一种基于分布式光伏的智能功率预测方法、设备及介质

本发明涉及电力预测，特别是一种基于分布式光伏的智能功率预测方法、设备及介质。

背景技术：

1、随着分布式光伏在配电网中渗透率持续提升，其出力随机性与间歇性对功率预测精度提出了更高要求。当前主流方案通常融合历史运行数据、微气象因子及配网基础电气连接关系，构建源网储多源信息协同的时空预测架构。该类方法依托图注意力模块提取节点间的空间拓扑依赖性，并结合循环神经网络捕捉功率时序演化规律。该类模型通过端到端训练实现非线性特征映射，在常规气象条件与稳定拓扑下有效提升了预测精度，已成为支撑配网经济调度与储能协同优化的重要技术基础。

2、现有图时空预测模型在应对高比例分布式光伏接入的复杂配网环境时，仍存在对拓扑动态重构与非线性波动工况在线适应性不足的局限。传统算法多依赖静态邻接矩阵或预设的固定图结构，难以实时映射配网开关动作所引致的电气拓扑动态演化；模型关键超参数通常基于历史数据集离线训练固化，当面临源网储多层级功率交互与强非线性扰动时，固定的特征权重分配机制易导致预测误差累积与响应迟滞。现有技术缺乏针对实时工况漂移的在线自适应寻优与动态校正能力，在配网安全阈值越限或层间功率偏差波动时，难以兼顾全局预测的鲁棒性与局部细化精度，限制了其在复杂调度场景中的工程应用深度。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种基于分布式光伏的智能功率预测方法解决难以对配网实时拓扑变化下的源网储耦合关系进行有效建模和对复杂非线性工况下预测参数在线自适应能力不足的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了一种基于分布式光伏的智能功率预测方法，其包括：采集配网运行状态数据，对配网运行状态数据进行运行整编，得到源网储数据集，并基于源网储数据集与实时开关状态构建电气拓扑动态图，结合邻接矩阵掩码对注意力权重进行约束，得到时空加权特征序列；从时空加权特征序列中提取强耦合节点时序特征，依据配网功率平衡偏离度与预测误差构建联合适应度函数，并利用动态惯性权重粒子群优化算法在线寻优超参数适配工况非线性，得到站点级供配电预测量；根据站点级供配电预测量与源网储数据集中的光伏实测出力识别站点间同向爬坡的先后传递关系，形成云影出力传播链；沿云影出力传播链提取已发生爬坡站点的预测残差，按照传播时延和幅值衰减关系接力修正未发生爬坡站点的预测量，得到云影接力修正预测量集，并按源-网-储三级汇聚计算层间功率偏差，得到偏差超限状态和偏差收敛状态；使用配网安全阈值判别波动工况并触发动态惯性权重策略，对偏差超限状态和偏差收敛状态分别进行全局校正和局部细化校正，并利用高斯变异与精英保留机制迭代微调协同参数，得到源网储协同预测值；根据源网储协同预测值进行网络侧发布和储能协同调用，并在对应源网储实测运行值到达后进行误差回填和偏差修正，得到更新协同数据集。

5、作为本发明所述基于分布式光伏的智能功率预测方法的一种优选方案，其中，所述采集配网运行状态数据，对配网运行状态数据进行运行整编，得到源网储数据集，具体步骤如下：

6、采集配网运行数据、分布式光伏出力数据和储能运行数据，获取配网运行状态数据；

7、对配网运行状态数据进行统一时标和统一量纲处理，得到标准化运行数据，并对标准化运行数据进行整编校验、异常修复和归集存储，得到源网储数据集。

8、作为本发明所述基于分布式光伏的智能功率预测方法的一种优选方案，其中，所述基于源网储数据集与实时开关状态构建电气拓扑动态图，结合邻接矩阵掩码对注意力权重进行约束，得到时空加权特征序列，具体步骤如下：

9、根据源网储数据集和实时开关状态构建随时刻变化的电气拓扑动态图；

10、从电气拓扑动态图中提取节点时序特征，根据邻接矩阵掩码屏蔽未连接节点的注意力得分，并对相邻节点的注意力权重归一化后进行特征加权融合，得到时空加权特征序列。

11、作为本发明所述基于分布式光伏的智能功率预测方法的一种优选方案，其中，所述从时空加权特征序列中提取强耦合节点时序特征，依据配网功率平衡偏离度与预测误差构建联合适应度函数，并利用动态惯性权重粒子群优化算法在线寻优超参数适配工况非线性，得到站点级供配电预测量，具体步骤如下：

12、从时空加权特征序列中提取目标站点对应的强耦合节点时序特征，并构建站点级输入特征；

13、对站点级输入特征进行工况概念编码和历史工况匹配，并结合实时拓扑状态生成与当前工况相适配的时序预测参数，形成站点级预测配置；

14、使用站点级预测配置对站点边界供电量、站点边界配电量、源侧注入量、储能支撑量和负荷吸收量进行同步预测，得到站点边界供电量预测值、站点边界配电量预测值、源侧注入量预测值、储能支撑量预测值和负荷吸收量预测值，并形成预测误差；

15、构建联合适应度函数，将预测误差和功率平衡偏离度输入联合适应度函数进行适应度计算，得到适应度评价，并根据适应度评价利用动态惯性权重粒子群优化算法对超参数进行在线寻优更新，得到站点级供配电预测量。

16、作为本发明所述基于分布式光伏的智能功率预测方法的一种优选方案，其中，所述根据站点级供配电预测量与源网储数据集中的光伏实测出力识别站点间同向爬坡的先后传递关系，形成云影出力传播链，具体步骤如下：

17、从站点级供配电预测量中提取各光伏站点的源侧注入量预测值，按照站点标识和采集时标与光伏实测出力对应组合，计算相邻采集时标之间的实测出力变化量及实测出力与源侧注入量预测值之间的预测偏差，将变化方向相同且采集时标连续的实测出力变化量依次连接，形成光伏出力爬坡区段；

18、比较源网储数据集中不同光伏站点在多个完整爬坡过程内变化方向一致的光伏出力爬坡区段，沿采集时标移动起始时刻较早的光伏出力爬坡区段，将变化量序列对应程度最高时的时间偏移确定为传播时延，根据起始时刻先后确定前驱站点和后继站点，并根据累计变化幅值之比确定幅值衰减关系，按照起始时刻次序连接前驱站点和后继站点，形成云影出力传播链。

19、作为本发明所述基于分布式光伏的智能功率预测方法的一种优选方案，其中，所述沿云影出力传播链提取已发生爬坡站点的预测残差，按照传播时延和幅值衰减关系接力修正未发生爬坡站点的预测量，得到云影接力修正预测量集，并按源-网-储三级汇聚计算层间功率偏差，得到偏差超限状态和偏差收敛状态，具体步骤如下：

20、沿云影出力传播链按照起始时刻检索各光伏站点，将已形成光伏出力爬坡区段的站点确定为已发生爬坡站点，将尚未到达预计爬坡时刻的后继站点确定为未发生爬坡站点，提取已发生爬坡站点的实测出力与源侧注入量预测值之间的预测偏差，得到前驱预测残差；

21、读取已发生爬坡站点至未发生爬坡站点的累计传播时延和幅值衰减关系，将前驱预测残差移至预计爬坡时段并换算为预测修正量，叠加至对应源侧注入量预测值；当距离更近的前驱站点发生爬坡时，使用对应前驱预测残差接替原前驱预测残差，得到云影接力修正预测量集。

22、作为本发明所述基于分布式光伏的智能功率预测方法的一种优选方案，其中，所述使用配网安全阈值判别波动工况并触发动态惯性权重策略，对偏差超限状态和偏差收敛状态分别进行全局校正和局部细化校正，并利用高斯变异与精英保留机制迭代微调协同参数，得到源网储协同预测值，具体步骤如下：

23、从配网安全阈值中提取线路负载率、电压偏差、开关动作密度和储能调节裕度，判别波动工况并触发动态惯性权重策略；

24、对判别为偏差超限状态的协同汇聚部件进行全局校正，结合源侧、网侧和储侧协同量对跨层级协同参数进行整体调整，得到全局校正数据；

25、对判别为偏差收敛状态的协同汇聚部件进行局部细化校正，结合历史可行参数和当前拓扑连续度对活跃参数进行局部微调，得到局部细化数据；

26、对全局校正数据和局部细化数据进行迭代筛选，并结合高斯变异与精英保留机制微调协同参数，得到源网储协同预测值。

27、作为本发明所述基于分布式光伏的智能功率预测方法的一种优选方案，其中，所述根据源网储协同预测值进行网络侧发布和储能协同调用，并在对应源网储实测运行值到达后进行误差回填和偏差修正，得到更新协同数据集，具体步骤如下：

28、对源网储协同预测值进行协同功率分解和调度指令转换，生成网络侧发布值和储能协同调用值，并按统一调度标识下发至对应网络侧和储能侧；

29、对源网储实测运行值进行时标对齐、误差回填和偏差修正，并将源网储协同预测值、网络侧发布值、储能协同调用值和修正后的实测回填值进行归集存储，得到更新协同数据集。

30、第二方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于分布式光伏的智能功率预测方法的任一步骤。

31、第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于分布式光伏的智能功率预测方法的任一步骤。

32、本发明有益效果为：通过对配网运行状态数据进行整编，并结合实时开关状态构建电气拓扑动态图，利用邻接矩阵掩码对注意力权重进行约束，实现了对配电网中源、网、储动态耦合关系的准确表征，从而提高了复杂工况下特征提取的有效性和预测基础的可靠性；通过构建融合功率平衡偏离度与预测误差的联合适应度函数，并利用动态惯性权重粒子群优化算法进行在线寻优，实现了预测参数对非线性运行工况的自适应调整，从而提升了站点级供配电预测的准确性与协调性，再结合层级汇聚、偏差分级校正以及实测回填更新，进一步实现了预测、调度与修正的闭环协同，最终提高了源网储协同控制能力和配电网运行稳定性。