【技术实现步骤摘要】
本专利技术属于新能源并网消纳，具体涉及一种基于sg滤波优化的autoformer长期光伏功率预测方法。
技术介绍
1、随着全球化石能源枯竭和环境恶化，太阳能和风能等可再生能源因具有清洁高效、可持续利用等优点成为有效解决途径。光伏发电存在随机性和间歇性，大量光伏并网会对电网的安全稳定运行造成一定危害。为了降低光伏发电的随机性和间歇性带来的影响，开展对光伏出力预测，并保证一定预测精度对电网的稳定与安全运行具有重要意义。
2、目前神经网络在光伏预测领域效果显著，但循环神经网络如rnn，gru，lstm模型等，受限于串行计算方式以及“记忆”丢失的困扰，使得其在时间序列预测任务上运行效率低下同时预测精度无法达到预期要求。随着注意力机制的提出，transformer模型的并行计算方式以及注意力机制，提高了时间序列任务的计算速度，预测精度也得到大大提高。但transformer通过依靠点自注意力无法获取与历史时间序列的可靠依赖关系，从而导致信息利用的瓶颈。随着autoformer序列间自相关机制的提出，时间序列预测精度再次得到提高。但autoformer自相关机制未能综合考虑不同季节之间光伏出力的差异性，同时其分解模块无法准确的对光伏出力曲线进行分解。因此如何研究改进预测模型，进一步提高光伏预测精度有着重要意义。
技术实现思路
1、针对上述现有技术的不足之处，本专利技术提出一种基于savitzky-golay(sg)滤波优化的autoformer长期光伏功率预测方法。旨在通过按季节为
2、为了解决上述的技术问题，本专利技术提供如下的技术方案：
3、一种基于sg滤波优化的autoformer长期光伏功率预测方法，所述方法包括以下步骤：
4、步骤1：获取历史光伏功率数据，对历史光伏功率数据进行数据清洗、特征选择，得到处理后的数据，处理后的数据包括历史光伏功率和气象影响因素；
5、步骤2：分析光伏发电功率和波动特征，提取光伏出力评价特征，在此基础上划分步骤1处理后的数据；
6、步骤3：建立基于sg滤波的光伏出力时间序列分解模块，提取光伏出力趋势特性和天气特性；
7、步骤4：按不同季节数据分别建立基于sg滤波优化的autoformer光伏长期出力预测模型；
8、步骤5，通过autoformer光伏长期出力预测模型预测光伏功率。
9、进一步地，所述步骤2包括：
10、步骤2：首先建立区分不同季节的光伏出力评价特征，找出每一周内光伏出力最大值每一周内光伏功率均值绝对功率偏差apd，功率相对变化率rvr、apd、rvr的表达式如下：
11、
12、
13、apd(t)＝pn(t)-p(t)
14、
15、式中，为第s周的光伏出力最大值；为第s周的光伏功率均值，为第s周内第m个光伏功率数据，apd(t)为t时刻绝对功率偏差，pn(t)为t时刻额定功率，p(t)为t时刻光伏真实功率，rvr(t)为t时刻功率相对变化率，p(t-1)为t-1时刻光伏真实功率；
16、步骤2.2：得到不同时间段的光伏出力评价特征后，根据各特征指标之间的差异性，将步骤1处理后数据划分为四个连续区间，得到四个季节数据。
17、进一步地，所述步骤3包括：为了充分提取光伏处理趋势和天气特性建立基于sg滤波的光伏出力时间序列分解模块，将光伏数据分解为：趋势部分、天气部分；
18、sg滤波的光伏出力时间序列分解模块的数学模型f(r)如下所示：
19、
20、式中，ai,i∈{0,1,···k}表示第i项的系数，ri,i∈{0,1,···k}表示输入数据r的第i次项；
21、时间序列经过sg滤波器后，得到的趋势部分和天气部分计算公式如下所示：
22、xt＝sg(xen)
23、xs＝xen-xt
24、式中，xt为趋势特性时间序列，sg(·)为进行sg滤波，为输入长度为i，维度为d的时间序列，xs为天气特性时间序列。
25、进一步地，所述步骤4包括：
26、步骤4.1：模型输入
27、编码模块的输入为前i个时间步的时间序列
28、解码模块输入来自编码模块的输出，包括两个部分，天气特性部分趋势特性部分因此每次解码模块的每次输入需初始化两部分，一部分来自解码模块的输入的xen的后半部分，即另一部分则分别由长为o的矩阵x0、xmean进行填充，具体公式如下所示：
29、
30、xdes＝concat(xens,x0)
31、xdet＝concat(xent,xmean)
32、式中，分别为天气特性部分和趋势特性部分；seriesdecomp(x)表示将x分解为天气特性和趋势特性，seriesdecomp(·)中的算子为步骤3所述的对应季节的基于sg滤波的光伏出力时间序列分解模块；表示对xen进行的切片，concat(x1,x2)表示对矩阵x1,x2进行水平连接；x0，分别表示用0和xen的均值填充的矩阵；
33、步骤4.2：光伏数据去趋势分解
34、将处理后数据xen输入编码模块，进行去趋势分解，假设有n个编码层，那么第l个编码层的公式可归总为计算公式如下所示：
35、
36、
37、式中，“_”是趋势部分；第l个编码层的输出由表示，就是增加了嵌入层后的xen；表示第l个编码层经过第i个seriesdecomp(·)后的结果；
38、步骤4.3：子序列周期依赖性计算
39、auto-correlation模块使用rxx(τ)自相关系数来表示序列之间的相关程度，将序列之间的相关性以rxx(τ)来表示，计算公式如下所示：
40、
41、式中，rxx(τ)表示时间序列xt与滞后时间为τ的xt-τ之间的相似程度，l为时间序列xt的长度，通过自相关r(τ)来估计周期长度为τ的非归一化置信度，最终选出置信度最大的k个周期τ1,···τk；
42、输出部分使用多头注意力机制，具体公式如下所示：
43、
44、
45、
46、式中，argtopk(·)是自相关最大的k个值，c是超参数；rq,k是q,k的自相关值；roll(x,τ)是将序列x按周期τ进行滚动，每次滚动将第一个位置的元素向序列末尾移动；k,v从编码器的得到并在输入前长度被调整为o，q来自解码器的前一模块；
47、假设auto-correlation的多头机制有dmodel通道的隐藏变量，h头，第i个头中具体计算过程如下所示：...
【技术保护点】
1.一种基于SG滤波优化的Autoformer长期光伏功率预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于SG滤波优化的Autoformer长期光伏功率预测方法，其特征在于，所述步骤2包括：
3.如权利要求1中所述的一种基于SG滤波优化的Autoformer长期光伏功率预测方法，其特征在于，所述步骤3包括：为了充分提取光伏处理趋势和天气特性建立基于SG滤波的光伏出力时间序列分解模块，将光伏数据分解为：趋势部分、天气部分；
4.如权利要求1所述的一种基于SG滤波优化的Autoformer长期光伏功率预测方法，其特征在于，所述步骤4包括：
【技术特征摘要】
1.一种基于sg滤波优化的autoformer长期光伏功率预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种基于sg滤波优化的autoformer长期光伏功率预测方法，其特征在于，所述步骤2包括：
3.如权利要求1中所述的一种基于sg滤波优化的autofo...
【专利技术属性】
技术研发人员：欧阳静，左宗旭，段巧宁，褚礼东，潘国兵，
申请(专利权)人：浙江工业大学，
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。