光伏电站功率预测方法及装置与流程

1.本发明属于电力技术领域，具体涉及一种光伏电站功率预测方法及装置。


背景技术：

2.近年来，我国光伏发展十分迅速，然而，分布式光伏中的中低压配电网，长期处于新能源调控的“盲区”，给电网运行带来了巨大挑战。分布式光伏功率预测是解决上述调控难题的基础支撑技术，因此，提高光伏预测准确度迫在眉睫。
3.光伏功率预测按照预测时间，可以分为短期功率预测和中长期功率预测两类。光伏短期功率预测是以历史出力数据、数值天气预报(numericweather prediction，nwp)和实测气象数据为基础，建立预测模型对未来24h光伏输出功率的预测。这其中，气象数据会给预测结果带来很大的影响，而气象数据具有长期规律性和局部随机性的特点，这也给光伏功率预测带来一定的困难。
4.相关技术中，现有集中式光伏出力预测需要基于本地、相同时空分辨率的数据建模(包括实测和预测、天气和电气数据)。实施高精度光伏出力预测的瓶颈在于如何提供充足的基础数据，而在光伏短期功率预测中，气象数据会给预测结果带来很大的影响，现有的技术解决方案无法对光伏出力进行准确预测。


技术实现要素：

5.有鉴于此，本发明的目的在于克服现有技术的不足，提供一种光伏电站功率预测方法及装置，以解决现有技术中无法对光伏出力进行准确预测的问题。
6.为实现以上目的，本发明采用如下技术方案：一种光伏电站功率预测方法，包括：
7.获取历史数据并基于所述历史数据选取相似日，所述历史数据包括历史气象数据、历史发电功率数据以及历史电量数据；
8.将相似日的气象数据、发电功率数据及电量数据作为训练数据，输入至时域卷积网络中进行训练至收敛，得到光伏电站功率预测模型；
9.将待预测日的预测辐射数据输入至所述光伏电站功率预测模型，得到预测结果。
10.进一步的，基于所述历史数据选取相似日，包括:
11.基于所述历史气象数据确定历史辐射度，并获取待预测日的预测辐射度；
12.根据所述历史辐射度构造综合特征向量，以及根据待预测日的预测辐射度构造预测特征向量；所述综合特征向量包括每日最大波动、每日平均波动、每日波动方差、日辐射时间以及日辐射起始时间；
13.采用层次聚类法对所述综合特征向量进行聚类，得到相似日曲线；
14.对比所述相似日曲线与预测特征向量，确定相似日。
15.进一步的，采用以下方式根据所述历史辐射度构造综合特征向量，
16.f＝[δr
max
,δr
avg
,δr
std
,n
gen
,t
gen
]
[0017]
δr
max
＝max(r
t
)
[0018]rt
＝[r
t
(97),...,r
t
(192)]
[0019]rt
(i)＝max{r(i),...,r(i+11}-min{r(i),...,r(i+11}
[0020]
,i＝97,...,192
[0021]
δr
avg
＝mean{r
t
}
[0022]
δr
std
＝std{r
t
}其中，δr
max
为每日最大波动、δr
avg
为每日平均波动、δr
std
为每日波动方差、n
gen
为日辐射时间、t
gen
为日辐射起始时间、r(i)表示日辐射曲线第i个时刻的辐射度、mean{r
t
}表示对向量r
t
求平均值、std{r
t
}表示对向量r
t
求无偏标准差。
[0023]
进一步的，所述时域卷积网络包括：因果卷积和扩展卷积，所述因果卷积与扩展卷积采用残差连接，所述残差连接将浅层的输出和深层的输出求和作为下一阶段的输入；
[0024]
每层卷积运算后进行权重归一化。
[0025]
进一步的，采用以下方式进行扩展卷积的计算，
[0026][0027]
其中，x为输入特征，y为输出特征，w表示卷积的权重图，k为卷积核大小，r为扩张率。
[0028]
进一步的，采用以下方式进行权重归一化，
[0029][0030]
其中，v为k维向量，||v||为欧式范数，g为标量。
[0031]
进一步的，采用optuna超参数优化算法，设置时域卷积网络参数的优化范围并得到优化参数。
[0032]
本技术实施例提供一种光伏电站功率预测装置，包括：
[0033]
获取模块，用于获取历史数据并基于所述历史数据选取相似日，所述历史数据包括历史气象数据、历史发电功率数据以及历史电量数据；
[0034]
训练模块，用于将相似日的气象数据、发电功率数据及电量数据作为训练数据，输入至时域卷积网络中进行训练至收敛，得到光伏电站功率预测模型；
[0035]
预测模块，用于将待预测日的预测辐射数据输入至所述光伏电站功率预测模型，得到预测结果。
[0036]
本发明采用以上技术方案，能够达到的有益效果包括：
[0037]
本发明提供一种光伏电站功率预测方法及装置，本技术首先获取历史气象数据、历史发电功率数据以及历史电量数据，确定相似日，然后将相似日的相关数据作为训练数据输入至时域卷积网络中进行训练，得到光伏电站功率预测模型，该模型能够根据预测日的预测辐射数据输出预测结果，也就是光伏电站功率。本技术通过选取更具代表性的相似日，选用时域卷积网络(temporal convolutional network，tcn)对光伏出力进行预测；最后，采用超参数优化算法对模型的超参数进行搜索，实现了模型的快速调参，提高了光伏功率预测的预测精度，以适应气象的随机变化。
附图说明
[0038]
为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。
[0039]
图1为本发明光伏电站功率预测方法的步骤示意图；
[0040]
图2为本发明提供的因果卷积网络的结构示意图；
[0041]
图3为本发明提供的扩展卷积网络的结构示意图；
[0042]
图4为本发明提供的残差连接的流程示意图；
[0043]
图5为本发明光伏电站功率预测装置的结构示意图。
具体实施方式
[0044]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
[0045]
下面结合附图介绍本技术实施例中提供的一个具体的光伏电站功率预测方法及装置。
[0046]
如图1所示，本技术实施例中提供的光伏电站功率预测方法，包括：
[0047]
s101，获取历史数据并基于所述历史数据选取相似日，所述历史数据包括历史气象数据、历史发电功率数据以及历史电量数据；
[0048]
其中，历史气象数据包括历史辐射度。还可以利用历史气象数据与历史电量数据对历史发电功率数据进行修正。
[0049]
一些实施例中，基于所述历史数据选取相似日，包括:
[0050]
基于所述历史气象数据确定历史辐射度，并获取待预测日的预测辐射度；
[0051]
根据所述历史辐射度构造综合特征向量，以及根据待预测日的预测辐射度构造预测特征向量；所述综合特征向量包括每日最大波动、每日平均波动、每日波动方差、日辐射时间以及日辐射起始时间；
[0052]
具体的，本技术中采用层次聚类法对所述综合特征向量进行聚类，得到相似日曲线；
[0053]
对比所述相似日曲线与预测特征向量，确定相似日。
[0054]
选取历史辐射度、待预测日辐射度数据，分别构造综合特征向量f,f的定义为:
[0055]
f＝[δr
max
,δr
avg
,δr
std
,n
gen
,t
gen
]
[0056]
其中，f中变量定义依次为：每日最大波动、每日平均波动、每日波动方差、日辐射时间、日辐射起始时间。
[0057]
具体的，每日最大波动定义为:日辐射曲线每小时内,辐射度峰谷差的最大值。功率数据每5min一点，只考虑曲线中间部分约8h的时间段。其中:
[0058]
δr
max
＝max(r
t
)
[0059]rt
＝[r
t
(97),...,r
t
(192)]
[0060]rt
(i)＝max{r(i),...,r(i+11}-min{r(i),...,r(i+11}
[0061]
,i＝97,...,192
[0062]
式中r(i)表示日辐射曲线第i个时刻的辐射度。
[0063]
每日平均波动定义为：日辐射曲线每小时时间段辐射峰谷差的平均值，只考虑中间8h的时间段，计算方式如下：
[0064]
δr
avg
＝mean{r
t
}
[0065]
上式中，mean{r
t
}表示对向量r
t
求平均值。
[0066]
每日波动标准差δr
std
定义为：
[0067]
δr
std
＝std{r
t
}
[0068]
上式中std{r
t
}表示对向量r
t
求无偏标准差。
[0069]
日辐射时间n
gen
是指日功率曲线大于0的序列点总个数。
[0070]
日起始辐射时刻t
gen
是指日辐射曲线第一个大于0的点对应的序号。
[0071]
在获取辐射度的特征向量后，使用层次聚类方法对特征向量进行聚类，对于选取的相似日曲线fh集合，有如下性质：
[0072][0073]
其中，c
l
为待预测日特征向量所属类别l。
[0074]
相比基于传统欧式距离的相似选取算法，本技术选取的相似日更加具有代表性，具有更好的预测精度。
[0075]
s102，将相似日的气象数据、发电功率数据及电量数据作为训练数据，输入至时域卷积网络中进行训练至收敛，得到光伏电站功率预测模型；
[0076]
一些实施例中，所述时域卷积网络包括：因果卷积和扩展卷积，所述因果卷积与扩展卷积采用残差连接，所述残差连接将浅层的输出和深层的输出求和作为下一阶段的输入；
[0077]
每层卷积运算后进行权重归一化。
[0078]
可以理解的是，传统卷积神经网络由于卷积核大小受限，长期依赖信息的捕获能力较弱，因此不适合时序问题的建模。时域卷积网络(temporal convolutional network,tcn)作为一种特殊的卷积神经网络，能够很好地处理时序问题，从而受到了研究人员的关注，在诸多时序数据预测任务中取得了较好的效果。
[0079]
时域卷积网络主要由因果卷积和扩展卷积两种部分组成，为了减少因为层数增大带来的梯度弥散，使用残差连接对网络进行优化。最后，为了加快训练速度，在每层卷积运算后加入weight normalization层对数据进行归一化。
[0080]
其中，因果卷积网络如图2所示，对于t时刻的预测值只依赖于t时刻及t时刻之前的数据。预测值以1
×
2的卷积核对时间序列[y1,...,y
t
]进行逐层卷积来得到。因果卷积网络通过对历史序列进行逐步卷积，使得卷积操作也具有了时序性。
[0081]
扩展卷积网络如图3所示，对于预测一个长时间序列任务，需要有足够多层数的卷积层才能完成一次完整预测。这样大大增大了训练难度，为了减少训练层数，减少过拟合，使用扩展卷积的方法对网络进行优化。
[0082]
扩张卷积又名空洞卷积(atrous convolutions)，通过向因果卷积层引入了一个称为“扩张率(dilation rate)”的参数减少了网络的复杂度。该参数定义了卷积核处理数据时各值的间距。扩展卷积的计算方式如下：
[0083][0084]
其中，x为输入特征，y为输出特征，w表示卷积的权重图,k为卷积核大小，r为扩张率。
[0085]
残差连接如图4所示，残差连接指的就是将浅层的输出和深层的输出求和作为下一阶段的输入。
[0086]
本技术中通过weight normalization层权重归一化，weight normalization层是对模型层权重向量的重新参数化，将那些权重向量的长度与它们的方向分离。通过以这种方式重新参数化，改进了优化问题的条件，并加快了随机梯度下降的收敛速度。weight normalization计算公式如下：
[0087][0088]
其中v为k维向量，||v||为欧式范数，g为标量。
[0089]
s103，将待预测日的预测辐射数据输入至所述光伏电站功率预测模型，得到预测结果。
[0090]
一些实施例中，采用optuna超参数优化算法，设置时域卷积网络参数的优化范围并得到优化参数。
[0091]
其中，optuna超参数优化算法的优化方法包括{'momentumsgd','adam',
‘
sgd’}，网络层数范围为[1，10]；学习率范围:[1e-5,1e-2]；卷积核待选:{1,3,5}；扩张率大小:[1,10]。
[0092]
本发明采用超参数优化算法对模型的超参数进行搜索，能够实现模型的快速调参。
[0093]
光伏电站功率预测方法的工作原理为：本技术采用基于改进相似日和时域卷积网络，结合超参数优化算法，准确实现光伏功率预测。首先搜集光伏的历史实际气象数据、历史发电功率数据和历史电量数据，然后根据历史实际气象数据、历史发电量数据对光伏功率进行修复，在此基础上，对历史辐射度和待预测日辐射度构建曲线特征；最后以光伏历史出力数据作为训练目标，以待预测日气象作为输入，得到待预测日光伏日出力数据。本技术提供的技术方案能够极大提高用光伏功率预测精准度，更好辅助光伏产业为社会服务。
[0094]
如图5所示，本技术实施例提供一种光伏电站功率预测装置，包括：
[0095]
获取模块201，用于获取历史数据并基于所述历史数据选取相似日，所述历史数据包括历史气象数据、历史发电功率数据以及历史电量数据；
[0096]
训练模块202，用于将相似日的气象数据、发电功率数据及电量数据作为训练数据，输入至时域卷积网络中进行训练至收敛，得到光伏电站功率预测模型；
[0097]
预测模块203，用于将待预测日的预测辐射数据输入至所述光伏电站功率预测模型，得到预测结果。
[0098]
本技术提供的光伏电站功率预测装置的工作原理为，获取模块201获取历史数据并基于所述历史数据选取相似日，所述历史数据包括历史气象数据、历史发电功率数据以及历史电量数据；训练模块202将相似日的气象数据、发电功率数据及电量数据作为训练数据，输入至时域卷积网络中进行训练至收敛，得到光伏电站功率预测模型；预测模块203将
待预测日的预测辐射数据输入至所述光伏电站功率预测模型，得到预测结果。
[0099]
综上所述，本发明提供一种光伏电站功率预测方法及装置，包括。
[0100]
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
[0101]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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和光学存储器等)上实施的计算机程序产品的形式。
[0102]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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和/或方框图一个方框或多个方框中指定的功能的装置。
[0103]
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方法的制造品，该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0104]
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和/或方框图一个方框或多个方框中指定的功能的步骤。
[0105]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种光伏电站功率预测方法，其特征在于，包括：获取历史数据并基于所述历史数据选取相似日，所述历史数据包括历史气象数据、历史发电功率数据以及历史电量数据；将相似日的气象数据、发电功率数据及电量数据作为训练数据，输入至时域卷积网络中进行训练至收敛，得到光伏电站功率预测模型；将待预测日的预测辐射数据输入至所述光伏电站功率预测模型，得到预测结果。2.根据权利要求1所述的方法，其特征在于，基于所述历史数据选取相似日，包括:基于所述历史气象数据确定历史辐射度，并获取待预测日的预测辐射度；根据所述历史辐射度构造综合特征向量，以及根据待预测日的预测辐射度构造预测特征向量；所述综合特征向量包括每日最大波动、每日平均波动、每日波动方差、日辐射时间以及日辐射起始时间；采用层次聚类法对所述综合特征向量进行聚类，得到相似日曲线；对比所述相似日曲线与预测特征向量，确定相似日。3.根据权利要求2所述的方法，其特征在于，采用以下方式根据所述历史辐射度构造综合特征向量，f＝[δr
max
,δr
avg
,δr
std
,n
gen
,t
gen
]δr
max
＝max(r
t
)r
t
＝[r
t
(97),...,r
t
(192)]r
t
(i)＝max{r(i),...,r(i+11}-min{r(i),...,r(i+11},i＝97,...,192δr
avg
＝mean{r
t
}δr
std
＝srd{r
t
)其中，δr
max
为每日最大波动、δr
avg
为每日平均波动、δr
std
为每日波动方差、n
gen
为日辐射时间、t
gen
为日辐射起始时间、r(i)表示日辐射曲线第i个时刻的辐射度、mean{r
t
}表示对向量r
t
求平均值、std{r
t
}表示对向量r
t
求无偏标准差。4.根据权利要求1所述的方法，其特征在于，所述时域卷积网络包括：因果卷积和扩展卷积，所述因果卷积与扩展卷积采用残差连接，所述残差连接将浅层的输出和深层的输出求和作为下一阶段的输入；每层卷积运算后进行权重归一化。5.根据权利要求4所述的方法，其特征在于，采用以下方式进行扩展卷积的计算，其中，x为输入特征，y为输出特征，w表示卷积的权重图，k为卷积核大小，r为扩张率。6.根据权利要求4所述的方法，其特征在于，采用以下方式进行权重归一化，其中，v为k维向量，||v||为欧式范数，g为标量。7.根据权利要求1所述的方法，其特征在于，采用optuna超参数优化算法，设置时域卷积网络参数的优化范围并得到优化参数。
8.一种光伏电站功率预测装置，其特征在于，包括：获取模块，用于获取历史数据并基于所述历史数据选取相似日，所述历史数据包括历史气象数据、历史发电功率数据以及历史电量数据；训练模块，用于将相似日的气象数据、发电功率数据及电量数据作为训练数据，输入至时域卷积网络中进行训练至收敛，得到光伏电站功率预测模型；预测模块，用于将待预测日的预测辐射数据输入至所述光伏电站功率预测模型，得到预测结果。

技术总结
本发明涉及一种光伏电站功率预测方法及装置，所述方法包括获取历史数据并基于历史数据选取相似日，历史数据包括历史气象数据、历史发电功率数据以及历史电量数据；将相似日的气象数据、发电功率数据及电量数据作为训练数据，输入至时域卷积网络中进行训练至收敛，得到光伏电站功率预测模型；将待预测日的预测辐射数据输入至光伏电站功率预测模型，得到预测结果。本发明使用序列特征代替了原始序列，选取更具代表性的相似日，选用时域卷积网络采用超参数优化算法对模型的超参数进行搜索，实现了模型的快速调参。提高了光伏功率预测方案预测精度，以适应气象的随机变化。以适应气象的随机变化。以适应气象的随机变化。


技术研发人员：林诗媛 初保驹 田丽春 朱雅芳 叶楠 郑超峰 郑冬虬
受保护的技术使用者：国网福建省电力有限公司经济技术研究院
技术研发日：2023.05.16
技术公布日：2023/8/24