基于晴空约束与云状态感知的光伏功率预测方法及系统

本发明属于新能源发电预测，尤其是一种基于晴空约束与云状态感知的光伏功率预测方法及系统。

背景技术：

1、现有光伏功率预测方法通常包括物理模型方法、统计模型方法和机器学习方法。物理模型方法基于太阳辐射、组件温度和光伏组件特性进行计算，具有较强可解释性，但对气象参数精度依赖较高；统计模型和机器学习模型能够从历史数据中学习非线性映射关系，但在缺乏物理约束的情况下，模型需要从历史样本中同时学习太阳周期变化、气象变化以及光伏系统运行状态等多种因素对输出功率的影响。

2、直接以光伏功率为预测目标时，模型需要同时学习季节变化、太阳几何变化、电站装机容量约束以及气象衰减效应。由于光伏功率同时受到确定性太阳运动规律和随机气象扰动影响，直接建立功率预测模型会导致模型同时承担理论辐照变化和天气衰减变化的学习任务，使模型难以有效区分可预测变化因素和随机扰动因素。现有技术中也存在利用晴空辐照度、晴空指数或者云量信息辅助光伏功率预测的方法，但相关方法通常将上述信息作为预测模型的输入特征，或者在预测结果生成后进行简单边界约束，尚未充分利用晴空理论功率对预测目标进行归一化处理，也未充分利用实时或准实时云状态变化信息增强模型对短时间尺度云层扰动的表征能力。

3、特别是在云层快速移动、云量突变以及局部云团遮挡等情况下，仅依赖历史功率和常规此外，常规数值气象预报数据的空间和时间分辨率有限，对于局部云团快速移动、云层遮挡和云量突变等短时间尺度变化的描述能力受到限制。天空图像能够直接表征光伏电站上空云层的空间分布状态，连续天空图像还能够提供云层运动方向、运动速度以及太阳邻域云层变化等信息。因此，如何将天空图像表征的云层动态信息与气象预测信息及晴空物理信息相结合，以提高预测模型对短时间尺度云层扰动的感知能力，也是光伏功率预测中需要解决的问题。

技术实现思路

1、本发明针对现有光伏功率预测方法直接建立功率输入输出映射，导致模型同时承担理论辐照变化和随机天气扰动学习任务的问题，以及常规预测模型难以及时反映云状态快速变化的问题，提出一种基于晴空约束与云状态感知的光伏功率预测方法及系统。

2、为实现上述技术目的，本发明公开一种基于晴空约束与云状态感知的光伏功率预测方法，包括以下步骤：

3、s1，获取光伏电站历史实际输出功率、历史气象数据、预测气象数据、时间信息、站点参数以及天空图像数据，对具有时间属性的数据进行时间同步、异常处理、缺失值处理，构建输入特征；

4、s2，根据站点参数和对应时间信息计算太阳几何特征，并基于晴空辐照模型计算对应时刻的晴空水平辐照度，结合站点参数中的装机容量和组件参数计算晴空理论功率，晴空理论功率作为预测的物理基准；

5、s3，根据历史实际输出功率与对应时刻晴空理论功率之间的比值关系，构造归一化衰减状态；同时对连续历史天空图像进行特征提取，获得云扰动特征，根据实际辐照度与对应时刻晴空水平辐照度之间的比值关系获得晴空指数csi；

6、s4，根据晴空理论功率和太阳天顶角余弦值建立归一化衰减状态的物理有效域判别规则，将同时满足晴空理论功率大于等于预设功率阈值、且太阳天顶角余弦值大于等于预设太阳入射阈值的样本确定为有效样本，并将有效样本对应的归一化衰减状态作为后续多时间步预测模型的有效训练标签；将不满足条件的样本标记为无效样本排除；

7、s5，基于有效训练标签训练多时间步预测模型，将云扰动特征、晴空指数csi及其历史变化特征、预测气象特征、太阳几何特征、晴空理论功率以及历史归一化衰减状态作为输入，通过训练好的多时间步预测模型获得未来多个时间步的归一化衰减状态预测序列；

8、s6，根据未来多个时间步的归一化衰减状态预测序列，以及对应未来时刻的晴空理论功率，重构得到未来多个时间步的光伏功率预测结果。

9、进一步，s1中站点参数至少包括地理位置参数、装机容量及光伏组件参数；s2中太阳几何特征包括太阳高度角、太阳天顶角、太阳方位角和太阳天顶角余弦值中的一种或多种。

10、进一步，s2中的晴空辐照模型采用ineichen晴空模型，根据目标时刻的太阳位置、地理位置及大气条件参数估算晴空条件下的太阳全球水平辐照度；晴空理论功率的计算公式为：

11、，

12、其中，为电站额定装机容量，为时刻晴空水平辐照度，为光伏组件标准测试条件（stc）下的参考辐照度，通常取，为时刻温度修正系数。

13、进一步，s3中，归一化衰减状态通过历史实际输出功率与对应时刻晴空理论功率的比值构造，计算公式表示为：

14、，

15、为归一化衰减状态变量，为实际光伏输出功率，为晴空理论功率，为防止分母为零的极小正数。

16、进一步，s4中，所述物理有效域判别规则表示为：

17、，

18、其中，为时刻的物理有效域判别结果，表示对应时刻为有效样本，表示对应时刻为无效样本；为时刻的晴空理论功率，为预设晴空理论功率阈值，为时刻的太阳天顶角，为预设太阳入射阈值；对于的样本，不将其对应的归一化衰减状态作为模型训练的有效标签，并将该类无效样本排除在模型训练之外。

19、进一步，s3中，云扰动特征包括表征云层覆盖及空间分布状态的图像空间特征，以及基于连续时刻天空图像之间的光流信息获得的云层运动特征；晴空指数csi计算公式为：

20、，

21、其中，为时刻的晴空指数，为时刻的实际水平面总辐照度，为时刻的晴空水平辐照度。

22、进一步，s5中，当前时刻及历史时刻的归一化衰减状态、云扰动特征、晴空指数csi及其历史变化特征，以及未来各目标时刻对应的预测气象特征、太阳几何特征和晴空理论功率构造成模型输入，并将未来连续n个时间步的归一化衰减状态构造成模型输出，建立输入特征与未来多个时间步归一化衰减状态之间的映射关系。

23、进一步，s6中，未来第k个时间步的光伏功率预测值为：

24、，

25、其中，为未来第个时间步的光伏功率预测值，为对应时间步预测得到的归一化衰减状态，为对应未来时刻的晴空理论功率。

26、一种基于晴空约束与云状态感知的光伏功率预测方法使用的系统，包括：

27、数据处理模块，获取并处理光伏电站历史实际输出功率、历史气象数据、预测气象数据、时间信息、站点参数以及天空图像数据，为系统提供数据基础；

28、晴空理论功率计算模块，根据站点参数和时间信息获得太阳几何特征、晴空水平辐照度以及晴空理论功率，作为系统预测的物理基准；

29、归一化衰减状态构造模块，根据历史实际输出功率和对应时刻的晴空理论功率构造归一化衰减状态，并根据物理有效域判别规则确定有效样本和无效样本，将有效样本对应的归一化衰减状态作为有效训练标签，并将无效样本排除在模型训练之外；

30、云状态特征构建模块，根据连续时刻天空图像数据获得云扰动特征，并根据实际水平面总辐照度与晴空水平辐照度获得晴空指数csi及其历史变化特征；

31、多时间步预测模块，基于有效训练标签训练多时间步预测模型，并根据云状态特征、预测气象特征、太阳几何特征、晴空指数csi、晴空理论功率以及历史归一化衰减状态，通过训练好的多时间步预测模型获得未来多个时间步的归一化衰减状态预测序列；

32、功率重构模块，根据归一化衰减状态预测序列和对应未来时刻的晴空理论功率，获得未来多个时间步的光伏功率预测结果。

33、进一步，多时间步预测模块采用梯度提升树模型、随机森林模型或神经网络模型，建立输入特征与未来多个时间步归一化衰减状态之间的非线性映射关系

34、有益效果。本发明以晴空理论功率作为光伏电站理论可发能力的物理基准，并根据实际光伏功率与晴空理论功率构造归一化衰减状态，将光伏功率预测由绝对功率空间转换至物理归一化状态空间。本发明通过晴空理论功率承担太阳位置、季节变化等确定性因素引起的理论功率变化，使多时间步预测模型主要学习气象、云层及系统状态变化引起的归一化衰减状态变化，提高预测过程的物理可解释性。本发明在归一化衰减状态训练标签构造阶段引入基于晴空理论功率和太阳入射条件的有效域判别，降低低光照条件下因晴空理论功率过小导致的归一化状态异常。本发明融合天空图像提取的云扰动特征、晴空指数csi及其历史变化特征、预测气象特征和太阳几何特征，使预测模型能够同时利用未来气象变化信息和当前云层空间及运动状态信息，增强对短时间尺度云层变化的表征能力。本发明采用多时间步预测结构获得未来多个时间步的归一化衰减状态，并结合对应未来时刻的晴空理论功率进行功率重构，从而获得具有明确物理基准的未来多时间步光伏功率预测结果。结果能够更及时地反映云层快速移动、云量变化等短时间尺度天气扰动。