【技术实现步骤摘要】
一种基于机理
‑
数据驱动混合集成的光伏发电功率预测方法
[0001]本专利技术涉及光伏发电功率
，尤其是一种基于机理
‑
数据驱动混合集成的光伏发电功率预测方法
。
技术介绍
[0002]光伏发电功率非线性综合预测是一个受太阳辐照
、
气象
、
环境条件等多种不确定因素影响的时空序列预测问题，主要可以分为机理驱动预测方法和数据驱动预测方法两大类
。
机理驱动预测方法主要是指结合气象信息和光伏系统参数，以光伏发电系统物理原理为基础进行建模预测
。
在实际预测中，由于机理驱动方法只能采用简化模型和经验参数，预测精度相对较低，但随着现代计算机技术的发展以及大数据时代的来临，更加丰富的数据资源容易被获取，以挖掘历史发电功率和气象数据信息来演化未来光伏功率发展趋势的数据驱动预测方法越来越流行
。
基于数据驱动可以实现黑盒系统的模型建立和预测，有着快速收敛的特性
。
但模型的建立需要大量的数据，模型的预测精度不再单纯依靠算法优劣，更多取决于实验数据好坏
。
因此，如何进一步提升预测精度有待探索新的方法
。
技术实现思路
[0003]本专利技术所要解决的技术问题在于，提供一种基于机理
‑
数据驱动混合集成的光伏发电功率预测方法，实现对光伏发电功率的精准快速预测
。
[0004]为解决上述技术问题，本专利技术提供一种基于...
【技术保护点】
【技术特征摘要】
1.
一种基于机理
‑
数据驱动混合集成的光伏发电功率预测方法，其特征在于，包括如下步骤：步骤
1、
预先获取历史光伏相关数据；步骤
2、
基于最大信息系数对步骤1获取的
NWP
数据中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为最佳时延的参照量，并通过三次样条插值法对参照量序列进行数据加密，生成新的参照量序列，获取输入变量集，并划分为训练集和测试集；步骤
3、
考虑不同区域内光伏电站之间的时空关联特性，捕获多个相邻光伏电站之间的时空特性，采用时空分离卷积网络预测模型
SSTCN
结合维度可分离卷积网络
DSAT
和全连接预测输出层构建可分离时空卷积网络模型
DSATCN
；步骤
4、
构建基于最小化软动态时序规整的目标函数，采用基于贝叶斯优化
BO
和多项式混沌展开
PCE
代理模型优化可分离时空卷积网络预测模型的超参数；步骤
5、
基于机理的晴空功率模型构建，采用
ASHRAE
模型作为计算晴空辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，从而得到光伏电站的晴空功率；步骤
6、
基于
Blending
集成学习构建机理
‑
数据驱动混合集成的光伏发电功率预测模型，对数据驱动模型和晴空功率的机理模型的预测结果进行集成学习得到光伏发电功率最终变化趋势
。2.
如权利要求1所述的基于机理
‑
数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤1中，数据包括发电功率数据
、
历史气象信息
、NWP
数据
。3.
如权利要求1所述的基于机理
‑
数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤2中，基于最大信息系数对步骤1获取的
NWP
数据中的主要气象因素与光伏功率之间的相关性，选择相关程度最高的气象因子作为最佳时延的参照量，并通过三次样条插值法对参照量序列进行数据加密，生成新的参照量序列，获取输入变量集，并划分为训练集和测试集具体包括如下步骤：步骤
21、
根据历史气象数据，计算参照量序列对应历史功率序列其中
T
＝
{T1,T2,...,T
n
}
为历史气象数据的时间序列，
n
为序列总数；步骤
22、
利用三次样条插值法对参照量序列进行数据加密，生成新的参照量序列其中
t
＝
{t1,t2,...,t
m
,...,t
3n
‑2}
为加密后的时间序列；步骤
23、
当前
m
＝1，从序列中第
m
个元素开始，取
n
‑4个数据点，时间间隔为
Δ
T
，得到修正后的
S
new
，记为
S
newn
，采用最大信息系数法计算
S
newn
和
P
之间的信息熵，并存入集合
R
中；步骤
24、
令
m
＝
m+1
，若
m
＞
3n
‑2，则继续往下执行，否则返回步骤
23
；步骤
25、
选择集合
R
中信息熵值最大的时延作为最佳时延量
。4.
如权利要求1所述的基于机理
‑
数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤3中，考虑不同区域内光伏电站之间的时空关联特性，捕获多个相邻光伏电站之间的时空特性，采用时空分离卷积网络预测模型
SSTCN
结合维度可分离卷积网络
DSAT
和全连接预测输出层构建可分离时空卷积网络模型
DSATCN
具体包括如下步骤：
步骤
31、
输入特征张量
F
in
∈R
T
×
C
×
H
×
W
，其中，
C
表示通道号，
T
表示输入窗口的时间长度，
H
和
W
分别表示特征图的高度和宽度；步骤
32、
在
H
‑
T、W
‑
T
和
H
‑
W
三个不同的维度上进行卷积块操作捕捉光伏发电功率在时间和空间上的动态特征映射分别表示为：
F
ht
＝
Conv
HT
(F
in
)F
wt
＝
Conv
WT
(F
in
)F
hw
＝
Conv
HW
(F
in
)Conv
HT
、Conv
WT
和
Conv
HW
是在
H
‑
T、W
‑
T
和
H
‑
W
三个不同的维度上进行卷积运算用来注意不同维度的特征；步骤
33、
通过平均运算得到
H、W、T
维度上的特征图，分别表示为
F
CHj
∈R
C
×
H
,F
CWj
∈R
C
×
W
,F
CTj
∈R
C
×
T
公式如下：公式如下：公式如下：其中，
j
＝
1,2
并且
J(x,y,j)
为自定义函数，公式如下
:
通过平均运算得到单个维度的特征分布，实现分离光伏发电功率在时间和空间上的动态特征；步骤
34、
通过输入层接收上述
DSAT
分离的光伏发电功率的时间空间特征数据，通过可分离卷积层使用深度可卷积操作，并通过逐点卷积进行通道间的混合，通过全连接层预测输出
。5.
如权利要求1所述的基于机理
‑
数据驱动混合集成的光伏发电功率预测方法，其特征在于，步骤4中，构建基于最小化软动态时序规整的目标函数，采用基于贝叶斯优化
BO
和多项式混沌展开
PCE
代理模型优化可分离时空卷积网络预测模型的超参数具体包括如下步骤：步骤
41、
初始化
BO
算法参数；根据中心极限定理及贝叶斯估计原理，在已知的响应实测向量
P
和预测模型超参数构成的决策向量
θ
时，假设目标函数
f(
θ
,P)
服从正态分布：
f(
θ
,P)|
θ
,P
～
Ν
(0,
Λ
)
式中，
Λ
为协方差矩阵；当考虑噪声影响时，设目标函数
f(
θ
,P)
的观测结果为
z
，且
z
＝
f(
θ
,P)+
ο
，其中噪...
【专利技术属性】
技术研发人员：王政，彭甜，张楚，葛宜达，陈杰，孙娜，陈佳雷，王熠炜，黄小龙，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。