CN117134334A - 一种基于机理-数据驱动混合集成的光伏发电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于机理‑数据驱动混合集成的光伏发电功率预测方法，采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN的数据驱动模型，采用基于贝叶斯优化BO和多项式混沌展开PCE代理模型优化可分离时空卷积网络预测模型的超参数，采用参数相对容易获取的ASHRAE模型作为计算情况辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，构建基于机理的晴空功率模型，使用Blending集成学习通过充分利用各模型预测原理的差异性，达到不同模型间的互补，对数据驱动和晴空功率机理模型得到光伏发电功率预测结果进行集成学习，得到最终的光伏发电功率的预测，提高整体模型的预测精度。

Description

一种基于机理-数据驱动混合集成的光伏发电功率预测方法

技术领域

本发明涉及光伏发电功率技术领域，尤其是一种基于机理-数据驱动混合集成的光伏发电功率预测方法。

背景技术

光伏发电功率非线性综合预测是一个受太阳辐照、气象、环境条件等多种不确定因素影响的时空序列预测问题，主要可以分为机理驱动预测方法和数据驱动预测方法两大类。机理驱动预测方法主要是指结合气象信息和光伏系统参数，以光伏发电系统物理原理为基础进行建模预测。在实际预测中，由于机理驱动方法只能采用简化模型和经验参数，预测精度相对较低，但随着现代计算机技术的发展以及大数据时代的来临，更加丰富的数据资源容易被获取，以挖掘历史发电功率和气象数据信息来演化未来光伏功率发展趋势的数据驱动预测方法越来越流行。基于数据驱动可以实现黑盒系统的模型建立和预测，有着快速收敛的特性。但模型的建立需要大量的数据，模型的预测精度不再单纯依靠算法优劣，更多取决于实验数据好坏。因此，如何进一步提升预测精度有待探索新的方法。

发明内容

本发明所要解决的技术问题在于，提供一种基于机理-数据驱动混合集成的光伏发电功率预测方法，实现对光伏发电功率的精准快速预测。

为解决上述技术问题，本发明提供一种基于机理-数据驱动混合集成的光伏发电功率预测方法，包括如下步骤：

步骤1、预先获取历史光伏发电功率数据、历史气象信息、NWP数据；

步骤2、基于最大信息系数对步骤1获取的NWP数据中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为最佳时延的参照量，并通过三次样条插值法对参照量序列进行数据加密，生成新的参照量序列，获取输入变量集，并划分为训练集和测试集；

步骤3、考虑不同区域内光伏电站之间的时空关联特性，捕获多个相邻光伏电站之间的时空特性，采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN；

步骤4、构建基于最小化软动态时序规整的目标函数，采用基于贝叶斯优化BO和多项式混沌展开PCE代理模型优化可分离时空卷积网络预测模型的超参数；

步骤5、基于机理的晴空功率模型构建，采用参数相对容易获取的ASHRAE模型作为计算晴空辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，从而得到光伏电站的晴空功率；

步骤6、基于Blending集成学习构建机理-数据驱动混合集成的光伏发电功率预测模型，对数据驱动模型和晴空功率的机理模型的预测结果进行集成学习得到光伏发电功率最终变化趋势。

优选的，步骤2中，基于最大信息系数对步骤1获取的NWP数据中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为最佳时延的参照量，并通过三次样条插值法对参照量序列进行数据加密，生成新的参照量序列，获取输入变量集，并划分为训练集和测试集具体包括如下步骤：

步骤21、根据历史气象数据，计算参照量序列对应历史功率序列/>其中T＝{T₁,T₂,...,T_n}为历史气象数据的时间序列，n为序列总数；

步骤22、利用三次样条插值法对参照量序列进行数据加密，生成新的参照量序列其中t＝{t₁,t₂,...,t_m,...,t_3n-2}为加密后的时间序列；

步骤23、当前m＝1，从序列中第m个元素开始，取n-4个数据点，时间间隔为ΔT，得到修正后的S^new，记为S^newn，采用最大信息系数法计算S^newn和P之间的信息熵，并存入集合R中；

步骤24、令m＝m+1，若m＞3n-2，则继续往下执行，否则返回步骤23；

步骤25、选择集合R中信息熵值最大的时延作为最佳时延量。

优选的，步骤3中，考虑不同区域内光伏电站之间的时空关联特性，捕获多个相邻光伏电站之间的时空特性，采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN具体包括如下步骤：

步骤31、输入特征张量F_in∈R^T×C×H×W，其中，C表示通道号，T表示输入窗口的时间长度，H和W分别表示特征图的高度和宽度；

步骤32、在H-T、W-T和H-W三个不同的维度上进行卷积块操作捕捉光伏发电功率在时间和空间上的动态特征映射分别表示为：

F_ht＝Conv_HT(F_in)

F_wt＝Conv_WT(F_in)

F_hw＝Conv_HW(F_in)

Conv_HT、Conv_WT和Conv_HW是在H-T、W-T和H-W三个不同的维度上进行卷积运算用来注意不同维度的特征；

步骤33、通过平均运算得到H、W、T维度上的特征图，分别表示为F_CHj∈R^C×H,F_CWj∈R^{C ×W},F_CTj∈R^C×T公式如下：

其中，j＝1,2并且J(x,y,j)为自定义函数，公式如下:

通过平均运算得到单个维度的特征分布，实现分离光伏发电功率在时间和空间上的动态特征；

步骤34、通过输入层接收上述DSAT分离的光伏发电功率的时间空间特征数据，通过可分离卷积层使用深度可卷积操作，降低卷积核的数量来减少参数量，降低计算复杂度，并通过逐点卷积进行通道间的混合，通过全连接层预测输出。

优选的，步骤4中，构建基于最小化软动态时序规整的目标函数，采用基于贝叶斯优化BO和多项式混沌展开PCE代理模型优化可分离时空卷积网络预测模型的超参数具体包括如下步骤：

步骤41、初始化BO算法参数；根据中心极限定理及贝叶斯估计原理，在已知的响应实测向量P和预测模型超参数构成的决策向量θ时，假设目标函数f(θ,P)服从正态分布：

f(θ,P)|θ,P～Ν(0,Λ)

式中，Λ为协方差矩阵；当考虑噪声影响时，设目标函数f(θ,P)的观测结果为z，且z＝f(θ,P)+ο，其中噪声ο服从正态分布，均值为零，方差为σ²，则有z|f(θ,P),σ²～Ν(f(θ,P),σ²Ι)，设最大迭代次数为J，当前输入样本为Z_t＝{(z₁,θ₁),(z₂,θ₂),...,(z_t,θ_t)}，当前迭代次数j＝1；

步骤42、计算后验均值和方差。根据高斯过程性质有：

其中，f^*为预测输出，根据贝叶斯原理，此时均值ω_t和方差的后验估计为：

上式中，B＝[z₁,z₂,...,z_t]^Τ，τ(θ,θ)为协方差核函数，Υ＝(Υ_mn)_t×t，Υ_mn＝τ(θ_m,θ_n)，τ(θ)为θ与θ₁,θ₂,...,θ_t的协方差构成的列向量；

步骤43、根据采集函数，求解得到新的决策向量估计值，在获得当前样本的分布下，根据LCB方法得到新的决策向量估计值：

其中，c_t(θ)＝ω_t(θ)-σ_t(θ)表示采集函数，由于对采集函数取最小值，得到的新决策向量估计值θ_t+1优于当前决策向量估计值θ_t；

步骤44、更新样本集合，将得到的新决策向量估计值θ_t+1加入到样本集Z_t，得到Z_t+1＝{(z₁,θ₁),(z₂,θ₂),...,(z_t,θ_t),(z_t+1,θ_t+1)}；

步骤45、输出最优决策向量估计值，判断当前迭代次数是否达到最大迭代次数，若达到，则输出此时的最优决策向量；否则当前迭代次数j＝j+1，并返回步骤42。

优选的，步骤5中，基于机理的晴空功率模型构建，采用参数相对容易获取的ASHRAE模型作为计算晴空辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，从而得到光伏电站的晴空功率具体为：晴空条件下，最终到达地面的太阳辐射分为直射辐射R_d和散射辐射R_s，计算公式如下：

上式中，R_sc＝1367W/m²为太阳常数，ξ_d和ξ_s分别表示直射辐射和散射辐射的光学厚度，O_am为大气光学质量，I_d和I_s分别表示直射辐射和散射辐射的大气光学修正指数，其中大气光学质量O_am通过太阳高度角S_e近似计算得到，大气光学修正指数I_d和I_s可以根据ξ_d和ξ_s求出，计算公式如下：

I_d＝1.219-0.043ξ_d-0.15ξ_s-0.204ξ_dξ_s

I_s＝0.202+0.852ξ_d-0.007ξ_s-0.357ξ_dξ_s

通过以上计算，ASHRAE模型的晴空辐照度R_t表示如下：

R_t＝R_dsinS_e+R_s

对于固定位置的光伏系统，其最大光伏发电功率P_PV表示如下：

P_PV＝R_tS_PVη

式中，S_PV为光伏阵列的面积，η为光伏阵列的光电转换效率，光电转换效率η由两部分构成，参数方程表示如下：

η(R_t,T_PV)＝(s₁+s₂R_t+s₃lnR_t)×[1-0.005(T_PV-25)]

上式中，T_PV为光伏阵列运行温度，s₁～s₃为参数，将光伏阵列面积系数和光电转换效率方程进行合并，得到最终功率映射方程如下：

P_PV＝R_t(s′₁+s'₂R_t+s'₃lnR_t)×[1-0.005(T_PV-25)]

根据以上功率映射方程，当光伏阵列辐照度R_t和光伏阵列运行温度T_PV已知的条件下，采用最小二乘法对参数s′₁～s'₃进行估计，从而得到晴空功率模型。

优选的，步骤6中，基于Blending集成学习构建机理-数据驱动混合集成的光伏发电功率预测模型，对数据驱动模型和晴空功率的机理模型的预测结果进行集成学习得到光伏发电功率最终变化趋势具体包括如下步骤：

步骤61、将经过输入数据处理后的多源数据划分为训练集、验证集和测试集；其中训练集用于训练基学习层的各个基模型，训练好的基模型对验证集进行测试，测试结果用于训练元学习层的元模型，测试集用于测试整体模型的性能；

步骤62、创建基学习层的基模型，其中的基模型分别为晴空功率模型和可分离时空卷积网络模型，通过训练集分别对晴空功率模型和可分离时空卷积网络模型训练，将测试集分别输入的晴空功率模型和可分离时空卷积网络模型，输出预测结果分别进行拼接得到新的训练集和测试集；

步骤63、创建元学习层的元模型。元模型拟采用广义混合函数，对来自基学习层的新训练集和测试集进行拟合和预测，输出最终预测结果；基于上述流程，Blending集成学习能有效将基学习层中各模型对数据观测的差异性和优点在元学习层中以动态赋权的方式将其融合，从而纠正基学习层中各模型的训练误差，提升整体模型的预测精度。

本发明的有益效果为：本发明采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN的数据驱动模型，采用基于贝叶斯优化(BO)和多项式混沌展开(PCE)代理模型优化可分离时空卷积网络预测模型的超参数，采用参数相对容易获取的ASHRAE模型作为计算情况辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，构建基于机理的晴空功率模型，使用Blending集成学习通过充分利用各模型预测原理的差异性，达到不同模型间的优势互补，对数据驱动和晴空功率机理模型得到光伏发电功率预测结果进行集成学习，得到最终的光伏发电功率的预测，提高整体模型的预测精度。

附图说明

图1为本发明的方法流程示意图。

图2为本发明的可分离时空卷积网络模型DSATCN流程图。

图3为本发明的贝叶斯优化(BO)结合多项式混沌展开(PCE)代理模型流程图。

图4为本发明的晴空功率模型示意图。

图5为本发明的Blending集成学习预测最终光伏发电功率流程图。

具体实施方式

如图1所示，一种基于机理-数据驱动混合集成的光伏发电功率预测方法，包括如下步骤：

步骤1：预先获取历史光伏发电功率数据，历史气象信息，NWP数据；

步骤2：考虑到不同地点的太阳辐照度等气象条件可能存在一定的时间偏移，需要对历史气象数据进行修正，从而提高预测精度。利用最大信息系数(MIC)计算NWP中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为计算最佳时延的参照量。最佳时延的计算步骤如下：

①根据历史气象数据，计算参照量序列对应历史功率序列其中T＝{T₁,T₂,...,T_n}为历史气象数据的时间序列，n为序列总数。

②利用三次样条插值法对参照量序列进行数据加密，生成新的参照量序列其中t＝{t₁,t₂,...,t_m,...,t_3n-2}为加密后的时间序列。

③当前m＝1，从序列中第m个元素开始，取n-4个数据点，时间间隔为ΔT，得到修正后的S^new，记为S^newn，采用最大信息系数法计算S^newn和P之间的信息熵，并存入集合R中。

④令m＝m+1，若m＞3n-2，则继续往下执行，否则返回步骤③。

⑤选择集合R中信息熵值最大的时延作为最佳时延量。

步骤3：可分离时空卷积网络模型构建，如图2所示：光伏发电预测任务是一个时间序列预测任务，根据历史数据预测未来的光伏发电量。考虑不同区域内光伏电站之间的时空关联特性，通过捕捉光伏发电功率在时间和空间上的动态特征，采用维度可分离注意机制DSAT进行多个相邻光伏电站之间的空间和时间分析，使用时空分离卷积网络模型SSTCN结合神经网络全连接预测输出层，建立可分离时空卷积网络模型DSATCN，从而预测光伏发电功率。

输入特征张量F_in∈R^T×C×H×W。其中，C表示通道号，T表示输入窗口的时间长度，H和W分别表示特征图的高度和宽度。

在H-T、W-T和H-W三个不同的维度上进行卷积块操作捕捉光伏发电功率在时间和空间上的动态特征映射分别表示为：

F_ht＝Conv_HT(F_in)

F_wt＝Conv_WT(F_in)

F_hw＝Conv_HW(F_in)

Conv_HT、Conv_WT和Conv_HW是在H-T、W-T和H-W三个不同的维度上进行卷积运算用来注意不同维度的特征。

通过平均运算得到H、W、T维度上的特征图，分别表示为F_CHj∈R^C×H，F_CWj∈R^C×W，F_CTj∈R^C×T公式如下：

其中，j＝1,2并且J(x,y,j)为自定义函数，公式如下:

通过平均运算得到单个维度的特征分布，实现分离光伏发电功率在时间和空间上的动态特征。

对于上述分离后的信息随着时间的动态特征，采用SSTCN来挖掘时间相关特征，基本思想是通过输入层接收上述DSAT分离的光伏发电功率的时间空间特征数据，通过可分离卷积层使用深度可卷积操作，降低卷积核的数量来减少参数量，降低计算复杂度，并通过逐点卷积进行通道间的混合，通过全连接层预测输出。

步骤4，PCE代理模型构建，如图3所示：假设一个概率空间为(Φ,F,P)，其中Φ表示事件空间，分布函数F为事件空间上的θ代数，P是分布函数F上的概率测度，如果数学模型的输入向量是随机向量则随机响应/>也是随机变量。考虑Y＝Z(X)具有有限方差θ²，则多项式混沌展开如下：

其中，为M维基函数索引下标，M为输入随机变量的个数，/>为M维自然数向量集合，/>为待定的展开系数，/>为关于X的联合概率密度函数正交的多变量基函数。首先需要进行试验设计，使用拉丁超立方抽样方法生成试验设计值N_DOE，接着通过双曲线截断对给定N_DOE时生成的项的数量进行截断，从而约束多项式的规模，以向量m-范数和多项式总阶数n共同定义的截断如下：

其中，Ω^M,n,m为截断后下标集合，表示向量/>的秩，l表示向量/>中元素大于零的个数；/>为向量/>的m-范数。此时多项式混沌展开表示为：

其中，为标准正态变换，/>为标准正态分布函数。然后采用最小角回归进行自适应多项式混沌展开的系数求解，以得到大型随机模型的最优多项式混沌展开项集，求解公式如下：

其中，β为所有参数构成的列向量，φ(·)为基函数构成的列向量，E(·)为数学期望，为惩罚因子。最后采用交叉验证对多项式混沌展开代理模型进行模型精度评价，输出最优PCE代理模型。设{X_val,Y_val＝Z(X_val)}为验证集，则验证误差ζ_val为：

其中，是验证集响应的样本均值，V为验证集中样本个数，Z^PCE\i(·)为将第i个样本点从完整试验设计中去除后得到PCE模型。

采用贝叶斯优化(BO)方法获取更可靠和更准确地光伏发电功率预测结果，具体来说，我们将n个光伏电站在时间步t上的历史特征矩阵记为在给定H个历史观测值的情况下，预测未来L个时间步的光伏发电功率可表示如下：

Y_t+u,Y_t+u+1,...,Y_t+v＝F_θ(X_t-H+1,X_t-H+2,...,X_t,G)

其中，表示区域内光伏电站的发电功率预测值，θ表示由预测模型的超参数构成的决策向量，预测步长L＝v-u+1，u和v分别表示最小和最大预测步长。则光伏电站的响应实测值构成的向量表示为P＝[p₁,p₂,...,p_H]，对应的PCE代理模型计算值构成的向量表示为/>引入考虑形状的软动态时间规整函数的参数反演模型可表示如下：

其中，f(θ,P)为参数反演模型的目标函数，δ为控制平滑度的参数，矩阵A∈{0,1}^H×H为单调对齐矩阵，C为的欧氏距离集合，Frobenius内积<A,C>为沿路线A的成本总和，Θ为预测模型的超参数构成的可行域。

贝叶斯优化算法根据目标函数f(θ,P)的先验信息假定，在当前已知样本下，快速在超参数构成的可行域Θ中寻找到下一个较优位置，并将该较优的位置信息加入到后续迭代中，从而最快地找到最优解。

基于BO和PCE代理模型的优化可分离时空卷积网络模型超参数步骤如下：

①初始化BO算法参数。根据中心极限定理及贝叶斯估计原理，在已知的响应实测向量P和预测模型超参数构成的决策向量θ时，假设目标函数f(θ,P)服从正态分布：

f(θ,P)|θ,P～Ν(0,Λ)

式中，Λ为协方差矩阵。当考虑噪声影响时，设目标函数f(θ,P)的观测结果为z，且z＝f(θ,P)+ο，其中噪声ο服从正态分布，均值为零，方差为σ²，则有z|f(θ,P),σ²～Ν(f(θ,P),σ²Ι)。设最大迭代次数为J，当前输入样本为Z_t＝{(z₁,θ₁),(z₂,θ₂),...,(z_t,θ_t)}，当前迭代次数j＝1；

②计算后验均值和方差。根据高斯过程性质有：

其中，f^*为预测输出。根据贝叶斯原理，此时均值ω_t和方差的后验估计为：

上式中，B＝[z1,z2,...,zt]^Τ，τ(θ,θ)为协方差核函数，Υ＝(Υ_mn)_t×t，Υ_mn＝τ(θ_m,θ_n)，τ(θ)为θ与θ₁,θ₂,...,θ_t的协方差构成的列向量。

③根据采集函数，求解得到新的决策向量估计值。在获得当前样本的分布下，根据LCB方法得到新的决策向量估计值：

其中，c_t(θ)＝ω_t(θ)-σ_t(θ)表示采集函数，由于对采集函数取最小值，得到的新决策向量估计值θ_t+1优于当前决策向量估计值θ_t。

④更新样本集合。将得到的新决策向量估计值θ_t+1加入到样本集Z_t，得到Z_t+1＝{(z₁,θ₁),(z₂,θ₂),...,(z_t,θ_t),(z_t+1,θ_t+1)}。

⑤输出最优决策向量估计值。判断当前迭代次数是否达到最大迭代次数，若达到，则输出此时的最优决策向量；否则当前迭代次数j＝j+1，并返回②。

步骤5，基于机理的晴空功率模型构建如图4所示：光伏发电功率机理模型通过光伏站点的地理位置和NWP数据计算出光伏面板接收到的总辐照度，再通过辐照度到功率的映射模型得到光伏面板的功率输出。考虑模型精度和普适性，本项目拟采用参数相对容易获取的ASHRAE模型作为计算晴空辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，从而得到光伏电站的晴空功率。晴空条件下，最终到达地面的太阳辐射可以分为直射辐射R_d和散射辐射R_s，计算公式如下：

上式中，R_sc＝1367W/m²为太阳常数，ξ_d和ξ_s分别表示直射辐射和散射辐射的光学厚度，O_am为大气光学质量，I_d和I_s分别表示直射辐射和散射辐射的大气光学修正指数。其中大气光学质量O_am可以通过太阳高度角S_e近似计算得到，大气光学修正指数I_d和I_s可以根据ξ_d和ξ_s求出，计算公式如下：

I_d＝1.219-0.043ξ_d-0.15ξ_s-0.204ξ_dξ_s

I_s＝0.202+0.852ξ_d-0.007ξ_s-0.357ξ_dξ_s

通过以上计算，ASHRAE模型的晴空辐照度R_t可表示如下：

R_t＝R_d sinS_e+R_s

对于固定位置的光伏系统，其最大光伏发电功率P_PV可表示如下：

P_PV＝R_tS_PVη

式中，S_PV为光伏阵列的面积，η为光伏阵列的光电转换效率。光电转换效率η主要由两部分构成，参数方程可表示如下：

η(R_t,T_PV)＝(s₁+s₂R_t+s₃lnR_t)×[1-0.005(T_PV-25)]

上式中，T_PV为光伏阵列运行温度，s₁～s₃为参数。将光伏阵列面积系数和光电转换效率方程进行合并，得到最终功率映射方程如下：

P_PV＝R_t(s′₁+s'₂R_t+s'₃lnR_t)×[1-0.005(T_PV-25)]

根据以上功率映射方程，当光伏阵列辐照度R_t和光伏阵列运行温度T_PV已知的条件下，采用最小二乘法对参数s₁'～s'₃进行估计，从而得到晴空功率模型。

步骤6，分析现有基于机理驱动和数据驱动方法的优缺点，集成晴空功率模型、可分离时空卷积网络模型DSATCN，提出一种基于Blending集成学习的机理-数据驱动预测方法，以增强预测模型的可解释性和整体泛化能力，如图5所示：Blending集成学习框架由基学习层和元学习层两个预测部分组成，通过充分利用各模型预测原理的差异性，达到不同模型间的优势互补。基于Blending集成学习的机理-数据驱动预测模型构建流程如下：

①将经过输入数据处理后的多源数据划分为训练集、验证集和测试集。其中训练集用于训练基学习层的各个基模型，训练好的基模型对验证集进行测试，测试结果用于训练元学习层的元模型，测试集用于测试整体模型的性能。

②创建基学习层的基模型。其中的基模型分别为晴空功率模型和可分离时空卷积网络模型，通过训练集分别对晴空功率模型和可分离时空卷积网络模型训练，将测试集分别输入的晴空功率模型和可分离时空卷积网络模型，输出预测结果分别进行拼接得到新的训练集和测试集。

③创建元学习层的元模型。元模型拟采用广义混合函数，对来自基学习层的新训练集和测试集进行拟合和预测，输出最终预测结果。

基于上述流程，Blending集成学习能有效将基学习层中各模型对数据观测的差异性和优点在元学习层中以动态赋权的方式将其融合，从而纠正基学习层中各模型的训练误差，提升整体模型的预测精度。

Claims (7)

1.一种基于机理-数据驱动混合集成的光伏发电功率预测方法，其特征在于，包括如下步骤：

步骤1、预先获取历史光伏相关数据；

步骤2、基于最大信息系数对步骤1获取的NWP数据中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为最佳时延的参照量，并通过三次样条插值法对参照量序列进行数据加密，生成新的参照量序列，获取输入变量集，并划分为训练集和测试集；

步骤3、考虑不同区域内光伏电站之间的时空关联特性，捕获多个相邻光伏电站之间的时空特性，采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN；

步骤4、构建基于最小化软动态时序规整的目标函数，采用基于贝叶斯优化BO和多项式混沌展开PCE代理模型优化可分离时空卷积网络预测模型的超参数；

步骤5、基于机理的晴空功率模型构建，采用ASHRAE模型作为计算晴空辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，从而得到光伏电站的晴空功率；

步骤6、基于Blending集成学习构建机理-数据驱动混合集成的光伏发电功率预测模型，对数据驱动模型和晴空功率的机理模型的预测结果进行集成学习得到光伏发电功率最终变化趋势。

2.如权利要求1所述的基于机理-数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤1中，数据包括发电功率数据、历史气象信息、NWP数据。

3.如权利要求1所述的基于机理-数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤2中，基于最大信息系数对步骤1获取的NWP数据中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为最佳时延的参照量，并通过三次样条插值法对参照量序列进行数据加密，生成新的参照量序列，获取输入变量集，并划分为训练集和测试集具体包括如下步骤：

步骤21、根据历史气象数据，计算参照量序列对应历史功率序列其中T＝{T₁,T₂,...,T_n}为历史气象数据的时间序列，n为序列总数；

步骤22、利用三次样条插值法对参照量序列进行数据加密，生成新的参照量序列其中t＝{t₁,t₂,...,t_m,...,t_3n-2}为加密后的时间序列；

步骤23、当前m＝1，从序列中第m个元素开始，取n-4个数据点，时间间隔为ΔT，得到修正后的S^new，记为S^newn，采用最大信息系数法计算S^newn和P之间的信息熵，并存入集合R中；

步骤24、令m＝m+1，若m＞3n-2，则继续往下执行，否则返回步骤23；

步骤25、选择集合R中信息熵值最大的时延作为最佳时延量。

4.如权利要求1所述的基于机理-数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤3中，考虑不同区域内光伏电站之间的时空关联特性，捕获多个相邻光伏电站之间的时空特性，采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN具体包括如下步骤：

步骤31、输入特征张量F_in∈R^T×C×H×W，其中，C表示通道号，T表示输入窗口的时间长度，H和W分别表示特征图的高度和宽度；

步骤32、在H-T、W-T和H-W三个不同的维度上进行卷积块操作捕捉光伏发电功率在时间和空间上的动态特征映射分别表示为：

F_ht＝Conv_HT(F_in)

F_wt＝Conv_WT(F_in)

F_hw＝Conv_HW(F_in)

Conv_HT、Conv_WT和Conv_HW是在H-T、W-T和H-W三个不同的维度上进行卷积运算用来注意不同维度的特征；

步骤33、通过平均运算得到H、W、T维度上的特征图，分别表示为F_CHj∈R^C×H,F_CWj∈R^C×W,F_CTj∈R^C×T公式如下：

其中，j＝1,2并且J(x,y,j)为自定义函数，公式如下:

通过平均运算得到单个维度的特征分布，实现分离光伏发电功率在时间和空间上的动态特征；

步骤34、通过输入层接收上述DSAT分离的光伏发电功率的时间空间特征数据，通过可分离卷积层使用深度可卷积操作，并通过逐点卷积进行通道间的混合，通过全连接层预测输出。

5.如权利要求1所述的基于机理-数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤4中，构建基于最小化软动态时序规整的目标函数，采用基于贝叶斯优化BO和多项式混沌展开PCE代理模型优化可分离时空卷积网络预测模型的超参数具体包括如下步骤：

步骤41、初始化BO算法参数；根据中心极限定理及贝叶斯估计原理，在已知的响应实测向量P和预测模型超参数构成的决策向量θ时，假设目标函数f(θ,P)服从正态分布：

f(θ,P)|θ,P～Ν(0,Λ)

式中，Λ为协方差矩阵；当考虑噪声影响时，设目标函数f(θ,P)的观测结果为z，且z＝f(θ,P)+ο，其中噪声ο服从正态分布，均值为零，方差为σ²，则有z|f(θ,P),σ²～Ν(f(θ,P),σ²Ι)，设最大迭代次数为J，当前输入样本为Z_t＝{(z₁,θ₁),(z₂,θ₂),...,(z_t,θ_t)}，当前迭代次数j＝1；

步骤42、计算后验均值和方差，根据高斯过程性质有：

其中，f*为预测输出，根据贝叶斯原理，此时均值ω_t和方差的后验估计为：

上式中，B＝[z₁,z₂,...,z_t]^Τ，τ(θ,θ)为协方差核函数，τ(θ)为θ与θ₁,θ₂,...,θ_t的协方差构成的列向量；

步骤43、根据采集函数，求解得到新的决策向量估计值，在获得当前样本的分布下，根据LCB方法得到新的决策向量估计值：

其中，c_t(θ)＝ω_t(θ)-σ_t(θ)表示采集函数，由于对采集函数取最小值，得到的新决策向量估计值θ_t+1优于当前决策向量估计值θ_t；

步骤44、更新样本集合，将得到的新决策向量估计值θ_t+1加入到样本集Z_t，得到Z_t+1＝{(z₁,θ₁),(z₂,θ₂),...,(z_t,θ_t),(z_t+1,θ_t+1)}；

步骤45、输出最优决策向量估计值，判断当前迭代次数是否达到最大迭代次数，若达到，则输出此时的最优决策向量；否则当前迭代次数j＝j+1，并返回步骤42。

6.如权利要求1所述的基于机理-数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤5中，基于机理的晴空功率模型构建，采用ASHRAE模型作为计算晴空辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，从而得到光伏电站的晴空功率具体为：晴空条件下，最终到达地面的太阳辐射分为直射辐射R_d和散射辐射R_s，计算公式如下：

上式中，R_sc＝1367W/m²为太阳常数，ξ_d和ξ_s分别表示直射辐射和散射辐射的光学厚度，O_am为大气光学质量，I_d和I_s分别表示直射辐射和散射辐射的大气光学修正指数，其中大气光学质量O_am通过太阳高度角S_e近似计算得到，大气光学修正指数I_d和I_s根据ξ_d和ξ_s求出，计算公式如下：

I_d＝1.219-0.043ξ_d-0.15ξ_s-0.204ξ_dξ_s

I_s＝0.202+0.852ξ_d-0.007ξ_s-0.357ξ_dξ_s

通过以上计算，ASHRAE模型的晴空辐照度R_t表示如下：

R_t＝R_d sinS_e+R_s

对于固定位置的光伏系统，其最大光伏发电功率P_PV表示如下：

P_PV＝R_tS_PVη

式中，S_PV为光伏阵列的面积，η为光伏阵列的光电转换效率，光电转换效率η由两部分构成，参数方程表示如下：

η(R_t,T_PV)＝(s₁+s₂R_t+s₃lnR_t)×[1-0.005(T_PV-25)]

上式中，T_PV为光伏阵列运行温度，s₁～s₃为参数，将光伏阵列面积系数和光电转换效率方程进行合并，得到最终功率映射方程如下：

P_PV＝R_t(s'₁+s'₂R_t+s'₃lnR_t)×[1-0.005(T_PV-25)]

根据以上功率映射方程，当光伏阵列辐照度R_t和光伏阵列运行温度T_PV已知的条件下，采用最小二乘法对参数s'₁～s'₃进行估计，从而得到晴空功率模型。

7.如权利要求1所述的基于机理-数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤6中，基于Blending集成学习构建机理-数据驱动混合集成的光伏发电功率预测模型，对数据驱动模型和晴空功率的机理模型的预测结果进行集成学习得到光伏发电功率最终变化趋势具体包括如下步骤：

步骤61、将经过输入数据处理后的多源数据划分为训练集、验证集和测试集；其中训练集用于训练基学习层的各个基模型，训练好的基模型对验证集进行测试，测试结果用于训练元学习层的元模型，测试集用于测试整体模型的性能；

步骤62、创建基学习层的基模型，其中的基模型分别为晴空功率模型和可分离时空卷积网络模型，通过训练集分别对晴空功率模型和可分离时空卷积网络模型训练，将测试集分别输入的晴空功率模型和可分离时空卷积网络模型，输出预测结果分别进行拼接得到新的训练集和测试集；

步骤63、创建元学习层的元模型，元模型拟采用广义混合函数，对来自基学习层的新训练集和测试集进行拟合和预测，输出最终预测结果。