一种基于迁移学习与物理约束的沙尘天气光伏功率预测系统及方法

本发明涉及光伏功率预测领域，具体地，涉及一种基于迁移学习与物理约束的沙尘天气光伏功率预测系统及方法。

背景技术：

1、近年来，我国光伏装机容量持续增长，西北地区大型光伏基地集中且沙尘天气频发，沙尘过程会改变辐射传输、大气透过特性以及组件积尘状态，从而对光伏出力形成持续扰动，与一般天气场景相比，这类扰动的传播路径更长、持续性更强，从而导致光伏功率预测难度增大。

2、现有技术在沙尘天气进行光伏功率预测时，因沙尘过程在全年运行数据中占比偏低，持续时间短，真正可用于目标域光伏电站建模的有效样本不足，仅依赖本地数据难以支撑稳定训练；进一步的，现有的纯数据驱动方法对物理机理利用不足，难以统一约束沙尘天气下辐照衰减、颗粒物扰动和沉积残留对功率预测的影响。

3、因此，需要一种沙尘天气光伏功率预测系统及方法，以解决在沙尘天气下预测光伏功率困难的问题。

技术实现思路

1、本发明为了解决现有技术在沙尘天气下光伏功率预测不精准的问题，提出了一种沙尘天气光伏功率预测系统及方法。

2、为实现上述目的，本发明提供了一种基于迁移学习与物理约束的沙尘天气光伏功率预测方法，所述方法包括：

3、s1：获取源域时序观测数据、源域数值天气预报信息、目标域时序观测数据和目标域数值天气预报信息；对源域时序观测数据进行异常值筛除得到候选源域样本集，所述候选源域样本集包括多个候选源域光伏电站的源域时序观测数据，对所述目标域时序观测数据进行异常值筛除得到目标域样本集；

4、s2：计算各个候选源域光伏电站的综合评分得到迁移源域集合；计算所述迁移源域集合中各个候选源域光伏电站的静态权重，将所述迁移源域集合中的候选源域光伏电站与对应的静态权重关联构成迁移源域样本集；

5、针对目标域光伏电站建模的有效样本不足，仅依赖本地数据难以支撑稳定训练的问题，本发明通过对候选源域光伏电站进行综合评分计算与静态加权处理，对候选源域电站的时序观测数据进行可行性分析，可以降低无关候选源域光伏电站带来的负迁移问题，扩充目标域小样本训练的可用数据。

6、s3：基于沙尘天气下光伏功率影响机理构建物理约束模型；

7、针对沙尘天气对光伏出力进行持续扰动导致光伏功率预测不精准的问题，本发明通过构建融合辐照度、温度、沙尘积尘衰减的物理机理的物理约束模型，准确刻画沙尘气溶胶瞬时衰减与组件积尘残留的持续作用，为后续tl-lstm-pinn联合预测模型提供物理先验约束。

8、s4：构建tl-lstm-pinn联合预测模型，所述tl-lstm-pinn联合预测模型包括lstm时序主干网络和物理分支，所述物理分支采用物理约束模型，采用两阶段迁移学习对tl-lstm-pinn联合预测模型进行训练；

9、其中，两阶段迁移学习包括源域训练阶段和目标域训练阶段：

10、所述源域训练阶段包括：基于迁移源域样本集对tl-lstm-pinn联合预测模型进行预训练，对lstm时序主干网络进行参数更新得到lstm主干参数；

11、所述目标域训练阶段包括：将lstm主干参数迁移至目标域中作为tl-lstm-pinn联合预测模型的初始化参数，基于所述物理约束模型构建物理约束损失函数；利用目标域样本集和目标域数值天气预报信息，调用所述物理约束损失函数对tl-lstm-pinn联合预测模型进行微调训练；

12、本发明提出的tl-lstm-pinn联合预测模型采用源域训练阶段和目标域训练两阶段联合训练的方式，先在迁移源域样本集上学习得到较稳定的时序表示，再在目标域光伏电站小样本上进行参数适配，结合物理约束模型进行多目标优化，实现迁移学习改善小样本初始化质量与物理约束增强复杂沙尘扰动的追踪能力，降低无法约束物理规律的预测误差。

13、s5：将预测时刻的目标域时序观测数据和目标域数值天气预报信息输入至训练好的tl-lstm-pinn联合预测模型中得到光伏功率预测结果。

14、进一步的，所述异常值筛选包括：

15、s11：移除缺失值，基于预设数值范围排除异常数据；所述预设数值范围包括功率数值范围、总辐照度数值范围和温度数值范围；

16、s12：基于沙尘天气特性预设四维特征阈值，基于所述四维特征阈值对s11处理后的数据进行筛选完成异常值筛选；所述四维特征阈值包括散射比阈值、总辐照度阈值、相对湿度阈值和功率阈值。

17、本发明采用预设数值范围和沙尘特异性阈值两阶段异常值筛选策略，剔除因传感器噪声或其他影响因素造成的异常值，为后续迁移学习提供高质量训练样本。

18、进一步的，所述各个候选源域光伏电站的综合评分的计算公式包括：

19、；

20、；

21、其中，为候选源域光伏电站k与目标域光伏电站之间的综合评分；为候选源域光伏电站k与目标域光伏电站在统计特征中的综合距离；nf为统计特征数；为候选源域光伏电站k的第j个统计特征的特征值，为目标域光伏电站的第j个统计特征的特征值；为所有候选源域光伏电站的第j个统计特征的标准差。

22、综合评分用于刻画候选源域光伏电站与目标域光伏电站在气象背景及功率变化特征上的接近程度，综合评分越高，说明候选源域光伏电站与目标域光伏电站的匹配度越高。

23、进一步的，所述统计特征包括总辐照度、散射比和相对湿度。

24、进一步的，所述计算所述迁移源域集合中各个候选源域光伏电站的静态权重包括：

25、将迁移源域集合中各个候选源域光伏电站的综合评分进行归一化处理得到归一化综合评分；

26、基于归一化综合评分计算各个候选源域光伏电站的静态权重：

27、；

28、其中，为迁移源域集合中第k个候选源域光伏电站的静态权重，表示第k个候选源域光伏电站的归一化综合评分，m为预设数量，表示迁移源域集合中的候选源域光伏电站的数量，为权重整形参数；为均匀混合参数。

29、静态权重的计算可以增强高相似候选源域光伏电站的贡献，同时避免单一候选源域光伏电站主导训练，提升预训练阶段的稳定性。

30、进一步的，所述沙尘天气下光伏功率影响机理包括辐照影响、温度影响和积尘影响；所述基于沙尘天气下光伏功率影响机理构建物理约束模型包括：

31、s31：基于直射辐照gd和散射辐照gs计算有效辐照度ieff：

32、；

33、其中，和分别为直射项和散射项权重；

34、s32：获取组件温度tc，基于组件温度计算温度修正效率：

35、；

36、其中，为温度修正系数，t0=25℃为标准参考温度；

37、s33：获取沙尘光学厚度，基于散射比和相对湿度构建沙尘累积记忆，基于沙尘光学厚度和沙尘累积记忆计算沙尘衰减效率：

38、；

39、；

40、其中，为沙尘累积记忆，为记忆衰减系数；和分别为时刻的散射比与归一化相对湿度；为沙尘光学厚度，和分别为记忆强度系数与衰减系数；

41、s34：基于所述有效辐照度、温度修正效率和沙尘衰减效率计算物理预测功率pphy：

42、；

43、其中，为基础功率偏置项；为功率尺度系数，所述物理预测功率pphy为物理约束模型的输出。

44、进一步的，所述基于迁移源域样本集对tl-lstm-pinn联合预测模型进行预训练包括：

45、计算加权源域预训练损失函数：

46、；

47、其中，为加权源域预训练损失函数，n为迁移源域样本集的样本数，s(i)为迁移源域样本集中第i个样本，为第i个样本对应的静态权重，为第i个样本的tl-lstm-pinn联合预测模型输出的归一化预测功率，为第i个样本的真实标签；

48、基于所述加权源域预训练损失函数更新lstm时序主干网络的参数，得到预训练的lstm主干参数。

49、进一步的，所述基于所述物理约束模型构建物理约束损失函数包括：

50、s41：定义数据损失ldata和物理对齐损失lphys：

51、；

52、；

53、其中，为第i个样本的物理约束模型输出的归一化物理预测功率；

54、s42：基于沙尘光学厚度计算沙尘衰减后的辐照度：

55、；

56、其中，g为总辐照度，；

57、s43：计算温度动态残差rt，基于温度动态残差rt计算温度动态损失ltemp：

58、；

59、；

60、其中，为状态温度，为环境温度，为光伏转换效率，为吸收率；为有效对流换热系数；为热容参数；

61、s44：计算边界条件损失：

62、；

63、其中，为第i个样本的预测功率，为第i个样本的总辐照度输入，为低辐照阈值；为装机容量上界；为满足的样本数；

64、s45：构建物理约束损失函数l：

65、；

66、其中，表示物理对齐损失权重参数，为参数正则项，表示物理约束模型的参数集合，表示参数正则项的权重参数，为沙尘约束损失，为第i个样本的物理预测功率，为沙尘约束损失的权重参数，为边界条件损失的权重参数。

67、进一步的，所述物理约束损失函数中各项权重参数采用动态权重策略进行选取，包括：

68、基于实验确定各项权重参数的搜索范围；

69、通过预设决定系数确定各项权重参数的最优值。

70、通过搜索范围进行网格搜索，结合决定系数指标，自适应确定物理约束损失函数中各项权重参数的最优值，避免认为预设偏差，保证物理约束与数据拟合在不同训练阶段达到最优平衡，提升tl-lstm-pinn联合预测模型在小样本场景下的泛化能力。

71、本发明还提供了一种基于迁移学习与物理约束的沙尘天气光伏功率预测系统，所述系统包括数据处理模块、源域构建模块、物理约束构建模块、模型训练模块和预测输出模块；

72、所述数据处理模块用于获取源域时序观测数据、源域数值天气预报信息、目标域时序观测数据和目标域数值天气预报信息；对源域时序观测数据进行异常值筛除得到候选源域样本集，所述候选源域样本集包括多个候选源域光伏电站的源域时序观测数据，对所述目标域时序观测数据进行异常值筛除得到目标域样本集；

73、所述源域构建模块用于计算各个候选源域光伏电站的综合评分得到迁移源域集合；计算所述迁移源域集合中各个候选源域光伏电站的静态权重，将所述迁移源域集合中的候选源域光伏电站与对应的静态权重关联构成迁移源域样本集；

74、所述物理约束构建模块用于基于沙尘天气下光伏功率影响机理构建物理约束模型；

75、所述模型训练模块用于构建tl-lstm-pinn联合预测模型，所述tl-lstm-pinn联合预测模型包括lstm时序主干网络和物理分支，所述物理分支采用物理约束模型，采用两阶段迁移学习对tl-lstm-pinn联合预测模型进行训练；

76、所述预测输出模块用于将预测时刻的目标域时序观测数据和目标域数值天气预报信息输入至训练好的tl-lstm-pinn联合预测模型中得到光伏功率预测结果。

77、本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：

78、1）构建的物理约束模型保留了有效辐照、温度响应和沙尘衰减三类关键信息，并通过沙尘衰减约束、温度动态约束和边界条件约束反映沙尘过程，为沙尘场景下的功率预测提供了清晰的建模基础。

79、2）两阶段迁移学习策略从气象特征、功率行为两个层面对候选源域进行相似性评估，并据此完成源域筛选和静态加权预训练，提高了源域样本与目标任务的匹配程度，减弱了不相关源域带来的负迁移影响，增强了小样本目标域训练的有效性。