本發(fā)明涉及光伏發(fā)電，具體為一種基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、光伏發(fā)電作為一種清潔能源，近年來發(fā)展迅速，然而其發(fā)電量受天氣條件影響顯著，具有明顯的間歇性和波動(dòng)性。準(zhǔn)確預(yù)測(cè)光伏發(fā)電量對(duì)電網(wǎng)調(diào)度、能源管理至關(guān)重要，是實(shí)現(xiàn)光伏發(fā)電大規(guī)模并網(wǎng)的關(guān)鍵?，F(xiàn)有光伏預(yù)測(cè)方法主要包括統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法和物理模型方法。統(tǒng)計(jì)方法受限于數(shù)據(jù)分布假設(shè)，難以適應(yīng)光伏發(fā)電數(shù)據(jù)的復(fù)雜性；機(jī)器學(xué)習(xí)方法需要大量訓(xùn)練數(shù)據(jù)，且易受數(shù)據(jù)質(zhì)量影響；物理模型方法則依賴于復(fù)雜的物理參數(shù)，計(jì)算復(fù)雜度較高。因此，現(xiàn)有光伏預(yù)測(cè)方法難以滿足實(shí)際應(yīng)用需求，亟需開發(fā)更高效、更精準(zhǔn)的預(yù)測(cè)方法?；厮隳M是基于真實(shí)數(shù)據(jù)和預(yù)估模型：利用歷史數(shù)據(jù)和預(yù)估模型進(jìn)行模擬，計(jì)算出光伏發(fā)電量。但現(xiàn)有的回算模擬方法存在依賴于預(yù)估模型的準(zhǔn)確性，如果預(yù)估模型存在偏差，回算結(jié)果也會(huì)存在偏差。缺乏對(duì)歷史數(shù)據(jù)中異常數(shù)據(jù)的處理，導(dǎo)致回算結(jié)果不準(zhǔn)確。缺乏對(duì)不同類型光伏電站的適應(yīng)性，難以滿足不同應(yīng)用場(chǎng)景的需求等等不足。因此，需要一種更加準(zhǔn)確、可靠、可擴(kuò)展的光伏預(yù)測(cè)方法，以滿足光伏發(fā)電量預(yù)測(cè)的實(shí)際需求。

技術(shù)實(shí)現(xiàn)思路

1、鑒于現(xiàn)有光伏預(yù)測(cè)方法存在的預(yù)測(cè)精度低、模型復(fù)雜度高、對(duì)數(shù)據(jù)依賴性強(qiáng)的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問題是：將光伏發(fā)電量的時(shí)間序列數(shù)據(jù)和氣象數(shù)據(jù)作為輸入，利用多模態(tài)特征融合技術(shù)，有效提取并融合時(shí)間序列特征和氣象特征，提高預(yù)測(cè)精度和泛化能力。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法，包括：獲取光伏數(shù)據(jù)、格點(diǎn)氣象數(shù)據(jù)和站點(diǎn)氣象數(shù)據(jù)；將格點(diǎn)氣象數(shù)據(jù)輸入天氣判別器，得到天氣特征序列；將光伏數(shù)據(jù)和天氣特征序列輸入塔形小波特征預(yù)測(cè)網(wǎng)絡(luò)，得到格點(diǎn)光伏預(yù)測(cè)特征矩陣；將格點(diǎn)氣象數(shù)據(jù)與站點(diǎn)氣象數(shù)據(jù)融合，得到格站數(shù)據(jù)融合特征矩陣；結(jié)合格點(diǎn)光伏預(yù)測(cè)特征矩陣與格站數(shù)據(jù)融合特征矩陣，得到三維格點(diǎn)預(yù)測(cè)結(jié)果。

4、作為本發(fā)明的基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法的一種優(yōu)選方案，其中：格點(diǎn)氣象數(shù)據(jù)包括地表太陽(yáng)輻射，預(yù)測(cè)反照率，兩米溫度，相對(duì)濕度，大氣壓力以及溫度。

5、作為本發(fā)明的基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法的一種優(yōu)選方案，其中：得到格點(diǎn)光伏預(yù)測(cè)特征矩陣包括，從光伏數(shù)據(jù)中提取單格點(diǎn)的光伏序列數(shù)據(jù)；對(duì)單格點(diǎn)的光伏序列數(shù)據(jù)使用三級(jí)db4小波分解，得到三級(jí)小波分解近似系數(shù)和細(xì)節(jié)系數(shù)、二級(jí)小波分解細(xì)節(jié)系數(shù)和一級(jí)的小波分解細(xì)節(jié)系數(shù)；使用lstm對(duì)三級(jí)小波分解近似系數(shù)預(yù)測(cè)，輸出預(yù)測(cè)三級(jí)小波分解近似系數(shù)；對(duì)單批次的光伏序列進(jìn)行卷積操作，在卷積操作的過程中，底部下采樣層與天氣判別器輸出的天氣特征序列對(duì)齊后進(jìn)行融合拼接，輸入lstm進(jìn)行預(yù)測(cè)，得到三個(gè)細(xì)節(jié)系數(shù)和一個(gè)近似系數(shù)；使用小波重構(gòu)函數(shù)進(jìn)行重構(gòu)，得到單格點(diǎn)光伏預(yù)測(cè)序列；對(duì)每個(gè)格點(diǎn)重復(fù)上述操作，得到格點(diǎn)光伏預(yù)測(cè)特征矩陣。

6、作為本發(fā)明的基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法的一種優(yōu)選方案，其中：天氣判別器的使用過程包括：獲取多源氣象格點(diǎn)數(shù)據(jù)，對(duì)多源氣象格點(diǎn)數(shù)據(jù)進(jìn)行預(yù)處理；使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，得到氣象特征序列；將預(yù)處理后的氣象特征序列使用softmax函數(shù)處理，經(jīng)過天氣判別方法后，得到天氣特征序列；將天氣特征序列輸入塔形小波特征預(yù)測(cè)網(wǎng)絡(luò)的底部隱藏層中。

7、作為本發(fā)明的基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法的一種優(yōu)選方案，其中：卷積操作的公式通過引入深度可分離卷積和空洞卷積進(jìn)行優(yōu)化，深度可分離卷積包括深度卷積和逐點(diǎn)卷積，深度卷積的公式如下：

8、

9、其中，ydepthwise表示深度卷積操作的輸出結(jié)果，σ表示激活函數(shù)，k表示深度卷積操作中使用的卷積核的數(shù)量，k表示索引，wk表示第k個(gè)深度卷積核，xk表示第k個(gè)輸入通道的特征矩陣；逐點(diǎn)卷積的公式如下：

10、

11、其中，ypointwise表示逐點(diǎn)卷積操作的輸出結(jié)果，σ表示激活函數(shù)，d表示輸出通道的數(shù)量，w1×1表示逐點(diǎn)卷積的1×1卷積核，用于對(duì)深度卷積的輸出結(jié)果進(jìn)行通道間的線性組合，ydepthwise表示深度卷積操作的輸出結(jié)果；空洞卷積的計(jì)算公式如下：

12、

13、其中，ydilated表示空洞卷積的輸出，σ表示激活函數(shù)，d表示輸出通道的數(shù)量，wi表示空洞卷積操作中第i個(gè)卷積核，表示帶有空洞因子r的輸入特征；將深度可分離卷積和空洞卷積結(jié)合，得到優(yōu)化后的最終卷積輸出的公式如下：

14、

15、其中，y表示優(yōu)化后的最終卷積輸出，σ表示激活函數(shù)，w1×1表示逐點(diǎn)卷積的1×1卷積核，k表示深度卷積操作中使用的卷積核的數(shù)量，k表示索引，wk表示第k個(gè)深度卷積核，表示帶有空洞因子r的輸入特征，d表示輸出通道的數(shù)量。

16、作為本發(fā)明的基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法的一種優(yōu)選方案，其中：將格點(diǎn)氣象數(shù)據(jù)與站點(diǎn)氣象數(shù)據(jù)融合，得到格站數(shù)據(jù)融合特征矩陣包括，將格點(diǎn)氣象數(shù)據(jù)處理后進(jìn)行特征提取，得到格點(diǎn)特征圖；對(duì)站點(diǎn)氣象數(shù)據(jù)處理后使用圖神經(jīng)卷積網(wǎng)絡(luò)進(jìn)行特征提取，得到站點(diǎn)特征圖；將格點(diǎn)特征圖與站點(diǎn)特征圖結(jié)合，得到格站數(shù)據(jù)融合特征矩陣。

17、作為本發(fā)明的基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法的一種優(yōu)選方案，其中：圖神經(jīng)卷積網(wǎng)絡(luò)鄰接矩陣的公式如下：

18、a＝d-1/2*(a+i)*d-1/2

19、其中，a表示歸一化的鄰接矩陣，h表示輸入特征矩陣，w表示卷積核權(quán)重矩陣，h′表示輸出特征矩陣；改進(jìn)后的gcn卷積操作的公式如下：

20、h′＝softmax(a·h·w+q·kt)·v

21、q＝h·wq

22、k＝h·wk

23、v＝h·wv

24、其中，a表示歸一化的鄰接矩陣，h表示輸入特征矩陣，w表示卷積核權(quán)重矩陣，h′表示輸出特征矩陣，q表示查詢矩陣，通過線性變換得到；k表示鍵矩陣，通過線性變換得到；v表示值矩陣，通過線性變換得到，softmax表示歸一化函數(shù)。

25、本發(fā)明的另外一個(gè)目的是提供一種基于歷史數(shù)據(jù)的光伏預(yù)測(cè)系統(tǒng)，包括：數(shù)據(jù)采集模塊，用于獲取光伏數(shù)據(jù)、格點(diǎn)氣象數(shù)據(jù)和站點(diǎn)氣象數(shù)據(jù)；判別模塊，用于將格點(diǎn)氣象數(shù)據(jù)輸入進(jìn)天氣判別器，得到天氣特征序列；第一矩陣計(jì)算模塊，用于將光伏數(shù)據(jù)和天氣特征序列輸入塔形小波特征預(yù)測(cè)網(wǎng)絡(luò)，得到格點(diǎn)光伏預(yù)測(cè)特征矩陣；第二矩陣計(jì)算模塊，用于將格點(diǎn)氣象數(shù)據(jù)與站點(diǎn)氣象數(shù)據(jù)融合，得到格站數(shù)據(jù)融合特征矩陣；預(yù)測(cè)模塊，用于結(jié)合格點(diǎn)光伏預(yù)測(cè)特征矩陣與格站數(shù)據(jù)融合特征矩陣，得到三維格點(diǎn)預(yù)測(cè)結(jié)果。

26、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法的步驟。

27、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法的步驟。

28、本發(fā)明的有益效果：設(shè)計(jì)了一種基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法及系統(tǒng)，其核心在于融合歷史數(shù)據(jù)中的多源格點(diǎn)數(shù)據(jù)與站點(diǎn)數(shù)據(jù)，實(shí)現(xiàn)了對(duì)光伏發(fā)電輸出更為全面而精準(zhǔn)的預(yù)測(cè)分析。通過將光伏格點(diǎn)數(shù)據(jù)視為多維時(shí)間序列進(jìn)行精細(xì)化分解與預(yù)測(cè)，有效捕捉了不同空間位置光伏資源變化的復(fù)雜特性。此外，本發(fā)明深刻認(rèn)識(shí)到天氣因素對(duì)光伏發(fā)電的顯著影響，創(chuàng)新性地引入了天氣特征序列提取機(jī)制，該機(jī)制能夠精確量化天氣條件的動(dòng)態(tài)變化，并將其作為關(guān)鍵輔助信息融入預(yù)測(cè)模型，顯著提升了光伏預(yù)測(cè)模型的適應(yīng)性和預(yù)測(cè)精度，本發(fā)明綜合考慮對(duì)光伏數(shù)據(jù)影響大的多種因素，提升了光伏發(fā)電的準(zhǔn)確性。其次，設(shè)計(jì)了一種基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法及系統(tǒng)，針對(duì)光伏數(shù)據(jù)序列的預(yù)測(cè)，設(shè)計(jì)了一種塔形小波特征預(yù)測(cè)網(wǎng)絡(luò)，該網(wǎng)絡(luò)融合了小波分解的精細(xì)分析能力與深度學(xué)習(xí)模型卓越的特征提取能力，構(gòu)建了一個(gè)多層次的預(yù)測(cè)框架；通過小波分解，該方法能夠有效地將光伏數(shù)據(jù)序列分解為不同頻率的子序列，精準(zhǔn)捕捉光伏輸出的周期性及非平穩(wěn)特性；深度學(xué)習(xí)模型的引入，進(jìn)一步增強(qiáng)了網(wǎng)絡(luò)對(duì)復(fù)雜非線性關(guān)系的建模能力，實(shí)現(xiàn)了對(duì)光伏數(shù)據(jù)深層次特征的挖掘與利用。該網(wǎng)絡(luò)不僅克服了傳統(tǒng)單一預(yù)測(cè)方法在光伏數(shù)據(jù)預(yù)測(cè)中可能存在的片面性和不準(zhǔn)確性問題，還顯著提升了預(yù)測(cè)結(jié)果的精度與穩(wěn)定性。再次，設(shè)計(jì)了一種基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法及系統(tǒng)，在對(duì)當(dāng)天天氣背景的判別中，采用了天氣判別器這一模塊，該模塊結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)的特征提取優(yōu)勢(shì)與softmax函數(shù)的歸一化特性，實(shí)現(xiàn)了對(duì)復(fù)雜天氣背景的精準(zhǔn)判別與量化，并將原本難以直接用于光伏預(yù)測(cè)的抽象天氣信息被轉(zhuǎn)化為高維度的特征序列，這些特征序列不僅捕捉了天氣的核心特性，還保留了其動(dòng)態(tài)變化的細(xì)微差異，本發(fā)明將這一天氣特征序列結(jié)合到塔形小波特征預(yù)測(cè)網(wǎng)絡(luò)中，作為底部隱藏層的關(guān)鍵輸入，不僅擴(kuò)展了預(yù)測(cè)模型的數(shù)據(jù)維度，還增強(qiáng)了模型對(duì)天氣因素影響的敏感性和適應(yīng)性，從而在光伏數(shù)據(jù)序列的預(yù)測(cè)中實(shí)現(xiàn)了更高的精度和更強(qiáng)的魯棒性。最后，本發(fā)明設(shè)計(jì)了一種基于歷史數(shù)據(jù)的光伏預(yù)測(cè)方法及系統(tǒng)，在對(duì)格點(diǎn)和站點(diǎn)數(shù)據(jù)的處理中，使用了格點(diǎn)－站點(diǎn)數(shù)據(jù)融合模塊，該模塊實(shí)現(xiàn)了對(duì)多源格點(diǎn)數(shù)據(jù)與離散站點(diǎn)數(shù)據(jù)的精準(zhǔn)特征提取與融合。具體而言，針對(duì)復(fù)雜多變的多源格點(diǎn)數(shù)據(jù)，本模塊采用了convlstm模型，該模型憑借其強(qiáng)大的時(shí)空特征捕捉能力，有效地解析了格點(diǎn)數(shù)據(jù)中的空間相關(guān)性和時(shí)間依賴性。同時(shí)，對(duì)于離散且分布不均的站點(diǎn)數(shù)據(jù)，本發(fā)明則選用了圖卷積神經(jīng)網(wǎng)絡(luò)，利用其在圖結(jié)構(gòu)數(shù)據(jù)上的卓越表現(xiàn)，精準(zhǔn)提取了站點(diǎn)間的相互關(guān)聯(lián)特征。隨后將這兩種源自不同數(shù)據(jù)源、經(jīng)由不同深度學(xué)習(xí)模型提取的特征進(jìn)行高效融合，形成了富含多維度信息的融合特征。這一過程不僅充分利用了多源數(shù)據(jù)的互補(bǔ)性，還克服了單一數(shù)據(jù)源或單一模型在特征提取上的局限性，從而實(shí)現(xiàn)了對(duì)光伏預(yù)測(cè)所需信息的更全面、更精準(zhǔn)的捕捉。