基于物理先验与自适应门控融合的光伏功率预测方法及装置

摘要: 本发明属于新能源发电预测与人工智能应用领域,尤其涉及一种基于物理先验与自适应门控融合的光伏功率预测方法及装置。背景技术:1、随着光伏装机容量的不断增加,电站出力...
基于物理先验与自适应门控融合的光伏功率预测方法及装置

本发明属于新能源发电预测与人工智能应用领域,尤其涉及一种基于物理先验与自适应门控融合的光伏功率预测方法及装置。

背景技术:

1、随着光伏装机容量的不断增加,电站出力的不确定性对电网调度的影响也逐渐增大。光伏功率主要受辐照度变化控制,同时还会受到环境温度、云层遮挡以及组件运行状态等因素的影响,实际功率曲线在短时间内可能出现明显爬升或回落,呈现出波动性和非平稳性。因此,在小时级或更短时间尺度上获得稳定的功率预测结果,是光伏电站参与调度运行时需要解决的基础问题。

2、当前,面向光伏功率预测的方法主要涵盖以下技术特征与不足:

3、(1)基于物理机理的预测方法:此类方法通常先计算太阳辐照在组件倾斜面上的有效分量,依据光伏组件的光电转换原理,再结合组件温度、额定功率和温度系数等参数估算直流功率或交流功率。基于物理机理的预测方法具备良好的可解释性,且无需大量样本,在数据稀缺的新建电站场景下可以快速投入使用。但在实际电站中,组件朝向、安装倾角、逆变器效率曲线、遮挡情况和组件老化状态往往难以准确获得,导致理论功率与实测功率之间长期存在偏差。遇到云团快速移动、局部阴影或气溶胶条件变化时,仅靠固定参数的物理模型也难以及时修正这种偏差,预测曲线容易偏离真实出力。

4、(2)基于统计学习与时间序列的预测方法:统计学习和传统时间序列方法通常从历史功率序列或气象变量中建立回归关系,例如采用arima刻画线性时间相关性,或采用svr、随机森林等方法学习气象量与功率之间的映射。对于天气变化平缓、训练和测试分布接近的场景,这类方法实现简单且计算成本较低。但光伏出力不是简单的线性变化过程,辐照、温度、湿度和设备运行状态会共同作用于功率输出;当出现连续多云、季节切换或辐照突变,浅层模型往往对于此类变化的刻画能力有限。

5、(3)基于深度学习的端到端预测方法:以卷积神经网络(cnn)、长短时记忆网络(lstm)、时序transformer等为代表的深度学习方法,能够从较长历史窗口中提取时序特征,并利用多源气象变量改善对局部波动的拟合效果,在数据充足时的预测精度显著高于传统方法,并逐渐成为主流技术路线。然而,此类方法在工程应用中仍存在若干不足。模型训练时主要依赖历史样本误差反传,辐照驱动、温度衰减和夜间零出力等物理规律并不一定被显式约束,因此可能出现夜间预测值不为零、辐照突变时预测曲线滞后等现象。另一方面,当测试阶段出现季节变化、组件衰减或站点运行状态变化时,输入分布与训练阶段不一致,模型误差容易放大。对于运维人员而言,单纯依靠深层网络输出也难以解释某一时刻预测偏差来自气象扰动、设备状态还是模型本身。

6、综上所述,现有方法在应用于光伏功率预测时,普遍存在物理机理嵌入不足、分布漂移鲁棒性差、纯数据驱动方法在非平稳场景下预测精度不稳定等问题。

技术实现思路

1、为解决上述现有方法在光伏功率预测中面临的——尤其是纯数据驱动深度学习方法在物理机理嵌入不足、复杂天气场景下预测精度不稳定以及预测结果物理一致性欠佳等问题,本发明提供了一种基于物理先验与自适应门控融合的光伏功率预测方法及装置。该方法构建观测流与物理流并行的双路径架构,其中观测流采用通道独立patchtst变换器对历史多源气象和功率时序进行分块编码,同时引入多尺度循环时间编码为patchtst注入日内与季节周期位置感知,使模型能够区分白天功率爬升、回落阶段与夜间低出力阶段;物理流将历史观测窗口内的理论功率序列经mlp编码器映射为物理预测值;两路径在预测结果层面通过可学习的门控投影层实现逐预测步自适应融合,使模型能够为每个未来时间步独立调节数据驱动与物理驱动的最优比例;融合后的结果经反归一化和非负约束后输出,从而使预测结果同时受历史数据模式和光伏物理先验约束。本发明结合了光伏发电物理先验知识与时序分块注意力建模,能够实现光伏功率的高精度预测。

2、本发明的目的通过如下的技术方案来实现:

3、一种基于物理先验与自适应门控融合的光伏功率预测方法,包括:

4、s1:获取光伏电站历史发电功率数据及对应时刻的多源气象监测数据,进行预处理和归一化,得到标准化时序样本数据;

5、s2:基于光伏发电机理,依据装机容量、太阳总辐照度、环境温度、额定工作温度和功率温度系数,计算理论功率序列;并以历史实际功率与理论功率之差构建残差先验序列;

6、s3:基于历史时刻的时间戳信息构建循环特征向量,包含日内24小时整周期、日内12小时半周期、年内周期和月份周期共四个正余弦周期分量,作为多尺度循环时间编码,为后续时序分块嵌入提供显式的时间位置感知;

7、s4:将所述标准化时序样本数据作为观测特征序列,并采用时序分块嵌入方式,以块长、步长将各变量序列切分为多个局部时序块后,经线性投影和可学习位置编码转换为块状时序表征,并在每个变量通道嵌入向量头部追加可学习cls标记;将所述多尺度循环时间编码经投影器映射后逐块叠加至各时序块嵌入向量,并在输入端引入可逆实例归一化模块以缓解分布漂移;

8、s5:构建包括观测流路径、物理流路径和结果级自适应门控融合模块的双路径门控预测网络,观测流路径采用通道独立的patchtst变换器编码器对各变量序列分别进行时序块自注意力建模,取各变量cls标记向量,拼接后,经两层线性预测头输出数据驱动预测值,同时对各变量cls标记向量均值池化,得到全局表征向量;物理流路径,采用与观测流路径同一历史观测窗口内的由理论功率序列和残差先验序列组成的物理先验序列,经两层线性变换和gelu激活组成的多层感知机编码器映射为物理预测值;将所述全局表征向量与物理预测值在特征维度拼接后,经门控投影层和sigmoid激活函数生成逐预测步的自适应门控权重向量;利用该自适应门控权重向量对数据驱动预测值与物理预测值进行逐元素加权融合,得到融合功率预测序列;

9、s6:对所述融合功率预测序列经可逆实例反归一化还原至原始功率量纲后,对预测序列中各时间步施加非负约束,得到最终功率预测序列;

10、s7:基于目标损失函数使用训练数据集对双路径门控预测网络进行有监督训练,采用自适应学习率调度和早停机制,得到训练完成的双路径门控预测网络;

11、s8:将待预测时刻之前的历史观测窗口、根据该历史窗口对应时间戳构建的多尺度循环时间编码序列和对应的物理先验序列共同输入训练完成的双路径门控预测网络,输出未来预测窗口内各时间步的光伏功率预测序列。

12、一种基于物理先验与自适应门控融合的光伏功率预测装置,包括一个或多个处理器,用于实现基于物理先验与自适应门控融合的光伏功率预测方法。

13、一种电子设备,包括:

14、一个或多个处理器;

15、存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述电子设备执行时,使得所述电子设备实现基于物理先验与自适应门控融合的光伏功率预测方法。

16、与现有技术相比,本发明具有以下有益效果:

17、1. 本发明针对纯数据驱动光伏功率预测方法在物理一致性不足、周期时序规律刻画不充分、异源信息融合效率较低以及跨站点分布漂移适应能力有限等问题,提出了结果级自适应门控融合机制,实现了逐预测步的动态融合,门控权重由观测流全局表征与物理预测值共同决定,使模型在晴天稳定时段能够更多依赖物理预测结果、在云遮挡等非稳态时段能够更多依赖数据驱动预测结果,从而较特征级拼接融合方式具备更细粒度的物理信息与数据特征协调能力;

18、2. 本发明引入多尺度循环时间编码,为patchtst时序块注入日内24h/12h周期、年内周期及月份周期等时间位置信息,使模型能够有效区分白天功率爬升回落阶段与夜间零值阶段,减弱夜间零值对白天预测学习的干扰;

19、3. 本发明采用简洁的非负约束替代复杂的昼夜硬门控机制,避免了固定阈值在日出日落过渡时段对有效功率的误截断问题,提高预测精度。

20、4. 本发明能够在保证物理可解释性的同时,实现对光伏功率的高精度、强鲁棒和物理一致性预测。