基于云边协同的光伏系统出力预测方法及系统
本发明涉及光伏发电预测,更具体的说是涉及基于云边协同的光伏系统出力预测方法及系统。
背景技术:
1、随着新型电力系统建设持续推进,光伏发电作为清洁低碳、规模化应用最广泛的新能源发电形式,装机容量逐年大幅增长,分布式光伏、集中式光伏电站呈现多点布局、全域覆盖的发展态势。光伏发电具有强随机性、波动性、间歇性特征,受太阳辐照度、云层遮挡、环境温度、气象突变等因素影响,光伏出力动态变化剧烈,大规模光伏并网后,易引发电网电压偏移、频率波动、消纳困难等问题。精准的光伏出力预测是实现光伏功率消纳、电网经济调度、储能协同控制、电力市场交易的核心基础支撑。
2、现有光伏出力预测技术集中式架构算力充足、全局精度高,但存在传输时延大、本地实时性不足的问题;纯边缘式架构存在实时性强、传输压力小,但算力受限、复杂场景预测精度低,且模型迭代能力薄弱的问题。二者无法同时满足新型电力系统对光伏出力预测实时性、高精度、高可靠性、低传输开销的多重工程需求,严重制约了大规模光伏电站的安全高效并网运行与精细化调度管控。
3、因此,针对现有技术的缺陷,如何提供基于云边协同的光伏系统出力预测方法及系统是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了基于云边协同的光伏系统出力预测方法及系统,针对传统集中式预测方法存在数据传输延迟大、边缘端实时响应能力不足,而纯边缘式预测方法受限于计算资源难以实现复杂模型运算的问题,本发明突破单一集中式架构与纯边缘式架构的技术瓶颈,通过云端与边缘端的功能分层分工、数据高效交互、模型协同迭代、负载容错管控,兼顾本地预测实时性与全局预测高精度,降低数据传输带宽压力,提升预测系统连续运行可靠性。
2、为了实现上述目的,本发明采用如下技术方案:基于云边协同的光伏系统出力预测方法,包括:
3、构建云边分层协同架构,在各光伏场站部署边缘节点,在调度侧部署云端平台,完成云边节点组网与通信初始化;
4、对所述边缘节点与所述云端平台进行差异化功能分区,所述边缘节点预装轻量化光伏出力预测模型,所述云端平台搭建多因子耦合预测模型;
5、所述边缘节点实时采集光伏运行数据与本地气象数据,并调用所述轻量化光伏出力预测模型,基于所述光伏运行数据与本地气象数据进行光伏出力实时预测,并根据预测结果执行本地场站调度控制;
6、所述边缘节点向云端平台上传结构化历史数据与异常数据,所述云端平台汇聚全域边缘节点上传的历史数据,结合区域气象预报数据,调用多因子耦合预测模型完成复杂气象场景下的光伏出力预测;
7、所述云端平台实时监测各边缘节点的算力负载状态,通过动态任务调度算法进行多个边缘节点的负载均衡调度。
8、优选的,所述轻量化光伏出力预测模型基于所述光伏运行数据与本地气象数据进行光伏出力实时预测,包括:
9、接收边缘节点采集的多维光伏时序输入特征向量;
10、采用轻量化一维卷积层对多维光伏时序输入特征向量进行多尺度局部特征提取,输出多尺度时序特征序列;
11、将输入轻量化门控循环单元gru,捕捉辐照度、温度、光伏出力之间的时序长期依赖关系,输出隐藏状态向量;
12、将隐藏状态向量接入轻量化全连接输出层,计算得到未来超短期光伏出力预测值;
13、结合本地实时光伏组件温度修正系数对光伏出力预测值进行温度偏差校正,输出最终边缘侧实时光伏出力预测结果。
14、优选的,所述轻量化光伏出力预测模型由云端完成剪枝与低比特量化后下发初始权重,包括:
15、对云端预训练完成的原始光伏预测网络进行权重遍历,移除所有权重绝对值低于预设阈值的连接通道,对训练完成的原始光伏预测网络进行结构化剪枝;
16、对剪枝后剩余权重执行8比特线性量化,量化映射公式:
17、;
18、其中,表示剪枝后原始浮点权重;、表示权重最小值、最大值;表示四舍五入取整运算;表示量化后8比特整数权重。
19、优选的,所述云端平台汇聚全域边缘节点上传的历史数据,结合区域气象预报数据,调用多因子耦合预测模型完成复杂气象场景下的光伏出力预测,包括:
20、构建全域光伏多源融合特征矩阵,所述全域光伏多源融合特征矩阵由全域历史光伏数据集、区域中长期气象预报张量拼接融合得到;
21、构建多因子耦合transformer预测主干网络,对所述全域光伏多源融合特征矩阵进行位置编码与多头自注意力特征耦合,提取多云、阴雨、雾霾、沙尘等复杂气象与光伏出力的高维耦合关联特征;
22、将高维耦合关联特征送入多层前馈融合网络,引入云量衰减因子、沙尘遮挡衰减因子、降雨衰减因子三类复杂气象衰减修正项,对特征输出进行多气象衰减补偿;
23、将经过多气象衰减补偿的特征输入至回归输出层,输出中长期、复杂气象工况下全域各场站光伏基准出力预测值;
24、引入场站装机容量匹配系数、季节光照修正系数对全域各场站光伏基准出力预测值进行二次修正,输出云端最终复杂气象高精度光伏出力预测值。
25、优选的,还包括:所述云端平台基于全域数据集完成模型训练与参数优化,通过增量学习算法生成模型参数增量包并下发至对应边缘节点。实现边缘轻量化模型动态迭代升级。
26、优选的,以全局损失函数最小化为目标对多因子耦合预测模型进行训练,全局损失计算公式:
27、;
28、式中,为全域样本总量,为真实历史出力,为云端完整模型参数集,为l2正则系数,用于抑制云端模型过拟合;
29、分离多因子耦合预测模型中的轻量化模型对应的子参数集,计算本轮训练更新前后参数差值,得到参数增量矩阵:
30、;
31、对参数增量矩阵进行稀疏压缩处理,剔除绝对值低于增量阈值的参数,生成轻量化增量数据包;
32、云端平台通过mqtt通信链路将压缩后的参数增量包下发至对应场站的边缘节点,边缘节点读取参数增量矩阵并叠加至本地原有的轻量化模型参数,完成模型迭代更新,无需本地重训练。
33、优选的,所述云端平台实时监测各边缘节点的算力负载状态,通过动态任务调度算法进行多个边缘节点的负载均衡调度,包括:
34、云端平台实时采集各边缘节点算力负载指标,负载计算公式为:
35、;
36、式中,分别为第个边缘节点cpu占用率、内存占用率、模型推理耗时占比;为三类负载指标加权系数;
37、设定负载上限阈值,若判定该边缘节点过载;
38、遍历区域内其余边缘节点,筛选的空闲节点,将过载的边缘节点部分轻量化预测任务迁移至空闲的边缘节点。
39、优选的,基于云边协同的光伏系统出力预测系统,包括:
40、云边分层协同架构构建模块,用于构建云边分层协同架构,在各光伏场站部署边缘节点,在调度侧部署云端平台;
41、功能分区模块,用于对所述边缘节点与所述云端平台进行差异化功能分区,所述边缘节点预装轻量化光伏出力预测模型,所述云端平台搭建多因子耦合预测模型;
42、边缘节点预测模块,用于实时采集光伏运行数据与本地气象数据,并调用所述轻量化光伏出力预测模型,基于所述光伏运行数据与本地气象数据进行光伏出力实时预测,并根据预测结果执行本地场站调度控制;
43、云端平台预测模块,用于汇聚全域边缘节点上传的历史数据,结合区域气象预报数据,调用多因子耦合预测模型完成复杂气象场景下的光伏出力预测;
44、调度模块,用于实时监测各边缘节点的算力负载状态,通过动态任务调度算法进行多个边缘节点的负载均衡调度。
45、经由上述的技术方案可知,与现有技术相比,本发明公开提供了基于云边协同的光伏系统出力预测方法及系统,基于云边功能分层架构,通过边缘本地实时预测、云端全局优化、云边模型协同迭代及边缘容错调度,协同完成光伏出力分级预测。
46、本发明具有以下有益技术效果:
47、第一,通过边缘节点就地完成数据采集与轻量化模型推理,规避了集中式架构全量数据上云带来的传输拥堵与时延问题,大幅提升场站超短期出力预测的实时响应能力,可支撑储能秒级协同调控与本地功率就地平抑,有效降低电网并网波动风险;
48、第二,依托云端大算力运行多因子耦合复杂模型,挖掘全域气象、发电时序深层耦合特征,弥补纯边缘架构算力不足导致的复杂气象预测精度缺陷,显著提升阴雨、多云、雾霾场景下中长期出力预测准确性;
49、第三,采用轻量化通信协议结合增量学习机制,仅传输结构化数据与模型参数增量包,大幅削减全域数据传输带宽开销,同时实现边缘轻量化模型动态低开销迭代,解决边缘节点无法依托全域样本完成模型优化、预测精度衰减的问题;
50、第四,通过边缘节点动态负载均衡与故障容错、数据补全机制,消除单点算力过载与链路故障带来的服务中断隐患,提升预测系统整体鲁棒性与连续运行能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com