CN117876349A - 一种光伏发电功率的预测方法 - Google Patents
一种光伏发电功率的预测方法 Download PDFInfo
- Publication number
- CN117876349A CN117876349A CN202410062927.1A CN202410062927A CN117876349A CN 117876349 A CN117876349 A CN 117876349A CN 202410062927 A CN202410062927 A CN 202410062927A CN 117876349 A CN117876349 A CN 117876349A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power generation
- image
- cloud
- historical
- 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.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000003287 optical effect Effects 0.000 claims abstract description 41
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000012876 topography Methods 0.000 abstract description 10
- 238000004146 energy storage Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009466 transformation 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及光伏发电技术领域，尤其涉及一种光伏发电功率的预测方法。方法包括：获取待预测的光伏电站的历史地基云图、历史气象因子、地形地貌数据和历史光伏出力数据，并进行数据预处理，建立数据特征集；对历史地基云图进行畸变矫正，获得第一云图序列，并计算得到表征云层动态信息的光流图像；对所述光流图像进行编码和特征提取，获得空间云图特征；将空间云图特征和所述数据特征集进行多模态特征融合，建立光伏发电功率预测模型，用于对光伏电站的光伏发电功率进行预测。通过整合历史地基云图、气象因子和地形地貌数据，模型能够全面考虑影响光伏发电功率的多种因素，有效提高光伏发电功率预测的准确性。
Description
技术领域
本申请涉及光伏发电技术领域，更具体地说，涉及一种光伏发电功率的预测方法。
背景技术
近年来，随着全球能源需求的增加和可再生能源的受欢迎程度提高，光伏发电作为最有潜力的可再生能源之一，受到了广泛的研究和应用。然而，光伏发电的不确定性和随机性给电力系统的运行和规划带来了挑战。特殊地形下，如山区、沙漠、海洋等环境条件对光伏发电的影响更加复杂，使得光伏功率预测变得更为复杂和困难。
针对上述问题，公开号为CN115796338A的发明专利公开了光伏发电功率预测模型构建及光伏发电功率预测方法。方法包括：获取多个样本向量；然后，根据发电功率与所述多个监测类的关联性，对所述多个样本向量中对应无关监测类的数据进行去除；最后，根据所述多个样本向量对光伏发电初始模型的多个参数进行调整，获得光伏发电功率预测模型。可知，该专利在发电功率预测时，根据发电功率对一些与发电功率无关的数据进行去除，从而降低模型的复杂程度，减少模型构建的计算量，还根据发电功率与长期数据的关联性，设置有LSTM节点的输入层，且考虑了长期数据的影响，从而保证了模型的预测精度。但是，预测算法建立后若不再利用新数据进行优化，应用时间长后算法中忽略了新规律对预测算法的影响，预测算法的预测准确率会降低，从而影响了分布式光伏发电功率的预测效果，有待改进。
公告号为CN113113927B的发明专利公开了一种综合多典型天气场景的储能系统容量配置方法。获取全年光伏系统日发电功率数据，对数据样本进行聚类，得到n种典型天气的光伏发电功率曲线；然后，在外层青蛙代表的储能额定功率和容量的条件下，以弃光率最低为目标，建立内层蛙跳算法对储能系统进行控制优化，得到最优储能出力曲线；接着，算出在这一种储能功率和容量条件下的综合经济性水平；最后，将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，优化得到具有最优经济性水平的容量配置方案。可见，该专利结合了在不同典型天气下储能系统的容量需求，综合考虑了不同天气在全年中的比例权重，从而对不同天气下的光伏发电功率进行预测。但是在特殊地形下的光伏功率预测中，还需要考虑到地形的随机性和不确定性对太阳辐射的影响。因此，如何提高光伏出力预测的准确性，是维持新型电力系统稳定、高效运作的重要基础，对于电网的经济调度至关重要。
发明内容
有鉴于此，本申请提供一种光伏发电功率的预测方法，用以提升光伏发电功率预测的准确性和稳定性。
本申请提供的技术方案为：
一种光伏发电功率的预测方法，包括：
获取待预测的光伏电站的历史地基云图、历史气象因子、地形地貌数据和历史光伏出力数据，并进行数据预处理，建立数据特征集；所述数据特征集包括历史多元负荷数据与对应的历史影响因子数据；
对所述历史地基云图进行畸变矫正，获得第一云图序列，并根据所述第一云图序列计算得到表征云层动态信息的光流图像；
对所述光流图像进行编码和特征提取，获得空间云图特征；
将所述空间云图特征和所述数据特征集进行多模态特征融合，建立光伏发电功率预测模型，用于对光伏电站的光伏发电功率进行预测。
其中一种可能的实现方式中，所述进行数据预处理，建立数据特征集，包括：
基于拉依达准则法，对待预测的光伏电站的所述地形地貌数据、所述历史光伏出力数据的异常值进行判断并剔除；
剔除所述异常值后，采用Newton插值法，对所述地形地貌数据、所述历史光伏出力数据进行插值，获得所述历史多元负荷数据和所述历史影响因子数据。
其中一种可能的实现方式中，所述建立特征数据集之后，所述方法还包括：
按照第一预设比例，将所述特征数据集划分为训练集和测试集，所述训练集用于训练所述光伏发电功率预测模型，所述测试集用于对训练得到的所述光伏发电功率预测模型的预测精度进行测试。
其中一种可能的实现方式中，对所述历史地基云图进行畸变校正，包括：
确定待校正的所述历史地基云图的像素坐标(x,y)；其中，所述像素坐标(x,y)为理想中心成像坐标(x`,y`)与畸变(Δx，Δy)之和，表示为：
式中，中心成像坐标(x`,y`)用共线方程表示为：
式中，(X，Y，Z)是对应的地面点坐标；(f，x0，y0)为所述地基云图内方位元素；(XS，YS，ZS)是摄影中心的物方空间坐标即外方位线元素；(ai,bi,ci)是外方位角元素构成的方向余弦；
基于Brown模型，根据所述历史地基云图的所述像素坐标，确定对应的像素畸变量(Δx,Δy)；
根据所述像素畸变量(Δx,Δy)，对所述历史地基云图进行畸变矫正，获得所述第一云图序列。
其中一种可能的实现方式中，所述对历史地基云图进行畸变校正之后，所述方法还包括：
对校正后的历史地基云图进行重采样，用于将所述历史地基云图的像素大小调整为适合所述光伏发电功率预测模型的尺寸。
其中一种可能的实现方式中，所述对历史地基云图进行畸变校正之后，所述方法还包括：
对校正后的历史地基云图进行灰度图转换，以将所述历史地基云图中的彩色云图转化为灰度图像。
其中一种可能的实现方式中，所述根据所述第一云图序列计算得到表征云层动态信息的光流图像，包括：
基于Farneback光流法，以所述第一云图序列的每个像素点为中心，利用二项式去逼近所述像素点的灰度值，二项式f(x,y)包含所述第一云图序列的像素坐标(x，y)，所述二项式f(x,y)表示为：
f(x,y)＝r1+r2x+r3y+r4x2+r5y2+r6xy
式中，r1,r2…r6为权重系数，利用加权最小二乘法求得；
通过对f(x,y)的展开，得到每一个云图像素点的灰度值与像素坐标之间的关系式，将像素点的灰度值转换为空间坐标表示，确定X和Y方向上的位移矢量，得到所述表征云层动态信息的光流图像。
其中一种可能的实现方式中，对所述光流图像进行编码和特征提取，获得空间云图特征，包括：
选取T2T-Vision Transformer模型作为特征提取的网络，将所述光流图像划分为n个图像块；
建立T2T模块，进行对所述n个图像块进行图像重构和软分割；
对所述光流图像的局部结构信息进行建模，利用滑动窗口进行取值操作，建立图像块与周围的图像块之间的强相关性联系，以聚合周围的图像块的信息，进行局部信息整合；
其中，所述图像重构和软分割的迭代公式为：
Ti'＝MLP(MSA(Ti))
Ii＝Reshape(Ti')
Ti+1＝SS(Ii),i＝1...(n-1)
式中，Ti为原始图像，Ti'为分解后的图像，Ti+1为软分割后的图像，MSA为具有归一化操作的多头注意力机制函数，MLP为具有归一化的多层感知函数，Reshape为重构函数，Ii为重构后的图像，SS为软分割函数；
基于深窄架构的Vision Transformer，建立T2T-Vision Transformer主模块，将所述T2T模块的输出作为所述T2T-Vision Transformer主模块的输入，进行特征提取；
式中，为第i层T2T-Vision Transformer主模块的输入、输出，/>为T2T-Vision Transformer主模块的最终输出，b为Transformer层数，LN为归一化层，fc为全连接层，y为提取的光流图特征。
其中一种可能的实现方式中，所述光伏发电功率预测模型基于双向长短期记忆神经网络层BiLSTM建立，所述方法还包括：
将所述空间云图特征、所述历史多元负荷数据和对应的历史影响因子数据作为输入特征，并提取所述输入特征的时序特性；
根据所述输出特征的时序特性，计算所述光伏发电功率预测模型的向前传播特性和反向传播特性，表示为：
式中，nt为输入矢量；为向前传播层的输出值：/>为向后传播层的输出值；yt为输出层的输出；δ为Tanh激活函数；/>和/>为权值矩阵；/>和by为偏置矢量。
其中一种可能的实现方式中，对光伏电站的光伏发电功率进行预测，包括：
按照第一预设时间间隔，采集待预测的光伏电站的实时气象因子参数；
按照第二预设时间间隔，通过鱼眼摄像头获取待预测的光伏电站的天空图像信息；
将所述实时气象因子参数和所述天空图像信息输入所述光伏发电功率预测模型，获取光伏电站的光伏发电功率预测值。
本申请提供的一种光伏发电功率的预测方法，具有如下有益效果：
1、综合考虑多元因素：通过整合历史地基云图、气象因子和地形地貌数据，模型能够全面考虑影响光伏发电功率的多种因素，包括云层遮挡、温度、湿度、风速、海拔和地表类型等。这样的综合考虑有助于提高预测的准确性和鲁棒性。
2、精细化预测：利用高分辨率的地基云图和详细的地形地貌数据，可以对光伏发电功率进行更精细化的预测。这不仅包括整体的发电量预测，还可以针对特定区域或单个光伏电站进行精细化分析，为电站运维和管理提供有力支持。
3、增强适应性：不同的地形地貌和气象条件对光伏发电的影响各不相同。通过结合这些数据，预测模型可以更好地适应不同的环境和气候条件，从而提高其在各种场景下的应用能力和预测准确性。
4优化能源调度：准确的预测数据可以帮助电力系统运营商更好地进行能源调度和规划。结合实时气象和地形数据，可以及时调整光伏电站的运行策略，提高电力系统的稳定性和经济性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例1提供的一种光伏发电功率预测的方法的流程图；
图2为本申请实施例2提供的一种光伏发电功率预测的方法的流程图；
图3为本申请实施例2提供的一种对历史地基云图进行畸变校正的方法的流程图；
图4为本申请实施例2提供的一种计算光流图像的方法的流程图；
图5为为本申请实施例提供的一种对光流图像进行编码和特征提取的方法的流程图；
图6为本申请实施例提供的一种对光流图像进行特征提取的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
实施例一：
参见图1，为本申请实施例1提供的一种光伏发电功率预测的方法的流程图。如图1中所示，上述方法的具体实现步骤可以包括：
步骤101、获取待预测的光伏电站的历史地基云图、历史气象因子、地形地貌数据和历史光伏出力数据，并进行数据预处理，建立数据特征集。
其中，上述数据特征集包括历史多元负荷数据与对应的历史影响因子数据。
步骤102、对上述历史地基云图进行畸变校正，获得第一云图序列，并根据上述第一云图序列计算得到表征云层动态信息的光流图像。
步骤103、对上述光流图像进行编码和特征提取，获得空间云图特征。
步骤104、将上述空间云图特征和上述数据特征集进行多模态特征融合，建立光伏发电功率预测模型，用于对光伏电站的光伏发电功率进行预测。
本申请实施例1提供的一种光伏发电功率的预测方法，具有如下有益效果：
1、综合考虑多元因素：通过整合历史地基云图、气象因子和地形地貌数据，模型能够全面考虑影响光伏发电功率的多种因素，包括云层遮挡、温度、湿度、风速、海拔和地表类型等。这样的综合考虑有助于提高预测的准确性和鲁棒性。
2、精细化预测：利用高分辨率的地基云图和详细的地形地貌数据，可以对光伏发电功率进行更精细化的预测。这不仅包括整体的发电量预测，还可以针对特定区域或单个光伏电站进行精细化分析，为电站运维和管理提供有力支持。
3、增强适应性：不同的地形地貌和气象条件对光伏发电的影响各不相同。通过结合这些数据，预测模型可以更好地适应不同的环境和气候条件，从而提高其在各种场景下的应用能力和预测准确性。
4优化能源调度：准确的预测数据可以帮助电力系统运营商更好地进行能源调度和规划。结合实时气象和地形数据，可以及时调整光伏电站的运行策略，提高电力系统的稳定性和经济性。
实施例二：
参见图2，为本申请实施例2提供的一种光伏发电功率预测的方法的流程图。如图2中所示，上述方法的具体实现步骤可以包括：
步骤201、获取待预测的光伏电站的历史地基云图、历史气象因子、地形地貌数据和历史出力数据。
步骤202、基于拉依达准则法，对获取到的上述地形地貌数据、上述历史光伏出力数据的异常值进行判断并剔除。
具体地，运用拉依达准则法，给定一个置信概率，并确定一个置信，凡超过此限的误差，就认为它不属于随机误差范围，将其视为异常值剔除。
步骤203、剔除上述异常值后，采用Newton插值法，对上述地形地貌数据、上述历史光伏出力数据进行插值，获得上述数据特征集。其中，上述数据特征集包括历史多元负荷数据和对应的历史影响因子数据。
作为一种可实现的方式，获得上述数据特征集之后，还能够按照第一预设比例，将上述数据特征集划分为训练集和测试集。具体地，训练集用于训练本申请实施例提供的光伏发电功率预测模型，测试集用于对训练得到的上述光伏发电功率预测模型的预测精度进行测试。
步骤204、对上述历史地基云图进行畸变校正，得到第一云图序列。
本申请实施例利用Brown模型对历史地基云图进行畸变校正，从而捕获更多的云图像特征。
具体地，参见图3，为本申请实施例2提供的一种对历史地基云图进行畸变校正的方法的流程图。如图3中所示，上述方法的具体实现步骤可以包括：
步骤2041、确定待校正的所述历史地基云图的像素坐标(x,y)。其中，上述像素坐标(x,y)为理想中心成像坐标(x`,y`)与畸变(Δx，Δy)之和，表示为：
式中，中心成像坐标(x`,y`)用共线方程表示为：
式中，(X，Y，Z)是对应的地面点坐标。(f，x0，y0)为所述地基云图内方位元素。(XS，YS，ZS)是摄影中心的物方空间坐标即外方位线元素。(ai,bi,ci)是外方位角元素构成的方向余弦。
步骤2042、基于Brown模型，根据所述历史地基云图的所述像素坐标，确定对应的像素畸变量(Δx,Δy)。
具体地，像点畸变量(Δx,Δy)一般用像点坐标的函数表示，具体形式为
式中，f1、f2分别为x、y方向的畸变函数，上述的函数关系选择Brown模型。
Brown模型是一种模拟物理因素作用的经典畸变模型，形式如下：
式中，k1～k12为主要反映成像面变形和非径向畸变项的系数；k13～k15表示成像面不平引起的畸变项的系数；k16～k18表示对称的径向畸变项系数；k19～k21相当于内方位元素误差影响系数。通过这些误差项的组合，可进一步描述其他复杂形式的畸变。
步骤2043、根据所述像素畸变量(Δx,Δy)，对所述历史地基云图进行畸变矫正，获得所述第一云图序列。
步骤205、对校正后的历史地基云图进行重采样，将历史地基云图的像素大小调整为适合上述光伏发电功率预测模型的尺寸。
具体地，重采样是指将云图的像素大小调整为适合特定模型和算法的尺寸，从而减少数据维度和计算复杂度。通过重采样，可以提高特征提取和模型训练的速度，并减少存储需求。
步骤206、对校正后的历史地基云图进行灰度图转换，以将历史地基云图中的彩色云图转化为灰度图像。
具体地，通过灰度图转换将彩色云图转化为灰度图像，降低了数据的维度和特征空间，使得特征计算更加高效。通过这些预处理步骤，可以有效减少计算负担，提高模型训练的效率，从而更好地应对特殊地形下光伏功率预测的挑战。
步骤207、根据获取到的上述第一云图序列，计算得到表征云层动态信息的光流图像。
具体地，本申请实施例2中，利用Farneback光流法在原始的上述第一云图序列上沿着X轴和Y轴方向上计算相邻时刻的光流图。
Farneback法是基于图像多项式展开的一种精确的图像逼近方法，它以每个像素为中心，用一个对应的多项式去逼近该像素的灰度值。将图像做二项式展开后，以一个包含了像素坐标信息的二项式来表示。给定相邻时间的云图图像，通过二项式的形式变换和设定约束条件推导出每个云图像素点位移与二项式系数之间的关系式，便可估算出各像素点沿不同方向的位移，得到沿X轴和Y轴的光流图。
参见图4，为本申请实施例2提供的一种计算光流图像的方法的流程图。如图4中所示，上述方法的具体实现步骤可以包括：
步骤2071、基于Farneback光流法，以所述第一云图序列的每个像素点为中心，利用二项式去逼近所述像素点的灰度值，二项式f(x,y)包含所述第一云图序列的像素坐标(x，y)，所述二项式f(x,y)表示为：
f(x,y)＝r1+r2x+r3y+r4x2+r5y2+r6xy
式中，r1,r2…r6为权重系数，利用加权最小二乘法求得。
步骤2072、通过对f(x,y)的展开，得到每一个云图像素点的灰度值与像素坐标之间的关系式，将像素点的灰度值转换为空间坐标表示，确定X和Y方向上的位移矢量，得到所述表征云层动态信息的光流图像。
步骤208、对上述光流图像进行编码和特征提取，获得空间云图特征。
本申请实施例2中，利用T2T-Vision Transformer对光流图进行编码和特征提取，将云图的变化趋势转化为待测电站的空间云图特征，快速捕捉云层的运动。
具体地，参见图5，为本申请实施例提供的一种对光流图像进行编码和特征提取的方法的流程图。如图5中所示，上述方法的具体实现步骤可以包括：
步骤2081、选取T2T-Vision Transformer模型作为特征提取的网络，将所述光流图像划分为n个图像块。
步骤2082、建立T2T模块，进行对所述n个图像块进行图像重构和软分割。
步骤2083、对所述光流图像的局部结构信息进行建模，利用滑动窗口进行取值操作，建立图像块与周围的图像块之间的强相关性联系，以聚合周围的图像块的信息，进行局部信息整合，以此来逐渐减少图像长度并且变换图像的空间结构。
其中，上述图像重构和软分割的迭代公式为：
Ti'＝MLP(MSA(Ti))
Ii＝Reshape(Ti')
Ti+1＝SS(Ii),i＝1...(n-1)
式中，Ti为原始图像，Ti'为分解后的图像，Ti+1为软分割后的图像，MSA为具有归一化操作的多头注意力机制函数，MLP为具有归一化的多层感知函数，Reshape为重构函数，Ii为重构后的图像，SS为软分割函数。
步骤2084、基于深窄架构的Vision Transformer，建立T2T-Vision Transformer主模块。
具体地，参见图6，为本申请实施例提供的一种对光流图像进行特征提取的示意图。如图6中所示，将所述T2T模块的输出作为所述T2T-Vision Transformer主模块的输入，进行特征提取，表示为：
式中，为第i层T2T-Vision Transformer主模块的输入、输出，/>为T2T-Vision Transformer主模块的最终输出，b为Transformer层数，LN为归一化层，fc为全连接层，y为提取的光流图特征。
步骤209、将上述空间云图特征和上述数据特征集进行多模态特征融合，建立光伏发电功率预测模型，以对光伏电站的光伏发电功率进行预测。
具体地，本申请实施例2采用双向长短期记忆神经网络层BiLSTM作为光伏发电功率预测模型。将上述空间云图特征、气象因子、地形地貌、历史光伏出力数据、历史多元负荷数据和对应的历史影响因子数据作为输入特征，来提取输入特征的时序特性，计算向前传播特性和反向传播特性，进一步提高预测精度：
式中，nt为输入矢量。为向前传播层的输出值。/>为向后传播层的输出值。yt为输出层的输出。δ为Tanh激活函数。/>和/>为权值矩阵。/>和by为偏置矢量。
步骤210、按照第一预设时间间隔，采集待预测的光伏电站的实时气象因子参数。可选的，上述第一预设时间间隔可以为五分钟，当然，上述第一预设时间间隔还可以根据实际情况自行设置，本申请实施例不做具体限定。
步骤211、按照第二预设时间间隔，通过鱼眼摄像头获取待预测的光伏电站的天空图像信息。可选的，上述第二预设时间间隔可以为十分钟，当然，上述第二预设时间间隔还可以根据实际情况自行设置，本申请实施例不做具体限定。
步骤212、将获取到的上述实时气象因子参数和天空图像信息输入到上述光伏发电功率预测模型，获取光伏电站的光伏发电功率预测值。
本申请实施例提供的光伏发电功率的预测方法，通过获取某光伏电站的历史地基云图、气象因子数据、地形地貌数据及光伏出力历史数据，建立特征数据库；利用Brown模型对云图图像进行畸变矫正，以此来获取完整的天空图像信息，并且对矫正后的云图进行重采样和灰度图转换，使得特征提取和模型训练更加高效；利用Farneback光流法计算相邻时刻之间的光流图。通过光流的计算，可以获取图像中像素点的运动方向和速度信息，了解光伏场景中的云层动态变化情况；利用T2T-Vision Transformer对连续的光流图进行编码，从而提取云图图像的特征；将云图特征和数据特征进行多模态特征融合，利用BiLSTM建立光伏发电功率预测模型，从而实现光伏发电功率进行及时预测，提高预测精准度和预测效率，进而保证电网安全运行稳定性。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种光伏发电功率的预测方法，其特征在于，包括：
获取待预测的光伏电站的历史地基云图、历史气象因子、地形地貌数据和历史光伏出力数据，并进行数据预处理，建立数据特征集；所述数据特征集包括历史多元负荷数据与对应的历史影响因子数据；
对所述历史地基云图进行畸变矫正，获得第一云图序列，并根据所述第一云图序列计算得到表征云层动态信息的光流图像；
对所述光流图像进行编码和特征提取，获得空间云图特征；
将所述空间云图特征和所述数据特征集进行多模态特征融合，建立光伏发电功率预测模型，用于对光伏电站的光伏发电功率进行预测。
2.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，所述进行数据预处理，建立数据特征集，包括：
基于拉依达准则法，对待预测的光伏电站的所述地形地貌数据、所述历史光伏出力数据的异常值进行判断并剔除；
剔除所述异常值后，采用Newton插值法，对所述地形地貌数据、所述历史光伏出力数据进行插值，获得所述历史多元负荷数据和所述历史影响因子数据。
3.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，所述建立特征数据集之后，所述方法还包括：
按照第一预设比例，将所述特征数据集划分为训练集和测试集，所述训练集用于训练所述光伏发电功率预测模型，所述测试集用于对训练得到的所述光伏发电功率预测模型的预测精度进行测试。
4.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，对所述历史地基云图进行畸变校正，包括：
确定待校正的所述历史地基云图的像素坐标(x,y)；其中，所述像素坐标(x,y)为理想中心成像坐标(x`,y`)与畸变(Δx，Δy)之和，表示为：
式中，中心成像坐标(x`,y`)用共线方程表示为：
式中，(X，Y，Z)是对应的地面点坐标；(f，x0，y0)为所述地基云图内方位元素；(XS，YS，ZS)是摄影中心的物方空间坐标即外方位线元素；(ai,bi,ci)是外方位角元素构成的方向余弦；
基于Brown模型，根据所述历史地基云图的所述像素坐标，确定对应的像素畸变量(Δx,Δy)；
根据所述像素畸变量(Δx,Δy)，对所述历史地基云图进行畸变矫正，获得所述第一云图序列。
5.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，所述对历史地基云图进行畸变校正之后，所述方法还包括：
对校正后的历史地基云图进行重采样，用于将所述历史地基云图的像素大小调整为适合所述光伏发电功率预测模型的尺寸。
6.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，所述对历史地基云图进行畸变校正之后，所述方法还包括：
对校正后的历史地基云图进行灰度图转换，以将所述历史地基云图中的彩色云图转化为灰度图像。
7.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，所述根据所述第一云图序列计算得到表征云层动态信息的光流图像，包括：
基于Farneback光流法，以所述第一云图序列的每个像素点为中心，利用二项式去逼近所述像素点的灰度值，二项式f(x,y)包含所述第一云图序列的像素坐标(x，y)，所述二项式f(x,y)表示为：
f(x,y)＝r1+r2x+r3y+r4x2+r5y2+r6xy
式中，r1,r2…r6为权重系数，利用加权最小二乘法求得；
通过对f(x,y)的展开，得到每一个云图像素点的灰度值与像素坐标之间的关系式，将像素点的灰度值转换为空间坐标表示，确定X和Y方向上的位移矢量，得到所述表征云层动态信息的光流图像。
8.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，对所述光流图像进行编码和特征提取，获得空间云图特征，包括：
选取T2T-Vision Transformer模型作为特征提取的网络，将所述光流图像划分为n个图像块；
建立T2T模块，进行对所述n个图像块进行图像重构和软分割；
对所述光流图像的局部结构信息进行建模，利用滑动窗口进行取值操作，建立图像块与周围的图像块之间的强相关性联系，以聚合周围的图像块的信息，进行局部信息整合；
其中，所述图像重构和软分割的迭代公式为：
Ti'＝MLP(MSA(Ti))
Ii＝Reshape(Ti')
Ti+1＝SS(Ii),i＝1...(n-1)
式中，Ti为原始图像，Ti'为分解后的图像，Ti+1为软分割后的图像，MSA为具有归一化操作的多头注意力机制函数，MLP为具有归一化的多层感知函数，Reshape为重构函数，Ii为重构后的图像，SS为软分割函数；
基于深窄架构的Vision Transformer，建立T2T-Vision Transformer主模块，将所述T2T模块的输出作为所述T2T-Vision Transformer主模块的输入，进行特征提取，表示为：
式中，为第i层T2T-Vision Transformer主模块的输入、输出，/>为T2T-Vision Transformer主模块的最终输出，b为Transformer层数，LN为归一化层，fc为全连接层，y为提取的光流图特征。
9.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，所述光伏发电功率预测模型基于双向长短期记忆神经网络层BiLSTM建立，所述方法还包括：
将所述空间云图特征、所述历史多元负荷数据和对应的历史影响因子数据作为输入特征，并提取所述输入特征的时序特性；
根据所述输出特征的时序特性，计算所述光伏发电功率预测模型的向前传播特性和反向传播特性，表示为：
式中，nt为输入矢量；为向前传播层的输出值：/>为向后传播层的输出值；yt为输出层的输出；δ为Tanh激活函数；/>和/>为权值矩阵；和by为偏置矢量。
10.根据权利要求1所述的一种光伏发电功率的预测方法，其特征在于，对光伏电站的光伏发电功率进行预测，包括：
按照第一预设时间间隔，采集待预测的光伏电站的实时气象因子参数；
按照第二预设时间间隔，通过鱼眼摄像头获取待预测的光伏电站的天空图像信息；
将所述实时气象因子参数和所述天空图像信息输入所述光伏发电功率预测模型，获取光伏电站的光伏发电功率预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410062927.1A CN117876349A (zh) | 2024-01-16 | 2024-01-16 | 一种光伏发电功率的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410062927.1A CN117876349A (zh) | 2024-01-16 | 2024-01-16 | 一种光伏发电功率的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117876349A true CN117876349A (zh) | 2024-04-12 |
Family
ID=90591688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410062927.1A Pending CN117876349A (zh) | 2024-01-16 | 2024-01-16 | 一种光伏发电功率的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876349A (zh) |
-
2024
- 2024-01-16 CN CN202410062927.1A patent/CN117876349A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Si et al. | Hybrid solar forecasting method using satellite visible images and modified convolutional neural networks | |
| Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
| CN110738252A (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
| CN114547017B (zh) | 一种基于深度学习的气象大数据融合方法 | |
| CN114067019B (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
| 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 | |
| CN110781458B (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
| CN113935249B (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
| CN116865261B (zh) | 基于孪生网络的电力负荷预测方法及系统 | |
| 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 | |
| Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
| Zheng et al. | Weather image-based short-term dense wind speed forecast with a ConvLSTM-LSTM deep learning model | |
| Zhang et al. | Solar irradiance prediction interval estimation and deterministic forecasting model using ground-based sky image | |
| CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
| 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 | |
| CN117876349A (zh) | 一种光伏发电功率的预测方法 | |
| CN116401939A (zh) | 一种基于梯度约束神经网络的北极海冰短期预报方法 | |
| CN113408123B (zh) | 台风涡旋初始风场优化方法、系统及存储介质 | |
| Wan et al. | Turbine location wind speed forecast using convolutional neural network | |
| 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 | |
| CN117973645B (zh) | 一种光伏功率预测方法 | |
| Shaohua et al. | Distributed photovoltaic power output prediction based on satellite cloud map video frames | |
| Chen et al. | Solar radiation nowcasting through advanced CNN model integrated with ResNet structure | |
| CN116579228A (zh) | 一种基于地形分类超分模型的天气预报模式空间降尺度方法 | |
| Ahn et al. | Deep Learning based Prediction of Solar Surface Irradiance with Geostationary Satellite Images |
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 |