一种超短期光伏功率预测方法技术

本发明专利技术涉及一种超短期光伏功率预测方法，使用经纬度矫正法校正鱼眼云图；采用HSV‑SURF算法对地基云图序列快速提取特征点；快速匹配并校正特征点对，提取并预测云团运动轨迹；使用改进阈值分割法精细化提取云团，提出直观表征下一时刻辐照度情况的辐照系数；建立基于改进IAM‑CNN‑LSTM混合神经网络的超短期光伏功率预测模型；对混合神经网络的权值进行初始化，设定最大迭代次数；建立卷积神经网络，将特征矩阵输入模型；使用控制变量法优化网络结构；若达到最大迭代次数，则迭代终止输出网络参数；利用训练完成的复合网络进行超短期功率预测，获取待预测时间点的预测功率。与现有技术相比，本发明专利技术具有提高预测精度等优点。

【技术实现步骤摘要】
一种超短期光伏功率预测方法
本专利技术涉及集中式光伏电站超短期光伏功率预测
，尤其是涉及一种超短期光伏功率预测方法。
技术介绍
随着太阳能开发与利用水平的不断提升，接入电网的光伏比重日益增加，大规模光伏由于出力的不稳定性，其并网易造成电网电压、电流和频率的波动，影响电网的电能质量。为了消除上述不利影响，提高光伏功率预测精度显得尤为重要。精确的集中式光伏功率预测是提高电力系统运行稳定性以及光伏功率消纳能力的重要手段。集中式光伏电站的发电功率因受诸多气象因子与环境因素的影响而表现出强波动性与随机性。而云的分布和运动变化以及不同特征云对辐射衰减的差异正是造成光伏功率变化不确定性的强相关性影响因素。光伏发电功率因运动型云团对太阳辐射的遮挡而发生分钟级快速剧烈波动，会对电网的稳定性带来巨大的冲击。传统的基于光伏电站历史功率数据以及数值天气预报的光伏功率预测模型受到算法原理以及数据精度的制约，难以对云团运动导致的分钟级功率波动作出精准预测。因此，针对传统的“超短期”预测需进一步寻找适合“分钟级”天气变化的光伏功率预测方法。特别地，在多云等特定天气情况下，地表辐照度水平受到运动云团影响在分钟级时间尺度内呈现剧烈波动。而此时，辐照度波动与历史辐照度数据几乎无相关性。综上，上述现象对分钟级气象特征提取与预测提出了挑战。空天观测仪是目前运用于分钟级光伏预测的主流设备，国内外学者利用其对天空中云团进行拍摄获取直观云团特征，在此基础上，对超短期光伏功率进行预测。现有技术主要采用的方法有：通过地基云图图像处理提取大气辐射数据，使用径向基函数神经网络预测辐照度，但其对云团及其运动缺乏精细化提取与描述，且忽略了气温、气溶胶浓度等影响因子，导致预测误差较大；采用数值天气预报与地基云图图像处理相结合的预测方法，一定程度上提高了光伏预测精度，但其忽略了运动云团可能引起的光伏功率突变，对于多运动型云团天气类型下的功率预测精度有待提高；通过对天空图像数据的聚类分析，建立了基于深度学习方法的地表光照度混合映射模型，但该方法对辐照度突变缺乏预测机制，从而导致在辐照度多变情况下预测精度较低；综上所述，基于地基云图的光伏功率预测在近年来已成为国内外学者研究的热点，但还有一定的提升空间。特别地，在考虑运动云团精细化提取与描述以及辐照度突变预报机制的建立等方面的基础上，可提高超短期光伏功率预测精度。在预测方法方面，现有技术主要采用的方法有：提出一种基于变分模态分解结合深度回声状态网络混合模型的超短期光伏功率预测方法对光伏功率进行预测，但是其预测步骤与网络复杂度过高，导致多特征样本集、不同场景下预测效率有待提高；采用一种基于卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合模型短期负荷预测方法在一定程度上提高预测精度，但是该方法将CNN与LSTM简单结合，破坏了特征矩阵时间结构，削弱了各特征时序间的固有相关性，导致预测精度整体较差。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种超短期光伏功率预测方法，该方法基于云图特征提取的改进神经网络实现光伏超短期预测，可进一步提高模型预测能力，并有利于提高针对辐照度突变的应对能力。本专利技术的目的可以通过以下技术方案来实现：一种超短期光伏功率预测方法，该方法包括如下步骤：S1：获取卫星可见光鱼眼云图，采用经纬度矫正法校正鱼眼云图，获取校正后的地基云图序列，对地基云图序列提取彩色云图特征点。S2：利用FLANN算法匹配步骤S1得到特征点对，并利用改进的IRANSAC算法对云图特征点进行过滤，获取剔除坏点的特征点集，通过相邻时间点的云图特征点坐标匹配情况，计算特征点坐标变换矩阵，以得到云团运动轨迹。S3：对云团进行分割提取，并利用直观表征下一时刻辐照度情况的辐照系数表征该云层分布下辐照度水平。S4：提取历史气象数据并构建输入特征矩阵，建立基于改进IAM-CNN-LSTM混合神经网络的超短期光伏功率预测模型。S5：初始化神经网络权值，设定最大迭代次数。S6：构建卷积神经网络，将特征矩阵以滑动时间窗法截取特征输入矩阵，输入CNN进行特征提取。S7：将CNN网络提取的时序特征输入结合CRS算法的改进Attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，随后将经过权重管理的过度特征向量按时间步输入至LSTM层，输出改进IAM-CNN-LSTM混合神经网络的训练结果，读取训练损失曲线、误差曲线，观察收敛过程中训练集、验证集损失曲线纵向间距，结合训练集、验证集绝对误差情况，直观评估网络预测结果收敛性能。S8：判断当前迭代次数是否达到最大迭代次数，若达到，则迭代终止，输出改进IAM-CNN-LSTM网络参数，否则，令迭代次数加一，并转到步骤S4。S9：利用上述步骤训练完成的改进IAM-CNN-LSTM网络进行超短期光伏功率预测，获取预测功率。步骤S1中，采用HSV-SURF算法快速提取彩色云图特征点，具体步骤包括：11)利用SURF算法提取彩色云图特征点；12)将提取的彩色云图特征点进行HSV颜色空间转换，并获取特征点坐标变换矩阵；13)利用统计特征点圆形邻域内的Haar小波特征，并结合HSV颜色信息的联合特征描述彩色云图特征点。步骤S2中，利用改进的IRANSAC算法对云图特征点进行过滤的具体步骤包括：21)从利用FLANN算法匹配对集合中剔除与其他匹配对相交点数目大于3的特征点匹配对；22)将剩余的特征点匹配对按照比值(Dij/Dij′)递增排序，组成特征点匹配对集合P，其中Dij为特征点匹配对中欧氏距离最小值，Dij′为其余点对欧氏距离；23)将特征点匹配对集合P按照顺序分成F1、F2、F3、F4四个部分，从F1中依次抽取5个样本数据，求解步骤12)得到的特征点坐标变换矩阵M；24)若F1剩下的匹配点对与M的误差小于约定阈值T，则判定匹配点与抽取样本为一致集；25)采用特征点坐标变换矩阵M遍历F1中对应的匹配点，计算集合F1中匹配点对在阈值下满足变换矩阵的比例S，重复上述步骤，选取当S最大的特征点变换矩阵记为M作为最终的变换矩阵。步骤S3中，采用改进阈值分割法，根据与当前晴空像素匹配的历史晴空图片，设置多阈值进行精细化提取云团，并利用直观表征下一时刻辐照度情况的辐照系数表征该云层分布下辐照度水平。采用改进阈值分割法精细化提取云团的具体内容为：首先根据当前晴空像素匹配的历史晴空图片灰度来进行云图检验，选取符合检验判别依据的各时刻的云团数据，检验判别依据为：(0.95×GRAYt)＜GRAYhistory＜(1.05×GRAYt)式中：GRAYhistory为历史晴空图片去除太阳及其周围难以判别区域后的图片灰度均值；GRAYt为t时刻背景晴空区域的灰度均值；设定薄云阈值与厚云阈值，对符合检验判别依据的云团数据进一步提取薄云与厚云：311)将太阳周边区域高于所设定薄云阈值的部分设定为提取误本文档来自技高网...

【技术保护点】
1.一种超短期光伏功率预测方法，其特征在于，包括下列步骤：/n1)获取卫星可见光鱼眼云图，采用经纬度矫正法校正鱼眼云图，获取校正后的地基云图序列，对地基云图序列提取彩色云图特征点；/n2)利用FLANN算法匹配步骤1)得到特征点对，并利用改进的IRANSAC算法对云图特征点进行过滤，获取剔除坏点的特征点集，通过相邻时间点的云图特征点坐标匹配情况，计算特征点坐标变换矩阵，以得到云团运动轨迹；/n3)对云团进行分割提取，并利用直观表征下一时刻辐照度情况的辐照系数表征该云层分布下辐照度水平；/n4)提取历史气象数据并构建输入特征矩阵，建立基于改进IAM-CNN-LSTM混合神经网络的超短期光伏功率预测模型；/n5)初始化神经网络权值，设定最大迭代次数；/n6)构建卷积神经网络，将特征矩阵以滑动时间窗法截取特征输入矩阵，输入CNN进行特征提取；/n7)将CNN网络提取的时序特征输入结合CRS算法的改进Attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，随后将经过权重管理的过度特征向量按时间步输入至LSTM层，输出改进IAM-CNN-LSTM混合神经网络的训练结果，读取训练损失曲线、误差曲线，观察收敛过程中训练集、验证集损失曲线纵向间距，结合训练集、验证集绝对误差情况，直观评估网络预测结果收敛性能；/n8)判断当前迭代次数是否达到最大迭代次数，若达到，则迭代终止，输出改进IAM-CNN-LSTM网络参数，否则，令迭代次数加一，并转到步骤4)；/n9)利用上述步骤训练完成的改进IAM-CNN-LSTM网络进行超短期光伏功率预测，获取预测功率。/n...

【技术特征摘要】
1.一种超短期光伏功率预测方法，其特征在于，包括下列步骤：
1)获取卫星可见光鱼眼云图，采用经纬度矫正法校正鱼眼云图，获取校正后的地基云图序列，对地基云图序列提取彩色云图特征点；
2)利用FLANN算法匹配步骤1)得到特征点对，并利用改进的IRANSAC算法对云图特征点进行过滤，获取剔除坏点的特征点集，通过相邻时间点的云图特征点坐标匹配情况，计算特征点坐标变换矩阵，以得到云团运动轨迹；
3)对云团进行分割提取，并利用直观表征下一时刻辐照度情况的辐照系数表征该云层分布下辐照度水平；
4)提取历史气象数据并构建输入特征矩阵，建立基于改进IAM-CNN-LSTM混合神经网络的超短期光伏功率预测模型；
5)初始化神经网络权值，设定最大迭代次数；
6)构建卷积神经网络，将特征矩阵以滑动时间窗法截取特征输入矩阵，输入CNN进行特征提取；
7)将CNN网络提取的时序特征输入结合CRS算法的改进Attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，随后将经过权重管理的过度特征向量按时间步输入至LSTM层，输出改进IAM-CNN-LSTM混合神经网络的训练结果，读取训练损失曲线、误差曲线，观察收敛过程中训练集、验证集损失曲线纵向间距，结合训练集、验证集绝对误差情况，直观评估网络预测结果收敛性能；
8)判断当前迭代次数是否达到最大迭代次数，若达到，则迭代终止，输出改进IAM-CNN-LSTM网络参数，否则，令迭代次数加一，并转到步骤4)；
9)利用上述步骤训练完成的改进IAM-CNN-LSTM网络进行超短期光伏功率预测，获取预测功率。


2.根据权利要求1所述的超短期光伏功率预测方法，其特征在于，步骤1)中，采用HSV-SURF算法快速提取彩色云图特征点，具体步骤包括：
11)利用SURF算法提取彩色云图特征点；
12)将提取的彩色云图特征点进行HSV颜色空间转换，并获取特征点坐标变换矩阵；
13)利用统计特征点圆形邻域内的Haar小波特征，并结合HSV颜色信息的联合特征描述彩色云图特征点。


3.根据权利要求2所述的超短期光伏功率预测方法，其特征在于，步骤2)中，利用改进的IRANSAC算法对云图特征点进行过滤的具体步骤包括：
21)从利用FLANN算法匹配对集合中剔除与其他匹配对相交点数目大于3的特征点匹配对；
22)将剩余的特征点匹配对按照比值(Dij/Dij′)递增排序，组成特征点匹配对集合P，其中Dij为特征点匹配对中欧氏距离最小值，Dij′为其余点对欧氏距离；
23)将特征点匹配对集合P按照顺序分成F1、F2、F3、F4四个部分，从F1中依次抽取5个样本数据，求解步骤12)得到的特征点坐标变换矩阵M；
24)若F1剩下的匹配点对与M的误差小于约定阈值T，则判定匹配点与抽取样本为一致集；
25)采用特征点坐标变换矩阵M遍历F1中对应的匹配点，计算集合F1中匹配点对在阈值下满足变换矩阵的比例S，重复上述步骤，选取当S最大的特征点变换矩阵记为M作为最终的变换矩阵。


4.根据权利要求2所述的超短期光伏功率预测方法，其特征在于，步骤3)中，采用改进阈值分割法，根据与当前晴空像素匹配的历史晴空图片，设置多阈值进行精细化提取云团，并利用直观表征下一时刻辐照度情况的辐照系数表征该云层分布下辐照度水平。


5.根据权利要求4所述的超短期光伏功率预测方法，其特征在于，步骤3)中，采用改进阈值分割法精细化提取云团的具体内容为：
首先根据当前晴空像素匹配的历史晴空图片灰度来进行云图检验，选取符合检验判别依据的各时刻的云团数据，检验判别依据为：
(0.95×GRAYt)＜GRAYhistory＜(1.05×GRAYt)
式中：GRAYhistory为历史晴空图片去除太阳及其周围难以判别区域后的图片灰度均值；GRAYt为t时刻背景晴空区域的灰...

【专利技术属性】
技术研发人员：余光正，汤波，陆柳，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：上海;31