CN115935809A - 一种基于地基云图云量特征的光伏发电功率区间预测方法 - Google Patents

Abstract

本发明公开了一种基于地基云图云量特征的光伏发电功率区间预测方法，包括：根据稠密光流算法，提取光伏电站的地基云图的云量特征；根据所述云量特征、所述光伏电站的原始光电数据以及其对应的气象数据，得到输入特征；采用bootstrap方法对所述输入特征进行重采样，得到若干个数据训练样本；基于注意力机制，建立B‑Informer网络区间预测模型；根据所述若干个数据训练样本，训练所述B‑Informer网络区间预测模型，得到光伏发电功率区间的预测结果。本发明通过挖掘地基云图中的信息，有效提高了训练模型精度以及预测区间的准确性，获得的预测区间不仅可以达到置信水平，并且具有更高的区间覆盖率和更窄的预测区间。

Description

一种基于地基云图云量特征的光伏发电功率区间预测方法

技术领域

本发明涉及光伏预测技术领域，具体涉及一种基于地基云图云量特征的光伏发电功率区间预测方法。

背景技术

近年来，国内外学者针对光伏发电功率预测展开了大量的研究。目前，光伏发电功率预测方法可分为物理方法，统计方法和组合方法。其中，物理法是基于数值天气预报NWP(NumericalWeatherPrediction)和太阳辐照度数据进行预测，此类方法的预测精度均有限。统计方法通过运用预测模型，输入变量和被预测值之间的关系，分析光伏发电历史数据和相关因素数据进行统计分析，相较于物理方法，统计方法在短期和超短期光伏发电功率预测上具有更高的精度。

现有技术中的区间预测方法大都是基于历史输出功率或历史辐照度进行区间预测研究，未涉及或充分利用地基云图中的特征，使得预测区间的精度和准确度较差。

发明内容

本发明的目的是为了提供基于地基云图云量特征的光伏发电功率区间预测方法。旨在解决现有技术中未涉及或充分利用地基云图中的特征，使得预测区间的精度和准确度较差的问题。

为达到上述目的，本发明通过以下技术方案实现：

本发明提供了一种基于地基云图云量特征的光伏发电功率区间预测方法，包括：

根据稠密光流算法，提取光伏电站的地基云图的云量特征；

根据所述云量特征、所述光伏电站的原始光电数据以及其对应的气象数据，得到输入特征；

采用bootstrap方法对所述输入特征进行重采样，得到若干个数据训练样本；

基于注意力机制，建立B-Informer网络区间预测模型；

根据所述若干个数据训练样本，训练所述B-Informer网络区间预测模型，得到光伏发电功率区间的预测结果。

优选的，使用所述稠密光流算法对所述地基云图进行处理，将所述地基云图转化为光流图，所述光流图使用不同的颜色和亮度映射光流的大小和方向。

优选的，所述提取光伏电站的地基云图的云量特征，其具体为：对所述光流图的像素点进行遍历并统计数量，其中彩色像素点为云团，得到所述地基云图的云量百分比。

优选的，通过相关性分析对所述云量特征、所述原始光电数据和所述气象数据进行筛选，得到所述输入特征。

优选的，所述B-Informer网络区间预测模型的建立具体包括：

采用Transformer模型作为所述B-Informer网络区间预测模型的骨架，基于所述注意力机制的时序建模方法，对光伏发电功率预测问题进行建模。

优选的，所述采用所述Bootstrap方法进行重采样具体包括：

根据所述原始光电数据中的历史数据集H建立Bootstrap样本，对所述Bootstrap样本按照有放回的方法，独立的抽取容量为M的样本集，重复N次抽取过程，得到所述若干个数据训练样本，所述若干个数据训练样本为N个容量为M的Bootstrap样本集。

优选的，根据所述若干个数据训练样本，训练所述B-Informer网络区间预测模型，得到光伏发电功率区间的预测结果，其具体为：

对每一所述Boostrap样本集进行点预测建模，得到N个预测模型；

分别对N个所述预测模型进行预测，获得预测序列L；

通过百分位数区间估计法对所述预测序列L进行估计，得到所述预测结果。

优选的，根据所述云量特征、所述光伏电站的原始光电数据以及对应的气象数据，得到输入特征，其具体为：

对所述地基云图、所述原始光电数据和所述气象数据进行数据筛选和预处理，得到样本数据，按照预定的比例将所述样本数据分为训练集、验证集和测试集。

优选的，输入所述验证集和所述测试集至所述B-Informer网络区间预测模型，获取给定置信度下的所述预测结果。

优选的，还包括：通过区间预测覆盖率、预测区间平均宽度和覆盖宽度的标准，对所述预测结果进行评价。

与现有技术相比，本发明具有以下有益效果：

本发明通过挖掘地基云图中的信息，有效提高了训练模型精度以及预测区间的准确性，将Informer模型与Bootstrap方法结合，提出了B-Informer区间预测模型，使得获得的预测区间不仅可以达到置信水平，并且具有更高的区间覆盖率和更窄的预测区间。

附图说明

为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，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：

图1为本发明一实施例提供的基于地基云图云量特征的光伏发电功率区间预测方法的流程图；

图2为本发明一实施例提供的基于地基云图云量特征的光伏发电功率区间预测方法的B-Informer预测模型结构示意图。

具体实施方式

以下结合附图1和图2和具体实施方式对本发明提出的基于地基云图云量特征的光伏发电功率区间预测方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

鉴于现有技术中未涉及或充分利用地基云图中的特征，使得预测区间的精度和准确度较差的问题。

如图1所示，本实施例提供了一种基于地基云图云量特征的光伏发电功率区间预测方法，包括：

步骤S1：根据稠密光流算法，提取光伏电站的地基云图的云量特征。

使用所述稠密光流算法对所述地基云图进行处理，将所述地基云图转化为光流图，所述光流图使用不同的颜色和亮度映射光流的大小和方向。所述提取光伏电站的地基云图的云量特征，其具体为：对所述光流图的像素点进行遍历并统计数量，其中彩色像素点为云团，得到所述地基云图的云量百分比。

步骤S2：根据所述云量特征、所述光伏电站的原始光电数据以及其对应的气象数据，得到输入特征。

通过相关性分析对所述云量特征、所述原始光电数据和所述气象数据进行筛选，得到所述输入特征。

对所述地基云图、所述原始光电数据和所述气象数据进行数据筛选和预处理，得到样本数据，按照预定的比例将所述样本数据分为训练集、验证集和测试集。

步骤S3：采用bootstrap方法对所述输入特征进行重采样，得到若干个数据训练样本。根据所述原始光电数据中的历史数据集H建立Bootstrap样本，对所述Bootstrap样本按照有放回的方法，独立的抽取容量为M的样本集，重复N次抽取过程，得到所述若干个数据训练样本，所述若干个数据训练样本为N个容量为M的Bootstrap样本集。

步骤S4：基于注意力机制，建立B-Informer网络区间预测模型。所述B-Informer网络区间预测模型为结合bootstrap方法和Informer模型建立的区间预测模型。

采用Transformer模型作为所述B-Informer网络区间预测模型的骨架，基于所述注意力机制的时序建模方法，对光伏发电功率预测问题进行建模。

步骤S5：根据所述若干个数据训练样本，训练所述B-Informer网络区间预测模型，得到光伏发电功率区间的预测结果。

对每一所述Boostrap样本集进行点预测建模，得到N个预测模型；分别对N个所述预测模型进行预测，获得预测序列L；通过百分位数区间估计法对所述预测序列L进行估计，得到所述预测结果。

输入所述验证集和所述测试集至所述B-Informer网络区间预测模型，获取给定置信度下的所述预测结果。

步骤S6：通过区间预测覆盖率、预测区间平均宽度和覆盖宽度的标准，对所述预测结果进行评价。

本实施例中，以某光伏电站某年的采样数据为原始光电数据，采样周期为15min。去除重复点和明显异常点，剩余有效数据点数为34275个，按照比例划分为训练集数据点23801个，验证集数据点3485个以及测试集数据点6989个，按照一定的比例将样本分为训练集、验证集和测试集。

使用光流算法对地基云图进行处理，挖掘云图中的特征信息作为光伏发电功率预测模型的输入特征。将地基云图转化为光流图，光流图使用不同的颜色和亮度映射光流的大小和方向。

通过对光流图像的像素点进行遍历并统计数量，其中彩色像素点为云团，可得出地基云图的云量百分比(PercentageCloudCover，PCC)，如下式(1)所示：

其中，N_cloud表示光流图中彩色像素点的数量，N_sky表示光流图中黑色像素点的数量。

预测模型的输入特征过多或选择不当，会发生过度拟合现象，降低预测模型性能使预测误差增大。在电站的采样数据中，共有二十余种输入特征，通过相关性分析最终选择12种输入特征，包含历史发电功率，气象特征数据以及本文通过云图获取的云量百分比PCC，本实施例中具体的输入特征种类如下述表1所示。

表1

针对光电功率的随机性和突变性，采用bootstrap对数据样本进行重采样，得到多个数据训练样本。

构建Informer时间序列预测模型，通过Informer时间序列预测模型的点预测结果调整模型参数到最优。

通过样本训练模型，并输入验证集和测试集，通过百分比自助法获取给定置信度下的区间预测结果。

下述表2为未加入PCC和本实施例中加入了PCC后不同参数下模型预测指标统计。其中，trainepoch表示训练步数，iters表示，MAE表示平均绝对误差，RMSE表示均方根误差。

表2

通过区间预测覆盖率(PICP)、预测区间平均宽度(MPIW)以及覆盖宽度的标准(coveragewidth-basedcriterion，CWC)评价区间预测结果，分别采用Bootstrap与RNN(RecurrentNeuralNetwor，循环神经网络)组合预测方法、Bootstrap与PSO(ParticleSwarmOptimization,粒子群优化算法)参数寻优的LUBE(LowerUpperBoundEstimation，上下界估计)组合预测方法做对比实验，实验结果下述表3和表4所示。表3为各算法在不同置信水平下的性能指标比较。表4为各算法在不同置信水平下的标准差(Std_dev)、标准误差(Std_err)及CWC比较。

由表3结果可知，本实施例的方法在85％置信水平下，平均预测区间宽度分别缩小25.4％和23.4％。在90％置信水平下，平均预测区间宽度分别缩小27％和19.7％。在同一组合预测方法下，PICP和MPIW会随着置信水平的提高增大。在相同置信水平下，本实施例的组合预测方法具有更高的区间覆盖率和更窄的平均预测区间宽度。

表3

由表4结果可知，在三种组合预测方法中，本实施例的组合预测方法的区间覆盖率和平均预测区间宽度指标均具有更低的标准差和标准误差。且在两种置信水平下，本文方法CWC值均为最低。上述结果表明本实施例的方法能够有效的预测波动较大的光伏发电功率，且实现的预测区间具有更高的可靠性和准确度，为电网的长期安全运行提供有效指导信息。

表4

将PCC参数作为控制变量训练Informer预测模型，默认学习率为0.001，trainepoch为12，iters为700。当学习率为0.0001，trainepoch为8，iters为700时加入PCC参数，模型的MAE和RMSE分别减小了46％、37％；当学习率为0.001，trainepoch为12，iters为700时加入PCC参数，模型的MAE和RMSE分别减小了27％、19％。

综上所述，从预测的角度来看，在光伏发电站运行中，天空中云团的大小、运动速度和运动方向因素均会对光伏发电系统接收太阳辐照产生不同程度的影响，从而导致光伏发电功率产生波动。云团与光伏发电功率或辐射度的相关性极高，本实施例中通过挖掘地基云图中的信息能够有效提高训练模型精度以及预测区间的准确性。考虑到光伏发电的时间序列特性和Bootstrap方法无需假设样本分布的优势，将Informer模型与Bootstrap方法结合，提出了B-Informer区间预测模型，本实施例中所述的基于地基云图云量特征的光伏发电功率区间预测方法得到的预测区间不仅可以达到置信水平，并且具有更高的区间覆盖率和更窄的预测区间。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，包括：

根据稠密光流算法，提取光伏电站的地基云图的云量特征；

根据所述云量特征、所述光伏电站的原始光电数据以及其对应的气象数据，得到输入特征；

采用bootstrap方法对所述输入特征进行重采样，得到若干个数据训练样本；

基于注意力机制，建立B-Informer网络区间预测模型；

根据所述若干个数据训练样本，训练所述B-Informer网络区间预测模型，得到光伏发电功率区间的预测结果。

2.如权利要求1所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，使用所述稠密光流算法对所述地基云图进行处理，将所述地基云图转化为光流图，所述光流图使用不同的颜色和亮度以映射光流的大小和方向。

3.如权利要求2所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，所述提取光伏电站的地基云图的云量特征，其具体为：对所述光流图的像素点进行遍历并统计数量，得到所述地基云图的云量百分比。

4.如权利要求3所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，通过相关性分析对所述云量特征、所述原始光电数据和所述气象数据进行筛选，得到所述输入特征。

5.如权利要求4所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，所述B-Informer网络区间预测模型的建立具体包括：

采用Transformer模型作为所述B-Informer网络区间预测模型的骨架，基于所述注意力机制的时序建模方法，对光伏发电功率预测问题进行建模。

6.如权利要求5所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，所述采用所述Bootstrap方法进行重采样具体包括：

根据所述原始光电数据中的历史数据集H建立Bootstrap样本，对所述Bootstrap样本按照有放回的方法，独立的抽取容量为M的样本集，重复N次抽取过程，得到所述若干个数据训练样本，所述若干个数据训练样本为N个容量为M的Bootstrap样本集。

7.如权利要求6所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，根据所述若干个数据训练样本，训练所述B-Informer网络区间预测模型，得到光伏发电功率区间的预测结果，其具体为：

对每一所述Boostrap样本集进行点预测建模，得到N个预测模型；

分别对N个所述预测模型进行预测，获得预测序列L；

通过百分位数区间估计法对所述预测序列L进行估计，得到所述预测结果。

8.如权利要求7所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，根据所述云量特征、所述光伏电站的原始光电数据以及对应的气象数据，得到输入特征，其具体为：

对所述地基云图、所述原始光电数据和所述气象数据进行数据筛选和预处理，得到样本数据，按照预定的比例将所述样本数据分为训练集、验证集和测试集。

9.如权利要求8所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，输入所述验证集和所述测试集至所述B-Informer网络区间预测模型，获取给定置信度下的所述预测结果。

10.如权利要求9所述的基于地基云图云量特征的光伏发电功率区间预测方法，其特征在于，还包括：通过区间预测覆盖率、预测区间平均宽度和覆盖宽度的标准，对所述预测结果进行评价。

Images