CN113298303A - 针对气象卫星云图动态注意域的光伏功率预测方法 - Google Patents

Abstract

本发明公开了针对气象卫星云图动态注意域的光伏功率预测方法，属于可再生能源开发利用技术领域；该方法及系统包括如下三个功能模块：编码、特征增强和解码；其中，编码模块接入地球同步静止气象卫星数据，基于气象卫星云图计算光流图，并将气象卫星云图和光流图输入到二维多通道卷积神经网络模型，计算得到卷积隐层特征。特征增强模块基于卷积隐层特征、结合历史光伏功率和晴空光伏估计值，利用注意力模型计算得到动态注意域特征。解码模块将动态注意域特征作为输入，构建冗余循环神经网络模型，实现提前0.5～3小时光伏功率预测。本发明方法及系统能够部署于接入实时卫星遥感的光伏电站，满足电站监控运维及光伏并网系统实时调度需求。

Description

针对气象卫星云图动态注意域的光伏功率预测方法

技术领域

本发明属于可再生能源开发利用技术领域，具体涉及针对气象卫星云图动态注意域的光伏功率预测方法。

背景技术

太阳能具有显著的环境和气候效益，发展太阳能光伏发电技术可以缓解能源消费中对化石燃料的依赖。

近年来，全球光伏发电装机容量在全球范围内得到明显增长，到2019年底已达到720太瓦时。然而，由于太阳能发电输出具有极强的波动性和间歇性，若快速提升光伏发电并网渗透率将极大地影响并网发电系统的安全性和稳定性。

因此，电力系统运营仍然需要准确的光伏发电功率预测技术，并将短期光伏预测结果应用于电网调度。

光伏发电功率预测技术的准确性和时效性取决于预测模型的输入数据，而常规的预测模型使用数值气象预报中的太阳辐照度、环境温湿度和风速等作为输入，虽然能够满足提前一至多天的光伏预测需求，但是由于气象预报时间分辨率的限制，其应用于三小时以内的预测时无法反映云团快速运动的影响性，对于光伏功率爬坡或电压跌落等极端电网变化事件难以有效预警。

因此，发展基于气象卫星云图的光伏功率预测是当前可再生能源利用中的一大难点。

发明内容

发明目的：基于上述光伏功率预测技术中的局限性和难点，本发明提出针对气象卫星云图动态注意域的光伏功率预测系统及其方法。

技术方案：为实现上述发明目的，本发明的针对气象卫星云图动态注意域的光伏功率预测方法，包括如下步骤：

1)基于稠密光流算法计算每两帧气象卫星云图之间的光流图；将待预测时刻及其之前5个小时内的历史气象卫星云图和光流图按通道合并，形成多通道动态特征图谱；

2)构建二维多通道卷积神经网络模型，以多通道动态特征图谱作为输入，计算得到卷积隐层特征；

3)针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度，计算晴空光伏功率估计值；

4)基于注意力模型，以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入，计算得到动态注意域特征；

5)基于冗余循环神经网络模型，将动态注意域特征作为模型输入，输出提前0.5～3小时的光伏功率预测值；

6)通过误差评价指标验证预测结果精度，实现光伏电站的发电功率预测功能。

进一步地，所述的步骤1)中，所述的气象卫星云图是接入红外光谱频段范围在0.46～0.65微米、纬度范围在北纬60度～南纬60度以内、经度范围在东经80度～东经200度以内、经纬度空间分辨率1/20度(5千米)、时间分辨率30分钟的地球同步静止气象卫星遥感云图。

进一步地，所述的步骤1)中，具体包括如下步骤：

基于Farneback二阶稠密光流算法计算每两帧气象卫星云图之间的光流图，首先假设对于每相邻两帧气象云图，图中云团运动过程中的光线反射强度在帧间保持恒定，满足公式：

I(x,y,t)≈I(x+dx,y+dy,t+dt)

式中，I(x,y,t)为云图中云团在横坐标x、纵坐标y、时间t处的单个像素光线反射强度，dx为云团的横向运动位移，dy为云团的纵向运动位移，dt为图像帧的时间间隔；其次，对光线反射强度帧间恒定公式进行泰勒展开，并取时间间隔dt近似为0，约简公式得到光流运动方程，其方程公式为：

式中，

和

分别为I、t、x和y的偏导，u为横向光流速度，v为纵向光流速度；

然后，对光流运动方程取最小二范数进行优化，并基于拉格朗日乘子引入二阶光流似然函数，得到光流计算求解的目标函数，其函数公式为：

式中，min为最小目标函数，||·||²为二范数函数，λ为拉格朗日乘子；

最后，基于梯度下降算法对光流运动的最小目标函数进行优化求解，计算得到每相邻两帧气象卫星云图的光流图。

进一步地，所述的步骤4)中，具体包括如下步骤：

首先，获取待预测时刻的日期和时间，基于地外太阳辐射常数H_SC计算光伏电站所在地址该时刻的地表水平面的太阳晴空总辐射H_G，计算公式为：

式中，H_G为地表水平面的太阳晴空总辐射，H_SC为地外太阳辐射常数，n_day为待预测时刻日期，δ_s为待预测时刻日期的太阳赤纬角，ω_s为待预测时刻时间的太阳时角，

为光伏电站地址的纬度角，sin和cos为正弦和余弦函数；其次，构建太阳入射辐射-光伏功率的二阶多项式拟合函数f_poly(·)，根据历史光伏功率包络线P_ENV和历史太阳入射辐射包络线H_ENV求解拟合函数系数，计算光电转换效率：

式中，η_PV为光电转换效率，P_ENV为历史光伏功率包络线，H_ENV为历史太阳入射辐射包络线，f_poly(·)为二阶多项式拟合函数，a、b和c为二阶多项式函数系数；接着，根据计算的光电转换效率η_PV和地表水平面的太阳晴空总辐射H_G计算晴空光伏功率估计值p^*，其计算公式为：

p^*＝η_PVH_i＝η_PVH_G×(cosβ_PV cosZ_s+sinβsinZ_s cosω_s)

式中，p^*为晴空光伏功率估计值，η_PV为光电转换效率，H_i为太阳入射辐射，H_G为地表水平面的太阳晴空总辐射，β_PV、Z_s和ω_s分别为光伏阵列倾斜角、待预测时刻时间的太阳天顶角和太阳时角；

然后，将晴空光伏功率估计值p^*、时间t的历史光伏功率P_t和卷积隐层特征

输入注意力模型，输出注意力权值

式中，

为大小n_H×n_H×1、时间t+1的注意力权值，f_AM为注意力模型，

为大小n_H×n_H×n_l的卷积隐层特征，P_t为时间t的历史光伏功率，

为时间t+1的晴空光伏功率估计值，n_H为特征尺寸，n_l为特征通道数；最后，将注意力权值

和卷积隐层特征

进行逐通道乘法运算，计算得到动态注意域特征

式中，

为时间t+1的动态注意域特征，

为逐通道乘法运算符。

进一步地，所述的步骤5)包括如下步骤：

首先，初始化循环神经网络模型的记忆单元状态c₀和隐含层状态h₀；

其次，循环更新模型中冗余解码单元的记忆单元状态和隐含层状态，计算公式为：

式中，c_i、f_i、h_i、i_i、o_i分别为第i个样本的记忆单元状态、遗忘状态、隐含层状态、输入状态和输出值，c_i–1和h_i–1为第i–1个样本的记忆单元状态和隐含层状态，x_i为第i个样本的动态注意域特征输入，W_c和b_c为记忆单元权值和记忆单元偏置，tanh为正切函数；接着，将时间t的隐含层状态h_t、时间t+1的动态注意域特征

时间t的历史光伏功率P_t和时间t+1的晴空光伏功率值

作为输入，输出时间t+1的光伏功率预测值，其计算公式为：

式中，

为时间t+1的光伏功率预测值，σ_o、W_o和b_o为光伏预测的激活函数、权值和偏置；然后，将时间t+1的光伏功率预测值

率回代到计算公式中时间t的历史光伏功率P_t的相应位置，循环输出时间t+2至t+6的光伏功率预测值，每个相邻时刻间隔半小时，完成提前0.5～3小时的光伏功率预测。

进一步地，所述的步骤6)包括如下步骤：

根据光伏功率预测结果，使用三种误差评价指标，均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对标度误差(MASE)验证预测结果精度，其计算公式分别为：

式中，P_i为第i个样本的光伏功率，

为第i个样本的光伏功率预测值，n_s为测试集样本个数。

有益效果：与现有技术相比，本发明针对气象卫星云图动态注意域的光伏功率预测系统及其方法，能够实现提前0.5～3小时的超短期光伏功率预测任务，所提出的预测系统能够部署于接入实时卫星遥感数据的光伏电站，满足光伏电站监控运维及光伏并网系统实时调度需求。

本发明可以实现端到端的超短期光伏功率预测，通过接入实时气象卫星云图，直接输出多步光伏预测结果，无需人工处理图像数据；本发明通过特征增强模块，在光伏功率预测阶段利用动态注意域学习云团运动轨迹和位移特性，能够显著提升0.5小时分辨率的光伏功率预测精度；由于预测精度的提高，本发明的预测结果可以更有效地指导光伏并网电力系统的超短期调度和电力市场新能源实时交易，提高电力系统的运行的安全稳定性和经济性；本发明的预测能够部署于接入实时卫星遥感数据的光伏电站，提高新型智能光伏电站的自动化和业务化运维水平。

附图说明

图1为本发明方法及系统的光伏功率预测流程示意图；

图2为本发明方法及系统的相邻两帧气象卫星云图的光流图计算结果示意图；

图3为本发明方法及系统的编码模块完整功能实现流程示意图；

图4为本发明方法及系统的特征增强模块完整功能实现流程示意图；

图5为本发明方法及系统的动态注意域结果示意图；

图6为本发明方法及系统的解码模块完整功能实现流程示意图；

图7为本发明方法及系统计算得到的提前0.5小时光伏功率预测结果示意图。

具体实施方式

下面结合说明书附图和具体实施例对本发明的实施方式进行描述。

如图1所示，针对气象卫星云图动态注意域的光伏功率预测方法，包括如下功能模块：

编码模块：接入光谱频段范围在0.46～0.65微米(红外光谱)、纬度范围在北纬60度～南纬60度以内、经度范围在东经80度～东经200度以内、经纬度空间分辨率1/20度(5千米)、时间分辨率30分钟的地球同步静止气象卫星遥感云图；基于稠密光流算法计算每两帧气象卫星云图之间的光流图；将待预测时刻及其之前5个小时内的历史气象卫星云图和光流图按通道合并，形成多通道动态特征图谱；构建二维多通道卷积神经网络模型，以多通道动态特征图谱作为输入，计算得到卷积隐层特征。

特征增强模块：针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度，计算晴空光伏估计值；基于注意力模型，以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入，计算得到动态注意域特征。

解码模块：基于冗余循环神经网络模型，将动态注意域特征作为模型输入，输出提前0.5～3小时的光伏功率预测结果。通过误差指标验证预测结果精度，评估模型的有效性，实现光伏电站的发电功率预测功能。

其中，编码模块基于Farneback二阶稠密光流算法计算每两帧气象卫星云图之间的光流图，首先假设对于每相邻两帧气象云图，图中云团运动过程中的光线反射强度在帧间保持恒定，满足公式：

I(x,y,t)≈I(x+dx,y+dy,t+dt)

式中，I(x,y,t)为云图中云团在横坐标x、纵坐标y、时间t处的单个像素光线反射强度，dx为云团的横向运动位移，dy为云团的纵向运动位移，dt为图像帧的时间间隔。其次，对光线反射强度帧间恒定公式进行泰勒展开，并取时间间隔dt近似为0，约简公式得到光流运动方程，其方程公式为：

式中，

和

分别为I、t、x和y的偏导，u为横向光流速度，v为纵向光流速度。然后，对光流运动方程取最小二范数进行优化，并基于拉格朗日乘子引入二阶光流似然函数，得到光流计算求解的目标函数，其函数公式为：

式中，min为最小目标函数，||·||²为二范数函数，λ为拉格朗日乘子。最后，基于梯度下降算法对光流运动的最小目标函数进行优化求解，计算得到每相邻两帧气象卫星云图的光流图。

特征增强模块针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度，计算晴空光伏功率估计值；基于注意力模型，以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入，计算得到动态注意域特征。

首先，获取待预测时刻的日期和时间，基于地外太阳辐射常数H_SC计算光伏电站所在地址该时刻的地表水平面的太阳晴空总辐射H_G，计算公式为：

式中，H_G为地表水平面的太阳晴空总辐射，H_SC为地外太阳辐射常数，n_day为待预测时刻日期，δ_s为待预测时刻日期的太阳赤纬角，ω_s为待预测时刻时间的太阳时角，

为光伏电站地址的纬度角，sin和cos为正弦和余弦函数。其次，构建太阳入射辐射-光伏功率的二阶多项式拟合函数f_poly(·)，根据历史光伏功率包络线P_ENV和历史太阳入射辐射包络线H_ENV求解拟合函数系数，计算光电转换效率：

式中，η_PV为光电转换效率，P_ENV为历史光伏功率包络线，H_ENV为历史太阳入射辐射包络线，f_poly(·)为二阶多项式拟合函数，a、b和c为二阶多项式函数系数。接着，根据计算的光电转换效率η_PV和地表水平面的太阳晴空总辐射H_G计算晴空光伏功率估计值p^*，其计算公式为：

p^*＝η_PVH_i＝η_PVH_G×(cosβ_PV cosZ_s+sinβsinZ_s cosω_s)

式中，p^*为晴空光伏功率估计值，η_PV为光电转换效率，H_i为太阳入射辐射，H_G为地表水平面的太阳晴空总辐射，β_PV、Z_s和ω_s分别为光伏阵列倾斜角、待预测时刻时间的太阳天顶角和太阳时角。然后，将晴空光伏功率估计值p^*、时间t的历史光伏功率P_t和卷积隐层特征

输入注意力模型，输出注意力权值

式中，

为大小n_H×n_H×1、时间t+1的注意力权值，f_AM为注意力模型，

为大小n_H×n_H×n_l的卷积隐层特征，P_t为时间t的历史光伏功率，

为时间t+1的晴空光伏功率估计值，n_H为特征尺寸，n_l为特征通道数。最后，将注意力权值

和卷积隐层特征

进行逐通道乘法运算，计算得到动态注意域特征

式中，

为时间t+1的动态注意域特征，

为逐通道乘法运算符。

解码模块基于冗余循环神经网络模型，将动态注意域特征作为模型输入，输出提前0.5～3小时的功率预测结果，并通过误差指标验证预测结果精度，评估模型的有效性。首先，初始化循环神经网络模型的记忆单元状态c₀和隐含层状态h₀。其次，循环更新模型中冗余解码单元的记忆单元状态和隐含层状态，计算公式为：

式中，c_i、f_i、h_i、i_i、o_i分别为第i个样本的记忆单元状态、遗忘状态、隐含层状态、输入状态和输出值，c_i–1和h_i–1为第i–1个样本的记忆单元状态和隐含层状态，x_i为第i个样本的动态注意域特征输入，W_c和b_c为记忆单元权值和记忆单元偏置，tanh为正切函数。接着，将时间t的隐含层状态h_t、时间t+1的动态注意域特征

时间t的历史光伏功率P_t和时间t+1的晴空光伏功率值

作为输入，输出时间t+1的光伏功率预测值，其计算公式为：

式中，

为时间t+1的光伏功率预测值，σ_o、W_o和b_o为光伏预测的激活函数、权值和偏置。然后，将时间t+1的光伏功率预测值

率回代到计算公式中时间t的历史光伏功率P_t的相应位置，循环输出时间t+2至t+6的光伏功率预测值，每个相邻时刻间隔半小时，完成提前0.5～3小时的光伏功率预测。最后，根据光伏功率预测结果，使用三种误差评价指标，均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对标度误差(MASE)验证预测结果精度，其计算公式分别为：

式中，P_i为第i个样本的光伏功率，

为第i个样本的光伏功率预测值，n_s为测试集样本个数。

实施例

下面详细说明使用本发明中的方法及系统进行风电功率预测的具体实施过程。本发明选取了澳大利亚爱丽丝泉的69.3kW光伏电站，含光伏阵列总计14个，其历史光伏功率采集自2015年至2017年，时间分辨率30分钟。其气象卫星遥感数据接入来自日本气象厅的葵花8号卫星，卫星云图选取光谱频段为0.46～0.65微米，图像中心位置为南纬23.75度、东经133.85度，经纬度空间分辨率1/20度、时间分辨率30分钟。基于此数据集，本发明方法及系统的具体实施步骤如下：

1)构建编码模块，基于Farneback二阶稠密光流算法计算每两帧气象卫星云图之间的光流图，首先假设对于每相邻两帧气象云图，图中云团运动过程中的光线反射强度在帧间保持恒定，满足公式：

I(x,y,t)≈I(x+dx,y+dy,t+dt)

式中，I(x,y,t)为云图中云团在横坐标x、纵坐标y、时间t处的单个像素光线反射强度，dx为云团的横向运动位移，dy为云团的纵向运动位移，dt为图像帧的时间间隔。其次，对光线反射强度帧间恒定公式进行泰勒展开，并取时间间隔dt近似为0，约简公式得到光流运动方程，其方程公式为：

式中，

和

分别为I、t、x和y的偏导，u为横向光流速度，v为纵向光流速度。然后，对光流运动方程取最小二范数进行优化，并基于拉格朗日乘子引入二阶光流似然函数，得到光流计算求解的目标函数，其函数公式为：

式中，min为最小目标函数，||·||²为二范数函数，λ为拉格朗日乘子。最后，基于梯度下降算法对光流运动的最小目标函数进行优化求解，计算得到每相邻两帧气象卫星云图的光流图。如图2所示为使用本发明方法及系统得到的相邻两帧气象卫星云图的光流图计算结果示意图。

将待预测时刻及其之前5个小时内的历史气象卫星云图和光流图按通道合并，形成多通道动态特征图谱；构建二维多通道卷积神经网络模型，以多通道动态特征图谱作为输入，计算得到卷积隐层特征，该模块完整功能实现如图3所示。

2)构建特征增强模块，针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度，计算晴空光伏估计值；基于注意力模型，以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入，计算得到动态注意域特征。该模块完整功能实现如图4所示。首先，获取待预测时刻的日期和时间，基于地外太阳辐射常数H_SC计算光伏电站所在地址该时刻的地表水平面的太阳晴空总辐射H_G，计算公式为：

式中，H_G为地表水平面的太阳晴空总辐射，H_SC为地外太阳辐射常数，n_day为待预测时刻日期，δ_s为待预测时刻日期的太阳赤纬角，ω_s为待预测时刻时间的太阳时角，

为光伏电站地址的纬度角，sin和cos为正弦和余弦函数。其次，构建太阳入射辐射-光伏功率的二阶多项式拟合函数f_poly(·)，根据历史光伏功率包络线P_ENV和历史太阳入射辐射包络线H_ENV求解拟合函数系数，计算光电转换效率：

式中，η_PV为光电转换效率，P_ENV为历史光伏功率包络线，H_ENV为历史太阳入射辐射包络线，f_poly(·)为二阶多项式拟合函数，a、b和c为二阶多项式函数系数。接着，根据计算的光电转换效率η_PV和地表水平面的太阳晴空总辐射H_G计算晴空光伏功率估计值p^*，其计算公式为：

p^*＝η_PVH_i＝η_PVH_G×(cosβ_PV cosZ_s+sinβsinZ_s cosω_s)

式中，p^*为晴空光伏功率估计值，η_PV为光电转换效率，H_i为太阳入射辐射，H_G为地表水平面的太阳晴空总辐射，β_PV、Z_s和ω_s分别为光伏阵列倾斜角、待预测时刻时间的太阳天顶角和太阳时角。然后，将晴空光伏功率估计值p^*、时间t的历史光伏功率P_t和卷积隐层特征

输入注意力模型，输出注意力权值

式中，

为大小n_H×n_H×1、时间t+1的注意力权值，f_AM为注意力模型，

为大小n_H×n_H×n_l的卷积隐层特征，P_t为时间t的历史光伏功率，

为时间t+1的晴空光伏功率估计值，n_H为特征尺寸，n_l为特征通道数。最后，将注意力权值

和卷积隐层特征

进行逐通道乘法运算，计算得到动态注意域特征

式中，

为时间t+1的动态注意域特征，

为逐通道乘法运算符。如图5所示为本发明方法及系统的动态注意域结果示意图。

3)构建解码模块，基于冗余循环神经网络模型，将动态注意域特征作为模型输入，输出提前0.5～3小时的功率预测结果，并通过误差指标验证预测结果精度，评估模型的有效性。该模块完整功能实现如图6所示。首先，初始化循环神经网络模型的记忆单元状态c₀和隐含层状态h₀。其次，循环更新模型中冗余解码单元的记忆单元状态和隐含层状态，计算公式为：

式中，c_i、f_i、h_i、i_i、o_i分别为第i个样本的记忆单元状态、遗忘状态、隐含层状态、输入状态和输出值，c_i–1和h_i–1为第i–1个样本的记忆单元状态和隐含层状态，x_i为第i个样本的动态注意域特征输入，W_c和b_c为记忆单元权值和记忆单元偏置，tanh为正切函数。接着，将时间t的隐含层状态h_t、时间t+1的动态注意域特征

时间t的历史光伏功率P_t和时间t+1的晴空光伏功率值

作为输入，输出时间t+1的光伏功率预测值，其计算公式为：

式中，

为时间t+1的光伏功率预测值，σ_o、W_o和b_o为光伏预测的激活函数、权值和偏置。然后，将时间t+1的光伏功率预测值

回代到计算公式中时间t的历史光伏功率P_t的相应位置，并循环输出时间t+2至t+6的光伏功率预测值，每个相邻时刻间隔半小时，完成提前0.5～3小时的光伏功率预测。最后，根据光伏功率预测结果，使用三种误差评价指标，均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对标度误差(MASE)验证预测结果精度，其计算公式分别为：

式中，P_i为第i个样本的光伏功率，

为第i个样本的光伏功率预测值，n_s为测试集样本个数。

对于澳大利亚爱丽丝泉69.3kW光伏电站，选取2017年数据作为测试样本，满足测试集样本个数n_s＝8760，使用本发明方法及系统计算得到的光伏功率预测误差结果如表1所示。此外，为了直观反映预测误差，如图7展示了使用本发明方法及系统得到的提前0.5小时光伏功率预测曲线。从表1和图7的误差结果可以看出，本发明方法及系统能够准确预测提前0.5小时～3.0小时的光伏功率预测结果，可以满足光伏并网电力系统的超短期预测需求。

表1澳大利亚爱丽丝泉69.3kW光伏电站的2017年光伏功率预测误差

综上，本发明设计的光伏功率预测方法及系统可以实现端到端的超短期多步光伏预测，能够显著提升0.5小时分辨率的光伏功率预测精度；同时该套系统能够直接输出预测结果，无需人工处理图像数据，统能够部署于接入实时卫星遥感数据的光伏电站，提高新型智能光伏电站的自动化和业务化运维水平。由于本发明的预测方法及系统具备较高的预测准确性，其可以更有效地指导光伏并网电力系统的超短期调度和电力市场新能源实时交易，提高电力系统的运行的安全稳定性和经济性。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.针对气象卫星云图动态注意域的光伏功率预测方法，其特征在于：包括如下步骤：

1)基于稠密光流算法计算每两帧气象卫星云图之间的光流图；将待预测时刻及其之前5个小时内的历史气象卫星云图和光流图按通道合并，形成多通道动态特征图谱；

2)构建二维多通道卷积神经网络模型，以多通道动态特征图谱作为输入，计算得到卷积隐层特征；

3)针对待预测时刻的日期和时间估算地表水平面的太阳晴空总辐射强度，计算晴空光伏功率估计值；

4)基于注意力模型，以晴空光伏功率估计值、历史光伏功率和卷积隐层特征作为模型输入，计算得到动态注意域特征；

5)基于冗余循环神经网络模型，将动态注意域特征作为模型输入，输出光伏功率预测值；

6)通过误差评价指标验证预测结果精度，实现光伏电站的发电功率预测功能。

2.根据权利要求1所述的针对气象卫星云图动态注意域的光伏功率预测方法，其特征在于：所述的步骤1)中，所述的气象卫星云图是接入红外光谱频段范围在0.46～0.65微米、纬度范围在北纬60度～南纬60度以内、经度范围在东经80度～东经200度以内、经纬度空间分辨率1/20度、时间分辨率30分钟的地球同步静止气象卫星遥感云图。

3.根据权利要求2所述的针对气象卫星云图动态注意域的光伏功率预测方法，其特征在于：所述的步骤1)中，具体包括如下步骤：

基于Farneback二阶稠密光流算法计算每两帧气象卫星云图之间的光流图，首先假设对于每相邻两帧气象云图，图中云团运动过程中的光线反射强度在帧间保持恒定，满足公式：

I(x,y,t)≈I(x+dx,y+dy,t+dt)

式中，I(x,y,t)为云图中云团在横坐标x、纵坐标y、时间t处的单个像素光线反射强度，dx为云团的横向运动位移，dy为云团的纵向运动位移，dt为图像帧的时间间隔；其次，对光线反射强度帧间恒定公式进行泰勒展开，并取时间间隔dt近似为0，约简公式得到光流运动方程，其方程公式为：

式中，

和

分别为I、t、x和y的偏导，u为横向光流速度，v为纵向光流速度；

然后，对光流运动方程取最小二范数进行优化，并基于拉格朗日乘子引入二阶光流似然函数，得到光流计算求解的目标函数，其函数公式为：

式中，min为最小目标函数，||·||²为二范数函数，λ为拉格朗日乘子；

最后，基于梯度下降算法对光流运动的最小目标函数进行优化求解，计算得到每相邻两帧气象卫星云图的光流图。

4.根据权利要求3所述的针对气象卫星云图动态注意域的光伏功率预测方法，其特征在于：所述的步骤4)中，具体包括如下步骤：

首先，获取待预测时刻的日期和时间，基于地外太阳辐射常数H_SC计算光伏电站所在地址该时刻的地表水平面的太阳晴空总辐射H_G，计算公式为：

式中，H_G为地表水平面的太阳晴空总辐射，H_SC为地外太阳辐射常数，n_day为待预测时刻日期，δ_s为待预测时刻日期的太阳赤纬角，ω_s为待预测时刻时间的太阳时角，

为光伏电站地址的纬度角，sin和cos为正弦和余弦函数；其次，构建太阳入射辐射-光伏功率的二阶多项式拟合函数f_poly(·)，根据历史光伏功率包络线P_ENV和历史太阳入射辐射包络线H_ENV求解拟合函数系数，计算光电转换效率：

式中，η_PV为光电转换效率，P_ENV为历史光伏功率包络线，H_ENV为历史太阳入射辐射包络线，f_poly(·)为二阶多项式拟合函数，a、b和c为二阶多项式函数系数；接着，根据计算的光电转换效率η_PV和地表水平面的太阳晴空总辐射H_G计算晴空光伏功率估计值p^*，其计算公式为：

p^*＝η_PVH_i＝η_PVH_G×(cosβ_PVcosZ_s+sinβsinZ_scosω_s)

式中，p^*为晴空光伏功率估计值，η_PV为光电转换效率，H_i为太阳入射辐射，H_G为地表水平面的太阳晴空总辐射，β_PV、Z_s和ω_s分别为光伏阵列倾斜角、待预测时刻时间的太阳天顶角和太阳时角；

然后，将晴空光伏功率估计值p^*、时间t的历史光伏功率P_t和卷积隐层特征

输入注意力模型，输出注意力权值

式中，

为大小n_H×n_H×1、时间t+1的注意力权值，f_AM为注意力模型，

为大小n_H×n_H×n_l的卷积隐层特征，P_t为时间t的历史光伏功率，

为时间t+1的晴空光伏功率估计值，n_H为特征尺寸，n_l为特征通道数；最后，将注意力权值

和卷积隐层特征

进行逐通道乘法运算，计算得到动态注意域特征

式中，

为时间t+1的动态注意域特征，

为逐通道乘法运算符。

5.根据权利要求4所述的针对气象卫星云图动态注意域的光伏功率预测方法，其特征在于：所述的步骤5)包括如下步骤：

首先，初始化循环神经网络模型的记忆单元状态c₀和隐含层状态h₀；

其次，循环更新模型中冗余解码单元的记忆单元状态和隐含层状态，计算公式为：

式中，c_i、f_i、h_i、i_i、o_i分别为第i个样本的记忆单元状态、遗忘状态、隐含层状态、输入状态和输出值，c_i–1和h_i–1为第i–1个样本的记忆单元状态和隐含层状态，x_i为第i个样本的动态注意域特征输入，W_c和b_c为记忆单元权值和记忆单元偏置，tanh为正切函数；接着，将时间t的隐含层状态h_t、时间t+1的动态注意域特征

时间t的历史光伏功率P_t和时间t+1的晴空光伏功率值

作为输入，输出时间t+1的光伏功率预测值，其计算公式为：

式中，

为时间t+1的光伏功率预测值，σ_o、W_o和b_o为光伏预测的激活函数、权值和偏置；然后，将时间t+1的光伏功率预测值

率回代到计算公式中时间t的历史光伏功率P_t的相应位置，循环输出时间t+2至t+6的光伏功率预测值，每个相邻时刻间隔半小时，完成光伏功率预测。

6.根据权利要求5所述的针对气象卫星云图动态注意域的光伏功率预测方法，其特征在于：所述的步骤6)包括如下步骤：

根据光伏功率预测结果，使用三种误差评价指标，均方根误差RMSE、平均绝对误差MAE和平均绝对标度误差MASE验证预测结果精度，其计算公式分别为：

式中，P_i为第i个样本的光伏功率，

为第i个样本的光伏功率预测值，n_s为测试集样本个数。

Images