CN117220276A - 考虑时空特征相互影响的超短期光伏功率预测方法及系统 - Google Patents
考虑时空特征相互影响的超短期光伏功率预测方法及系统 Download PDFInfo
- Publication number
- CN117220276A CN117220276A CN202311172607.3A CN202311172607A CN117220276A CN 117220276 A CN117220276 A CN 117220276A CN 202311172607 A CN202311172607 A CN 202311172607A CN 117220276 A CN117220276 A CN 117220276A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic power
- space
- time
- time sequence
- 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 58
- 230000003993 interaction Effects 0.000 title claims description 9
- 230000003287 optical effect Effects 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 230000000750 progressive effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 29
- 238000010248 power generation Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012800 visualization Methods 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种考虑时空特征相互影响的超短期光伏功率预测方法及系统，属于新能源开发和利用技术领域。所述方法包括：计算地基云图帧间光流图；以地基云图、地基云图帧间光流图作为输入，利用基于VGG与ConvLSTM模型的双流网络分别提取出地基云图所对应的时序特征与空间特征；利用对应时刻的地基云图构建门控单元，实现图像特征融合；基于光伏功率，通过跨模态注意力机制，提取图像特征的显著信息；将显著图像特征与历史光伏功率特征作为输入，通过基于渐进式特征融合架构与时序卷积模型的时序推理模型实现超短期光伏功率预测。本发明能够提高光伏功率超短期预测精度，为电网安全、稳定运行提供支撑，具有一定的工程实用价值。
Description
技术领域
本发明属于光伏发电技术领域，具体涉及一种考虑时空特征相互影响的超短期光伏功率预测方法及系统。
背景技术
太阳能因其分布范围广、易于开采、能源利用效率高且无污染，受到国际社会的广泛关注，成为可再生能源研究和发展的主要方向之一。光伏发电凭借其无噪声、无污染、不受地域限制、建设周期短等优点，成为最有效的太阳能利用方式。
由于光伏发电受到日照、云量、温度等气象因素的影响，光伏发电功率输出存在间歇性和波动性。因此，光伏发电并网时会对电网的安全稳定运行造成影响，这严重限制了其大规模应用。因此，实现光伏发电功率的准确预测是十分有必要的。
随着大数据的快速发展，大量数据可被用来提高预测的准确性，包括历史光伏发电功率、气象数据、地基云图等。在极为短暂的时间范围内，往往是由于云层的变化而导致光伏发电功率的变化，因此充分利用地面云图中的时空特征可以显著提高超短期光伏发电预测的准确性。现有的研究直接从地基图像中提取时空特征，忽略了时空特征之间的相互作用，导致部分重要特征信息丢失，进而限制了超短期预测精度的提升。
发明内容
发明目的：本发明的目是提供一种考虑时空特征相互影响的超短期光伏功率预测方法及系统，提高超短期光伏功率预测精度。
技术方案：为了实现上述发明目的，本发明提出的考虑时空特征相互影响的超短期光伏功率预测方法，包括以下步骤：
步骤1：利用Farneback光流法计算相邻帧间地基云图中云层的运动信息，得到表征云层动态信息的光流图像；
步骤2：利用VGG网络提取出RGB地基云图中的空间特征，利用ConvLSTM网络提取出光流图像中的时序动态特征；
步骤3：利用基于原始RGB地基云图构建的门控单元，对图像时序动态特征与空间特征进行融合，得到图像时空特征；
步骤4：利用历史光伏功率与跨模态注意力机制提取出图像时空特征中的显著信息；
步骤5：将图像显著时空特征、历史光伏功率作为输入，通过基于渐进式特征融合架构与时序卷积模型的时序推理模型，输出未来10分钟至30分钟的光伏功率预测结果。
进一步地，所述步骤1包括：将RGB全色彩图像转化为灰度图像，以感兴趣的像素点为中心，构建一个局部坐标系，对图像像素点的灰度值进行二次多项式展开f(x,y)≈XTAX+bXT+c，其中，X为像素点坐标(x,y)，A、b、c为多项式系数；
根据像素在云层移动前后的多项式表示，获取
基于兴趣像素点的邻域，得到Franeback光流法的目标函数其中e(x)为目标函数；ΔX为每个像素点的像素值偏移量，I为像素偏移量的集合，d为每个像素点对应的光流向量；w(ΔX)表示权重函数，用于加权不同位置上的像素值之间的差异；
基于目标函数得到x轴和y轴的位移向量，将位移向量映射到极坐标下，进行颜色空间映射，进而得到能够表征图像时序动态信息的光流图像。
进一步地，所述步骤2中，VGG网络的卷积层操作定义如下：
h(l)＝f(l)(w(l)*h(l-1)+b(l))
其中，*表示卷积操作，w(l)为第l层卷积层的权重，b(l)为第l层卷积层的偏置，f(l)为第l层卷积层的激活函数，h(l)，h(l-1)分别为第l层和第l-1层卷积层的输出；
ConvLSTM的定义如下：
it＝σ(Woi*ot+Whi*ht-1+bi)
ft＝σ(Wof*ot+Whf*ht-1+bf)
gt＝σ(Wog*ot+Whg*ht-1+bg)
其中，ot，ht，ct分别表示t时刻的ConvLSTM的输入值、输出值、以及单元状态，Woi，Woi，bi，Wof，Whf，bf，Woc，Whc，bc，Wog，Whg，bg均表示可学习参数，σ(·)为激活函数，“*”表示卷积操作，表示哈达玛积。
进一步地，所述步骤3包括：
通过将RGB全色彩地基云图经过Flatten操作后所得到的特征向量输入密集层，得到融合特征权重：
es＝W1*i,et＝W2*i
Ws,Wt＝Softmax(es,et)
其中，i表示RGB地基云图，W1，W2为通过密集层后RGB云图所得到的权重矩阵，Ws，Wt分别为时序动态特征和空间特征对应的融合权重；
基于融合权重，将图像时序动态特征h与空间特征m进行融合：y＝Ws*m+Wt*h，得到的输出y作为云图的时空特征。
进一步地，所述步骤4包括：
将图像时空特征作为注意力机制的键向量和值向量，对应时刻的历史光伏发电功率作为查询向量；利用跨注意力机制计算图像时空特征图中不同通道与光伏发电功率的相关性；基于相关性对每一个图像通道赋予权重，得到包含显著特征信息的图像特征图；具体定义如下：
其中，Q，K，V为查询向量、键向量、值向量，dk为键向量的维度，softmax为激活函数。
进一步地，所述步骤5包括：
将历史光伏发电功率序列作为第一次时序卷积操作的输入；
将第一次时序卷积操作的输出中的第1个时刻对应的输出/>与对应时刻的图像显著时空特征Z1进行融合，再与其余输出/>进行拼接，得到下一次时序卷积操作的输入；重复上述过程，将第t次时序卷积操作的输出中的第t个时刻对应的输出与对应时刻的图像显著时空特征Zt进行融合，经过上述拼接操作后，作为下一次时序卷积操作的输入；
最后一次时序卷积操作的输出O作为多层感知机的输入，多层感知机的输出即为光伏发电功率的超短期预测结果。
进一步地，时序卷积的定义如下：
其中，fi表示卷积操作，pt-d·i为历史光伏发电功率，K为卷积层数；
为时序卷积引入残差连接，定义如下：
P(h)＝δ(μ(P(h-1))+P(h-1))
其中，δ(·)表示激活函数，μ(`)是一个包含多种转换操作的结构，包括扩张因果卷积层、权重归一化和激活层，h为输入所通过的时序卷积操作的次数。
本发明还提供一种考虑时空特征相互影响的超短期光伏功率预测系统，包括：
图像预处理模块，利用Farneback光流法计算相邻帧间地基云图中云层的运动信息，得到表征云层动态信息的光流图像；
特征提取模块，利用VGG网络提取出RGB地基云图中的空间特征，利用ConvLSTM网络提取出光流图像中的时序动态特征；
特征融合模块，利用基于原始RGB地基云图构建的门控单元，对图像时序动态特征与空间特征进行融合，得到图像时空特征；
特征选择模块，利用历史光伏功率与跨模态注意力机制提取出图像时空特征中的显著信息；
时序预测模块，将图像显著时空特征、历史光伏功率作为输入，通过基于渐进式特征融合架构与时序卷积模型的时序推理模型，输出未来10分钟至30分钟的光伏功率预测结果。
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考虑时空特征相互影响的超短期光伏功率预测方法的步骤。
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考虑时空特征相互影响的超短期光伏功率预测方法的步骤。
有益效果：
(1)本发明应用双流网络分别提取空间特征和时间特征，并利用门控单元来有效融合这两种特征。该方法充分考虑时空特征的相互影响，能够得到更多有助于预测精度提升的特征信息。
(2)本发明利用跨模态注意力机制，充分利用特征图不同通道与相应光伏功率之间的相关性，避免原始特征图中所包含的无用特征信息对预测影响，有助于模型对于有效特征信息的学习。
(3)本发明利用基于渐进式特征融合架构与时序卷积模型的时序推理模型，逐步地进行特征融合操作，可以一定程度上避免特征信息丢失问题，并提高模型的鲁棒性。
附图说明
图1为本发明的光伏功率预测方法流程图；
图2为本发明采用的光流图获取过程的示意图；
图3为本发明所采用的双流网络的示意图；
图4为本发明所采用的门控单元的示意图；
图5为本发明提出的跨注意力机制示意图；
图6为本发明所提出的时序推理模型的示意图；
图7为本发明实施例中采用所提方法的预测结果拟合示意图；
图8为不同预测方法在不同预测时域下的MAE和RMSE误差指标对比图。
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，本发明实施例提供的一种超短期光伏功率预测方法，包括以下步骤：
步骤1：利用Farneback光流法计算相邻帧间地基云图中云层的运动信息，得到表征云层动态信息的光流图像；
步骤2：通过VGG和ConvLSTM分别提取出RGB地基云图中的空间特征与光流图像中的时序动态特征；
步骤3：利用原始RGB地基云图构建门控单元，用以实现图像时序动态特征与空间特征的有效融合，得到图像时空特征；
步骤4：利用历史光伏功率与跨注意力机制提取出时空特征中的显著信息；
步骤5：将图像显著时空特征、历史光伏功率作为输入，通过基于渐进式特征融合架构与时序卷积模型的时序推理模型，输出未来10分钟至30分钟的光伏功率预测结果。
本发明在步骤1中提取云层动态的光流图。原始的地基云图为RGB图像，由于RGB颜色空间的信息有限、RGB颜色空间的不稳定性，从RGB云图中直接提取基于RGB颜色空间的光流图像计算复杂度较高。本发明通过将RGB图像转换为灰度图像，再利用Farneback光流法计算帧间运动信息，通过坐标系转换和颜色空间的映射关系得到基于RGB颜色空间的光流图像。具体地，步骤1包括：
首先，基于加权平均法和亮度算法的经验公式，将RGB图像转换为灰度图像：
Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)
即，像素点的灰度值由R、G、B通道像素值加权得到，然后以感兴趣的像素点为中心，构建一个局部坐标系，对图像像素点的灰度值进行二次多项式展开，可近似为：
f(x,y)≈XTAX+bXT+c
其中，X为像素点坐标(x,y)，A、b、c为多项式系数；
原始位置的多项式可以表示为：
f1(x,y)≈XTA1X+b1XT+c1
当云层变化时，云图中的像素也会发生变化，则对应多项式将会变化为：
f2(x,y)≈XTA2X+b2XT+c2
基于Franeback基本的数学理论并考虑到实际情况，通过求平均值来近似实际值：
由此可基于兴趣像素点的邻域，进而得到Franeback光流法的目标函数：
其中，e(x)为目标函数；ΔX为每个像素点的像素值偏移量，I为像素偏移量的集合，d为每个像素点对应的光流向量；w(ΔX)表示权重函数，用于加权不同位置上的像素值之间的差异。
在初始化每个像素点光流向量d为0的条件下，基于相邻帧图像，利用梯度下降法使得目标函数e(X)不断减小，直至达到收敛条件，进而可得到每个像素点的实际光流向量d；该光流向量d包含x轴和y轴的位移向量(u,v)。
为更好地利用图像来表征时序动态特征，对位移向量进行如下转化、映射：
将直角坐标系下的位移向量(u,v)转化为极坐标系下的坐标(ρ,θ)：
将极坐标的极径映射到HSV颜色空间的明度分量，极角映射到HSV颜色空间的色相分量，进而得到基于HSV颜色空间的云层时序动态特征的表征图像。为提高模型的可解释性与可视化程度，基于HSV与RGB之间的映射关系，对上述表征图像进行转化，得到基于RGB颜色空间的光流图像。
如图2所示，可以分别得到x轴向和y轴向的光流图，对两者进行融合进而得到完整的光流图。
本发明步骤2的主要目的是充分利用双流网络的优势来分别提取地基云图的空间特征与光流图序列中的时序动态特征。参照图3，根据本发明的实施方式，在步骤2中通过VGG网络提取出空间特征，利用ConvLSTM网络来捕获时序动态特征，将两种特征的提取过程进行分离，进而避免由于特征之间的相互影响而导致的部分重要特征信息丢失的问题。具体实施步骤如下：
利用基于卷积神经网络的VGG网络提取RGB全色彩地基云图的空间特征，卷积神经网络的定义如下：
h(l)＝f(l)(w(l)*h(l-1)+b(l))
其中，*表示卷积操作，w(l)为第l层卷积层的权重，b(l)为第l层卷积层的偏置，f(l)为第l层卷积层的激活函数，h(l)，h(l-1)分别为第l层和第l-1层卷积层的输出；为更好地提取地基云图的空间特征，本发明中模型采用VGG网络，利用多个小卷积核来代替大卷积核，在保证感受野不变的情况下，增加网络深度，进而提高模型对于特征的理解能力。
通过堆叠多层ConvLSTM网络捕获光流图序列中的云层时序动态信息，ConvLSTM的定义如下：
it＝σ(Woi*ot+Whi*ht-1+bi)
ft＝σ(Wof*ot+Whf*ht-1+bf)
gt＝σ(Wog*ot+Whg*ht-1+bg)
其中，ot，ht，ct分别表示t时刻的ConvLSTM的输入值、输出值、以及单元状态；it，ft，gt分别为输入门、遗忘门与输出门，用于控制信息的流动；Woi，Woi，bi，Wof，Whf，bf，Woc，Whc，bc，Wog，Whg，bg均表示可学习参数，使得网络能够有效地处理序列数据，并具备记忆长期依赖关系的能力；σ(·)为激活函数，*表示卷积操作，表示哈达玛积。
本发明在步骤3中利用门控单元进行图像时序动态特征与空间特征的有效融合，得到图像时空特征。如图4所示，通过将RGB全色彩地基云图经过flatten操作后所得到的特征向量输入密集层，得到融合特征权重：
es＝W1*i,et＝W2*i
Ws,Wt＝Softmax(es,et)
其中，i表示原始RGB地基云图；W1，W2为通过密集层后RGB云图所得到的权重矩阵；Ws，Wt分别为时序动态特征和空间特征对应的融合权重；
基于融合权重，将图像时序动态特征与空间特征进行融合，定义如下：
y＝Ws*m+Wt*h
其中，m为云图空间特征，h为图像时序动态特征；将经过上述融合流程所得到的输出y作为云图的时空特征。
本发明在步骤4中利用历史光伏功率与跨注意力机制提取出时空特征中的显著信息，具体地，如图5所示，将图像时空特征作为注意力机制的键向量和值向量，对应时刻的历史光伏发电功率作为查询向量；利用跨注意力机制计算图像时空特征图中不同通道与光伏发电功率的相关性；基于相关性对每一个图像通道赋予权重，得到包含显著特征信息的图像特征图；具体定义如下：
其中，Q，K，V为查询向量、键向量、值向量，dk为键向量的维度，softmax为激活函数；
在应用注意力机制之前，通过密集层将输入转化为抽象的向量表示，有利于注意力机制对于特征的理解和学习，实现过程如下：
Q＝Wq*p,K＝Wk*y,V＝Wv*y
其中，p为光伏发电功率；Wq，Wk，Wv代表通过密集层后输入所得到的权重矩阵。y是上文提到的融合后的特征。
本发明在步骤5中利用基于渐进式特征融合架构与时序卷积模型的时序推理模型，输出未来10分钟至30分钟的光伏功率预测结果。
该步骤5具体包括：
将历史光伏发电功率序列作为第一次时序卷积操作的输入，图6中的p1对应序列中的p1这一项，时序卷积的定义如下：
其中，fi表示卷积操作；pt-d·i即为上述历史光伏发电功率；
为时序卷积引入残差连接，定义如下：
P(h)＝δ(μ(P(h-1))+P(h-1))
其中，δ(·)表示激活函数，μ(·)是一个包含各种转换操作的结构，包括扩张因果卷积层、权重归一化和激活层，h为输入所通过的时序卷积操作的次数；
如图6所示，将第一次时序卷积操作的输出中的第1个时刻对应的输出/>与对应时刻的图像显著时空特征Z1进行融合，再与其余输出/>进行拼接，得到下一次时序卷积操作的输入，图6中的/>对应/>这个序列；重复上述过程，将第t次时序卷积操作的输出中的第t个时刻对应的输出/>与对应时刻的图像显著时空特征Zt进行融合，经过上述拼接操作后，作为下一次时序卷积操作的输入；
最后一次时序卷积操作的输出O作为多层感知机的输入，多层感知机的输出即为光伏发电功率的超短期预测结果。
为了验证本发明所提方法的性能，实施例中进行了如下实验。使用的数据集由斯坦福大学环境评估与优化小组收集和编制。该数据集包含三年(2017-2019年)的地基云图和光伏功率。地基云图的采集范围为早上6点到晚上8点。实施例中采用时间分辨率为10分钟的地基云图和光伏功率。为了节省训练时间和计算机存储空间，将高分辨率图像帧(2048×2048)降采样为低分辨率(32×32)。经过数据预处理后，可用于训练、测试的样本数目为27682个。基于上述方法对该区域超短期光伏功率进行预测。并通过量化误差指标评价模型性能。本实施例中采用三种误差分析指标：平均偏差误差(MAE)、均方根误差(RMSE)、决定系数(R2)，定义如下：
其中，N表示测试样本总数，yi和分别表示第i个样本的预测值和实际值，/>表示实际值的均值。
为了直观反映预测效果，图7展示了使用本发明方法得到的提前10分钟的光伏发电功率预测曲线，可以看出本发明方法能够实现超短期光伏功率的准确预测。为了进一步评估预测模型的预测表现，设置共计五个对比模型，分别为MICNN、SCNN、BILST、STUNet、ConvNeXt。上述模型均为前沿的光伏功率超短期预测模型，其利用3DCNN或ConvLSTM直接提取图像时空特征。此外，表1为各模型进行提前10分钟光伏功率预测的预测误差，图8为根据本发明构建的模型与其他模型RMSE、MAE两种误差的对比情况。从表1和图8可以看出，相较于对比模型，基于本发明构建的模型的预测结果误差更小、性能更为优异。
表1不同模型预测结果的比较
综上所述，本发明设计的考虑时空特征相互影响的超短期光伏功率预测方法，首先应用双流网络分别提取空间特征和时间特征，利用门控单元来有效融合这两种特征，避免两种特征相互影响，得到更多有助于预测精度提升的特征信息；进而基于特征图不同通道与相应光伏功率之间的相关性，利用跨模态注意力机制提取出图像时空特征中的显著特征信息；最后利用基于渐进式特征融合架构与时序卷积模型的时序推理模型，逐步地进行特征融合操作，避免常用的并行式融合预测架构中存在的特征信息丢失的问题；实验结果说明本发明能够提高光伏功率超短期预测精度，为电网安全、稳定运行提供支撑，具有一定的工程实用价值。
基于与方法实施例相同的技术构思，本发明还提供了一种考虑时空特征相互影响的超短期光伏功率预测系统，包括：
图像预处理模块，利用Farneback光流法计算相邻帧间地基云图中云层的运动信息，得到表征云层动态信息的光流图像；
特征提取模块，通过基于VGG和ConvLSTM分别提取出RGB地基云图中的空间特征与光流图像中的时序动态特征；
特征融合模块，利用原始RGB地基云图构建门控单元，用以实现图像时序动态特征与空间特征的有效融合，得到图像时空特征；
特征选择模块，利用历史光伏功率与跨注意力机制提取出时空特征中的显著信息；
时序预测模块，将图像显著时空特征、历史光伏功率作为输入，通过基于渐进式特征融合架构与时序卷积模型的时序推理模型，输出未来10分钟至30分钟的光伏功率预测结果。
应当理解，本发明实施例中的考虑时空特征相互影响的超短期光伏功率预测系统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考虑时空特征相互影响的超短期光伏功率预测方法的步骤。
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考虑时空特征相互影响的超短期光伏功率预测方法的步骤。
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(系统)、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)
1.一种考虑时空特征相互影响的超短期光伏功率预测方法，其特征在于，包括以下步骤：
步骤1：利用Farneback光流法计算相邻帧间地基云图中云层的运动信息，得到表征云层动态信息的光流图像；
步骤2：利用VGG网络提取出RGB地基云图中的空间特征，利用ConvLSTM网络提取出光流图像中的时序动态特征；
步骤3：利用基于原始RGB地基云图构建的门控单元，对图像时序动态特征与空间特征进行融合，得到图像时空特征；
步骤4：利用历史光伏功率与跨模态注意力机制提取出图像时空特征中的显著信息；
步骤5：将图像显著时空特征、历史光伏功率作为输入，通过基于渐进式特征融合架构与时序卷积模型的时序推理模型，输出未来10分钟至30分钟的光伏功率预测结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
将RGB全色彩图像转化为灰度图像，以感兴趣的像素点为中心，构建一个局部坐标系，对图像像素点的灰度值进行二次多项式展开f(x,y)≈XTAX+bXT+c，其中，X为像素点坐标(x,y)，A、b、c为多项式系数；
根据像素在云层移动前后的多项式表示，获取
基于兴趣像素点的邻域，得到Franeback光流法的目标函数其中e(x)为目标函数；ΔX为每个像素点的像素值偏移量，I为像素偏移量的集合，d为每个像素点对应的光流向量；w(ΔX)表示权重函数，用于加权不同位置上的像素值之间的差异；
基于目标函数得到x轴和y轴的位移向量，将位移向量映射到极坐标下，进行颜色空间映射，进而得到能够表征图像时序动态信息的光流图像。
3.根据权利要求1所述的方法，其特征在于，所述步骤2中，VGG网络的卷积层操作定义如下：
h(l)＝f(l)(w(l)*h(l-1)+b(l))
其中，*表示卷积操作，w(l)为第l层卷积层的权重，b(l)为第l层卷积层的偏置，f(l)为第l层卷积层的激活函数，h(l)，h(l-1)分别为第l层和第l-1层卷积层的输出；
ConvLSTM的定义如下：
it＝σ(Woi*ot+Whi*ht-1+bi)
ft＝σ(Wof*ot+Whf*ht-1+bf)
gt＝σ(Wog*ot+Whg*ht-1+bg)
其中，ot，ht，ct分别表示t时刻的ConvLSTM的输入值、输出值、以及单元状态，Woi，Woi，bi，Wof，Whf，bf，Woc，Whc，bc，Wog，Whg，bg均表示可学习参数，σ(·)为激活函数，“*”表示卷积操作，表示哈达玛积。
4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：
通过将RGB全色彩地基云图经过Flatten操作后所得到的特征向量输入密集层，得到融合特征权重：
es＝W1*i,et＝W2*i
Ws,Wt＝Softmax(es,et)
其中，i表示RGB地基云图，W1，W2为通过密集层后RGB云图所得到的权重矩阵，Ws，Wt分别为时序动态特征和空间特征对应的融合权重；
基于融合权重，将图像时序动态特征h与空间特征m进行融合：y＝Ws*m+Wt*h，得到的输出y作为云图的时空特征。
5.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
将图像时空特征作为注意力机制的键向量和值向量，对应时刻的历史光伏发电功率作为查询向量；利用跨注意力机制计算图像时空特征图中不同通道与光伏发电功率的相关性；基于相关性对每一个图像通道赋予权重，得到包含显著特征信息的图像特征图；具体定义如下：
其中，Q，K，V为查询向量、键向量、值向量，dk为键向量的维度，softmax为激活函数。
6.根据权利要求1所述的方法，其特征在于，所述步骤5包括：
将历史光伏发电功率序列作为第一次时序卷积操作的输入；
将第一次时序卷积操作的输出中的第1个时刻对应的输出/>与对应时刻的图像显著时空特征Z1进行融合，再与其余输出/>进行拼接，得到下一次时序卷积操作的输入；重复上述过程，将第t次时序卷积操作的输出中的第t个时刻对应的输出/>与对应时刻的图像显著时空特征Zt进行融合，经过上述拼接操作后，作为下一次时序卷积操作的输入；
最后一次时序卷积操作的输出O作为多层感知机的输入，多层感知机的输出即为光伏发电功率的超短期预测结果。
7.根据权利要求6所述的方法，其特征在于，时序卷积的定义如下：
其中，fi表示卷积操作，pt-d·i为历史光伏发电功率，K为卷积层数；
为时序卷积引入残差连接，定义如下：
P(h)＝δ(μ(P(h-1))+P(h-1))
其中，δ(·)表示激活函数，μ(·)是一个包含多种转换操作的结构，包括扩张因果卷积层、权重归一化和激活层，h为输入所通过的时序卷积操作的次数。
8.一种考虑时空特征相互影响的超短期光伏功率预测系统，其特征在于，包括：
图像预处理模块，利用Farneback光流法计算相邻帧间地基云图中云层的运动信息，得到表征云层动态信息的光流图像；
特征提取模块，利用VGG网络提取出RGB地基云图中的空间特征，利用ConvLSTM网络提取出光流图像中的时序动态特征；
特征融合模块，利用基于原始RGB地基云图构建的门控单元，对图像时序动态特征与空间特征进行融合，得到图像时空特征；
特征选择模块，利用历史光伏功率与跨模态注意力机制提取出图像时空特征中的显著信息；
时序预测模块，将图像显著时空特征、历史光伏功率作为输入，通过基于渐进式特征融合架构与时序卷积模型的时序推理模型，输出未来10分钟至30分钟的光伏功率预测结果。
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中任一项所述的考虑时空特征相互影响的超短期光伏功率预测方法的步骤。
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中任一项所述的考虑时空特征相互影响的超短期光伏功率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172607.3A CN117220276B (zh) | 2023-09-12 | 2023-09-12 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172607.3A CN117220276B (zh) | 2023-09-12 | 2023-09-12 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117220276A true CN117220276A (zh) | 2023-12-12 |
| CN117220276B CN117220276B (zh) | 2024-07-02 |
Family
ID=89048958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311172607.3A Active CN117220276B (zh) | 2023-09-12 | 2023-09-12 | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117220276B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| KR20210070025A (ko) * | 2019-12-04 | 2021-06-14 | 한국항공우주연구원 | 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램 |
| 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 |
| CN115457389A (zh) * | 2022-09-05 | 2022-12-09 | 河海大学 | 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 |
| 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 |
| CN115546257A (zh) * | 2022-08-09 | 2022-12-30 | 南京信息工程大学 | 基于wgan-gp网络与光流法的卫星云图预测方法 |
| CN115935809A (zh) * | 2022-11-25 | 2023-04-07 | 国网上海市电力公司 | 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 |
| CN116152206A (zh) * | 2023-02-27 | 2023-05-23 | 厦门大学 | 一种光伏输出功率预测方法、终端设备及存储介质 |
| CN116485139A (zh) * | 2023-04-26 | 2023-07-25 | 西安西热控制技术有限公司 | 一种基于多特征融合的短期光伏发电量预测方法 |
-
2023
- 2023-09-12 CN CN202311172607.3A patent/CN117220276B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210070025A (ko) * | 2019-12-04 | 2021-06-14 | 한국항공우주연구원 | 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램 |
| 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 |
| CN115546257A (zh) * | 2022-08-09 | 2022-12-30 | 南京信息工程大学 | 基于wgan-gp网络与光流法的卫星云图预测方法 |
| CN115457389A (zh) * | 2022-09-05 | 2022-12-09 | 河海大学 | 基于稀疏时空特征描述子的超短期太阳辐射预测方法及系统 |
| 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 |
| CN115935809A (zh) * | 2022-11-25 | 2023-04-07 | 国网上海市电力公司 | 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 |
| CN116152206A (zh) * | 2023-02-27 | 2023-05-23 | 厦门大学 | 一种光伏输出功率预测方法、终端设备及存储介质 |
| CN116485139A (zh) * | 2023-04-26 | 2023-07-25 | 西安西热控制技术有限公司 | 一种基于多特征融合的短期光伏发电量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHIYUAN SI: "A Hybrid Photovoltaic Power Prediction Model Based on Multi-source Data Fusion and Deep Learning", 2020 IEEE 3RD STUDENT CONFERENCE ON ELECTRICAL MACHINES AND SYSTEMS (SCEMS), vol. 2022, 15 February 2021 (2021-02-15), pages 608 - 613 * |
| 李豪: "基于时空相关性的短期光伏出力预测混合模型", 电力系统及其自动化学报, 12 July 2023 (2023-07-12) * |
| 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, 10 October 2013 (2013-10-10) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117220276B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507793B (zh) | 一种超短期光伏功率预测方法 | |
| Nie et al. | Resampling and data augmentation for short-term PV output prediction based on an imbalanced sky images dataset using convolutional neural networks | |
| CN114255238A (zh) | 一种融合图像特征的三维点云场景分割方法及系统 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
| CN114444757A (zh) | 一种高原山地多模型多尺度新能源电站出力联合预测方法 | |
| CN114972439A (zh) | 一种新的无人机目标跟踪算法 | |
| CN116384583A (zh) | 一种基于多神经网络的光伏功率预测方法 | |
| CN117454116A (zh) | 一种基于多源数据交互网络的地面碳排放监测方法 | |
| CN118172499B (zh) | 一种基于资源三号遥感影像的建筑高度反演方法 | |
| CN116561567A (zh) | 一种基于变分模态分解的短期光伏功率预测模型及构建方法、应用方法 | |
| CN115099318A (zh) | 一种风速时空预测网络的训练方法、应用方法及电子设备 | |
| CN111369483A (zh) | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 | |
| CN117220276B (zh) | 考虑时空特征相互影响的超短期光伏功率预测方法及系统 | |
| Dong et al. | Upetu: A unified parameter-efficient fine-tuning framework for remote sensing foundation model | |
| CN117392065A (zh) | 一种云边协同太阳能板覆灰状况自主评估方法 | |
| Zhang et al. | Digital twin empowered PV power prediction | |
| CN110648030A (zh) | 海水温度的预测方法及装置 | |
| CN116597144A (zh) | 一种基于事件相机的图像语义分割方法 | |
| Gao et al. | Interpretable deep learning for hourly solar radiation prediction: A real measured data case study in Tokyo | |
| CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
| CN115840261A (zh) | 一种台风降水短临预测模型优化及预测方法 | |
| CN115689941A (zh) | 一种跨域生成对抗的sar影像补偿方法及计算机可读介质 | |
| CN109118469A (zh) | 用于视频显著性的预测方法 | |
| CN113706650A (zh) | 一种基于注意力机制和流模型的图像生成方法 |
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 |