一种基于光伏发电数据的气象预测结果优化方法技术

本发明专利技术适用于光伏发电技术领域，提供了一种基于光伏发电数据的气象预测结果优化方法，包括：使用组合模型处理历史光伏发电数据，获得初始气象预测结果；获取基于历史光伏发电数据的历史时间序列数据，并对历史时间序列数据进行相空间重构，获得相空间重构数据；对初始气象预测结果进行筛选获得气象特征数据，提取相空间重构数据的优化特征数据，优化特征数据包括延迟时间和混沌特征；拼接气象特征数据、优化特征数据和初始气象预测结果，形成组合数据；将组合数据作为基于特征注意力机制的深度学习模型的输入，以基于其输出获得优化气象预测结果。通过本发明专利技术可以充分利用气象数据，提高气象预测精度。高气象预测精度。高气象预测精度。

【技术实现步骤摘要】
一种基于光伏发电数据的气象预测结果优化方法


[0001]本专利技术涉及光伏发电
，尤其涉及基于光伏发电数据的气象预测结果优化方法。

技术介绍

[0002]气象预测对农业、交通、航空、航天、水利、环境、电信、电力和能源等行业的影响非常大，例如，光伏电站的电力生产能力，与光伏电站所在地的光照资源密不可分，光照资源即气象条件，其存在较大波动性、随机性，因此，准确的气象预测结果对稳定光伏电站的能源供给能力，是重要因素。
[0003]在常用的气象预测模型中，使用时间序列数据进行预测得到的结果，但是，使用不平稳的时间序列数据所得到的结果非常不理想，因此，基于非平稳数据的气象预测方法需要对时间序列进行分解。
[0004]现有的专利文献为例，专利号为CN202011605395.X，名称为一种基于ARIMA
‑
LSTM
‑
DBN的光伏发电预测方法，提出的ARIMA
‑
LSTM
‑
DBN光伏发电模型，没有针对时间序列数据的非平稳性进行处理，所以可能存在预测精度不足的问题。专利号为CN202210199667.3，名称为一种基于CEMD和LSTM的非平稳时间序列数据预测方法使用了信号分解的方法对非平稳的数据进行分解处理，并且使用气象数据和子序列进行拼接的方法，但是这些方法都存在气象数据利用不充分的问题，并且，在对算法复现过程中计算了各气象特征与气象数据之间的相关性，发现其实相关性非常低，然后去掉了气象数据仅使用历史光伏发电子序列进行自回归预测，得到的预测结果相比使用与气象数据拼接得到的数据进行预测的结果相差不大。因此其虽然使用了气象数据进行预测，但是仍然存在对于气象数据的利用不充分的情况。

技术实现思路

[0005]本专利技术的主要目的在于提出一种基于光伏发电数据的气象预测结果优化方法，以解决现有的气象预测模型对于气象数据的利用不充分，预测精度不足的问题。
[0006]为实现上述目的，本专利技术实施例第一方面提供一种基于光伏发电数据的气象预测结果优化方法，其特征在于，包括：
[0007]使用组合模型处理历史光伏发电数据，获得初始气象预测结果；
[0008]获取基于所述历史光伏发电数据的历史时间序列数据，并对所述历史时间序列数据进行相空间重构，获得相空间重构数据；
[0009]对所述初始气象预测结果进行筛选获得气象特征数据，提取所述相空间重构数据的优化特征数据，所述优化特征数据包括延迟时间和混沌特征；
[0010]拼接所述气象特征数据、所述优化特征数据和所述初始气象预测结果，形成组合数据；
[0011]将所述组合数据作为基于特征注意力机制的深度学习模型的输入，以基于其输出
获得优化气象预测结果。
[0012]可选地，对所述初始气象预测结果进行筛选获得气象特征数据，包括：
[0013]通过皮尔逊相关系数对所述初始气象预测结果的数据相关性进行统计，并根据所述数据相关性筛选出所述气象特征数据。
[0014]可选地，提取所述相空间重构数据的延迟时间，包括：
[0015]通过自相关系数法提取相空间重构中所需要的延迟时间。
[0016]可选地，提取所述相空间重构数据的混沌特征，包括：
[0017]通过虚假临近点法提取相空间重构中的最佳嵌入维度；
[0018]根据所述最佳嵌入维度的嵌入维数，以及所述延迟时间确定混沌特征；
[0019]步骤为：
[0020]通过虚假临近点法提取相空间重构中的最佳嵌入维度；
[0021]根据所述最佳嵌入维度的嵌入维数，以及所述延迟时间确定混沌特征；
[0022]步骤为：
[0023]计算延迟时间τ∈[1,n]时所有的自相关系数
[0024]计算自相关系数的阈值R
threshold
＝(1
‑
e
‑1)R0；
[0025]遍历自相关系数R
τ
(其中，τ∈[1,n])，找到最小延迟时间使得自相关系数R
τ
小于等于R
threshold
；
[0026]通过所述最小延迟时间，来计算嵌入维度，步骤为：
[0027]定义第一变量
[0028]定义第二变量
[0029]增加d值，若随着d的增加，E
d+1
/E
d
的值不再发生改变，则d+1为最小嵌入维数；
[0030]根据所述最小延迟时间和最小嵌入维数计算获得混沌特征，公式为：
[0031]Y
i
＝{x
i
,
…
,x
i+(d
‑
1)τ
}；
[0032]其中，τ为最小延迟时间，d为最小嵌入维数。
[0033]可选地，拼接所述气象特征数据、所述优化特征数据和所述初始气象预测结果，形成组合数据之后，包括：
[0034]对所述组合数据进行归一化处理。
[0035]可选地，将所述组合数据作为基于特征注意力机制的深度学习模型的输入，以基于其输出获得优化气象预测结果，包括：
[0036]将所述组合数据划分训练集和测试集，并使用训练集训练基于特征注意力机制的预测模型。
[0037]可选地，使用组合模型处理历史光伏发电数据，获得初始气象预测结果，包括：
[0038]步骤S1：数据预处理，处理历史光伏发电数据中的异常值，并进行标准化处理；
[0039]步骤S2：初始化第一序列r0(t)＝x(t)，i＝0；
[0040]步骤S3：初始化第二序列h0(t)＝r
i
‑1(t)，j＝1；
[0041]其中，r0和h0为标准化处理后的历史光伏发电数据；
[0042]步骤S4：找到第二序列h
j
‑1(t)的局部极值点，分别对局部极值点进行三次样条函数插值形成上、下包络线，并计算上、下包络线的平均值m
j
‑1(t)；
[0043]步骤S5：判断第二序列h
j
(t)＝h
j
‑1(t)
‑
m
j
‑1(t)是否为本征模态函数，如果是则imf
i
(t)＝h
j
(t)且继续进行步骤S6；否则转到步骤S4；
[0044]步骤S6：计算第一序列的剩余量：r
i
(t)＝r
i
‑1(t)
‑
imf
i
(t)；
[0045]步骤S7：如果第一序列r
i
(t)极值点数仍多于2，则i＝i+1并转到步骤3；否则，分解结束，第一序列r
i
(t作为残差序列；目标序列
[0046]步骤S8：计算各个IMF之间的DTW值，将该值作为各个IMF之间的相似度衡量标准；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光伏发电数据的气象预测结果优化方法，其特征在于，包括：使用组合模型处理历史光伏发电数据，获得初始气象预测结果；获取基于所述历史光伏发电数据的历史时间序列数据，并对所述历史时间序列数据进行相空间重构，获得相空间重构数据；对所述初始气象预测结果进行筛选获得气象特征数据，提取所述相空间重构数据的优化特征数据，所述优化特征数据包括延迟时间和混沌特征；拼接所述气象特征数据、所述优化特征数据和所述初始气象预测结果，形成组合数据；将所述组合数据作为基于特征注意力机制的深度学习模型的输入，以基于其输出获得优化气象预测结果。2.如权利要求1所述的基于光伏发电数据的气象预测结果优化方法，其特征在于，对所述初始气象预测结果进行筛选获得气象特征数据，包括：通过皮尔逊相关系数对所述初始气象预测结果的数据相关性进行统计，并根据所述数据相关性筛选出所述气象特征数据。3.如权利要求1所述的基于光伏发电数据的气象预测结果优化方法，其特征在于，提取所述相空间重构数据的延迟时间，包括：通过自相关系数法提取相空间重构中所需要的延迟时间。4.如权利要求3所述的基于光伏发电数据的气象预测结果优化方法，其特征在于，提取所述相空间重构数据的混沌特征，包括：通过虚假临近点法提取相空间重构中的最佳嵌入维度；根据所述最佳嵌入维度的嵌入维数，以及所述延迟时间确定混沌特征；步骤为：计算延迟时间τ∈[1，n]时所有的自相关系数计算自相关系数的阈值R
threshold
＝(1
‑
e
‑1)R0；遍历自相关系数R
τ
(其中，τ∈[1，n])，找到最小延迟时间使得自相关系数R
τ
小于等于R
threshold
；通过所述最小延迟时间，来计算嵌入维度，步骤为：定义第一变量定义第二变量增加d值，若随着d的增加，E
d+1
/E
d
的值不再发生改变，则d+1为最小嵌入维数；根据所述最小延迟时间和最小嵌入维数计算获得混沌特征，公式为：Y
i
＝{x
i
，...，x
i+(d
‑
1)τ
}；其中，τ为最小延迟时间，d为最小嵌入维数。5.如权利要求1所述的基于光伏发电数据的气象预测结果优化方法，其特征在于，拼接所述气象特征数据、所述优化特征数据和所述初始气象预测结果，形成组合数据之后，包括：对所述组合数据进行归一化处理。
6.如权利要求1所述的基于光伏发电数据的气象预测结果优化方法，其特征在于，将所述组合数据作为基于特征注意力机制的深度学习模型的输入，以基于其输出获得优化气象预测结果，包括：将所述组合数据划分训练集和测试集，并使用训练集训练基于特征注意力机制的预测模型。7.如权利要求1所述的基于光伏发电数据的气象预测结果优化方法，其特征在于，使用组合模型处理历史光伏发电数据，获得初始气象预测结果，包括：步骤S1：数据预处理，处理历史光伏发电数据中的异常值，并进行标准化处理；步骤S2：初始化第一序列r0(t)＝x(t)，i＝0；步骤S3：初始化第二序列h0(t)＝r
i
‑1(t)，j＝1；其中，r0和h0为标准化处理后的历史光伏发电数据；步骤S4：找到第二序列h
j
‑1(t)的局部极值点，分别对局部极值点进行三次...

【专利技术属性】
技术研发人员：王国伟，朱红坤，贺光华，李奇隆，
申请(专利权)人：重庆川南环保科技有限公司，
类型：发明
国别省市：