CN116777066A - 基于地基云图引导深度分解的光伏功率概率预测方法及装置 - Google Patents
基于地基云图引导深度分解的光伏功率概率预测方法及装置 Download PDFInfo
- Publication number
- CN116777066A CN116777066A CN202310756434.3A CN202310756434A CN116777066A CN 116777066 A CN116777066 A CN 116777066A CN 202310756434 A CN202310756434 A CN 202310756434A CN 116777066 A CN116777066 A CN 116777066A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- prediction
- cloud
- emb
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 46
- 230000000737 periodic effect Effects 0.000 claims abstract description 47
- 238000005096 rolling process Methods 0.000 claims abstract description 11
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 40
- 230000007246 mechanism Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 238000005311 autocorrelation function Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于地基云图引导深度分解的光伏功率概率预测方法及装置,属于新能源开发和利用技术领域。所述方法包括:云图引导分解阶段:首先对原始地基云图流分别实施通道注意力和空间注意力,得到云图特征编码,其次应用云图导向深度分解方法,分解得到光伏功率趋势分量和周期分量;基于密度的预测场景辨识阶段:通过半监督聚类方法对隐特征进行聚类,得到光伏功率场景辨识信息;灵活场景求解阶段:采用滚动采样‑预测结构,通过分位数回归‑混合高斯模型得到高分辨率的光伏功率概率预测结果。本发明可应用于部署全天空成像仪的光伏电站,获得高精度超短期光伏功率概率预测结果,满足电网监控与经济安全调控的需求。
Description
技术领域
本发明涉及可再生能源开发利用技术领域,具体涉及一种基于地基云图引导深度分解的超短期光伏功率概率预测方法及装置。
背景技术
在应对全球气候变化与实现全球经济社会可持续发展方面,含新能源的智能电网的建设正扮演越来越重要的作用。太阳能发电作为一种无污染、低维护成本、高耐用性的可再生能源发电形式,在国际社会得到了普遍关注。
气象条件不确定性导致日内光伏功率出现显著性波动,影响电网安全稳定调度,进而限制了光伏功率大规模的并网使用。因此,有必要对日内光伏功率进行高精度概率预测,进而为电网实时调度决策提供基础数据支撑,提高电网安全稳定运行水平。
光伏功率概率预测技术的准确性取决于预测模型的输入数据。常规的基于历史太阳辐射与数值天气预报数据的预测模型受到数据精度与算法原理的制约,难以反映光伏功率在超短期时间尺度(30分钟以内)光伏功率的随机波动情况,限制了概率预测准确性的进一步提高。而基于地基云图的预测模型能够通过反映云团运动对太阳的遮挡情况,准确预测光伏功率的爬坡或跌落情况,在超短期光伏功率预测领域展现出了客观的发展潜力。
因此,发展基于地基云图的光伏功率概率预测技术,是当前可再生能源利用的难点。
发明内容
发明目的:本发明的目是提供一种基于地基云图引导深度分解的光伏功率概率预测方法及装置,提高光伏功率概率预测精度和效率。
技术方案:为了实现上述发明目的,本发明提出的基于地基云图引导深度分解的光伏功率概率预测方法,包括以下步骤:
(1)对原始地基云图I实施通道注意力和空间注意力机制,得到云图特征编码对云图特征编码/>和历史光伏功率{χt-d+1,...,χt}实施词嵌入操作,将词嵌入后的云图特征编码Iemb和历史光伏功率χemb作为输入,实施云图特征导向的深度分解方法,将历史光伏功率分解为趋势分量χtr和周期分量χsea,并对分解得到的周期分量应用周期自相关机制提升其时序周期依赖,其中d为历史云图流步长;
(2)基于深度分解得到的趋势分量和周期分量,通过半监督基于密度的空间聚类划分预测场景,并引入训练参数优化聚类性能;
(3)利用光伏功率预测场景辨识结果,应用改进分位数回归采样光伏功率预测值分布,并通过混合高斯分布计算预测概率密度函数,采用滚动采样-预测方法得到多步光伏功率概率预测结果。
进一步地,所述云图特征导向的深度分解方法包括:
基于词嵌入后的光伏序列和地基云图流编码,应用跨模态注意力机制得到地基云图引导下的光伏功率隐特征Hcorr:
式中,χemb表示词嵌入后的光伏序列,Iemb,h表示第h个词嵌入后的地基云图编码切片,fsoftmax为softmax激活函数,⊙是按位乘法,是按通道乘法;N=H×W表示词嵌入后的地基云图切片的维数;
通过滑动平均机制得到均值为0的周期性分量,χemb中剥离周期性分量的部分即为趋势分量:
式中,fAvgpool是平均池化操作,fpadding是为了确保特征向量不形变的补零操作。
进一步地,通道注意力和时序注意力机制表示为:
式中,ΦCA和ΦTA分别为通道注意力和时序注意力机制,为输入地基云图流,d为历史云图流步长,H和W分别为云图流的高、宽分辨率,C为云图流的通道数,fGAP为全局平均池化操作,fconv为卷积操作,输出/>即为地基云图特征编码。
进一步地,云图编码词嵌入结果为光伏序列词嵌入结果为χemb=femb({χt-d+1,...,χt}),词嵌入操作定义为:
femb:χin→χout
χout=α(Wembχin+bemb)⊙(1+Wpos)
式中,α是激活函数,Wemb和bemb是待训练的权重和偏置,Wpos是位置编码,χin和χemb分别为词嵌入输入向量和输出向量。
进一步地,对周期分量应用周期自相关机制包括:
应用自相关函数计算原始序列之间的时序依赖:
式中,反映子序列χt和χt-τ之间的相似性;
通过采样{τ1,...,τk}得到多步自相关函数选取前k个值聚合多步自相关函数,通过可变周期间隔自适应聚合各个子序列的时间依赖,因此自相关机制表示为:
fAuto-Corr:Q,K,V→HAuto-Corr
式中,Q、K和V是为了特征表示丰富性而引入的质询向量、键向量和值向量,通过设置质询、键、值向量均为χsea的自相关机制得到增强后的周期分量;Roll(V,τ)={V-τ+1:||V-d+1:-τ}表示由τ重构的质询向量V,用于表征质询向量的时移特性。
进一步地,通过半监督基于密度的空间聚类划分预测场景包括:
场景辨识流程表示为:
式中,frec(·)为基于密度半监督聚类的场景辨识函数,为得到的预测场景信息,nc为场景数目,frec(·)是仅关于密度搜索距离∈和最小邻接密度点数目nM的映射函数;具体的场景辨识流程如下:首先,计待聚类数据点θ以半径为∈的邻域内点的数目为|N∈(θ)|,选取邻域内点数目不少于nM的点作为核心初始化点,其邻域内的所有点视作“密度可达”;接着,对邻域内所有满足|N∈(θ)|≥nM的点作为核心初始化点进行基于密度的搜寻,直到找到所有“密度可达”的点,作为一个辨识得到的类别;最后,在此类别外寻找一个新的核心初始化点展开搜寻,直到找到所有基于密度相连的类别,并将剩余的点标记为噪声点。
进一步地,通过训练过程优化变量∈和nM,采用一致性(compactness,CP)和区分性(separation,SP)指标建立衡量聚类结果的损失函数:
式中,|·|是计算属于某一场景的数目,表示某场景内样本均值中心,λs表示均衡因子。
进一步地,采用滚动采样-预测方法得到多步光伏功率概率预测结果包括:
根据云图引导分解结果,实施半监督基于密度聚类方法,辨识光伏功率预测场景
聚合同簇的周期分量和趋势分量,基于周期自相关机制和多层感知机函数得到周期分量和趋势分量预测值:
其中,fMLP表示多层感知机,χG表示估算的晴空光伏功率,光伏功率预测值即为预测得到的周期分量和趋势分量之和;
通过改进的分位数回归算法采样光伏功率预测值各分位数点:
其中,τq为分位数分段函数,ε为阈值,q∈[0.01,0.99]是分位数采样,ns为样本总数目,yi和分别为第i个光伏功率实测和预测值;
基于高斯混合模型拟合采样得到的光伏功率预测值分位数点,得到光伏功率预测值概率密度函数,作为光伏功率概率预测输出结果:
其中,φ(·)是由参数决定的高斯分布,αk为各个高斯分布的权重,且∑kαk=1,K是设置的高斯分布的数目。
本发明还提供一种基于地基云图引导深度分解的光伏功率概率预测装置,包括:
地基云图引导分解模块,对原始地基云图I实施通道注意力和空间注意力机制,得到云图特征编码对云图特征编码/>和历史光伏功率{χt-d+1,...,χt}实施词嵌入操作,将词嵌入后的云图特征编码Iemb和历史光伏功率χemb作为输入,实施云图特征导向的深度分解方法,将历史光伏功率分解为趋势分量χtr和周期分量χsea,并对分解得到的周期分量应用周期自相关机制提升其时序周期依赖,其中d为历史云图流步长;
基于密度的半监督预测场景辨识模块,基于深度分解得到的趋势分量和周期分量,通过半监督基于密度的空间聚类划分预测场景,并引入训练参数优化聚类性能;
灵活场景自适应解码模块,利用光伏功率预测场景辨识结果,应用改进分位数回归采样光伏功率预测值分布,并通过混合高斯分布计算预测概率密度函数,采用滚动采样-预测方法得到多步光伏功率概率预测结果。
本发明还提供一种计算机设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如上所述的基于地基云图引导深度分解的光伏功率概率预测方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于地基云图引导深度分解的光伏功率概率预测方法的步骤。
有益效果:
(1)本发明基于地基云图导向深度分解的超短期光伏功率概率预测方法,有效根据地基云图流关键特征,对历史光伏序列实施自适应的深度分解机制,确保充分提取历史光伏序列的隐含时序特性;
(2)本发明采用半监督基于密度的聚类方法辨识预测场景,通过改进分位数回归-高斯混合模型推算光伏功率预测值的概率密度函数,进而通过滚动采样-预测方法得到光伏功率多步概率预测结果;
(3)本发明提供提前5~30分钟的光伏功率概率预测结果,贴合电网经济安全调度实际,可应用于部署全天空成像仪的光伏电站,提升太阳能资源利用水平,缓解光伏功率随机性与波动性对电网的冲击,满足电网经济安全调控的需求,具有良好的社会效益和经济效益。
附图说明
图1为本发明的光伏功率概率预测方法流程图;
图2为本发明提出的地基云图导向深度分解方法的示意图;
图3为本发明采用的多头自相关机制的示意图;
图4为本发明采用的基于密度的预测场景辨识方法;
图5为本发明实施例中地基云图引导光伏功率序列分解的效果图;
图6为本发明实施例中预测场景辨识结果;
图7为本发明实施例中光伏功率概率预测的展示图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1,本发明提出一种基于地基云图引导深度分解的光伏功率概率预测方法,主要包含三个阶段:(1)地基云图引导分解,(2)基于密度的半监督预测场景辨识,(3)灵活场景自适应解码。在地基云图引导分解阶段,根据原始地基云图得到云图特征编码,再基于云图特征编码和历史光伏功率通过云图特征导向的深度分解方法,将历史光伏功率分解为趋势分量和周期分量。在基于密度的半监督预测场景辨识阶段,基于深度分解得到的隐特征(趋势分量和周期分量)通过半监督基于密度的空间聚类划分预测场景。在灵活场景自适应解码阶段,利用光伏功率预测场景辨识结果,应用改进分位数回归采样光伏功率预测值分布,并通过混合高斯分布计算预测概率密度函数,采用滚动采样-预测方法得到多步光伏功率概率预测结果。
参照图2,地基云图引导分解阶段包括三个步骤:(1.1)提取地基云图流的时空特性,(1.2)实施地基云图引导注意力,(1.3)利用自相关机制提升周期分量周期依赖特性。
(1.1)为了充分提取地基云图流的时空特性,对地基云图流采用通道注意力(channel attention,CA)和时序注意力(temporal attention,TA):
式中,为输入地基云图流,d为历史云图流步长,H和W分别为云图流的高、宽分辨率,C为云图流的通道数。fGAP为全局平均池化操作,fconv为卷积操作。/>表示按通道乘法。ΦCA(I)表示对输入地基云图流I实施通道注意力机制,ΦTA(I)表示对输入地基云图流I实施时序注意力机制,输出/>即为地基云图特征编码。
为了特征表示的丰富性,分别对地基云图编码和输入历史光伏功率{χt-d+1,...,χt}实施词嵌入操作,得到云图编码词嵌入结果/>和光伏序列词嵌入结果χemb=femb({χt-d+1,...,χt})。其中词嵌入操作定义为:
femb:χin→χout
χout=α(Wembχin+bemb)⊙(1+Wpos)
式中,α是激活函数,Wemb和bemb是待训练的权重和偏置,Wpos是位置编码,⊙是按位乘法。χin和χemb分别为词嵌入输入向量和输出向量。
(1.2)为了进一步探究地基云图不确定性和光伏序列波动的影响,基于词嵌入后的光伏序列和地基云图流编码,应用跨模态注意力机制得到地基云图引导下的光伏功率隐特征Hcorr:
式中,χemb表示词嵌入后的光伏序列,Iemb,h表示第h个词嵌入后的地基云图编码切片,fsoftmax为softmax激活函数,⊙是按位乘法。N=H×W表示词嵌入后的地基云图切片的维数。
通过滑动平均机制得到均值为0的周期性分量χsea,χemb中剥离周期性分量的部分即为趋势分量χtr:
式中,fAvgpool是平均池化操作,fpadding是为了确保特征向量不形变的补零操作。
(1.3)如图3所示,为了提升分解得到的周期分量的周期性依赖,采用序列自相关机制,确保周期分量充分反映原始光伏序列的周期波动特性,具体包括两部分:计算光伏功率周期时序依赖,以及通过可变时间间隔聚合周期特征。首先,应用自相关函数计算原始序列之间的时序依赖:
式中,反映子序列χt和χt-τ之间的相似性。因此,可以通过采样{τ1,...,τk}得到多步自相关函数/>
其次,考虑到模型的复杂度,采用快速傅里叶变换来计算自相关函数,提升其计算高效性:
式中,F(·)为快速傅里叶变换,F-1(·)为其逆函数,Sχχ(·)为特征在频域的表示。
最后,通过可变时间间隔聚合周期特征。首先,选取前k个值聚合多步自相关函数,从而反映从原始光伏各个子序列的周期特性。接着通过可变周期间隔自适应聚合各个子序列的时间依赖。因此,自相关机制可表示为:
fAuto-Corr:Q,K,V→HAuto-Corr
式中,Q、K和V是为了特征表示丰富性而引入的质询向量、键向量和值向量。最后通过设置质询、键、值向量均为χsea的自相关机制得到增强后的周期分量。Roll(V,τ)={V-τ+1:||V-d+1:-τ}表示由τ重构的质询向量V,用于表征质询向量的时移特性。
(2)基于密度的半监督预测场景辨识方法包括两个阶段,基于密度的预测场景划分,以及反向参数传播路径,如图4所示。
(2.1)为了提升预测模型对于不同场景的适应性,利用深度分解得到的隐特征[χsea,χtr],采用基于密度的半监督聚类方法辨识光伏功率预测场景。其辨识流程可表示为:
式中,frec(·)为基于密度半监督聚类的场景辨识函数,为得到的预测场景信息,nc为场景数目。frec(·)是仅关于密度搜索距离∈和最小邻接密度点数目nM的映射函数。具体的场景辨识流程表述如下。首先,计聚类中的数据点θ以半径为∈的邻域内点的数目为|N∈(θ)|,选取邻域内点数目不少于nM的点作为核心初始化点,其邻域内的所有点视作“密度可达”;接着,对邻域内所有满足|N∈(θ)|≥nM的点作为核心初始化点进行基于密度的搜寻,直到找到所有“密度可达”的点,作为一个辨识得到的类别;最后,在此类别外寻找一个新的核心初始化点展开搜寻,直到找到所有基于密度相连的类别,并将剩余的点标记为噪声点。
(2.2)为了使得模型训练考虑预测场景辨识性能,进而增强预测模型的可解释性和泛化性,通过训练过程优化变量∈和nM,采用一致性(compactness,CP)和区分性(separation,SP)指标建立衡量聚类结果的损失函数,进而建立用于参数优化的反向传播路径:
式中,|·|是计算属于某一场景的数目,表示某场景内样本均值中心,λs表示均衡因子。
(3)灵活场景自适应解码器利用所述步骤(1)的地基云图引导分解结果,以及所述步骤(2)的基于密度的半监督预测场景划分结果以及损失函数,考虑光伏功率多步概率预测需求以及多步预测累计误差问题,设计滚动采样-预测方法实现光伏功率多步概率预测。
(3.1)根据云图引导分解历史光伏序列得到的趋势分量和周期分量,实施基于密度半监督场景划分方法,辨识得到光伏功率预测场景并建立考虑聚类效果的损失函数/>
(3.2)聚合同一预测场景的周期分量和趋势分量,基于周期自相关机制和多层感知机函数得到周期分量和趋势分量单步预测结果:
其中,fMLP表示多层感知机,χG表示估算的晴空光伏功率。光伏功率预测值即为预测得到的周期分量和趋势分量之和。
(3.3)考虑融合半监督聚类性能,通过改进的分位数回归算法采样光伏功率预测值各分位数点:
其中,τq为分位数分段函数,ε为较小的阈值,q∈[0.01,0.99]是分位数采样。ns为样本总数目,yi和分别为第i个光伏功率实测和预测值。
基于高斯混合模型拟合采样得到的光伏功率预测值分位数点,得到光伏功率预测值概率密度函数,作为光伏功率概率预测输出结果。
其中,φ(·)是由参数决定的高斯分布,αk为各个高斯分布的权重,且kαk=1,K是设置的高斯分布的数目。
最后,根据光伏功率多步概率预测结果,采用两种误差分析评估指标评估模型的预测性能,分别是预测区间平均标准带宽PINAW、预测区间覆盖率PICP,表述如下:
其中,Pi u和Pi l分别为第i个光伏功率预测区间的上界和下界,Yi为第i个光伏功率实测值。
本发明选取了斯坦福大学地球与能源解决中心提供的数据集。地基云图由ASI-16全天空成像仪拍摄,时间分辨率为10分钟。光伏功率数据的测量时间分辨率为1分钟。
对于斯坦福大学的数据集,选取2017年6月-2019年12月的数据为训练样本,2020年1月-2020年12月的数据为测试样本,使用本发明得到的提前5分钟到30分钟的光伏功率概率预测误差如表1和表2所示。此外,为了直观反映预测效果,图5展示了使用本发明方法得到的历史光伏序列深度分解结果,图6展示了使用本发明方法得到的预测场景辨识结果,而图7展示了使用本发明方法得到的提前30分钟的光伏功率概率预测结果。从表1,表2,图6,图7可以看出,本发明的方法能够准确预测提前5分钟到30分钟的光伏功率,满足支撑光伏接入的新能源电网的实时监控与调度需求。
表1基于斯坦福地基云图和光伏功率数据集的测试样本预测区间平均带宽
表2基于斯坦福地基云图和光伏功率数据集的测试样本预测区间覆盖率
综上,本发明设计的地基云图引导深度分解的光伏功率概率预测方法,能够显著提升提前5分钟至30分钟的光伏功率概率预测精度。本发明可应用于部署全天空成像仪的光伏电站,指导电网调控部门根据光伏功率概率预测结果,调整发电计划,降低备用容量,满足电网监控与经济安全调控的需求。
基于与方法实施例相同的技术构思,本发明还提供一种基于地基云图引导深度分解的光伏功率概率预测装置,包括:
地基云图引导分解模块,对原始地基云图I实施通道注意力和空间注意力机制,得到云图特征编码对云图特征编码/>和历史光伏功率{χt-d+1,...,χt}实施词嵌入操作,将词嵌入后的云图特征编码Iemb和历史光伏功率χemb作为输入,实施云图特征导向的深度分解方法,将历史光伏功率分解为趋势分量χtr和周期分量χsea,并对分解得到的周期分量应用周期自相关机制提升其时序周期依赖,其中d为历史云图流步长;
基于密度的半监督预测场景辨识模块,基于深度分解得到的趋势分量和周期分量,通过半监督基于密度的空间聚类划分预测场景,并引入训练参数优化聚类性能;
灵活场景自适应解码模块,利用光伏功率预测场景辨识结果,应用改进分位数回归采样光伏功率预测值分布,并通过混合高斯分布计算预测概率密度函数,采用滚动采样-预测方法得到多步光伏功率概率预测结果。
应当理解,本发明实施例中的基于地基云图引导深度分解的光伏功率概率预测装置可以实现上述方法实施例中的全部技术方案,其各个功能模块的功能可以根据上述方法实施例中的方法具体实现,其具体实现过程可参照上述实施例中的相关描述,此处不再赘述。
本发明还提供一种计算机设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如上所述的基于地基云图引导深度分解的光伏功率概率预测方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于地基云图引导深度分解的光伏功率概率预测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、计算机设备或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程以及流程图中的流程的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
Claims (10)
1.一种基于地基云图引导深度分解的光伏功率概率预测方法,其特征在于,包括以下步骤:
(1)对原始地基云图I实施通道注意力和空间注意力机制,得到云图特征编码对云图特征编码/>和历史光伏功率{χt-d+1,...,χt}实施词嵌入操作,将词嵌入后的云图特征编码Iemb和历史光伏功率χemb作为输入,实施云图特征导向的深度分解方法,将历史光伏功率分解为趋势分量χtr和周期分量χsea,并对分解得到的周期分量应用周期自相关机制提升其时序周期依赖,其中d为历史云图流步长;
(2)基于深度分解得到的趋势分量和周期分量,通过半监督基于密度的空间聚类划分预测场景,并引入训练参数优化聚类性能;
(3)利用光伏功率预测场景辨识结果,应用改进分位数回归采样光伏功率预测值分布,并通过混合高斯分布计算预测概率密度函数,采用滚动采样-预测方法得到多步光伏功率概率预测结果。
2.根据权利要求1所述的方法,其特征在于,所述云图特征导向的深度分解方法包括:
基于词嵌入后的光伏序列和地基云图流编码,应用跨模态注意力机制得到地基云图引导下的光伏功率隐特征Hcorr:
式中,χemb表示词嵌入后的光伏序列,Iemb,h表示第h个词嵌入后的地基云图编码切片,fsoftmax为softmax激活函数,⊙是按位乘法,是按通道乘法;N=H×W表示词嵌入后的地基云图切片的维数;
通过滑动平均机制得到均值为0的周期性分量,χemb中剥离周期性分量的部分即为趋势分量:
式中,fAvgpool是平均池化操作,fpadding是为了确保特征向量不形变的补零操作。
3.根据权利要求1所述的方法,其特征在于,通道注意力和时序注意力机制表示为:
式中,ΦCA和ΦTA分别为通道注意力和时序注意力机制,为输入地基云图流,d为历史云图流步长,H和W分别为云图流的高、宽分辨率,C为云图流的通道数,fGAP为全局平均池化操作,fconv为卷积操作,输出/>即为地基云图特征编码。
4.根据权利要求1所述的方法,其特征在于,云图编码词嵌入结果为光伏序列词嵌入结果为χemb=femb({χt-d+1,...,χt}),词嵌入操作定义为:
femb:χin→χout
χout=α(Wembχin+bemb)⊙(1+Wpos)
式中,α是激活函数,Wemb和bemb是待训练的权重和偏置,Wpos是位置编码,χin和χemb分别为词嵌入输入向量和输出向量。
5.根据权利要求1所述的方法,其特征在于,对周期分量应用周期自相关机制包括:
应用自相关函数计算原始序列之间的时序依赖:
式中,反映子序列χt和χt-τ之间的相似性;
通过采样{τ1,...,τk}得到多步自相关函数选取前k个值聚合多步自相关函数,通过可变周期间隔自适应聚合各个子序列的时间依赖,因此自相关机制表示为:
fAuto-Corr:Q,K,V→HAuto-Corr
式中,Q、K和V是为了特征表示丰富性而引入的质询向量、键向量和值向量,通过设置质询、键、值向量均为χsea的自相关机制得到增强后的周期分量;Roll(V,τ)={V-τ+1:||V-d+1:-τ}表示由τ重构的质询向量V,用于表征质询向量的时移特性。
6.根据权利要求1所述的方法,其特征在于,通过半监督基于密度的空间聚类划分预测场景包括:
场景辨识流程表示为:式中,frec(·)为基于密度半监督聚类的场景辨识函数,/>为得到的预测场景信息,nc为场景数目,frec(·)是仅关于密度搜索距离∈和最小邻接密度点数目nM的映射函数;具体的场景辨识流程如下:首先,计聚类中的数据点θ以半径为∈的邻域内点的数目为|N∈(θ)|,选取邻域内点数目不少于nM的点作为核心初始化点,其邻域内的所有点视作“密度可达”;接着,对邻域内所有满足|N∈(θ)|≥nM的点作为核心初始化点进行基于密度的搜寻,直到找到所有“密度可达”的点,作为一个辨识得到的类别;最后,在此类别外寻找一个新的核心初始化点展开搜寻,直到找到所有基于密度相连的类别,并将剩余的点标记为噪声点。
7.根据权利要求1所述的方法,其特征在于,采用滚动采样-预测方法得到多步光伏功率概率预测结果包括:
根据云图引导分解结果,实施半监督基于密度聚类方法,辨识光伏功率预测场景
聚合同簇的周期分量和趋势分量,基于周期自相关机制和多层感知机函数得到周期分量和趋势分量预测值:
其中,fMLP表示多层感知机,χG表示估算的晴空光伏功率,光伏功率预测值即为预测得到的周期分量和趋势分量之和;
通过改进的分位数回归算法采样光伏功率预测值各分位数点:
其中,τq为分位数分段函数,ε为阈值,q∈[0.01,0.99]是分位数采样,ns为样本总数目,yi和分别为第i个光伏功率实测和预测值,/>为损失函数;
基于高斯混合模型拟合采样得到的光伏功率预测值分位数点,得到光伏功率预测值概率密度函数,作为光伏功率概率预测输出结果:
其中,φ(·)是由参数决定的高斯分布,αk为各个高斯分布的权重,且kαk=1,K是设置的高斯分布的数目。
8.一种基于地基云图引导深度分解的光伏功率概率预测装置,其特征在于,包括:
地基云图引导分解模块,对原始地基云图I实施通道注意力和空间注意力机制,得到云图特征编码对云图特征编码/>和历史光伏功率{χt-d+1,...,χt}实施词嵌入操作,将词嵌入后的云图特征编码Iemb和历史光伏功率χemb作为输入,实施云图特征导向的深度分解方法,将历史光伏功率分解为趋势分量χtr和周期分量χsea,并对分解得到的周期分量应用周期自相关机制提升其时序周期依赖,其中d为历史云图流步长;
基于密度的半监督预测场景辨识模块,基于深度分解得到的趋势分量和周期分量,通过半监督基于密度的空间聚类划分预测场景,并引入训练参数优化聚类性能;
灵活场景自适应解码模块,利用光伏功率预测场景辨识结果,应用改进分位数回归采样光伏功率预测值分布,并通过混合高斯分布计算预测概率密度函数,采用滚动采样-预测方法得到多步光伏功率概率预测结果。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如权利要求1-7中任一项所述的基于地基云图引导深度分解的光伏功率概率预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于地基云图引导深度分解的光伏功率概率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310756434.3A CN116777066B (zh) | 2023-06-26 | 2023-06-26 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310756434.3A CN116777066B (zh) | 2023-06-26 | 2023-06-26 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777066A true CN116777066A (zh) | 2023-09-19 |
CN116777066B CN116777066B (zh) | 2024-01-23 |
Family
ID=88007714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310756434.3A Active CN116777066B (zh) | 2023-06-26 | 2023-06-26 | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777066B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131790A (zh) * | 2023-10-27 | 2023-11-28 | 西南石油大学 | 概率编译码架构下光伏组件清洁周期预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353952A (zh) * | 2013-05-31 | 2013-10-16 | 国家电网公司 | 一种基于地基云图的光伏功率预测方法 |
WO2018065045A1 (en) * | 2016-10-05 | 2018-04-12 | Telecom Italia S.P.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
CN109376951A (zh) * | 2018-11-21 | 2019-02-22 | 华中科技大学 | 一种光伏概率预测方法 |
CN112508255A (zh) * | 2020-12-01 | 2021-03-16 | 北京科技大学 | 一种基于多源异构数据的光伏出力超短期预测方法及系统 |
CN113298303A (zh) * | 2021-05-19 | 2021-08-24 | 河海大学 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
CN115511220A (zh) * | 2022-11-02 | 2022-12-23 | 河海大学 | 基于跨模态注意力机制的超短期太阳辐射预测方法及系统 |
-
2023
- 2023-06-26 CN CN202310756434.3A patent/CN116777066B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353952A (zh) * | 2013-05-31 | 2013-10-16 | 国家电网公司 | 一种基于地基云图的光伏功率预测方法 |
WO2018065045A1 (en) * | 2016-10-05 | 2018-04-12 | Telecom Italia S.P.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
CN109376951A (zh) * | 2018-11-21 | 2019-02-22 | 华中科技大学 | 一种光伏概率预测方法 |
CN112508255A (zh) * | 2020-12-01 | 2021-03-16 | 北京科技大学 | 一种基于多源异构数据的光伏出力超短期预测方法及系统 |
CN113298303A (zh) * | 2021-05-19 | 2021-08-24 | 河海大学 | 针对气象卫星云图动态注意域的光伏功率预测方法 |
CN115511220A (zh) * | 2022-11-02 | 2022-12-23 | 河海大学 | 基于跨模态注意力机制的超短期太阳辐射预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
陈志宝;李秋水;程序;周海;丁杰;: "基于地基云图的光伏功率超短期预测模型", 电力系统自动化, no. 19 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131790A (zh) * | 2023-10-27 | 2023-11-28 | 西南石油大学 | 概率编译码架构下光伏组件清洁周期预测方法 |
CN117131790B (zh) * | 2023-10-27 | 2024-01-23 | 西南石油大学 | 概率编译码架构下光伏组件清洁周期预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116777066B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091233B (zh) | 一种风电场短期风电预测建模方法 | |
CN111242377B (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
CN116777066B (zh) | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 | |
Qu et al. | Short-term forecasting for multiple wind farms based on transformer model | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
Perpiñán et al. | Analysis and synthesis of the variability of irradiance and PV power time series with the wavelet transform | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
Che et al. | Ultra-short-term probabilistic wind power forecasting with spatial-temporal multi-scale features and K-FSDW based weight | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
Kim et al. | Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction | |
Liu et al. | Series-wise attention network for wind power forecasting considering temporal lag of numerical weather prediction | |
Pan et al. | A hybrid method for day‐ahead photovoltaic power forecasting based on generative adversarial network combined with convolutional autoencoder | |
Ding et al. | Regional forecasting of significant wave height and mean wave period using EOF-EEMD-SCINet hybrid model | |
CN117495126A (zh) | 高比例新能源配电网线损预测方法及装置 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
CN114282336A (zh) | 一种新能源电站出力场景生成方法及系统 | |
Shen et al. | An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed | |
Lin et al. | SWSA transformer: A forecasting method of ultra-short-term wind speed from an offshore wind farm using global attention mechanism | |
Yang et al. | A hybrid vmd-based ARIMA-LSTM model for day-ahead pv prediction and uncertainty analysis | |
Zhao et al. | Spatio-temporal Model Combining VMD and AM for Wind Speed Prediction | |
Wang et al. | Research on traffic speed prediction based on wavelet transform and ARIMA-GRU hybrid model | |
Liu et al. | A target behavior pattern mining and abnormal behavior monitoring based on multidimensional similarity metric | |
CN118171772A (zh) | 基于双样本熵结构集成分解和二元神经网络的光伏功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |