一种基于结构一致性的超短期光伏功率预测方法及系统

本发明涉及光伏发电功率预测，具体涉及一种基于结构一致性的超短期光伏功率预测方法及系统。

背景技术：

1、随着分布式光伏系统的普及，基于天空图像的超短期光伏预测对于维持电网稳定性至关重要。由于云层的快速运动会导致辐照度和光伏输出的剧烈波动，小时内（intra-hour）的预测极具挑战性。目前，现有的高性能预测方法主要依赖于深层的卷积神经网络（cnn）来处理天空图像，并结合长短期记忆网络（lstm）处理时间序列数据。为了追求高精度，这些模型往往参数量巨大、计算复杂度高。

2、现有的轻量化尝试通常采用知识蒸馏（knowledge distillation, kd）技术，将大型教师模型的知识迁移到小型学生模型中。传统的蒸馏方法主要包括：

3、1、标签级蒸馏（label-level distillation）：仅迁移教师模型的最终预测概率分布（soft targets）。

4、2、特征图对齐（feature alignment）：直接对齐教师和学生模型的中间层特征图，试图让学生模型模仿教师的特征输出。

5、尽管现有技术在一定程度上能压缩模型，但仍存在以下显著缺陷：

6、1、模型部署困难： 高精度的教师模型过于庞大和缓慢，难以在边缘设备或实时系统中部署。

7、2、传统特征蒸馏的局限性： 直接的特征图对齐对光照变化非常敏感。天空图像中常出现光照强度偏移和对比度变化，直接模仿特征值会导致模型鲁棒性差。

8、3、缺乏全局结构信息： 标签级蒸馏和局部特征对齐往往忽略了图像中长距离的依赖关系（如云层的整体运动趋势和遮挡模式），导致学生模型无法捕捉关键的全局上下文线索。

9、4、多模态融合不足： 现有的蒸馏方法较少针对“图像+辐照度”的多模态融合特征进行专门的对齐和优化，导致融合后的精细化信息丢失。

技术实现思路

1、本发明为克服现有技术中高性能预测方法所采用的模型计算量大、传统蒸馏方法对光照敏感且缺乏结构信息等问题。为此本发明提出了一种基于结构一致性的超短期光伏功率预测方法及系统，为解决上述技术问题本发明是通过以下技术方案实现的：

2、方案一、本发明提出了一种基于结构一致性的超短期光伏功率预测方法，所述方法包括以下步骤：

3、步骤1、收集包含天空图像和历史辐照度的时间序列数据集；

4、步骤2、基于步骤1所收集的天空图像和历史辐照度的时间序列数据集，构建高容量教师模型和轻量级学生模型，并将高容量教师模型的知识迁移至轻量级学生模型中；

5、步骤3、对高容量教师模型特征图和轻量级学生模型特征图采用空间位置特征向量余弦相似度分别构建结构一致性矩阵和，基于结构一致性矩阵和的归一化均方误差构建结构一致性蒸馏损失和最小化特征对齐损失，利用映射算子p实现师生多模态融合特征匹配，用于引导学生模型学习到多模态数据融合后的语义表达；

6、步骤4、结合硬目标损失、软目标损失以及步骤3所述的结构一致性蒸馏损失和最小化特征对齐损失，构建总损失函数对学生模型进行优化：

7、步骤5、训练完成后，仅使用轻量级学生模型进行在线推理，输入当前天空图像和历史辐照度，输出未来的太阳辐照度预测值。

8、进一步的，提供一种优选实施方式，步骤2中构建高容量教师模型和轻量级学生模型的方法为：

9、步骤2.1、教师模型与学生模型均包含图像编码器、辐照度编码器、特征融合模块和解码器；其中，教师模型的图像编码器采用深层残差网络，学生模型的图像编码器采用浅层残差网络，用于提取天空图像空间特征；

10、步骤2.2、所述教师模型与学生模型的辐照度编码器均采用lstm网络，用于提取历史辐照度时序特征；

11、步骤2.3、通过特征拼接方式融合图像特征与时序辐照度特征得到多模态融合特征，并经由全连接层解码器输出个时间步的辐照度预测结果；

12、步骤2.4、在训练集上单独对教师模型进行数据集训练至收敛，并在蒸馏训练阶段冻结教师模型参数，用于固定教师模型的特征表征与预测能力。

13、进一步的，提供一种优选实施方式，步骤3中采用空间位置特征向量余弦相似度分别构建结构一致性矩阵和的方法为：

14、。

15、进一步的，提供一种优选实施方式，步骤3中基于结构一致性矩阵和的归一化均方误差构建结构一致性蒸馏损失和最小化特征对齐损失的方法为：

16、

17、

18、其中，和为特征图的空间分辨率。

19、进一步的，提供一种优选实施方式，步骤3中还包括对高容量教师模型特征图和轻量级学生模型特征图进行归一化的步骤。

20、进一步的，提供一种优选实施方式，步骤4中构建总损失函数对学生模型进行优化的方法为：

21、

22、其中，,,为平衡各损失项的超参数。

23、进一步的，提供一种优选实施方式，所述方法还包括采用自适应学习率衰减策略对高容量教师模型和轻量级学生模型进行训练和识别的步骤。

24、方案二、一种基于结构一致性的超短期光伏功率预测系统，所述系统包括：

25、数据获取模块，用于收集包含天空图像和历史辐照度的时间序列数据集；

26、模型构建模块、基于数据获取模块所收集的天空图像和历史辐照度的时间序列数据集，构建高容量教师模型和轻量级学生模型，并将高容量教师模型的知识迁移至轻量级学生模型中；

27、多模态融合特征匹配模块，用于对高容量教师模型特征图和轻量级学生模型特征图采用空间位置特征向量余弦相似度分别构建结构一致性矩阵和，基于结构一致性矩阵和的归一化均方误差构建结构一致性蒸馏损失和最小化特征对齐损失，利用映射算子p实现师生多模态融合特征匹配，用于引导学生模型学习到多模态数据融合后的语义表达；

28、优化模块，用于结合硬目标损失、软目标损失以及步骤3所述的结构一致性蒸馏损失和最小化特征对齐损失，构建总损失函数对学生模型进行优化：

29、输出模块，用于训练完成后，仅使用轻量级学生模型进行在线推理，输入当前天空图像和历史辐照度，输出未来的太阳辐照度预测值。

30、方案三、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方案一所述的方法的步骤。

31、方案四、一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行方案一所述的方法。

32、本发明的有益之处在于：

33、本发明所述的基于结构一致性的超短期光伏功率预测方法相比教师模型，本发明所述的学生模型计算量（macs）减少了55%，推理速度提升了2倍，极大地降低了部署成本。

34、本发明所述的基于结构一致性的超短期光伏功率预测方法在10、20、30分钟的预测步长上，本发明所述方法的归一化均方根误差（nrmse）分别降低至14.95%、15.86%和16.70%，不仅优于未蒸馏的学生模型（18.69%等），甚至优于参数量巨大的教师模型（15.22%等）。

35、本发明所述的基于结构一致性的超短期光伏功率预测方法通过结构一致性蒸馏，模型对云层遮挡和光照变化具有更强的适应能力。采用本发明所述的方法，通过引入结构一致性模块可使nrmse降低约2.16%至2.82%，多模态融合特征蒸馏进一步降低了预测误差，证明了对齐融合特征对于跨模态任务的重要性。

36、本发明还适用于结合结构一致性蒸馏与多模态融合特征蒸馏的轻量化预测模型构建等应用领域。