一种短期太阳辐照度预测方法及装置

1.本发明属于光伏发电技术领域，涉及一种短期太阳辐照度预测方法及装置。


背景技术：

2.光伏发电系统的输出功率具有波动性和间歇性，不利于光伏并网时电力系统的安全稳定运行。太阳辐照度是影响光伏发电功率的主要因素，对太阳辐照度进行准确预测，有助于准确预测光伏发电功率。
3.近年来，以机器学习方法和深度学习方法为主的人工智能方法在太阳辐射预测领域得到了广泛应用，机器学习方法例如人工神经网络、随机森林等，深度学习方法，例如卷积神经网络、长短期记忆网络。
4.然而，现有的短期太阳辐照度预测方法难以捕捉辐照度序列的波动性和突变性，导致预测精度较低。研究表明，太阳辐照度和气象特征有着密切联系，合理利用气象特征能够提升预测精度。而现有的预测方法大多根据相关系数或经验人为选取气象特征，比较繁琐，且忽略了不同气象特征对预测任务不同程度的影响，缺乏合理性，进而影响到预测精度。


技术实现要素：

5.发明目的：本发明的目的是提出一种短期太阳辐照度预测方法及装置，能够提高短期太阳辐照度预测精度。
6.技术方案：本发明第一方面提供一种短期太阳辐照度预测方法，包括：
7.数据采集，包括辐射数据和气象数据，辐射数据为水平面总辐照度，包括辐照度序列，气象数据包括多维气象特征序列；
8.利用iceemdan算法，将原始辐照度序列分解为多尺度模态分量，合并多尺度模态分量，构建能够反映辐照度变化特性的多维辐射特征序列；
9.基于多维辐射特征序列和多维气象特征序列，按照时间步构造二维辐射特征矩阵和二维气象特征矩阵；
10.引入残差注意力机制对二维气象特征矩阵进行重构，得到新型气象特征矩阵；
11.分别提取二维辐射特征矩阵和新型气象特征矩阵的时序特征，并进行融合；
12.融合所得时序特征作为多层感知器的输入，对短期太阳辐照度进行预测。
13.进一步地，采集的气象数据包括太阳天顶角、温度、云的类型、露点温度、风向、风速、相对湿度和可降水量。
14.进一步地，利用iceemdan算法，对原始辐照度序列进行分解，包括：
15.定义原始辐照度序列为s；
16.基于序列s构造新的序列：
17.si＝s α0e1(wi)
18.其中，si为添加i组白噪声后所构造的新序列，wi为向序列s中添加的i组白噪声，ek(
·
)表示由经验模态分解算法分解产生的k阶模态分量；
19.计算得到第一组残差r1：
20.r1＝《m(si)》
21.其中，《
·
》表示对整体求平均；m(
·
)为基于经验模态分解算法所产生序列的局部均值；
22.计算得到第一个模态分量imf1：
23.imf1＝s-r124.在得到的第一个模态分量imf1的基础上，继续添加白噪声，利用局部均值分解计算第二组残差r2和第二个模态分量imf2：
25.r2＝《m(r1 α1e2(wi))》
26.imf2＝r
1-r227.以此类推，第k组残差rk和第k个模态分量imfk为：
28.rk＝《m(r
k-1
α
k-1ek
(wi))》
29.imfk＝r
k-1-rk30.重复上述残差和模态分量的计算过程，直至计算结束，得到所有的模态分量和最终的残差；
31.上式中的αk表示为：
[0032][0033]
其中，ε0为首次添加的均值为0的高斯白噪声序列与被分析原始辐照度序列间信噪比的倒数；std表示标准差；
[0034]
合并分解所得不同模式的模态分量和残差，得到能够反映辐照度变化特性的多维辐射特征序列。
[0035]
进一步地，利用经验模态分解算法对原始辐照度序列进行分解，包括：不断地(1)求序列的上下包络线均值；(2)原始序列减掉均值包络线；(3)反复迭代直至所得序列满足固有模态函数的两个约束条件；此时就得到了一个imf分量，而局部均值指原始序列减去此imf得到的部分；基于所得的i组局部均值，对其整体求平均，得到第一组残差r1。
[0036]
进一步地，利用残差注意力机制对二维气象特征矩阵进行重构，包括：
[0037]
基于二维气象特征矩阵获取注意力权重矩阵：
[0038]
a＝σ(w2(δ(w1x b1)) b2)
[0039]
其中，a表示基于二维气象特征所得到的注意力权重矩阵；σ为sigmoid激活函数；w1、w2表示可更新权重矩阵；δ为relu激活函数；为二维气象特征矩阵，t为时间步数，f为输入特征数，表示过去t个时间步里f个气象特征的测量值；b1、b2为可更新权重矩阵对应的偏置；
[0040]
对二维气象特征矩阵添加注意力权重：
[0041]
x
att
＝a
⊙
x
[0042]
其中，x
att
为引入注意力权重后的气象特征矩阵；
⊙
表示哈达玛积；
[0043]
引入残差连接：
[0044]
x'＝x x
att
[0045]
x'即为经残差注意力重构后的新型气象特征矩阵。
[0046]
进一步地，利用堆叠长短期记忆网络，分别提取二维辐射特征矩阵的时序特征和新型气象特征矩阵的时序特征。
[0047]
进一步地，利用concatenate操作，融合二维辐射特征矩阵的时序特征和新型气象特征矩阵的时序特征。
[0048]
本发明第二方面提供一种短期太阳辐照度预测装置，包括：
[0049]
数据采集模块，用于采集辐射数据和气象数据，辐射数据为水平面总辐照度，包括辐照度序列，气象数据包括多维气象特征序列；
[0050]
数据处理模块，用于通过iceemdan算法，将原始辐照度序列分解为多尺度模态分量，合并多尺度模态分量，构建能够反映辐照度变化特性的多维辐射特征序列；基于多维辐射特征序列和多维气象特征序列，按照时间步构造二维辐射特征矩阵和二维气象特征矩阵；以及，利用残差注意力机制对二维气象特征矩阵进行重构，得到新型气象特征矩阵；
[0051]
时序特征提取模块，用于分别提取二维辐射特征矩阵和新型气象特征矩阵的时序特征，并进行融合；
[0052]
多层感知器，用于以融合的时序特征作为输入，对短期太阳辐照度进行预测。
[0053]
本发明第三方面提供一种短期太阳辐照度预测装置，包括：
[0054]
一个或多个处理器；以及一个或多个储存器；
[0055]
其中一个或多个程序被存储在所述一个或多个储存器中，当所述一个或多个程序被所述一个或多个处理器执行时，实现上述第一方面的预测方法。
[0056]
本发明第四方面提供一种计算机存储介质，所述计算机存储介质中存储有计算机指令，当所述计算机指令被执行时，实现上述第一方面的预测方法。
[0057]
本发明第五方面提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行上述第一方面的预测方法。
[0058]
有益效果：本发明与现有技术相比，具有如下显著优点：
[0059]
(1)利用iceemdan算法分解原始辐照度序列，可得到更多表征辐照度变化特性的多尺度模态分量，降低了原始辐照度序列波动性和突变性对太阳辐射预测的影响，提高了预测结果的准确性和可靠性。
[0060]
(2)引入残差注意力机制对二维气象特征矩阵进行重构，可充分考虑不同气象特征在预测时的重要程度，同时避免原始气象特征信息的丢失，提升了太阳辐射预测精度，具有较高的鲁棒性和可行性。
附图说明
[0061]
为了更清楚地说明本发明实施例的技术方案，下面对本发明实施例中所需要使用的附图作简单介绍，显而易见地，下面所描述的附图仅仅是本发明的实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0062]
图1是本发明的预测方法流程框图；
[0063]
图2是本发明的预测装置的结构框图；
[0064]
图3是原始辐照度序列的分解结果图；
[0065]
图4是对原始气象特征实施残差注意力的示意图；
[0066]
图5是不同模型的rmse和mae误差指标对比图；
[0067]
图6是辐照度不同程度波动下模型曲线拟合示意图。
具体实施方式
[0068]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
[0069]
如图1所示为本技术实施例提供的一种短期太阳辐照度预测方法流程框图，该预测方法具体包括如下步骤：
[0070]
(1)数据采集，包括辐射数据和气象数据；
[0071]
辐射数据为包括水平面总辐照度(ghi)的辐照度序列，气象数据为包括太阳天顶角、温度、云的类型、露点温度、风向、风速、相对湿度和可降水量的多维气象特征序列。
[0072]
(2)利用iceemdan(改进的自适应噪声完备集合经验模态分解)算法，将原始辐照度序列分解为多尺度模态分量，合并多尺度模态分量，构建能够反映辐照度变化特性的多维辐射特征序列；
[0073]
该步骤(2)具体包括：
[0074]
定义原始辐照度序列为s；
[0075]
基于序列s构造新的序列：
[0076]
si＝s α0e1(wi)
[0077]
其中，si为添加i组白噪声后所构造的新序列，wi为向序列s中添加的i组白噪声，ek(
·
)表示由经验模态分解算法分解产生的k阶模态分量；
[0078]
计算得到第一组残差r1：
[0079]
r1＝《m(si)》
[0080]
其中，《
·
》表示对整体求平均；m(
·
)为基于经验模态分解算法所产生序列的局部均值，具体为利用经验模态分解算法对原始辐照度序列进行分解：不断地(1)求序列的上下包络线均值；(2)原始序列减掉均值包络线；(3)反复迭代直至所得序列满足固有模态函数的两个约束条件；此时就得到了一个imf分量，而局部均值指原始序列减去此imf得到的部分；基于所得的i组局部均值，对其整体求平均，得到第一组残差r1。
[0081]
计算得到第一个模态分量imf1：
[0082]
imf1＝s-r1[0083]
在得到的第一个模态分量imf1的基础上，继续添加白噪声，利用局部均值分解计算第二组残差r2和第二个模态分量imf2：
[0084]
r2＝《m(r1 α1e2(wi))》
[0085]
imf2＝r
1-r2[0086]
以此类推，第k组残差rk和第k个模态分量imfk为：
[0087]rk
＝《m(r
k-1
α
k-1ek
(wi))》
[0088]
imfk＝r
k-1-rk[0089]
重复上述残差和模态分量的计算过程，直至计算结束，得到所有的模态分量和最
终的残差；
[0090]
上式中的αk表示为：
[0091][0092]
其中，ε0为首次添加的均值为0的高斯白噪声序列与被分析原始辐照度序列间信噪比的倒数；std表示标准差；
[0093]
合并分解所得不同模式的模态分量和残差，得到能够反映辐照度变化特性的多维辐射特征序列。
[0094]
(3)基于多维辐射特征序列和多维气象特征序列，按照时间步构造二维辐射特征矩阵和二维气象特征矩阵；
[0095]
(4)利用残差注意力(ra)机制对二维气象特征矩阵进行重构，得到新型气象特征矩阵；
[0096]
该步骤(4)具体包括：
[0097]
基于二维气象特征矩阵获取注意力权重矩阵：
[0098]
a＝σ(w2(δ(w1x b1)) b2)
[0099]
其中，a表示基于二维气象特征所得到的注意力权重矩阵；σ为sigmoid激活函数；w1、w2表示可更新权重矩阵；δ为relu激活函数；为二维气象特征矩阵，t为时间步数，f为输入特征数，表示过去t个时间步里f个气象特征的测量值；b1、b2为可更新权重矩阵对应的偏置；
[0100]
如图3所示，对二维气象特征矩阵添加注意力权重：
[0101]
x
att
＝a
⊙
x
[0102]
其中，x
att
为引入注意力权重后的气象特征矩阵；
⊙
表示哈达玛积；
[0103]
引入残差连接：
[0104]
x'＝x x
att
[0105]
x'即为经残差注意力重构后的新型气象特征矩阵。
[0106]
(4)利用堆叠长短期记忆网络(lstm)，分别提取二维辐射特征矩阵的时序特征和新型气象特征矩阵的时序特征；
[0107]
利用concatenate操作，融合多二维辐射特征矩阵的时序特征和新型气象特征矩阵的时序特征。
[0108]
(5)将融合的时序特征作为多层感知器(mlp)的输入，对短期水平面总辐照度进行预测。
[0109]
本技术实施例还提供一种短期太阳辐照度预测装置，包括：
[0110]
数据采集模块，用于采集辐射数据和气象数据，辐射数据为水平面总辐照度，包括辐照度序列，气象数据包括多维气象特征序列；
[0111]
数据处理模块，用于通过iceemdan算法，将原始辐照度序列分解为多尺度模态分量，合并多尺度模态分量，构建能够反映辐照度变化特性的多维辐射特征序列；基于多维辐射特征序列和多维气象特征序列，按照时间步构造二维辐射特征矩阵和二维气象特征矩阵；以及，利用残差注意力机制对二维气象特征矩阵进行重构，得到新型气象特征矩阵；
[0112]
时序特征提取模块，用于分别提取二维辐射特征矩阵和新型气象特征矩阵的时序特征，并进行融合；
[0113]
多层感知器，用于以融合的时序特征作为输入，对短期太阳辐照度进行预测。
[0114]
本技术实施例还提供另一种短期太阳辐照度预测装置，包括：
[0115]
一个或多个处理器；以及一个或多个储存器；
[0116]
其中一个或多个程序被存储在一个或多个储存器中，当一个或多个程序被一个或多个处理器执行时，实现上述实施例中的预测方法。
[0117]
本技术实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机指令，当计算机指令被执行时，实现上述实施例中的预测方法。
[0118]
计算机存储介质可以是，例如u盘、移动硬盘、rom存储器、ram存储器、磁碟或光盘等各种可以用于存储计算机指令的介质。
[0119]
本技术实施例还提供一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，实现上述实施例中的预测方法。
[0120]
本技术实施例提供的预测装置、计算机存储介质、计算机程序产品均用于执行上文提供的预测方法，因此其具有与预测方法同样的有益效果。
[0121]
下面结合具体的示例，详细介绍本发明的预测方法用于短时太阳辐射预测的实施过程。
[0122]
选取江苏省南京市的辐射数据和气象数据进行测试，具体为2016年1月1日至2020年12月31日的数据，数据采集的时间间隔为1小时，共计43800个样本。其中，2016年1月1日至2019年12月31日的数据作为训练样本对模型进行训练，2020年1月1日至2020年12月31日的数据作为测试样本用于评估模型表现。
[0123]
采集的数据包括辐射数据和气象数据，辐射数据为水平面总辐照度，气象数据包括太阳天顶角、温度、云的类型、露点温度、风向、风速、相对湿度和可降水量。
[0124]
利用iceemdan算法，将原始辐照度序列分解为多尺度模态分量。
[0125]
如图2所示，分解结果包括15个本征模态函数(imf)和残差(res)，其中高频分量对应原始辐照度序列中波动性和突变性较大的分量，低频分量对应原始辐照度序列中规律性较强的分量，合并15个本征模态函数和残差，即可得到能够反映辐照度变化特性的16维特征序列。
[0126]
基于多维辐射特征序列和多维气象特征序列，按照时间步构造二维辐射特征矩阵和二维气象特征矩阵。实际测试时，时间步数设置为48，即过去48个小时的多维辐射特征和气象特征。
[0127]
利用残差注意力机制对二维气象特征矩阵进行重构，得到新型气象特征矩阵。
[0128]
利用堆叠长短期记忆网络(lstm)，分别提取二维辐射特征矩阵的时序特征和新型气象特征矩阵的时序特征；利用concatenate操作，融合二维辐射特征矩阵的时序特征和新型气象特征矩阵的时序特征。
[0129]
将融合的时序特征作为多层感知器(mlp)的输入，对短期水平面总辐照度进行预测，输出最终的预测结果。
[0130]
为验证本技术实施例提出的预测方法性能，基于测试样本对根据预测方法建立的模型的预测效果进行评估，所选模型评估指标为均方根误差(rmse)、绝对平均误差(mae)和
相关系数(r)，计算公式分别为：
[0131][0132][0133][0134]
其中，n表示测试样本总数，和yi分别表示第i个样本的预测值和实际值，和ya分别表示预测均值和实际均值。
[0135]
为了进一步评估预测模型的预测表现，设置共计六个对比模型，分别为mlp、lstm、lstm-ann、bi-lstm、cnn-bi-lstm和iceemdan-lstm，其中lstm-ann在lstm的基础上增加ann部分，目的在于增加网络深度，从而提升模型的非线性拟合能力；所提模型iceemdan-lstm对原始气象特征不实施残差注意力，而是将其直接作为模型的输入。
[0136]
表1为各模型进行提前1小时水平面总辐照度预测时的预测误差，图5所示为根据本发明构建的模型与其他模型rmse、mae两种误差的对比情况。
[0137]
表1不同模型预测结果的比较
[0138][0139]
由表1可知，无论基于哪种评估指标，本发明的预测方法都有着最高的预测精度，且相对于不采用iceemdan对原始辐照序列进行分解的方法，利用iceemdan对原始辐照度序列进行分解的方法预测效果提升明显，这在图5中可以明显看出。本发明的预测方法在分解原始辐照度序列基础上，对原始气象特征实施了残差注意力，取得了最小的预测误差。
[0140]
为了进一步评估预测模型的预测表现，图6展示了不同天气状况下各模型预测曲线与实际辐照度曲线的拟合情况。可以看出，对于辐照度波动较小的情形，大部分模型的预测值曲线都能够很好地贴合实际值曲线，尤其是本发明基于iceemdan-ra-lstm的预测值曲线，其在辐照度值上升和下降阶段与实际值曲线的偏差最小，曲线拟合效果最好。对于辐照度波动较大的情形，大部分模型的预测值曲线与实际值曲线产生了较大偏移，而本发明对应的预测值曲线，其整体趋势与实际辐照度值的变化趋势十分接近，这是因为基于iceemdan的分解结果能够获取波动性显著的辐照度分量，使得模型适用于不同天气状况，辐照度值不同波动程度下的预测。
[0141]
综上，本发明利用iceemdan构建能够反映原始辐照度序列变化特性的多维特征序列，从而捕捉原始辐照度序列的波动性和突变性，适用于不同天气状况、不同辐照度波动程
度下的短期太阳辐照度预测，并获得较好的预测表现。本发明能够充分考虑不同气象特征在预测时的重要程度，同时避免原始气象特征信息的丢失，提升了太阳辐射预测精度，具有较高的鲁棒性和可行性。本发明的预测结果可用于光伏功率预测，进而保障大规模光伏并网时电力系统的安全稳定运行。
[0142]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换方案，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。