System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光伏功率预测,具体涉及基于多特征变量和时间序列相关性的光伏功率预测方法及系统。
技术介绍
1、随着“碳达峰”与“碳中和”目标的提出,我国正加速推进能源结构转型,光伏及风能等可再生能源的装机容量显著增长。其中光伏发电具备更高的可持续性、清洁性和经济性,但其输出功率受到光照条件的时间和地域变化影响,表现出显著的波动性和间歇性。这些特性给电力系统的安全稳定运行带来了挑战,尤其是对电网的调峰能力和新能源接入水平提出了更高要求。
2、为了解决光伏功率波动对电网带来的影响,主要采取的措施包括光伏与传统发电方式的协调运行,以及通过精确的功率预测来优化调度计划和电网运行策略。光伏功率预测作为关键技术之一,在提高电网调峰能力、增强新能源接纳能力以及改善电力系统运行的安全性和经济性方面发挥着至关重要的作用。传统的光伏发电功率预测方法主要包括基于物理原理的数学模型和基于历史数据的统计模型。近年来,随着互联网技术和大数据的应用,光伏功率预测方法不断创新,利用机器学习和人工智能技术建立的光伏发电预测模型得到了快速发展。
3、目前主流的光伏预测模型包括与特征变量关联的模型、基于时间序列关系的模型以及结合历史功率与气象信息的模型;其中与特征变量关联的模型是通过分析气象等特征变量与发电功率的关系来预测功率输出,该方法在处理时序依赖性方面存在局限性;基于时间序列关系的模型利用时间序列分析技术,能够捕捉到功率数据随时间的变化规律,但忽略了不同变量之间的相互作用;结合历史功率与气象信息的模型通过机器学习或神经网络技术,建立输入与
技术实现思路
1、为了实现提升光伏功率的预测精度,本专利技术提供的基于多特征变量和时间序列相关性的光伏功率预测方法及系统,以变量之间特征的相关性与变量自身的时序相关性作为预测的基础,所采用的技术方案具体如下:
2、本专利技术第一方面的技术方案提出了基于多特征变量和时间序列相关性的光伏功率预测方法,所述方法包括:
3、获取光伏功率数据以及气象数据,进行预处理后得到历史数据集;
4、构建数据增强模型,基于历史数据集训练数据增强模型并生成增强数据集;
5、构建预测模型,利用增强数据集训练预测模型;
6、基于注意力机制提取预测模型的注意力分布并对数据增强数据集进行优化;
7、基于优化后的增强数据集训练预测模型,输出光伏功率及气象数据预测序列。
8、进一步地,获取光伏功率数据以及气象数据,进行预处理后得到历史数据集包括:
9、根据预设时间间隔采集光伏功率数据以及气象数据,气象数据至少包括温度、湿度、运量以及辐照;
10、根据预设时间分辨率对光伏功率数据以及气象数据进行聚合分组,得到历史数据集。
11、进一步地,构建数据增强模型,基于历史数据集训练数据增强模型并生成增强数据集包括:
12、基于生成对抗网络构建数据增强模型;
13、利用历史数据集对数据增强模型进行训练并生成仿真数据集;
14、将仿真数据集与历史数据集合并得到增强数据集。
15、进一步地,数据增强模型训练损失函数的表达式为:
16、
17、式中,生成器的目标是最小化;判别器的目标是最大化;表示期望值;表示服从特定分布的噪声,表示服从分布的真实历史数据,代表求均值。
18、进一步地,构建预测模型包括:
19、构建时序分支模块,包括变量编码层、时序关联层以及变量解码层,用于从增强数据集中提取不同时间点之间数据的相关性;
20、构建变量分支模块,包括时序编码层、变量关联层、时序解码层,用于从增强数据集中提取不同特征变量之间的相关性。
21、进一步地,基于注意力机制提取预测模型的注意力分布并对数据增强数据集进行优化包括:
22、提取预测模型变量关联层和时序关联层的注意力权重矩阵;
23、绘制注意力权重矩阵的热力图,提取模型预测光伏功率时的关键变量和时序特征;
24、基于关键变量和时序特征对数据增强数据集进行筛选,得到优化后的数据增强数据集。
25、进一步地,基于优化后的增强数据集训练预测模型,输出光伏功率及气象数据预测序列包括:
26、输入优化后的增强数据集,利用时序分支模块和变量分支模块提取时序预测序列和变量预测序列;
27、通过相关性融合层将时序预测序列和变量预测序列进行相关性融合,得到最终的预测序列。
28、进一步地,利用时序分支模块和变量分支模块提取时序预测序列和变量预测序列包括:
29、利用编码层对时序分支模块和变量分支模块的各时刻进行特征编码;
30、利用关联层计算优化后增强数据集中数据在时间维度和变量维度的自注意力,得到时间维度和变量维度的相关性特征;
31、利用解码层对时间维度和变量维度的相关性特征进行还原,得到时序预测序列和变量预测序列。
32、进一步地,预测模型损失函数的表达式为:
33、
34、式中,表示时序预测序列;表示变量预测序列;表示最终的预测序列;表示未来真实序列;表示第一预设权重;表示第二预设权重;表示求均方误差。
35、本专利技术第二方面的技术方案提出了基于多特征变量和时间序列相关性的光伏功率预测系统,包括本专利技术第一方面技术方案中所述的基于多特征变量和时间序列相关性的光伏功率预测方法,所述光伏功率预测系统包括:
36、数据监测模块,用于定时采集不同时刻的光伏功率数据和气象数据并发送至光伏电站数据中心;
37、光伏电站数据中心,用于将光伏功率数据和气象数据整合为历史数据集;
38、数据增强模块,配置为基于历史数据集训练数据增强模型并生成增强数据集;
39、可视化调优模块,配置为基于注意力机制提取预测模型的注意力分布并对数据增强数据集进行优化;
40、预测模型训练模块,配置为利用增强数据集以及优化后的增强数据集训练预测模型;
41、预测模块,配置为利用预测模型输出光伏功率及气象数据预测序列。
42、本专利技术具有如下有益效果:
43、本专利技术提供的基于多特征变量和时间序列相关性的光伏功率预测方法及系统,考虑了气象变量与光伏功率之间的相关性,通过构建数据增强模型并引入注意力机制,增加训练样本的多样性,提高模型泛化能力,解决了实际场景中数据量不足或数据分布不均等问题,注意力机制可以自动识别增强数据集中哪些特征对于预测任务更重要,并赋予更高的权重,这有助于预测模型专注于真正重要的信息;最终通过预测本文档来自技高网...
【技术保护点】
1.基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,获取光伏功率数据以及气象数据,进行预处理后得到历史数据集包括:
3.如权利要求1所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,构建数据增强模型,基于历史数据集训练数据增强模型并生成增强数据集包括:
4.如权利要求3所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,数据增强模型训练损失函数的表达式为:
5.如权利要求1所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,构建预测模型包括:
6.如权利要求5所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,基于注意力机制提取预测模型的注意力分布并对数据增强数据集进行优化包括:
7.如权利要求1至6任一项所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,基于优化后的增强数据集训练预测模型,输出光伏功率及气象数据预
8.如权利要求7所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,利用时序分支模块和变量分支模块提取时序预测序列和变量预测序列包括:
9.如权利要求8所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,预测模型损失函数的表达式为:
10.基于多特征变量和时间序列相关性的光伏功率预测系统,其特征在于,包括权利要求1至9任一项所述的基于多特征变量和时间序列相关性的光伏功率预测方法,所述光伏功率预测系统包括:
...【技术特征摘要】
1.基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,获取光伏功率数据以及气象数据,进行预处理后得到历史数据集包括:
3.如权利要求1所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,构建数据增强模型,基于历史数据集训练数据增强模型并生成增强数据集包括:
4.如权利要求3所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,数据增强模型训练损失函数的表达式为:
5.如权利要求1所述的基于多特征变量和时间序列相关性的光伏功率预测方法,其特征在于,构建预测模型包括:
6.如权利要求5所述的基于多特征变量和时间序列相关性的光伏功率预测方法...
【专利技术属性】
技术研发人员:林俊,王薇,贡晓旭,梁惠施,周奎,葛彦硕,史梓男,袁国强,孙爱春,
申请(专利权)人:清华四川能源互联网研究院,
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。