CN117239744B - 融合风云4号气象卫星数据的超短期光伏功率预测方法 - Google Patents
融合风云4号气象卫星数据的超短期光伏功率预测方法 Download PDFInfo
- Publication number
- CN117239744B CN117239744B CN202311516463.9A CN202311516463A CN117239744B CN 117239744 B CN117239744 B CN 117239744B CN 202311516463 A CN202311516463 A CN 202311516463A CN 117239744 B CN117239744 B CN 117239744B
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- ultra
- weather satellite
- points
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000005855 radiation Effects 0.000 claims abstract description 55
- 230000035772 mutation Effects 0.000 claims abstract description 49
- 230000003287 optical effect Effects 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000003908 quality control method Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 6
- 230000010485 coping Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method 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)
Abstract
一种融合风云4号气象卫星数据的超短期光伏功率预测方法，包括：获取数值预报数据和卫星数据，通过预测位置坐标找到该坐标周围8个点的坐标，获取9个点的数据，进行质控和融合；将得到的卫星数据中9个点辐射数据，通过光流法对9个点的数据进行处理，获得辐射的运行方向和变化速度，考虑突变天气对光伏数据的影响,引入局部突变率的预测方法；将卫星数据通过反距离加权插值法进行计算生成多组数据，相融合，生成输入因子；使用功率预测算法进行超短期内光伏功率预测，通过预测得到的数据与实际功率对比，所得到的残差值定量评估预测效果。它提高了功率预测效果的准确性，增强了检验方法的泛化能力，解决了超短期光伏功率难以预测的问题。
Description
技术领域
本发明涉及一种光伏功率预测方法，具体是一种融合风云4号气象卫星数据的超短期光伏功率预测方法。
背景技术
目前，光伏功率预测方法主要分为两种，一种是基于光伏发电原理和实时气象数据的物理方法，以及基于历史特征数据和曲线拟合的统计分析方法。另一种是物理建模方法，该方法采用光伏组件的光电转换模型，并结合电站地理信息和未来气象数据进行功率预测。
随着我国风云系列卫星系统的完善，风云4号气象卫星数据在天气预测方面得到了广泛应用。风云4号系列卫星是我国自主研发的一款新一代地球同步轨道气象卫星，其始数据处理主要包括数据预处理、定标和反演等步骤。相较于风云2号卫星，风云4号系列卫星通过增加了9个光谱波段以及实现更高的时空分辨率，显著提升了对太阳辐射的监测准确度和细节分辨能力。然而，目前还没有将风云4号气象卫星数据融合到超短期光伏功率预测方法中。现有的光伏功率预测方法通常是通过在多个晴朗地区寻找光伏发电功率与气象特征之间的关联关系来实现的。然而，在气象特征频繁变化的区域（如多云、阴雨等），由于其随机性和多样性，光伏发电功率仍然难以准确预测。在频繁变化的气象条件下，如何有效利用有限的信息并探索光伏功率与气象特征的波动特性，对于光伏功率的预测具有重要的现实意义。本研究提出了一种局部突变率（LMR）预测方法，针对突变天气对光伏数据的影响。该方法旨在应对突变天气条件下光伏发电数据的波动性。
相关专利文献：CN113298303A公开了一种针对气象卫星云图动态注意域的光伏功率预测方法，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。
以上技术方案并未较好地解决超短期光伏功率难以预测的问题。
发明内容
本发明的目的在于提供一种融合风云4号气象卫星数据的超短期光伏功率预测方法，它能提高功率预测效果的准确性，增强检验方法的泛化能力，以解决超短期光伏功率难以预测的问题。
为解决上述技术问题，本发明采用的技术方案如下：
一种融合风云4号气象卫星数据的超短期光伏功率预测方法，其技术方案在于它包括如下步骤：
S1: 获取数值预报数据和风云4号气象卫星数据，通过预测位置坐标在风云4号气象卫星数据中找到该坐标周围8个点的坐标，然后获取9个点的数据，并进行质控和融合，得到质控和融合后的风云4号气象卫星数据中9个点辐射数据即9个点位置坐标数据。
S2: 将步骤S1得到的风云4号气象卫星数据中9个点位置坐标数据，通过GCE-FlowNet2光流法对9个点的数据进行处理，获得辐射的运行方向和变化速度，GCE-FlowNet2光流法使用了组卷积和注意力机制，考虑突变天气对光伏数据的影响,引入局部突变率的预测方法。
S3:将风云4号气象卫星数据通过反距离加权插值法进行计算生成多组数据，然后把风云4号气象卫星数据和数值预报数据相融合，使风云4号气象卫星的时间分辨率与数值预报的时间分辨率统一。最后进行数据预处理，生成最终的输入因子。
S4:使用支持超短期光伏数据集训练的功率预测算法进行超短期内光伏功率预测，通过预测得到的数据与实际功率进行对比，所得到的残差值定量评估超短期内光伏功率预测效果。
上述技术方案中，优选的技术方案可以是，步骤S1具体包括:
S1.1:获取数值预报数据和风云4号气象卫星数据，风云4号卫星相较于风云2号卫星，风云4号卫星增加了9个光谱波段以及实现更高的时空分辨率，AGRI通道数已经从14增加到了18，同时红外空间分辨率也提高至2公里。这使得卫星能够更加准确地获取全圆盘卫星云图，且频次由15分钟提升至5分钟。显著提升了对太阳辐射的监测准确度和细节分辨能力。
数值预报数据包括总辐射量、散射辐射量和直接辐射量，每15分钟生成一份数值预报数据，每一个小时或者每45分钟生成一份风云4号气象卫星数据，风云4号气象卫星数据是未处理的原始图像即风云4号气象卫星数据图像，每个所述原始图像的尺寸为1200像素×800像素；
S1.2:通过预测位置坐标进一步在风云4号气象卫星数据图像中找到该坐标周围8个点的坐标，获取该9个点的数据，即获取所述9个点中每个点的总辐射量、散射辐射量和直接辐射量，并进行质控和原始数值预报数据融合处理，得到风云4号气象卫星数据图像中9个点辐射数据。
上述技术方案中，优选的技术方案还可以是，步骤S2具体包括:
S2.1:将步骤S1.2得到的风云4号气象卫星数据图像中9个点位置坐标数据，通过使用GCE-FlowNet2光流法对9个点的数据进行处理，从而获得每个点的辐射运动方向和变化速度，GCE-FlowNet2光流法是在FlowNet的基础上提出的GCE-FlowNet2光流神经网络，通过网络堆叠结构并融合多个光流模型来实现光流预测， GCE-FlowNet2网络采用高效通道注意力模块ECA，ECA模块将MLP模块转变为一维卷积的形式，其中一维卷积核大小通过通道数C自适应确定，自适应确定卷积核大小公式为：
，其中k表示卷积核大小，C表示通道数，/>表示k只能取奇数，γ和b在本公式中设置为2和1,用于改变通道数C和卷积核大小之间的比例；
通过GCE-FlowNet2光流法对风云4号气象卫星数据图像中9个点的位置坐标数据进行处理，处理后得到所述9个点的辐射的运动方向和运动速度，在数据集中会得到两种自变量，18个数值信息；
S2.2:GCE-FlowNet2光流法使用了级联的多尺度特征金字塔，然后通过光流估计和光流融合方法，最终得到辐射的变化方向和运动速度；
S2.3:引入局部突变率lmr，一次突变从开始到结束的全过程称为局部突变，最后计算所有的局部突变的平均值即突变率mr，局部突变率计算公式为：
，
突变率计算公式为：，
其中为突变的顶点，/>和/>分别为突变开始和突变结束的底点，t1和t2分别为一次突变的时间跨度。
上述技术方案中，优选的技术方案还可以是，步骤S3中，风云4号气象卫星是一个小时或者45分钟生成一张图片，而数值预报数据是15分钟生成一组，通过反距离加权插值法进行插值处理融合，生成多组数据，使风云4号气象卫星的时间分辨率与数值预报的时间分辨率统一，使用反距离加权插值法时，首先计算距离权重，然后邻近点选择以及加权插值，插值结果即为加权求和的值，该插值法主要依赖于反距离的幂值，幂参数是一个正实数，默认值为2，加权函数为：，式中，p是一个任意正实数，通常, p=2; hi是离散点到插值点的距离;
，(x, y）为插值点坐标；(xi, yi）为离散点坐标，即加权函数最终公式为：
，R为插值点到最远离散点的距离；n为离散点的总数。
上述技术方案中，优选的技术方案还可以是，针对步骤S2.1中使用GCE-FlowNet2光流法对风云4号气象卫星上的9个点的数据进行处理后，再进行反距离加权插值法处理，之后再和已有的数值预报数据融合，最终生成间隔为每15分钟一组数据；根据数据集的合成进一步的获取有效数值预报数据和风云4号气象卫星数据；在数据集的准备阶段，将训练集和测试集中的数值进行归一化等处理，形成能训练的实测数据。步骤S4中，支持超短期光伏数据集训练的功率预测算法为LMR-BiLSTM算法模型，LMR-BiLSTM算法模型是一种将局部突变率LMR集成到BiLSTM算法的双向预测算法；该算法训练了AMC-LSTM和BiLSTM两种架构，共比较了三种模型，分别是AMC-LSTM、BiLSTM和LMR-BiLSTM；该算法在训练参数设置时，采用自动调整的参数方法，当损失值在训练20个周期没有改变时，会自动停止，同时学习率也会根据损失值进行线性调整。步骤S4中所得到的残差值包括计算均方根误差、平均绝对误差和平均相对误差，残差值反映实际观测与预测之间的差异，均方根误差（RMSE）反映偏离程度，平均绝对误差（MAE）反映平均误差，这些指标全面评价本发明的预测精度，所述超短期光伏功率预测方法在未来4个小时16个预测点有效进行预测功率，即每15分钟进行一次功率预测。步骤S3中所述输入因子是9个点的数据共有49个数值信息组成，包括总辐射、散射辐射、直接辐射、局部突变率、辐射的运动方向和运动速度。
本发明提供了一种融合风云4号气象卫星数据的超短期光伏功率预测方法，它包括如下步骤：S1: 获取数值预报数据和风云4号气象卫星数据，即实验数据集是由风云4号气象卫星数据和数值预报数据组成，所述数值预报数据为欧洲功率预测的数据集；所述风云4号气象卫星为我国自主研发的一颗静止气象卫星，用于获取天气、气候及地球环境的相关数据。通过预测位置坐标在风云4号气象卫星数据中找到该坐标周围8个点的坐标，然后获取9个点的数据，并进行质控和融合，得到质控和融合后的风云4号气象卫星数据中9个点辐射数据；S2: 将步骤S1得到的风云4号气象卫星数据中9个点位置坐标数据，通过GCE-FlowNet2光流法对9个点的数据进行处理，获得辐射的运行方向和变化速度，GCE-FlowNet2光流法使用了组卷积和注意力机制，考虑突变天气对光伏数据的影响,引入局部突变率（LMR）的预测方法；S3:将风云4号气象卫星数据通过反距离加权插值法（IDW）进行计算生成多组数据，然后把风云4号气象卫星数据和数值预报数据相融合，最后进行数据预处理，生成最终的输入因子；S4:使用支持超短期光伏数据集训练的功率预测算法进行超短期内光伏功率预测，通过预测得到的数据与实际功率进行对比，所得到的残差值定量评估超短期内光伏功率预测效果。该超短期光伏功率预测方法在未来4个小时16个预测点有效进行精准预测; 该方法包含数据处理、模型建立和结果输出模块。
本发明针对突变天气对光伏数据的影响，提出了一种局部突变率（LMR）预测方法，该方法旨在应对突变天气条件下光伏发电数据的波动性。本发明提高了功率预测效果的准确性，增强了检验方法的泛化能力，解决了超短期光伏功率难以预测的问题。经试验，与已有相关的光伏功率预测方法相比，同等预测条件下，本发明的预测成本降低了13%以上。
附图说明
图1为本发明的超短期光伏功率预测方法的参考图（框图）。
图2为本发明的超短期光伏功率预测方法的流程图。
图3为本发明所涉及的FlowNet2流程图。
图4为本发明所涉及的FlowNetC的流程图。
图5为本发明所涉及的FlowNetS流程图。
图6为本发明所涉及的高效通道注意力模块ECA流程图。
图7为本发明所涉及的BiLSTM模型图。
具体实施方式
为使本发明的发明目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明一部分实施例，而非全部实施例。基于本实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的范围。
实施例：如图1、图2、图3、图4、图5、图6、图7所示，本发明的融合风云4号气象卫星数据的超短期光伏功率预测方法包括如下步骤：
S1: 获取数值预报数据和风云4号气象卫星数据，即实验数据集是由风云4号气象卫星数据和数值预报数据组成，所述数值预报数据为欧洲功率预测的数据集；所述风云4号气象卫星为我国自主研发的一颗静止气象卫星，用于获取天气、气候及地球环境的相关数据。通过预测位置坐标在风云4号气象卫星数据中找到该坐标周围8个点的坐标，然后获取9个点的数据，并进行质控和融合，得到质控和融合后的风云4号气象卫星数据中9个点辐射数据即9个点位置坐标数据。步骤S1为数据获取和处理步骤，步骤S1具体包括:
S1.1:获取数值预报数据和风云4号气象卫星数据，风云4号卫星相较于风云2号卫星，风云4号卫星增加了9个光谱波段以及实现更高的时空分辨率，AGRI通道数已经从14增加到了18，同时红外空间分辨率也提高至2公里。这使得卫星能够更加准确地获取全圆盘卫星云图，且频次由15分钟提升至5分钟。显著提升了对太阳辐射的监测准确度和细节分辨能力。
数值预报数据包括总辐射量、散射辐射量和直接辐射量，每15分钟生成一份数值预报数据，每一个小时或者每45分钟生成一份风云4号气象卫星数据，风云4号气象卫星数据是未处理的原始图像即风云4号气象卫星数据图像，每个所述原始图像的尺寸为1200像素×800像素。
S1.2:通过预测位置坐标进一步在风云4号气象卫星数据图像中找到该坐标周围8个点的坐标，获取该9个点的数据，即获取所述9个点中每个点的总辐射量、散射辐射量和直接辐射量，并进行质控和原始数值预报数据融合处理，得到风云4号气象卫星数据图像中9个点辐射数据。
S2: 将步骤S1得到的风云4号气象卫星数据中9个点位置坐标数据，通过GCE-FlowNet2光流法对9个点的数据进行处理，获得辐射的运行方向和变化速度，考虑突变天气对光伏数据的影响,引入局部突变率（LMR）的预测方法，GCE-FlowNet2光流法使用了组卷积和注意力机制。步骤S2具体包括:
S2.1:将步骤S1.2得到的风云4号气象卫星数据图像中9个点位置坐标数据，通过使用GCE-FlowNet2光流法对9个点的数据进行处理，GCE-FlowNet2光流法是在FlowNet的基础上提出的GCE-FlowNet2光流神经网络，通过网络堆叠结构并融合多个光流模型来实现光流预测，针对传统光流法存在的鲁棒性不高、易对图像噪声敏感、实时性差等问题，如图3所示，本发明将结合了组卷积和注意力机制的FlowNet2光流检测网络引入到目标光流检测中，提出了一种基于GCE-FlowNet2卷积神经网络的目标光流检测方法，很大程度减少了计算参数，具有较快的计算速度，可以在实时或快速处理的应用中使用。GCE-FlowNet2网络采用堆叠网络结构，网络由大、小位移求解网络组成，如图4、图5所示，FlowNetC-FlowNetS-FlowNeS串联组成大位移求解网络,其中FlowNetC网络流程：输入连续的两帧待求解图像1和图像2，卷积和组卷积网络求解后得到光流场图像。假设两幅特征图像分别为f1和f2,其特征关系c(x1, x2)：
，
公式中，o为块中心的点，块长为K = 2k + 1，大小为K * K,ｏ∈[-k,k] * [-k,k],x1为第一个特征图像模块的中心,x2为第二个特征图像模块的中心。
在FlowNet2网络模型中加入组卷积，主要是减少参数，优化模型的计算速度。但是组卷积阻碍了不同组通道之间的信息流动，降低特征提取能力。为了解决这一问题，本文进行了通道洗牌操作，增强了不同组通道之间的信息交换。普通卷积运算量的计算公式为：
，参数量计算公式为：/>，组卷积运算量的计算公式为：/>，参数量计算公式为：
， C0:输入的通道。K：卷积核大小。H，W：输出图片的大小； C1：输出通道的大小。
实验表明，避免维度缩减对于学习通道注意非常重要，适当的跨通道交互可以在显著降低模型复杂度的同时保持性能，本发明在克服性能和复杂性的矛盾之间，提出了一种高效的通道注意(ECA)模块。如图6所示，ECA模块是针对SE模块的改进，将MLP模块(FC->ReLU>FC->Sigmoid)，转变为一维卷积的形式，有效减少了参数计算量。用一维卷积替换了全连接层，其中一维卷积核大小通过通道数C自适应确定。自适应确定卷积核大小公式为：
,公式中k表示卷积核大小，C表示通道数，/>表示k只能取奇数，γ和b在本公式中设置为2和1,用于改变通道数C和卷积核大小之间的比例。
上述AAE、EPE的计算公式，将真实光流记作，/>记作估计光流，其中M和N是图像的宽与高，/>，
通过GCE-FlowNet2光流法对风云4号气象卫星数据图像中9个点的位置坐标数据进行处理，处理后得到所述9个点的辐射的运动方向和运动速度。因此在数据集中会得到两种自变量，18个数值信息。
针对步骤S2.1中使用GCE-FlowNet2光流法对风云4号气象卫星上的9个点的数据进行处理后，再进行反距离加权插值法处理，之后再和已有的数值预报数据融合，最终生成间隔为每15分钟一组数据；根据数据集的合成进一步的获取有效数值预报数据和风云4号气象卫星数据；在数据集的准备阶段，将训练集和测试集中的数值进行归一化等处理，形成能训练的实测数据。
S2.2:GCE-FlowNet2光流法使用了级联的多尺度特征金字塔，然后通过光流估计和光流融合方法，最终得到辐射的变化方向和运动速度（变化速度）。
S2.3:针对于超短期光伏功率预测而言，则需进一步考虑不规则云团移动的因素，将云层移动对光伏电站的遮挡情况考虑在内。因此，针对天气突变和云层的运动会对光伏产生直接影响，进一步引入了局部突变率lmr，减小了突变情况对光伏功率预测的影响，能够提高超短期光伏功率预测的精度。一次突变从开始到结束的全过程称为局部突变，最后计算所有的局部突变的平均值即突变率mr，局部突变率计算公式为：
，突变率计算公式为：/>，其中/>为突变的顶点，/>和/>分别为突变开始和突变结束的底点，t1和t2分别为一次突变的时间跨度；引入局部突变率后，数据集中增加了一种自变量，1个数值信息。以上根据步骤S2.1、步骤S2.2处理后得到风云4号气象卫星数据的辐射的变化方向和变化速度，根据步骤S2.4处理得到局部突变率lmr。
S3:将风云4号气象卫星数据通过反距离加权插值法（IDW）进行计算生成多组数据，然后把风云4号气象卫星数据和数值预报数据相融合，使风云4号气象卫星的时间分辨率与数值预报的时间分辨率统一。最后进行数据预处理，生成最终的输入因子。
步骤S3中，风云4号气象卫星是一个小时或者45分钟生成一张图片，而数值预报数据是15分钟生成一组，通过反距离加权插值法进行插值处理融合，生成多组数据，使风云4号气象卫星的时间分辨率与数值预报的时间分辨率统一，使用反距离加权插值法时，首先计算距离权重，然后邻近点选择以及加权插值，插值结果即为加权求和的值，可以根据需求设定的邻近点数量，最后反距离加权插值的输出，需要对插值结果进行必要的后处理合并修正等，并进行合理的权衡和调整最终达到理想的效果。本发明数据分布比较均匀，考虑到插值法的准确度和复杂度，因此本发明使用反距离加权插值法，反距离加权插值法是一种基于距离、最近点、功率设置和障碍来估计未知值。它的思想是，离某个点的距离越近，对该点的影响就越大。该插值法主要依赖于反距离的幂值，幂参数可基于距输出点的距离来控制已知点对内插值的影响。幂参数是一个正实数，默认值为2。加权函数为：，式中，p是一个任意正实数，通常, p=2; hi是离散点到插值点的距离;
，(x, y）为插值点坐标；(xi, yi）为离散点坐标，即加权函数最终公式为：
，R为插值点到最远离散点的距离；n为离散点的总数。
步骤S3中所述输入因子是9个点的数据共有49个数值信息组成，包括总辐射、散射辐射、直接辐射、局部突变率（LMR）、辐射的运动方向和运动速度。
S4:使用支持超短期光伏数据集训练的功率预测算法进行超短期内光伏功率预测，通过预测得到的数据与实际功率进行对比，所得到的残差值定量评估超短期内光伏功率预测效果。该超短期光伏功率预测方法在未来4个小时16个预测点有效进行精准预测;该方法包含数据处理、模型建立和结果输出模块。
步骤S4中，支持超短期光伏数据集训练的功率预测算法为LMR-BiLSTM算法模型，LMR-BiLSTM算法模型是一种将局部突变率LMR集成到BiLSTM算法的双向预测算法，如图7所示，该算法训练了AMC-LSTM和BiLSTM两种架构，共比较了三种模型，分别是AMC-LSTM、BiLSTM和LMR-BiLSTM；该算法在训练参数设置时，采用自动调整的参数方法，当损失值在训练20个周期没有改变时，会自动停止，同时学习率也会根据损失值进行线性调整。
步骤S4中所得到的残差值包括计算均方根误差、平均绝对误差和平均相对误差，残差值反映实际观测与预测之间的差异，均方根误差（RMSE）反映偏离程度，平均绝对误差（MAE）反映平均误差，这些指标全面评价本发明的预测精度，所述超短期光伏功率预测方法在未来4个小时16个预测点有效进行预测功率，即每15分钟进行一次功率预测。
综上所述，本发明针对突变天气对光伏数据的影响，提出了一种局部突变率（LMR）预测方法，该方法旨在应对突变天气条件下光伏发电数据的波动性。本发明提高了功率预测效果的准确性，增强了检验方法的泛化能力，解决了超短期光伏功率难以预测的问题。经试验，与已有相关的光伏功率预测方法相比，同等预测条件下，本发明的预测成本降低了13%以上。
Claims (5)
1.一种融合风云4号气象卫星数据的超短期光伏功率预测方法，其特征在于它包括如下步骤：
S1: 获取数值预报数据和风云4号气象卫星数据，通过预测位置坐标在风云4号气象卫星数据中找到该坐标周围8个点的坐标，然后获取9个点的数据，并进行质控和融合，得到质控和融合后的风云4号气象卫星数据中9个点辐射数据即9个点位置坐标数据；步骤S1包括:
S1.1:获取数值预报数据和风云4号气象卫星数据，数值预报数据包括总辐射量、散射辐射量和直接辐射量，每15分钟生成一份数值预报数据，每一个小时或者每45分钟生成一份风云4号气象卫星数据，风云4号气象卫星数据是未处理的原始图像即风云4号气象卫星数据图像，每个所述原始图像的尺寸为1200像素×800像素；
S1.2:通过预测位置坐标进一步在风云4号气象卫星数据图像中找到该坐标周围8个点的坐标，获取该9个点的数据，即获取所述9个点中每个点的总辐射量、散射辐射量和直接辐射量，并进行质控和原始数值预报数据融合处理，得到风云4号气象卫星数据图像中9个点辐射数据；
S2: 将步骤S1得到的风云4号气象卫星数据中9个点位置坐标数据，通过GCE-FlowNet2光流法对9个点的数据进行处理，获得辐射的运行方向和变化速度，GCE-FlowNet2光流法使用了组卷积和注意力机制，考虑突变天气对光伏数据的影响,引入局部突变率的预测方法；步骤S2包括:
S2.1:将步骤S1.2得到的风云4号气象卫星数据图像中9个点位置坐标数据，通过使用GCE-FlowNet2光流法对9个点的数据进行处理，从而获得每个点的辐射运动方向和变化速度，GCE-FlowNet2光流法是在FlowNet的基础上提出的GCE-FlowNet2光流神经网络，通过网络堆叠结构并融合多个光流模型来实现光流预测， GCE-FlowNet2网络采用高效通道注意力模块ECA，ECA模块将MLP模块转变为一维卷积的形式，其中一维卷积核大小通过通道数C自适应确定，自适应确定卷积核大小公式为：
，
其中k表示卷积核大小，C表示通道数，表示k只能取奇数，γ 和b在本公式中设置为2和1,用于改变通道数C和卷积核大小之间的比例；
通过GCE-FlowNet2光流法对风云4号气象卫星数据图像中9个点的位置坐标数据进行处理，处理后得到所述9个点的辐射的运动方向和运动速度，在数据集中会得到两种自变量，18个数值信息；
S2.2:GCE-FlowNet2光流法使用了级联的多尺度特征金字塔，然后通过光流估计和光流融合方法，最终得到辐射的变化方向和运动速度；
S2.3:引入局部突变率lmr，一次突变从开始到结束的全过程称为局部突变，最后计算所有的局部突变的平均值即突变率mr，局部突变率计算公式为：
，突变率计算公式为：
，其中/>为突变的顶点，/>和/>分别为突变开始和突变结束的底点，t1和t2分别为一次突变的时间跨度；
S3:将风云4号气象卫星数据通过反距离加权插值法进行计算生成多组数据，然后把风云4号气象卫星数据和数值预报数据相融合，使风云4号气象卫星的时间分辨率与数值预报的时间分辨率统一，最后进行数据预处理，生成最终的输入因子；
步骤S3中所述输入因子是9个点的数据共有49个数值信息组成，包括总辐射、散射辐射、直接辐射、局部突变率、辐射的运动方向和运动速度；
S4:使用支持超短期光伏数据集训练的功率预测算法进行超短期内光伏功率预测，通过预测得到的数据与实际功率进行对比，所得到的残差值定量评估超短期内光伏功率预测效果。
2.根据权利要求1所述的融合风云4号气象卫星数据超短期光伏功率预测方法，其特征在于步骤S3中，风云4号气象卫星是一个小时或者45分钟生成一张图片，而数值预报数据是15分钟生成一组，通过反距离加权插值法进行插值处理融合，生成多组数据，使风云4号气象卫星的时间分辨率与数值预报的时间分辨率统一，使用反距离加权插值法时，首先计算距离权重，然后邻近点选择以及加权插值，插值结果即为加权求和的值，该插值法依赖于反距离的幂值，幂参数是一个正实数，默认值为2，加权函数为：，式中，p是一个任意正实数，通常, p=2; hi是离散点到插值点的距离;
，
(x, y）为插值点坐标；(xi, yi）为离散点坐标，即加权函数最终公式为：
，R为插值点到最远离散点的距离；n为离散点的总数。
3.根据权利要求1所述的融合风云4号气象卫星数据超短期光伏功率预测方法，其特征在于针对步骤S2.1中使用GCE-FlowNet2光流法对风云4号气象卫星上的9个点的数据进行处理后，再进行反距离加权插值法处理，之后再和已有的数值预报数据融合，最终生成间隔为每15分钟一组数据；根据数据集的合成进一步的获取有效数值预报数据和风云4号气象卫星数据；在数据集的准备阶段，将训练集和测试集中的数值进行归一化处理，形成能训练的实测数据。
4.根据权利要求2所述的融合风云4号气象卫星数据超短期光伏功率预测方法，其特征在于步骤S4中，支持超短期光伏数据集训练的功率预测算法为LMR-BiLSTM算法模型，LMR-BiLSTM算法模型是一种将局部突变率LMR集成到BiLSTM算法的双向预测算法；该算法训练了AMC-LSTM和BiLSTM两种架构，共比较了三种模型，分别是AMC-LSTM、BiLSTM和LMR-BiLSTM；该算法在训练参数设置时，采用自动调整的参数方法，当损失值在训练20个周期没有改变时，会自动停止，同时学习率也会根据损失值进行线性调整。
5.根据权利要求1所述的融合风云4号气象卫星数据超短期光伏功率预测方法，其特征在于步骤S4中所得到的残差值包括计算均方根误差、平均绝对误差和平均相对误差，残差值反映实际观测与预测之间的差异，均方根误差反映偏离程度，平均绝对误差反映平均误差，所述超短期光伏功率预测方法在未来4个小时16个预测点有效进行预测功率，即每15分钟进行一次功率预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516463.9A CN117239744B (zh) | 2023-11-15 | 2023-11-15 | 融合风云4号气象卫星数据的超短期光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516463.9A CN117239744B (zh) | 2023-11-15 | 2023-11-15 | 融合风云4号气象卫星数据的超短期光伏功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117239744A CN117239744A (zh) | 2023-12-15 |
| CN117239744B true CN117239744B (zh) | 2024-02-02 |
Family
ID=89086535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311516463.9A Active CN117239744B (zh) | 2023-11-15 | 2023-11-15 | 融合风云4号气象卫星数据的超短期光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117239744B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017155421A1 (en) * | 2016-03-07 | 2017-09-14 | Centro De Investigação Em Energia Ren - State Grid, S.A | Method and system for forecasting the power output of a group of photovoltaic power plants and managing the integration of said power output into a power grid |
| CN112016736A (zh) * | 2020-07-29 | 2020-12-01 | 天津大学 | 基于门控卷积和注意力机制的光伏发电功率的控制方法 |
| CN112802063A (zh) * | 2021-02-03 | 2021-05-14 | 阳光电源股份有限公司 | 卫星云图的预测方法、装置以及计算机可读存储介质 |
| 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 |
| CN113378459A (zh) * | 2021-06-02 | 2021-09-10 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
| CN114510513A (zh) * | 2021-12-31 | 2022-05-17 | 国网浙江省电力有限公司绍兴供电公司 | 用于光伏功率超短期预测的短临气象预报数据处理方法 |
| CN114707688A (zh) * | 2021-12-31 | 2022-07-05 | 国网浙江省电力有限公司绍兴供电公司 | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 |
| 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 |
-
2023
- 2023-11-15 CN CN202311516463.9A patent/CN117239744B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017155421A1 (en) * | 2016-03-07 | 2017-09-14 | Centro De Investigação Em Energia Ren - State Grid, S.A | Method and system for forecasting the power output of a group of photovoltaic power plants and managing the integration of said power output into a power grid |
| CN112016736A (zh) * | 2020-07-29 | 2020-12-01 | 天津大学 | 基于门控卷积和注意力机制的光伏发电功率的控制方法 |
| CN112802063A (zh) * | 2021-02-03 | 2021-05-14 | 阳光电源股份有限公司 | 卫星云图的预测方法、装置以及计算机可读存储介质 |
| 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 |
| CN113378459A (zh) * | 2021-06-02 | 2021-09-10 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
| CN114510513A (zh) * | 2021-12-31 | 2022-05-17 | 国网浙江省电力有限公司绍兴供电公司 | 用于光伏功率超短期预测的短临气象预报数据处理方法 |
| CN114707688A (zh) * | 2021-12-31 | 2022-07-05 | 国网浙江省电力有限公司绍兴供电公司 | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| 基于EWE模型洈水水库生态容纳量评估及应用研究;范泽宇;《中国优秀硕士学位论文全文数据库 基础科学辑》;全文 * |
| 基于FlowNet2.0网络的目标光流检测方法;周泳等;《龙岩学院学报》;第38卷(第2期);全文 * |
| 基于卷积神经网络的改进YOLOv5车辆检测算法研究;李超;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117239744A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446419A (zh) | 基于注意力机制的时空神经网络雷达回波外推预报方法 | |
| CN114120101B (zh) | 一种土壤水分多尺度综合感知方法 | |
| CN114549925A (zh) | 一种基于深度学习的海浪有效波高时间序列预测方法 | |
| CN114283120B (zh) | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 | |
| CN116760031B (zh) | 基于气象数据的高时间分辨率光伏功率预测方法和装置 | |
| CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
| CN113935249A (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| CN114611415B (zh) | 一种基于SL-TrellisNets网络的超视距传播损耗预测方法 | |
| CN114330641A (zh) | 基于复杂地形的深度学习的短期风速订正模型的建立方法 | |
| CN118094462A (zh) | 一种基于CNN-BiLSTM-Attention的声速剖面预测方法 | |
| CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
| CN118262218A (zh) | 一种基于改进SimVP的卫星云图序列预测方法 | |
| CN117239744B (zh) | 融合风云4号气象卫星数据的超短期光伏功率预测方法 | |
| Xu et al. | Fuxi-DA: A Generalized Deep Learning Data Assimilation Framework for Assimilating Satellite Observations | |
| CN116433548A (zh) | 一种基于多级信息提取的高光谱与全色图像融合方法 | |
| CN113933915B (zh) | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 | |
| CN114004405B (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及系统 | |
| CN115080634A (zh) | 一种联合transformer注意力循环网络的网格化PM2.5浓度预测方法 | |
| CN112616160A (zh) | 一种智能短波频率跨频段实时预测方法及系统 | |
| CN117808155A (zh) | 一种基于风云4a卫星的地表入射太阳辐射智能化预报方法 | |
| CN117973645B (zh) | 一种光伏功率预测方法 | |
| Hu et al. | A Hybrid Conv-LSTM-Attention Framework for Short-Term PV Power Forecasting Incorporating Data from Neighboring Stations | |
| Cui et al. | Solar radiation nowcasting based on geostationary satellite images and deep learning models | |
| CN117408145A (zh) | 一种区域短波辐射预测方法及系统 |
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 |