行重建，得到重建后的完整功率数据序列；所述时间感知自编码器包括时间感知编码模块和自编码器；其中，基于所述时间感知编码模块对所述时间戳进行解构与编码，生成富含多尺度周期性信息的时间编码向量，并与所述光伏功率时间序列的嵌入向量进行融合，形成融合输入序列；基于所述自编码器通过编码-解码过程根据缺失标记矩阵对所述融合输入序列中的缺失值进行填补重建，输出重建后的完整功率数据序列；缺失标记矩阵是根据包含缺失值的光伏功率时间序列构建的，其中，所述缺失标记矩阵用于表征所述光伏功率时间序列中各时间步对应的数据是否缺失；

6、将重建后的完整功率数据序列输入至宏观残差transformer中进行光伏功率的预测，输出功率预测值；所述宏观残差transformer由生成式解码器的transformer组成，并引入宏观残差连接；所述宏观残差连接跨越transformer核心堆栈，以作为全局性的信息通道。

7、在一实施方式中，基于所述时间感知编码模块对所述时间戳进行解构与编码，生成富含多尺度周期性信息的时间编码向量，并与所述光伏功率时间序列的嵌入向量进行融合，形成融合输入序列，具体包括：

8、基于所述时间感知编码模块对所述时间戳进行解构处理，得到层级化时间单元；所述层级化时间单元包括：年、月、日、小时和分钟；

9、基于所述层级化时间单元进行编码转换，生成富含多尺度周期性信息的时间编码向量；

10、将所述时间编码向量与所述光伏功率时间序列的嵌入向量进行融合，形成融合输入序列。

11、在一实施方式中，基于所述层级化时间单元进行编码转换，生成富含多尺度周期性信息的时间编码向量，具体包括：

12、基于所述层级化时间单元采用编码变换公式进行编码转换，生成富含多尺度周期性信息的时间编码向量；所述编码变换公式对应的表达式为：

13、；

14、；

15、；

16、；

17、；

18、其中，为对进行编码后的时间编码向量；为当前日在一年中的位置；为对进行编码后的时间编码向量；为当前日在一月中的位置；为对进行编码后的时间编码向量；为当前日在一周中的位置；为小时；为分钟；为对进行编码后的时间编码向量；为对进行编码后的时间编码向量。

19、在一实施方式中，基于所述自编码器通过编码-解码过程根据缺失标记矩阵对所述融合输入序列中的缺失值进行填补重建，输出重建后的完整功率数据序列，具体包括：

20、基于所述自编码器中的编码器将所述融合输入序列压缩并映射到预设低维的隐层空间，生成隐向量；

21、基于所述自编码器中的解码器接收所述隐向量，并将所述隐向量重构回原始的数据空间，以进行填补重建，输出重建后的完整功率数据序列。

22、在一实施方式中，基于所述自编码器中的编码器将所述融合输入序列压缩并映射到预设低维的隐层空间，生成隐向量，对应的处理过程为：

23、；

24、其中，为隐向量；为压缩并映射对应的处理函数；为编码器中的非线性激活函数；为自编码器中的编码器的权重矩阵；为自编码器中的编码器的偏置向量；为融合输入序列。

25、在一实施方式中，进行填补重建对应的表达式为：

26、；

27、其中，为重构输出的数据序列；为填补重建对应的处理函数；为解码器中的非线性激活函数；为自编码器中的解码器的权重矩阵；为自编码器中的解码器的偏置向量；为隐向量。

28、在一实施方式中，在基于所述自编码器通过编码-解码过程根据缺失标记矩阵对所述融合输入序列中的缺失值进行填补重建，输出重建后的完整功率数据序列之前，还包括：

29、采用反向传播算法，以最小化重构误差为目标，对自编码器的参数进行训练；自编码器的参数包括：自编码器中的编码器的权重矩阵、自编码器中的编码器的偏置向量、自编码器中的解码器的权重矩阵以及自编码器中的解码器的偏置向量；

30、重构误差对应的损失函数的表达式为：

31、；

32、其中，为重构误差对应的损失函数；为融合输入序列；为重构输出的数据序列；为填补重建对应的处理函数；为压缩并映射对应的处理函数。

33、在一实施方式中，将重建后的完整功率数据序列输入至宏观残差transformer中进行光伏功率的预测，输出功率预测值，具体包括：

34、将重建后的完整功率数据序列输入至宏观残差transformer中，通过transformer进行多层非线性变换，输出高层抽象特征，以及，通过宏观残差连接的支路对应的线性层对重建后的完整功率数据序列进行特征映射，生成残差特征；

35、；

36、将所述高层抽象特征和所述残差特征进行逐元素聚合，基于宏观残差transformer的输出层得到功率预测值；

37、；

38、其中，为宏观残差连接的支路对应的线性层的权重矩阵，为宏观残差连接的支路对应的线性层的偏置向量。

39、第二方面，本技术提供了一种数据填补与功率预测的协同优化系统，包括：

40、信息数据获取模块，用于获取目标光伏电站的信息数据；所述信息数据包括：包含缺失值的光伏功率时间序列以及所述光伏功率时间序列对应的时间戳；

41、序列重建模块，用于基于时间感知自编码器对所述信息数据进行重建，得到重建后的完整功率数据序列；所述时间感知自编码器包括时间感知编码模块和自编码器；其中，基于所述时间感知编码模块对所述时间戳进行解构与编码，生成富含多尺度周期性信息的时间编码向量，并与所述光伏功率时间序列的嵌入向量进行融合，形成融合输入序列；基于所述自编码器通过编码-解码过程根据缺失标记矩阵对所述融合输入序列中的缺失值进行填补重建，输出重建后的完整功率数据序列；缺失标记矩阵是根据包含缺失值的光伏功率时间序列构建的，其中，所述缺失标记矩阵用于表征所述光伏功率时间序列中各时间步对应的数据是否缺失；

42、预测模块，用于将重建后的完整功率数据序列输入至宏观残差transformer中进行光伏功率的预测，输出功率预测值；所述宏观残差transformer由生成式解码器的transformer组成，并引入宏观残差连接；所述宏观残差连接跨越transformer核心堆栈，以作为全局性的信息通道。

43、第三方面，本技术提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述所述的数据填补与功率预测的协同优化方法。

44、根据本技术提供的具体实施例，本技术公开了以下技术效果：

45、本技术提供了一种数据填补与功率预测的协同优化方法、系统及设备，通过获取目标光伏电站的信息数据；基于时间感知自编码器对信息数据进行重建，得到重建后的完整功率数据序列；其中，基于时间感知编码模块对所述时间戳进行解构与编码，生成富含多尺度周期性信息的时间编码向量，并与光伏功率时间序列的嵌入向量进行融合；基于自编码器对融合输入序列中的缺失值进行填补重建，以此解决因数据填补与预测环节分离而导致的预测性能受限问题。将重建后的完整功率数据序列输入至宏观残差transformer中进行光伏功率的预测，通过将重建后的完整功率数据序列进行聚合，从而保留关键信息并提升模型鲁棒性，进而提高光伏功率预测精度。