CN117424232A - 一种基于三维气象数据多源融合的短期光伏功率预测方法 - Google Patents
一种基于三维气象数据多源融合的短期光伏功率预测方法 Download PDFInfo
- Publication number
- CN117424232A CN117424232A CN202311744003.1A CN202311744003A CN117424232A CN 117424232 A CN117424232 A CN 117424232A CN 202311744003 A CN202311744003 A CN 202311744003A CN 117424232 A CN117424232 A CN 117424232A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- dimensional
- satellite cloud
- network
- vector
- 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 78
- 230000004927 fusion Effects 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims description 150
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 11
- 241000219094 Vitaceae Species 0.000 claims description 10
- 235000021021 grapes Nutrition 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 1
- 230000008485 antagonism Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000009792 diffusion process Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining 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 Processing (AREA)
Abstract
本发明提出了一种基于三维气象数据多源融合的短期光伏功率预测方法，构建时空条件扩散模型用于生成预测卫星云图，通过时空LSTM提取历史卫星图像和历史ERA5气象数据中的时空特征，结合条件生成对抗网络生成高精度的预测卫星云图，再通过U型气象特征嵌入网络建立二维云特征及三维气象要素特征与光伏功率的映射关系，实现高精度的光伏功率预测。本发明充分考虑了云层高度、太阳位置和气象条件对光伏功率的影响，能够实现高精度的短期光伏功率预测，帮助电力公司更好地管理电力网络和输电线路，确保系统的安全和稳定运行。
Description
技术领域
本发明属于光伏功率预测技术领域，具体涉及一种基于三维气象数据多源融合的短期光伏功率预测方法。
背景技术
光伏发电受到太阳辐射、云层遮挡、温度变化等多种因素的影响，这使得其输出功率很不稳定，对电力系统的运行和调度带来了巨大的挑战。准确预测光伏发电的输出功率，对于提高光伏发电的安全性、可靠性和经济性具有重要意义。
光伏功率受到诸多因素的影响，其中，云层对太阳辐射的遮挡是导致光伏功率波动的最主要因素。近年来许多基于云图数据的预测方法被提出，卫星云图由于具有广阔的观测范围和便捷的获取途径，在光伏功率预测研究中得到了广泛应用。但现有的考虑卫星云图的光伏功率预测方法存在两方面的局限性，一是在云图预测方面存在明显的运动模糊问题，只能预测云层整体的运动趋势，对云层形状和具体分布情况估计的误差较大。二是仅使用二维的云图来估计三维的云团对太阳辐射的遮挡作用，没有充分考虑云的三维分布和三维空间中的气象要素对光伏功率的影响。
发明内容
解决的技术问题：本发明提出一种基于三维气象数据多源融合的短期光伏功率预测方法，该利用深度学习方法充分融合了二维卫星云图和三维气象要素，能够更好地捕捉多源数据对光伏功率的影响，进而提高光伏功率的预测精度。
技术方案
本发明公开了一种基于三维气象数据多源融合的短期光伏功率预测方法，所述短期光伏功率预测方法包括以下步骤：
S1，获取历史光伏功率、历史卫星云图、ERA5气象数据、太阳几何参数和GRAPES数值预报结果；
S2，对历史卫星云图和ERA5气象数据进行预处理，将两组数据重构为维度相同的特征向量后相加，得到融合卫星云图向量；
S3，基于时空条件生成对抗网络构建卫星云图预测模型，将融合卫星云图向量输入卫星云图预测模型，输出未来T个连续时刻的二维卫星云图特征；
S4，构建气象特征嵌入网络，将GRAPES数值预报结果、历史光伏功率和太阳几何参数输入气象特征嵌入网络，由气象特征嵌入网络对输入的气象要素进行特征提取，获取气象要素三维分布特征；
S5，将步骤S3得到的二维卫星云图特征和步骤S4得到的气象要素三维分布特征输入多维特征融合模块，多维特征融合模块包括通道注意力层、交叉注意力层和LSTM层；通道注意力和交叉注意力层对二维卫星云图特征和气象要素三维分布特征进行加权和融合后，将得到的三维气象要素融合特征输入到LSTM网络中，LSTM网络利用三维气象要素融合特征进行时序建模，生成光伏功率的预测结果。
进一步地，步骤S2中，对历史卫星云图和ERA5气象数据进行预处理，将两组数据重构为维度相同的特征向量后相加，得到融合卫星云图向量的过程包括以下步骤：
S21，通过1×1卷积网络将数据维度为1×H×W的卫星云图数据升维至40×H×W，H和W分别为预测区域的长和宽；
S22，对数据维度为4×10×H×W 的ERA5气象数据进行重构，使其维度转化为40×H×W；ERA5气象数据包括气压、水平风速、垂直风速和风向数据，在垂直空间上覆盖从1000hpa到100hpa的范围，垂直空间分辨率为100hpa；
S23，将重构后维度相同的卫星云图数据和ERA5气象数据这两组向量在通道维度上拼接，得到融合卫星云图向量。
进一步地，步骤S3中，基于时空条件生成对抗网络构建卫星云图预测模型，将融合卫星云图向量输入卫星云图预测模型，输出未来T个连续时刻的二维卫星云图预测的过程包括以下步骤：
基于时空条件生成对抗网络构建卫星云图预测模型，卫星云图预测模型包括相互连接的时空LSTM网络和条件生成对抗网络；
将融合卫星云图向量输入时空LSTM网络，使用时空LSTM网络提取融合卫星云图向量的时空特征；再将融合卫星云图向量的时空特征输入到条件生成对抗网络中，以融合卫星云图向量的时空特征作为约束条件抑制条件生成对抗网络的模型噪声并利用其中的时空特性生成时间序列预测图像，输出未来T个连续时刻的二维卫星云图特征。
进一步地，所述时空LSTM网络的公式为：
其中x t 为t时刻输入的融合卫星云图向量；i t 为输入门，用于控制哪些新信息被保
留；f t 为遗忘门，用于控制哪些旧信息被遗忘；o t 为输出门，用于控制哪些信息被输出；为
sigmoid激活函数，*为卷积运算，为Hadamard 积；为输出的融合卫星云图向量的时空
特征，用于反映云层整体的运动趋势；W xi 为输入门t时刻融合卫星云图向量的学习权重，W hi
为输入门前一个时间步的隐藏状态的学习权重，b i 为输入门对应的学习偏差值，W xf 遗忘门t
时刻融合卫星云图向量的学习权重，W hf 为遗忘门前一个时间步的隐藏状态的学习权重，b f
为遗忘门对应的学习偏差值，W xg 为细胞状态更新时t时刻融合卫星云图向量的学习权重，W hg 为细胞状态更新时前一个时间步的隐藏状态的学习权重，b g 为细胞状态更新时的学习偏
差值，为新记忆细胞状态更新时输入门t时刻融合卫星云图的学习权重，W mi 为新记忆细
胞状态更新时输入门新隐藏状态的学习权重，为新细胞状态更新时输入门的学习偏差
值，为新记忆细胞状态更新时遗忘门融合卫星云图的学习权重，W mf 为新记忆细胞更新时
遗忘门新隐藏状态的学习权重，为新细胞更新时遗忘门的学习偏差值，为新细胞状
态更新时融合卫星云图向量的学习权重，W mg 为新细胞状态更新时前一个时间步的新隐藏状
态的学习权重，为新细胞状态更新时的学习偏差值，W xo 为输出门t时刻融合卫星云图向
量的学习权重，W ho 为输出门前一个时间步的隐藏状态的学习权重，W co 和W mo 分别为输出门细
胞状态和新细胞状态的学习权重，b o 为输出门对应的学习偏差值，W 1×1为1×1卷积层的学习
权重，表示细胞状态，为新记忆细胞状态，为新记忆细胞状态输入门，为新记忆细
胞状态遗忘门。
进一步地，所述条件生成对抗网络的损失函数为：
其中，L G 表示生成器的损失函数值，L D 表示判别器的损失函数值，两个公式的前半
部分都为条件损失，后半部分都为对抗损失；x为时空LSTM输出的融合卫星云图向量的时空
特征，y为真实的卫星云图，z是由生成器输入的噪声和真实的卫星云图叠加后生成的噪声
图，G(x,z)表示生成器产生的图像，D(x,y)表示判别器输出真实数据和生成数据的概率，
Ex,y表示期望值，是权衡对抗损失和条件损失的超参数。
进一步地，步骤S4中，获取气象要素三维分布特征的过程包括以下步骤：
S41，构建气象特征嵌入网络，所述气象特征嵌入网络采取U型网络结构设计，具有包括由依次连接的3层下采样层组成的下采样部分和由依次连接的3层上采样层组成的上采样部分，所有采样层全部采取一维卷积的方式，并且上采样部分和下采样部分通过跳跃连接的方式提取高级特征；
S42，将历史光伏功率、太阳方位角和太阳高度角数据输入气象特征嵌入网络的下采样部分，通过3层下采样网络将输入信息编码成信息特征图，得到包含历史光伏功率信息的特征图，再通过全局平均池化将特征图编码为一个隐藏状态向量，用于与数值预报数据形成的权重向量权重相加，以形成新的通道权重向量；
S43，基于数值天气预报系统生成未来T时刻的水平风速、垂直风速、风向、温度、湿度、云水和云冰这七个气象要素的数值预报结果，将每组七个气象要素组合成一个气象数据向量，经维度扩充和归一化后得到权重向量A；基于权重向量A，采取通道注意力的方式给下采样输出的特征图的通道维度赋权，得到融合后的特征图Y；其中，权重向量A的计算公式为：
式中，X表示气象数据向量；是插值函数，用于将气象数据向量进行维度扩充，
使其符合气象特征嵌入网络的嵌入要求；softmax函数用于使插值函数归一化成为权
重向量A；Y是加权后的特征图，X i 表示特征图的第i个通道，A i 表示权重向量A中第i个参数所
对应第i个通道的注意力权重；C是特征图的通道数；
S44，将下采样部分融合得到的特征图Y输入上采样部分，并且通过跳跃连接融合上采样过程中提取的特征图Y的高级特征，融合得到气象要素三维分布特征M。
进一步地，步骤S5中，生成光伏功率的预测结果的过程包括以下步骤：
S51，将气象要素三维分布特征输入多维特征融合模块的通道注意力网络，利用通道注意力网络为每个高度通道分配权重，加权计算后得到气象要素特征向量；
S52，对于单通道的二维卫星云图特征，采用1×1卷积网络进行升维操作，使其维度与气象要素三维分布特征相匹配；
S53，将升维后的二维卫星云图特征和气象要素特征向量输入交叉注意力网络，采用交叉注意力网络计算气象要素特征向量的每个高度通道向量与二维卫星云图特征的注意力分数，每个通道的注意力分数反映了云层在不同海拔高度上对气象要素的影响程度，采用注意力分数对气象要素特征向量进行加权，得到考虑全部气象要素相互关系的三维气象要素融合特征；
S54，将考虑全部气象要素相互关系的三维气象要素融合特征输入到LSTM层中，利用三维气象要素融合特征进行时序建模，并生成光伏功率的预测结果。
进一步地，步骤S51中，将气象要素三维分布特征输入多维特征融合模块的通道注意力网络，利用通道注意力网络为每个高度通道分配权重，加权计算后得到气象要素特征向量的过程包括以下步骤：
对气象要素三维分布特征分别进行全局最大池化和全局平均池化操作，得到两个维度为10的特征向量；通过两个全连接层对这两组特征向量进行加权处理，将全连接层的输出结果相加，并经过sigmoid激活函数处理，得到位于 0 到 1 范围内的通道权重，通道权重用于反映海拔高度的气象要素信息对光伏功率的影响程度；将通道权重与气象要素三维分布特征相乘，加权计算后得到气象要素特征向量；
其中，气象要素三维分布特征在垂直空间上覆盖从1000hpa到100hpa的范围，垂直空间分辨率为100hpa，气象要素三维分布特征具有10个通道，每个通道代表不同海拔高度上的气象要素数据特征信息；
所述通道注意力网络的公式如下：
式中，M A 为输入的气象要素三维分布特征，为加权计算得到的气象要素特征向
量，为sigmoid函数，MLP为全连接层。
进一步地，所述交叉注意力层的公式为：
其中，*为matmul product运算，为输入交叉注意力层的气象要素特征向量，W k
为气象要素特征向量的学习权重，b k 为气象要素特征向量的学习偏差值，h A 为上采样层输出
的特征图经过全局平均池化编码形成的隐藏状态向量，W q 为隐藏状态向量的学习权重，b q 为
隐藏状态向量的学习偏差值，为气象要素特征向量与隐藏状态向量的注意力分数矩阵，
注意力分数矩阵用于反映不同海拔高度上的气象要素对光伏功率的影响程度，W v 为结合注
意分数矩阵后气象要素特征向量的学习权重，b v 为对应的学习偏差值，为得到的考虑全
部气象要素相互关系的三维气象要素融合特征。
有益效果：第一，本发明的基于三维气象数据多源融合的短期光伏功率预测方法，使用结合条件生成对抗网络、LSTM网络和注意力机制的多源特征融合方法，对包括三维气象数据、二维卫星云图、太阳几何参数和历史光伏功率在内的多源数据进行特征提取和特征融合，通过使用不同类型的模型和特征提取方法来处理各个数据源，然后将它们结合起来，可以使模型更好地理解和解释数据，提高预测的准确性。
第二，本发明的基于三维气象数据多源融合的短期光伏功率预测方法，充分考虑了云层高度、太阳位置和气象条件对光伏功率的影响，能够实现高精度的短期光伏功率预测，帮助电力公司更好地管理电力网络和输电线路，确保系统的安全和稳定运行。
附图说明
图1是本发明实施例的基于三维气象数据多源融合的短期光伏功率预测方法流程图；
图2为本发明实施例的基于三维气象数据多源融合的短期光伏功率预测系统的总体结构图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
参见图1，本发明公开了一种基于三维气象数据多源融合的短期光伏功率预测方法，所述短期光伏功率预测方法包括以下步骤：
S1，获取历史光伏功率、历史卫星云图、ERA5气象数据、太阳几何参数和GRAPES数值预报结果；
S2，对历史卫星云图和ERA5气象数据进行预处理，将两组数据重构为维度相同的特征向量后相加，得到融合卫星云图向量；
S3，基于时空条件生成对抗网络构建卫星云图预测模型，将融合卫星云图向量输入卫星云图预测模型，输出未来T个连续时刻的二维卫星云图特征；
S4，构建气象特征嵌入网络，将GRAPES数值预报结果、历史光伏功率和太阳几何参数输入气象特征嵌入网络，由气象特征嵌入网络对输入的气象要素进行特征提取，获取气象要素三维分布特征；
S5，将步骤S3得到的二维卫星云图特征和步骤S4得到的气象要素三维分布特征输入多维特征融合模块，多维特征融合模块包括通道注意力层、交叉注意力层和LSTM层；通道注意力和交叉注意力层对二维卫星云图特征和气象要素三维分布特征进行加权和融合后，将得到的三维气象要素融合特征输入到LSTM网络中，LSTM网络利用三维气象要素融合特征进行时序建模，生成光伏功率的预测结果。
图2为基于三维气象数据多源融合的短期光伏功率预测方法的总体结构图，下面基于图2对本发明的短期光伏功率预测方法进行具体说明。该短期光伏功率预测方法具体包括以下步骤：
步骤S1，获取历史卫星云图、ERA5气象数据、太阳几何参数和GRAPES数值预报结果。
步骤S2，对历史卫星云图和ERA5气象数据进行预处理，将两组数据重构为维度相同的特征向量后相加，得到融合卫星云图向量。具体包括：
步骤S21：在本实施例中，卫星云图数据维度为1×H×W，H和W分别为预测区域的长和宽，通过1×1卷积网络将卫星云图数据升维至40×H×W。
步骤S22：ERA5气象数据包括气压、水平风速、垂直风速、风向数据，在垂直空间上覆盖从1000hpa到100hpa的范围，垂直空间分辨率为100hpa，数据维度为4×10×H×W，对ERA5数据进行重构，使其维度也为40×H×W。
步骤S23：将升维后的卫星云图数据和重构后ERA5气象数据这两组向量在通道维度上拼接，得到融合卫星云图向量。
步骤S3，构建时空条件生成对抗网络（Spatiotemporal Conditions GenerativeAdversarial Network）SCGAN用于预测卫星云图，SCGAN结合了时空LSTM和条件生成对抗网络（c-GAN），将融合卫星云图向量输入时空条件生成对抗网络，时空条件生成对抗网络输出未来T个连续时刻的卫星云图预测。具体包括：
步骤S31，将融合卫星云图向量输入SCGAN网络，使用时空LSTM提取融合卫星云图向量的时空特征，时空LSTM网络的公式为：
其中x t 为t时刻输入的融合卫星云图向量；i t 为输入门，用于控制哪些新信息被保
留；f t 为遗忘门，用于控制哪些旧信息被遗忘；o t 为输出门，用于控制哪些信息被输出。W和b
为每个门对应的权重和偏差，为sigmoid激活函数，*为卷积运算，为Hadamard 积。时空
LSTM的输出为时空特征h，时空特征h反映了云层整体的运动趋势，我们可以根据时空特征
构建一种从三维气象场到卫星云图形成的非线性映射。
步骤S32，将融合卫星云图向量的时空特征输入到条件生成对抗网络中，以作为约束条件来抑制模型噪声并利用其中的时空特性生成时间序列预测图像，条件生成对抗网络的损失函数为：
其中x为条件信息，即时空LSTM输出的融合卫星云图向量的时空特征，y为真实的
卫星云图，z是生成器输入的噪声，在本文中z则是由生成器输入的噪声和真实的卫星云图
叠加后生成的噪声图，表示生成器产生的图像，表示判别器输出的真实数据
和生成数据的概率，E表示期望值，是权衡对抗损失和条件损失的超参数，经过多次实验
对比，将其设置为0.37。条件生成对抗网络代表着图像生成技术的先进模型之一。它利用数
据概率分布来从噪声中生成图像，这种算法在图像生成、图像修复等任务中得到了广泛应
用。本实施例提出了一种改进的条件生成对抗网络SCGAN，引入了气象特征的三维表示，其
中包括气压、风速和风向，这些因素直接影响着云的移动方向，通过时空特征h的整合，使得
模型能够更精确地根据气象要素生成预测卫星云图，提高了预测的准确性。
步骤S4，构建气象特征嵌入网络（Meteorological Feature Embedding Network，MFE-Net），MFE-Net采取U型网络结构设计，具有3层下采样层和3层上采样层，全部采取一维卷积的方式，并且通过跳跃连接的方式最大程度地提取高级特征，将GRAPES数值预报结果、历史光伏功率和太阳几何参数输入MFE-Net，MFE-Net网络对这些气象要素进行特征提取，以获取更精准的气象要素三维分布特征。
步骤S41，将历史光伏功率、太阳方位角和太阳高度角数据输入MFE-Net网络的下采样部分，输出提取出的特征图。
步骤S42，基于GRAPES生成未来T时刻水平风速、垂直风速、风向、温度、湿度、云水和云冰七个气象要素的数值预报结果，将每组七个气象要素组合成一个权重向量，采取通道注意力的方式给下采样输出的特征图的通道维度赋权，得到融合后的特征图Y，通道注意力权重向量计算的公式为：
式中，X表示原始气象数据，是一个插值函数，用于将气象数据向量进行维度
扩充，使其符合模型的嵌入要求，本实施例中使用的是双三次插值法（BiCubic插值法），该
插值法可以权重向量更为平滑，降低模型的拟合复杂度；再使用softmax函数使其归一化成
为权重向量A，使用权重向量A对特征图进行加权，Y是加权后的特征图，表示权重向量A中
第i个参数所对应第i个通道的注意力权重；C是特征图的通道数。
步骤S43，融合后的特征图进入上采样部分，并且通过跳跃连接能够融合上采样过程中提取的高级特征，最后将输出的气象要素特征向量输入到交叉注意力层中，交叉注意力层的公式为：
其中，*为matmul product运算，为输入交叉注意力层的气象要素特征向量，
为气象要素特征向量的学习权重，为气象要素特征向量的学习偏差值，为上采样层输
出的特征图经过全局平均池化编码形成的隐藏状态向量，为隐藏状态向量的学习权重，为隐藏状态向量的学习偏差值，为气象要素特征向量与隐藏状态向量的注意力分数
矩阵，注意力分数矩阵用于反映不同海拔高度上的气象要素对光伏功率的影响程度，为
结合注意分数矩阵后气象要素特征向量的学习权重，为对应的学习偏差值，为得到的
考虑全部气象要素相互关系的三维气象要素融合特征。在交叉注意力层中，计算每个气象
要素和隐藏状态向量之间的注意力分数，注意力分数用于对特征向量进行加权，加权后的
特征向量被传递给最后的LSTM层；网络首先利用多层结构处理历史光伏功率、太阳方位角
和太阳高度角数据，通过特征提取和嵌入的方式将这些信息编码成特征向量。同时，针对水
平风速、垂直风速、风向、温度、湿度、云水和云冰等气象要素，网络通道注意力的方式和历
史数据编码的特征进行交互，并生成权重向量。这些权重向量用于赋予特征图的通道维度
以权重，从而影响特征图的生成和学习过程。
步骤S44，对GRAPES数值预报结果中的七种气象要素进行特征嵌入后，得到考虑全部气象要素相互关系的三维气象要素融合特征。通过特征嵌入和权重赋权的方式，提取并结合了多源数据中的关键信息，以实现更精确和细致的气象要素三维分布特征的预测。
步骤S5，将二维卫星云图特征和气象要素三维分布特征输入多维特征融合模块，多维特征融合模块通过通道注意力和交叉注意力层对两组维度不同的特征信息进行加权和融合，最后，融合特征向量被输入到LSTM网络中，LSTM网络利用融合特征进行时序建模，并生成光伏功率的预测结果。具体包括：
步骤S51，将二维卫星云图特征和气象要素三维分布特征输入多维特征融合模块。其中，气象要素三维分布特征在垂直空间上覆盖从1000hpa到100hpa的范围，垂直空间分辨率为100hpa，气象要素三维分布特征具有10个通道，每个通道代表着不同海拔高度上的气象要素数据特征信息。为了确定不同高度通道在光伏功率预测中的重要程度，我们引入了通道注意力网络，用于为每个高度通道分配权重，这些权重的大小反映了该海拔高度的气象要素信息对光伏功率的影响程度。通道注意力网络公式如下：
式中M A 为输入的气象要素三维分布特征，为加权后的气象要素特征向量，为
sigmoid函数，MLP为全连接层。在通道注意力网络中，对气象要素三维分布特征分别进行全
局最大池化和全局平均池化操作，得到两个维度为10的特征向量；再将这两个特征向量分
别传入两层全连接层进行处理；全连接层的输出结果相加，并经过sigmoid激活函数处理，
得到输入特征图各通道的权重；将特征权重与特征向量相乘，得到加权后的气象要素特征
向量。
步骤S52，对于单通道的二维卫星云图特征，为使其维度与气象要素三维分布特征相匹配，我们采用1×1卷积网络来进行升维操作，使其通道数增加至10。
步骤S53，将升维后的二维卫星云图特征和气象要素特征向量输入交叉注意力网络，交叉注意力网络计算气象要素特征向量的每个高度通道向量与二维卫星云图特征的注意力分数；每个通道的注意力分数反映了云层在该海拔高度上对气象要素的影响程度，采用注意力分数对气象要素特征向量进行加权，得到考虑全部气象要素相互关系的三维气象要素融合特征。
步骤S54，将考虑全部气象要素相互关系的三维气象要素融合特征输入到LSTM网络中，LSTM网络利用融合特征进行时序建模，并生成光伏功率的预测结果。
表1展示了几种卫星云图预测方法定量分析的结果。我们在测试集上随机选取20组数据对每种模型进行实验，SSIM和MSE数据取20次实验的平均值。从表1中可以看出，SCGAN的表现优于其他方法， SCGAN在15 min的SSIM达到0.912，比MotionRNN高3.3%，比E3D-LSTM高3.9%，比PreRNN高10.6%，比ConvLSTM高14.9%。其中次优的MotionRNN在15 min和30 min时的预测误差与SCGAN相差不大，但在45 min以后预测误差明显大于SCGAN，而SCGAN在所有4个预测时间步长上都表现出较高的预测精度，在60min时SCGAN的SSIM仍然达到0.796，虽然比15 min时下降了12.7%，但仍然比其他方法高出很多，此时，MotionRNN下降20.1%，E3D-LSTM下降24.2%，PredRNN下降25.7%，ConvLSTM下降21.9%，在所有方法中SCGAN生成的预测图像精度最高且性能表现最为稳定。
表1
表2展示了几种光伏功率预测方法定量分析的结果。我们使用RMSE和CORR做为评价指标，在测试集上随机选取20组数据对每种模型进行实验，RMSE和CORR取20次实验的平均值。从表中可以看出，本方法在测试集上的表现优于其他方法，本方法在15 min时的CORR达到0.949，比LSTM高24.5%，比XGBoost高12.4%，比ARIMA高21.4%，比MLP高26.2%，比ConvLSTM高7.3%。在60 min时本方法的CORR为0.821，虽然比15 min时下降了7.8%，但仍然比其他方法高出很多，此时，LSTM下降8.8%，XGBoost下降10.7%，ARIMA下降11.4%，MLP下降9.8%，ConvLSTM下降11.4%。实验结果表明，本方法在光伏功率预测任务中的精度在所有时间节点上均优于其他模型，并且随预测时间增加导致的精度下降最小，性能表现最为稳定。
表2
表3展示了本发明在不同季节下的光伏功率预测定量分析结果。在整体看来秋季的预测效果最佳，春季次之，夏季误差最大，在15min时秋季数据的CORR达到0.939，较春季高0.08%，较夏季高3.7%，较冬季高2.7%，在60min时秋季数据的CORR仍然达到0.835，较春季高0.08%，较夏季高8%，较冬季高4.3%。综合实验结果可见，本发明在四个季节中都展现出较高的预测精度。这表明该模型能够适应多变的环境和复杂的场景，为实际应用中的光伏功率预测提供良好的效果。
表3
以上所述仅为本发明的具体实施方法，并非用于限定本发明的范围，依据本发明的技术实质所做的任何修改或等同替换，均应涵盖在本发明所要求的保护的范围之内。
Claims (9)
1.一种基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，所述短期光伏功率预测方法包括以下步骤：
S1，获取历史光伏功率、历史卫星云图、ERA5气象数据、太阳几何参数和GRAPES数值预报结果；
S2，对历史卫星云图和ERA5气象数据进行预处理，将两组数据重构为维度相同的特征向量后相加，得到融合卫星云图向量；
S3，基于时空条件生成对抗网络构建卫星云图预测模型，将融合卫星云图向量输入卫星云图预测模型，输出未来T个连续时刻的二维卫星云图特征；
S4，构建气象特征嵌入网络，将GRAPES数值预报结果、历史光伏功率和太阳几何参数输入气象特征嵌入网络，由气象特征嵌入网络对输入的气象要素进行特征提取，获取气象要素三维分布特征；
S5，将步骤S3得到的二维卫星云图特征和步骤S4得到的气象要素三维分布特征输入多维特征融合模块，多维特征融合模块包括通道注意力层、交叉注意力层和LSTM层；通道注意力和交叉注意力层对二维卫星云图特征和气象要素三维分布特征进行加权和融合后，将得到的三维气象要素融合特征输入到LSTM网络中，LSTM网络利用三维气象要素融合特征进行时序建模，生成光伏功率的预测结果。
2.根据权利要求1所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S2中，对历史卫星云图和ERA5气象数据进行预处理，将两组数据重构为维度相同的特征向量后相加，得到融合卫星云图向量的过程包括以下步骤：
S21，通过1×1卷积网络将数据维度为1×H×W的卫星云图数据升维至40×H×W，H和W分别为预测区域的长和宽；
S22，对数据维度为4×10×H×W 的ERA5气象数据进行重构，使其维度转化为40×H×W；ERA5气象数据包括气压、水平风速、垂直风速和风向数据，在垂直空间上覆盖从1000hpa到100hpa的范围，垂直空间分辨率为100hpa；
S23，将重构后维度相同的卫星云图数据和ERA5气象数据这两组向量在通道维度上拼接，得到融合卫星云图向量。
3.根据权利要求1所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S3中，基于时空条件生成对抗网络构建卫星云图预测模型，将融合卫星云图向量输入卫星云图预测模型，输出未来T个连续时刻的二维卫星云图预测的过程包括以下步骤：
基于时空条件生成对抗网络构建卫星云图预测模型，卫星云图预测模型包括相互连接的时空LSTM网络和条件生成对抗网络；
将融合卫星云图向量输入时空LSTM网络，使用时空LSTM网络提取融合卫星云图向量的时空特征；再将融合卫星云图向量的时空特征输入到条件生成对抗网络中，以融合卫星云图向量的时空特征作为约束条件抑制条件生成对抗网络的模型噪声并利用其中的时空特性生成时间序列预测图像，输出未来T个连续时刻的二维卫星云图特征。
4.根据权利要求3所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，所述时空LSTM网络的公式为：
；
；
；
；
；
；
；
；
其中x t 为t时刻输入的融合卫星云图向量；i t 为输入门，用于控制哪些新信息被保留；f t 为遗忘门，用于控制哪些旧信息被遗忘；o t 为输出门，用于控制哪些信息被输出；为sigmoid激活函数，*为卷积运算，/>为Hadamard 积；/>为输出的融合卫星云图向量的时空特征，用于反映云层整体的运动趋势；W xi 为输入门t时刻融合卫星云图向量的学习权重，W hi 为输入门前一个时间步的隐藏状态的学习权重，b i 为输入门对应的学习偏差值，W xf 遗忘门t时刻融合卫星云图向量的学习权重，W hf 为遗忘门前一个时间步的隐藏状态的学习权重，b f 为遗忘门对应的学习偏差值，W xg 为细胞状态更新时t时刻融合卫星云图向量的学习权重，W hg 为细胞状态更新时前一个时间步的隐藏状态的学习权重，b g 为细胞状态更新时的学习偏差值，/>为新记忆细胞状态更新时输入门t时刻融合卫星云图的学习权重，W mi 为新记忆细胞状态更新时输入门新隐藏状态的学习权重，/>为新细胞状态更新时输入门的学习偏差值，/>为新记忆细胞状态更新时遗忘门融合卫星云图的学习权重，W mf 为新记忆细胞更新时遗忘门新隐藏状态的学习权重，/>为新细胞更新时遗忘门的学习偏差值，/>为新细胞状态更新时融合卫星云图向量的学习权重，W mg 为新细胞状态更新时前一个时间步的新隐藏状态的学习权重，/>为新细胞状态更新时的学习偏差值，W xo 为输出门t时刻融合卫星云图向量的学习权重，W ho 为输出门前一个时间步的隐藏状态的学习权重，W co 和W mo 分别为输出门细胞状态和新细胞状态的学习权重，b o 为输出门对应的学习偏差值，W 1×1为1×1卷积层的学习权重，/>表示细胞状态，/>为新记忆细胞状态，/>为新记忆细胞状态输入门，/>为新记忆细胞状态遗忘门。
5.根据权利要求3所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，所述条件生成对抗网络的损失函数为：
；
；
其中，L G 表示生成器的损失函数值，L D 表示判别器的损失函数值，两个公式的前半部分都为条件损失，后半部分都为对抗损失；x为时空LSTM输出的融合卫星云图向量的时空特征，y为真实的卫星云图，z是由生成器输入的噪声和真实的卫星云图叠加后生成的噪声图，G(x,z)表示生成器产生的图像，D(x,y)表示判别器输出真实数据和生成数据的概率，Ex,y表示期望值，是权衡对抗损失和条件损失的超参数。
6.根据权利要求1所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S4中，获取气象要素三维分布特征的过程包括以下步骤：
S41，构建气象特征嵌入网络，所述气象特征嵌入网络采取U型网络结构设计，具有包括由依次连接的3层下采样层组成的下采样部分和由依次连接的3层上采样层组成的上采样部分，所有采样层全部采取一维卷积的方式，并且上采样部分和下采样部分通过跳跃连接的方式提取高级特征；
S42，将历史光伏功率、太阳方位角和太阳高度角数据输入气象特征嵌入网络的下采样部分，通过3层下采样网络将输入信息编码成信息特征图，得到包含历史光伏功率信息的特征图，再通过全局平均池化将特征图编码为一个隐藏状态向量，用于与数值预报数据形成的权重向量权重相加，以形成新的通道权重向量；
S43，基于数值天气预报系统生成未来T时刻的水平风速、垂直风速、风向、温度、湿度、云水和云冰这七个气象要素的数值预报结果，将每组七个气象要素组合成一个气象数据向量，经维度扩充和归一化后得到权重向量A；基于权重向量A，采取通道注意力的方式给下采样输出的特征图的通道维度赋权，得到融合后的特征图Y；其中，权重向量A的计算公式为：
；
；
式中，X表示气象数据向量；是插值函数，用于将气象数据向量进行维度扩充，使其符合气象特征嵌入网络的嵌入要求；softmax函数用于使插值函数/>归一化成为权重向量A；Y是加权后的特征图，X i 表示特征图的第i个通道，A i 表示权重向量A中第i个参数所对应第i个通道的注意力权重；C是特征图的通道数；
S44，将下采样部分融合得到的特征图Y输入上采样部分，并且通过跳跃连接融合上采样过程中提取的特征图Y的高级特征，融合得到气象要素三维分布特征M。
7.根据权利要求1所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S5中，生成光伏功率的预测结果的过程包括以下步骤：
S51，将气象要素三维分布特征输入多维特征融合模块的通道注意力网络，利用通道注意力网络为每个高度通道分配权重，加权计算后得到气象要素特征向量；
S52，对于单通道的二维卫星云图特征，采用1×1卷积网络进行升维操作，使其维度与气象要素三维分布特征相匹配；
S53，将升维后的二维卫星云图特征和气象要素特征向量输入交叉注意力网络，采用交叉注意力网络计算气象要素特征向量的每个高度通道向量与二维卫星云图特征的注意力分数，每个通道的注意力分数反映了云层在不同海拔高度上对气象要素的影响程度，采用注意力分数对气象要素特征向量进行加权，得到考虑全部气象要素相互关系的三维气象要素融合特征；
S54，将考虑全部气象要素相互关系的三维气象要素融合特征输入到LSTM层中，利用三维气象要素融合特征进行时序建模，并生成光伏功率的预测结果。
8.根据权利要求7所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，步骤S51中，将气象要素三维分布特征输入多维特征融合模块的通道注意力网络，利用通道注意力网络为每个高度通道分配权重，加权计算后得到气象要素特征向量的过程包括以下步骤：
对气象要素三维分布特征分别进行全局最大池化和全局平均池化操作，得到两个维度为10的特征向量；通过两个全连接层对这两组特征向量进行加权处理，将全连接层的输出结果相加，并经过sigmoid激活函数处理，得到位于 0 到 1 范围内的通道权重，通道权重用于反映海拔高度的气象要素信息对光伏功率的影响程度；将通道权重与气象要素三维分布特征相乘，加权计算后得到气象要素特征向量；
其中，气象要素三维分布特征在垂直空间上覆盖从1000hpa到100hpa的范围，垂直空间分辨率为100hpa，气象要素三维分布特征具有10个通道，每个通道代表不同海拔高度上的气象要素数据特征信息；
所述通道注意力网络的公式如下：
；
式中，M A 为输入的气象要素三维分布特征，为加权计算得到的气象要素特征向量，/>为sigmoid函数，MLP为全连接层。
9.根据权利要求7所述的基于三维气象数据多源融合的短期光伏功率预测方法，其特征在于，所述交叉注意力层的公式为：
；
；
其中，*为matmul product运算，为输入交叉注意力层的气象要素特征向量，W k 为气象要素特征向量的学习权重，b k 为气象要素特征向量的学习偏差值，h A 为上采样层输出的特征图经过全局平均池化编码形成的隐藏状态向量，W q 为隐藏状态向量的学习权重，b q 为隐藏状态向量的学习偏差值，/>为气象要素特征向量与隐藏状态向量的注意力分数矩阵，注意力分数矩阵用于反映不同海拔高度上的气象要素对光伏功率的影响程度，W v 为结合注意分数矩阵后气象要素特征向量的学习权重，b v 为对应的学习偏差值，/>为得到的考虑全部气象要素相互关系的三维气象要素融合特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744003.1A CN117424232B (zh) | 2023-12-19 | 2023-12-19 | 一种基于三维气象数据多源融合的短期光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744003.1A CN117424232B (zh) | 2023-12-19 | 2023-12-19 | 一种基于三维气象数据多源融合的短期光伏功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117424232A true CN117424232A (zh) | 2024-01-19 |
| CN117424232B CN117424232B (zh) | 2024-03-19 |
Family
ID=89527080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311744003.1A Active CN117424232B (zh) | 2023-12-19 | 2023-12-19 | 一种基于三维气象数据多源融合的短期光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117424232B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118332937A (zh) * | 2024-06-13 | 2024-07-12 | 国能日新科技股份有限公司 | 一种新能源气象大模型构建方法、装置及功率预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116050579A (zh) * | 2022-12-07 | 2023-05-02 | 江苏鼋博群智能技术有限公司 | 基于深度特征融合网络的建筑能耗预测方法及系统 |
| CN116488151A (zh) * | 2023-04-07 | 2023-07-25 | 国网湖北省电力有限公司电力科学研究院 | 一种基于条件生成对抗网络的短期风电功率预测方法 |
| CN116663739A (zh) * | 2023-06-09 | 2023-08-29 | 广东电网有限责任公司 | 一种复杂地形风机出力预测方法、系统、设备和储存介质 |
-
2023
- 2023-12-19 CN CN202311744003.1A patent/CN117424232B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116050579A (zh) * | 2022-12-07 | 2023-05-02 | 江苏鼋博群智能技术有限公司 | 基于深度特征融合网络的建筑能耗预测方法及系统 |
| CN116488151A (zh) * | 2023-04-07 | 2023-07-25 | 国网湖北省电力有限公司电力科学研究院 | 一种基于条件生成对抗网络的短期风电功率预测方法 |
| CN116663739A (zh) * | 2023-06-09 | 2023-08-29 | 广东电网有限责任公司 | 一种复杂地形风机出力预测方法、系统、设备和储存介质 |
Non-Patent Citations (1)
| Title |
|---|
| 谈玲等: "融合多源异构气象数据的光伏功率预测模型", 电子与信息学报, vol. 45, no. 11, 12 October 2023 (2023-10-12), pages 1 - 15 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118332937A (zh) * | 2024-06-13 | 2024-07-12 | 国能日新科技股份有限公司 | 一种新能源气象大模型构建方法、装置及功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117424232B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114707227B (zh) | 一种基于数字孪生的大坝安全预警消警方法及系统 | |
| Yao et al. | Intra-hour photovoltaic generation forecasting based on multi-source data and deep learning methods | |
| CN117424232B (zh) | 一种基于三维气象数据多源融合的短期光伏功率预测方法 | |
| CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
| CN115882454B (zh) | 基于多元信息融合的源荷功率预测方法及系统 | |
| CN114936691A (zh) | 一种融合关联度加权与时空注意力的温度预报方法 | |
| Zheng et al. | Weather image-based short-term dense wind speed forecast with a ConvLSTM-LSTM deep learning model | |
| 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 | |
| CN116152206A (zh) | 一种光伏输出功率预测方法、终端设备及存储介质 | |
| 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 | |
| CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
| CN116699731B (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
| CN117388953B (zh) | 一种基于大数据框架的SADBO改进MIM-rwkv的气象预报方法 | |
| Khan et al. | AI-Assisted Hybrid Appr Approach for Energy Management in IoT-based Smart Microgrid | |
| Wang et al. | A robust spatial-temporal prediction model for photovoltaic power generation based on deep learning | |
| CN112669201B (zh) | 一种基于红外光的可见光云图转换方法、系统及其终端 | |
| Wang et al. | Ultra-short-term regional PV power forecasting based on fluctuation pattern recognition with satellite images | |
| CN114694037A (zh) | 一种基于深度学习算法的热带气旋轨迹预测方法 | |
| CN115131637A (zh) | 基于生成对抗网络的多级特征时空遥感图像融合方法 | |
| de Jesús et al. | Unsupervised hybrid deep generative models for photovoltaic synthetic data generation | |
| Muniyandi et al. | A comprehensive analysis of recent advances in deep learning based solar irradiance forecasting | |
| Zhang et al. | Wind speed prediction in China with fully-convolutional deep neural network | |
| Zhao et al. | Spatio-temporal model combining vmd and am for wind speed prediction | |
| CN117333587B (zh) | 基于视频水位计的城市淹没图像数据的生成方法及系统 | |
| CN116307267B (zh) | 一种基于卷积的降雨预测方法 |
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 |