【技术实现步骤摘要】
本专利技术属于光伏发电预测，具体涉及一种基于时序生成边的光伏发电预测方法、装置及存储介质。
技术介绍
1、光伏发电在新能源中占据重要位置，然而，光伏发电依赖于各种因素的影响，例如天气、湿度、太阳辐射、环境温度等，多种因素的影响导致光伏发电量存在波动。而目前为了推进能源革命、建设清洁低碳、安全高效的能源体系并提高能源供给保障能力，需要加快光伏发电的发展规模，光伏发电的规模和光伏发电能力息息相关。
2、因此，人们尝试研究光伏发电能力预测模型，目前按照模型类别，光伏发电预测方法可以分为两种，分别为统计方法和机器学习方法。统计方法考虑光伏出力时间序列的性质，使用历史的光伏出力数据来预测未来的出力。传统的统计方法包括持久性模型和自回归线性模型等。因为统计方法通常假设数据之间存在线性关系或可用线性模型进行逼近，但是在非线性数据中，这种线性关系并不成立。因此，统计方法可能无法准确地描述非线性数据的特征和模式。
3、由于统计方法在处理非线性数据存在局限性，在处理非线性数据时，通常需要使用非线性模型和机器学习方法。这些方法可以更好地描述非线性关系，捕捉数据的特征和模式，并提供更准确的预测和解释。深度学习是机器学习方法的热门研究方向。深度学习因其描述数据之间的潜在依赖性的强大能力在光伏预测领域中得到广泛关注。图形信号处理(graph signal processing，gsp)是允许通过使用图结构数据来捕获不规则域中定义的信号的关系的一个新兴领域。近年来，图神经网络由于其从复杂数据(如交通流量、社交网络和大脑信号)中提取信息
4、选择有效的边生成方式是训练图神经网络时至关重要的一个环节，因为它直接影响模型的性能和泛化能力。具体而言，选择有效的边的生成方式能够帮助模型更好地理解图数据中节点之间的关系，从而提高模型的准确性和鲁棒性。
5、传统的气象站点之间的边生成方式为地理距离阈值高斯核权重(geologicalthresholded gaussian kernel weighting，g-tgw)，算法如下：
6、a)利用经纬度信息通过球体余弦定律计算节点x和y之间的距离，计算公式被称为haversine方程：
7、a＝sin(latx)sin(laty)+cos(latx)cost(laty)cos(lonx-lony)
8、d＝r×cos-1(a)
9、其中r＝6371是地球的半径，d是节点之间的地理距离。
10、b)利用阈值高斯核计算边权重。为了在两个节点i、j之间存在边，它们之间的wi,j应该大于等于∈。
11、
12、其中，σ是归一化常数，∈是控制图稀疏性的常数。距离越近的节点之间的wi,j值越大。
13、传统的气象站点之间的边生成方式仅利用了气象站点之间两两的地理距离作为参考，由地理距离生成的边对本问题的适用性不尽如人意。
14、因此，亟需提供一种基于时序生成边的光伏发电预测方法、装置及存储介质。
技术实现思路
1、为了解决现有技术中存在的上述技术问题，本专利技术提供一种基于时序生成边的光伏发电预测方法、装置及存储介质，基于时间序列聚类边生成的方式，使得生成气象站点图的方式更为有效。
2、为实现上述目的，本专利技术的技术方案如下：
3、一种基于时序生成边的光伏发电预测方法，具体包括：
4、s1、构建网络训练模型；
5、s2、获取历史数据，历史数据包括天气数据和光伏发电出力数据；
6、s3、将历史数据输入网络训练模型中，并设定训练周期，得到训练后的网络训练模型；
7、s4、获取当前天气数据，将当前天气数据输入网络训练模型中，进行光伏发电预测；
8、在步骤s3中，训练网络训练模型之前，构造适合图神经网络训练的图数据集，以每个气象站作为节点，构建节点特征矩阵和边矩阵，构建边矩阵时，以时间序列聚类阈值高斯核权重法计算节点之间的关系。
9、进一步地，时间序列聚类阈值高斯核权重法具体包括：
10、b1、根据时间序列对历史数据进行排序，进行排序后，对历史天气数据进行标准化处理；
11、b2、对历史天气数据进行时间序列聚类；
12、b3、计算天气时间序列和聚类中心间的距离矩阵；
13、b4、计算第1个节点与第2个节点之间的距离；
14、b5、计算第1个节点与第2个节点之间的边权重；
15、b6、设定权重阈值，并比较边权重与权重阈值的关系，若边权重大于或等于权重阈值，则进入步骤b7，否则跳到步骤b8；
16、b7、将边权重大于或等于权重阈值对应的边加入边集合中；
17、b8、计算第1个节点与第3个节点之间的距离和边权重，然后重复步骤b6-b7；
18、b9、所有节点处理完成后，输出边集合和边权重。
19、更进一步地，根据时间序列对历史数据进行排序，形成时间序列集合{tsi}n，对每一个时间序列tsi做标准化处理，使得每个特征满足均值为0、方差为1。
20、更进一步地，步骤b2中进行时间序列聚类采用欧几里得k均值聚类或dba-k均值聚类。
21、更进一步地，步骤b4中节点与其他节点之间距离的计算方法为：
22、dij＝||mi*-mj*||p
23、其中，dij表示节点i与节点j之间的明可夫斯基距离，p为距离参数，mi*表示节点i的天气时间序列与各聚类中心的距离构成的距离向量，mj*表示节点j的天气时间序列与各聚类中心的距离构成的距离向量。
24、更进一步地，步骤b5中计算边权重的具体算法为：
25、
26、其中，∈为权重阈值，σ为高斯核标准差，wij为节点i和节点j之间的边权重。
27、进一步地，所述网络训练模型采用图卷积网络。
28、更进一步地，所述图卷积网络包括图像拾取层、若干图卷积层、若干规范化层、两个全连接层、输出层，所述图卷积层和所述规范化层依次、交错连接，所述图像拾取层连接第一个图卷积层，最后的规范化层依次连接两个所述全连接层，最后一个所述全连接层连接所述输出层。
29、更进一步地，训练网络训练模型的步骤包括：
30、a1、设定参数和训练周期；
31、a2、将训练集拆分为若干训练子集；
32、a3、使用第一个训练子集中的所有图结构数据(每个图结构数据包括一个边矩阵和一个特征矩阵)依次训练图卷积层和规范化层；
33、a4、图卷积层和规范化层训练完成后，输出各节点隐藏层向量，各节点隐藏层向量拼接起来输入至全连接层；
34、a5、利用激活函数对步骤a4输出结果进行激活处理；
35、a6、使用步骤a5的输出结果通过全连接层预测，并计算预测结果的均方误差本文档来自技高网...
【技术保护点】
1.一种基于时序生成边的光伏发电预测方法，其特征在于，具体包括：
2.根据权利要求1所述的光伏发电预测方法，其特征在于，时间序列聚类阈值高斯核权重法具体包括：
3.根据权利要求2所述的光伏发电预测方法，其特征在于，对历史天气数据依据时间进行排序，形成时间序列集合{TSi}N，对每一个时间序列TSi做标准化处理，使得每个特征满足均值为0、方差为1。
4.根据权利要求2所述的光伏发电预测方法，其特征在于，步骤B2中进行时间序列聚类采用欧几里得K均值聚类或DBA-k均值聚类。
5.根据权利要求2所述的光伏发电预测方法，其特征在于，步骤B4中节点与其他节点之间距离的计算方法为：
6.根据权利要求5所述的光伏发电预测方法，其特征在于，步骤B5中计算边权重的具体算法为：
7.根据权利要求1所述的光伏发电预测方法，其特征在于，所述网络训练模型采用图卷积网络；
8.根据权利要求7所述的光伏发电预测方法，其特征在于，训练网络训练模型的步骤包括：
9.根据权利要求8所述的光伏发电预测方法，其特征在于，步骤
10.根据权利要求8所述的光伏发电预测方法，其特征在于，步骤A5中的激活函数采用双曲正切函数，具体算法为：
11.根据权利要求8所述的光伏发电预测方法，其特征在于，进行规范化处理采用算法具体为：
12.一种基于时序生成边的光伏发电预测装置，采用权利要求1-11任一项所述的基于时序生成边的光伏发电预测方法，其特征在于，具体包括：
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-11任一项所述的基于时序生成边的光伏发电预测方法。
...【技术特征摘要】
1.一种基于时序生成边的光伏发电预测方法，其特征在于，具体包括：
2.根据权利要求1所述的光伏发电预测方法，其特征在于，时间序列聚类阈值高斯核权重法具体包括：
3.根据权利要求2所述的光伏发电预测方法，其特征在于，对历史天气数据依据时间进行排序，形成时间序列集合{tsi}n，对每一个时间序列tsi做标准化处理，使得每个特征满足均值为0、方差为1。
4.根据权利要求2所述的光伏发电预测方法，其特征在于，步骤b2中进行时间序列聚类采用欧几里得k均值聚类或dba-k均值聚类。
5.根据权利要求2所述的光伏发电预测方法，其特征在于，步骤b4中节点与其他节点之间距离的计算方法为：
6.根据权利要求5所述的光伏发电预测方法，其特征在于，步骤b5中计算边权重的具体算法为：
7.根据权利要求1所述的光伏发电预测方...
【专利技术属性】
技术研发人员：孙秋洁，冯昊，董丹煌，叶玲节，朱瑶琪，李扬毅，张朋，
申请(专利权)人：国网浙江省电力有限公司经济技术研究院，
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。