分布式光伏电站集群发电功率概率预测方法与流程
本发明涉及光伏发电功率预测,具体涉及分布式光伏电站集群发电功率概率预测方法。
背景技术:
1、随着新能源发电技术的快速发展,光伏发电因其清洁、可再生等优势在电力系统中得到广泛应用,尤其在大规模集中式或分布式光伏电站集群并网的运行场景下,其装机容量和接入规模不断扩大。然而,光伏发电功率受太阳辐照强度、温度、云量等多种不确定因素影响,具有明显的随机性、波动性和间歇性特征,给电力系统的安全稳定运行、电网调度和备用容量配置带来较大挑战。
2、现有光伏发电功率预测方法主要包括基于物理机理的方法、基于统计分析的方法及基于人工智能的方法。其中,基于物理机理的方法依赖于复杂的气象参数建模,模型构建成本高且适应性较差;基于传统统计的方法如时间序列分析等,难以有效刻画光伏发电功率的非线性和非平稳特性。近年来,随着深度学习技术的发展,基于神经网络的光伏发电功率预测方法逐渐成为研究热点,但多数方法侧重于单一电站或单点预测,忽略了光伏电站集群内部的空间相关性特征。
3、在实际运行中,光伏电站集群中各电站在气象条件、地理位置及运行状态等方面存在着显著的空间相关性,若未对该空间依赖关系进行有效建模,将导致预测精度受限。现有部分研究尝试引入图卷积神经网络提取空间特征,但在处理光伏发电功率时序数据时,普遍存在对长时间依赖关系建模能力不足的问题,尤其在面对长时间尺度的预测任务时,传统循环神经网络或注意力机制模型计算复杂度高、效率低。
4、此外,现有大多数光伏发电功率预测方法以点预测为主,仅输出单一确定性预测结果,难以全面反映光伏发电功率的不确定性特征,无法为电网调度与风险评估提供可靠的概率信息支持。因此,如何在充分挖掘光伏发电功率时空特性的基础上,实现高效、准确的光伏电站集群发电功率概率预测,仍然是当前亟需解决的技术问题。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术所存在的上述缺点,本发明提供了分布式光伏电站集群发电功率概率预测方法,能够有效克服现有技术所存在的难以对光伏电站集群发电功率概率进行高效、准确预测的缺陷。
3、(二)技术方案
4、为实现以上目的,本发明通过以下技术方案予以实现:
5、分布式光伏电站集群发电功率概率预测方法,采用“vmd-gcn-informer”架构,具体包括以下步骤:
6、s1、采集各电站的历史发电功率时序数据及对应时刻的nwp气象数据,以及各电站的位置信息,并对采集数据进行预处理;
7、s2、对预处理后的各电站的历史发电功率时序数据进行vmd处理,分别得到一组具有不同频率特征的变分模态分量;
8、s3、根据各电站之间的空间位置关系和电气关联关系,构建分布式光伏电站集群的时空数据网络拓扑结构,并将各电站作为节点;
9、s4、将时空数据网络拓扑结构输入图卷积神经网络gcn,对各电站之间的空间相关性进行建模,提取反映集群空间依赖关系的各电站的空间特征;
10、s5、将各电站在多个时间步下形成的空间特征序列分别输入informer模型,通过基于稀疏自注意力机制的时间序列建模结构,学习发电功率的长时间依赖关系,提取反映发电功率时序演化规律与长周期波动特性的各电站的时间特征,并输出各电站的发电功率预测序列;
11、s6、利用分位数回归模型进行发电功率概率建模,获得不同分位水平下各电站的发电功率概率预测结果。
12、分布式光伏电站集群发电功率概率预测方法,采用“vmd-gcn-informer”架构,具体包括以下步骤:
13、s1、采集各电站的历史发电功率时序数据及对应时刻的nwp气象数据,以及各电站的位置信息,并对采集数据进行预处理;
14、s2、计算各电站的历史发电功率时序数据之间的时间规整距离或相关系数,构建相似性矩阵,并对分布式光伏电站集群进行聚类;
15、s3、对每个簇内的代表性电站或各电站的历史发电功率时序数据进行vmd处理,分别得到一组具有不同频率特征的变分模态分量;
16、s4、将每个簇视为一个子图,节点为电站,边由各电站之间的空间位置关系和电气关联关系共同决定,利用图卷积神经网络gcn对每个子图进行卷积操作,聚合邻居节点信息,为各电站生成包含空间上下文的空间特征;
17、s5、将各电站在多个时间步下形成的空间特征序列分别输入informer模型,利用informer模型的稀疏自注意力机制捕捉长时间依赖关系,提取反映发电功率时序演化规律与长周期波动特性的各电站的时间特征,并输出各电站的发电功率预测序列;
18、s6、利用分位数回归模型进行发电功率概率建模,获得不同分位水平下各电站的发电功率概率预测结果。
19、优选地,所述vmd处理将历史发电功率时序数据分解转化为变分分解问题,核心是使用自适应维纳滤波器组对历史发电功率时序数据进行分解:
20、;
21、其中,为第k个模态期望值在第n+1次迭代时的频域表示,为输入的历史发电功率时序数据的频域表示,为第k个模态之前已完成更新的第i个模态估计值在第n+1次迭代时的频域表示,第k个模态之后尚未更新的第j个模态估计值在第n次迭代时的频域表示,为第n次迭代时的拉格朗日乘子,用于约束各模态之和逼近输入的历史发电功率时序数据,拉格朗日乘子更新公式如下:
22、;
23、上式中,为第n+1次迭代时的拉格朗日乘子,为第k个模态估计值在第n+1次迭代时的频域表示,k为分解得到的变分模态分量数量,为步长因子,用于控制每次更新的幅度;
24、为频域变量,为第k个模态在第n次迭代时的中心频率,中心频率更新公式如下:
25、;
26、上式中,为第k个模态在第n+1次迭代时的中心频率,表示取模符号;
27、为惩罚因子,用于控制各模态带宽的紧凑程度;
28、通过上述迭代过程,不断更新各变分模态分量及其中心频率,直至满足预设收敛条件,从而将单个电站的历史发电功率时序数据分解为一组具有不同频率特征的变分模态分量。
29、优选地,所述收敛条件采用下式表示:
30、;
31、其中,为第k个模态估计值在第n次迭代时的频域表示,表示计算l2范数的平方,为迭代终止阈值,当满足上述收敛条件时,迭代终止。
32、优选地,所述图卷积神经网络gcn依托图拓扑结构,以电站为节点,利用一个可学习的权重矩阵完成特征线性变换,对邻居节点特征进行加权聚合,并与自身节点特征融合叠加,实现节点特征的迭代更新,完成空间特征提取:
33、;
34、其中,为第k+1层中第j个节点的输出特征向量,即第j个电站的空间特征,为第k层中第i个节点的输入特征向量,即第i个电站的变分模态分量,a为分布式光伏电站集群的邻接矩阵,用于描述各电站之间的电气关联关系,d为与邻接矩阵a对应的度矩阵,其对角元素为电站的连接度,为图卷积神经网络的可学习权重矩阵,为k-1层中节点的输入特征维度,即电站的变分模态分量数量,表示激活函数。
35、优选地,所述informer模型包括probsparse自注意力机制:
36、针对transformer模型的注意力分布偏离均匀分布对稀疏注意力机制进行改进,采用kl散度近似度量查询向量的注意力概率分布与均匀分布之间的差异程度:
37、;
38、其中,为第i个查询向量的稀疏性度量值,为第j个键向量,来自于键矩阵k,表示计算第i个查询向量与第j个键向量的注意力得分,d为特征维度,表示取经特征维度d缩放后的第i个查询向量与所有键向量的注意力得分中的最大值,l为键向量数量,表示计算第i个查询向量与所有键向量的注意力得分的平均值;
39、根据各查询向量的稀疏性度量值,筛选出注意力分布偏离均匀分布的主导查询向量,组成主导查询矩阵,通过主导查询矩阵、键矩阵k和值矩阵v计算注意力,仅保留与输出最相关的关键查询点,大幅减少计算量,降低注意力矩阵维度:
40、;
41、其中,为加权后的特征向量,表示计算主导查询矩阵与键矩阵k的注意力得分,表示激励函数,为注意力矩阵。
42、优选地,所述informer模型中引入蒸馏机制:
43、在相邻的稀疏自注意力层之间加入卷积池化操作,压缩特征维度以突出主要注意力,蒸馏过程采用下式表示:
44、;
45、其中,为蒸馏后的输入至第l+1层稀疏自注意力层的精炼特征序列,为第l层稀疏自注意力层的输出特征序列,表示注意力块,表示一维卷积操作,表示指数线性单元激活函数,表示最大池化操作,对经卷积和激活后的特征序列进行下采样,将长度压缩为原来的一半,实现特征维度压缩;
46、所述informer模型的编码器通过稀疏自注意力机制和蒸馏机制在时域上学习原始序列的长时间依赖关系并生成特征图。
47、优选地,所述informer模型的生成式解码器的输入采用下式表示:
48、;
49、其中,为输入至生成式解码器的第i个特征序列,为第i个特征序列的起始令牌,为一段已知的历史发电功率时序数据,为第i个特征序列的占位符,对应未来预测的时间步,仅包含时间位置信息,表示拼接操作;
50、第i个特征序列进入生成式解码器内部,并通过交叉注意力与编码器特征交互融合,最终经过一个全连接层,采用直接式策略一次性生成发电功率预测序列,缩短解码时间的同时避免逐步“动态解码”过程中的误差累积效应。
51、优选地,由于天气因素的影响,各电站的发电功率存在不确定性,对于聚合的不确定性而言,需要以区间形式表征出来,利用分位数回归模型实现聚合不确定性的表征,生成聚合不确定性在多个分位水平下的预测分位数;
52、分位数回归模型的本质是将时空图神经网络gcn-informer的输出转化为不同分位水平下的预测分位数,将分位数回归模型与时空图神经网络gcn-informer的输出结合后,时空图神经网络gcn-informer的输出与预测分位数之间的关系表示为:
53、;
54、其中,为第i个电站在第r个分位数水平下的预测分位数,为第i个电站在第j个分位数水平下时空图神经网络gcn-informer的分位数回归头的非负输出,r为分位数水平数量,;
55、为了避免分位数交叉,对时空图神经网络gcn-informer的输出进行指数堆栈映射,根据指数函数单调递增的原理,只需要保证,就能够保证当时,;
56、其中,为第r-1个分位数水平,为第i个电站在第r+1个分位数水平下的预测分位数。
57、优选地,所述分位数回归模型中,得到预测分位数后,利用胡贝尔损失表征不确定聚合下的损失函数,给定第r个分位数水平下的胡贝尔损失函数为:
58、;
59、其中,为给定第r个分位数水平下第i个电站的胡贝尔损失值,为第i个电站的真实发电功率,为一个任意小的正数,表示一个带胡贝尔特性的分位数偏差算子:
60、;
61、所述分位数回归模型的目标函数为:
62、;
63、其中,为分位数水平集合,为电站集合,表示计算集合元素数量。
64、(三)有益效果
65、与现有技术相比,本发明所提供的分布式光伏电站集群发电功率概率预测方法,通过对历史发电功率、气象数据和位置信息的获取与整合,构建反映分布式光伏电站集群空间位置关系的时空数据网络拓扑结构;在此基础上,对原始数据进行预处理,并利用变分模态分解vmd对历史发电功率时序数据进行多尺度分解,以降低数据的非平稳性和噪声干扰;随后,结合分布式光伏电站集群的图结构特性,采用图卷积神经网络gcn提取反映空间依赖关系的空间特征,并进一步通过引入蒸馏机制的informer模型对时间特征进行建模,以实现对光伏发电功率长时间依赖关系的高效学习;最后,通过分位数回归方法进行发电功率概率建模,输出不同置信水平下的发电功率概率预测结果,从而能够在保证预测精度的同时充分刻画光伏发电功率的不确定性特征。
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