【技术实现步骤摘要】
本专利技术涉及光伏电站功率预测领域，更具体的说是涉及一种基于时空相关性的光伏电站集群功率预测方法。
技术介绍
1、随着全球对可再生能源需求的增长，光伏电站集群的建设和运营已成为重要的能源供应方式之一。然而，光伏电站的发电功率受多种因素影响，包括但不限于光照强度、气温、云遮蔽程度、地理位置等，这些因素在不同时间和空间尺度上表现出高度的变异性。准确预测光伏电站集群的功率输出对于电网调度、能源管理和经济效益最大化至关重要。
2、传统的功率预测方法往往依赖于基于统计学或简单的物理模型，如时间序列分析(如arima模型)、回归分析等。这些方法在处理复杂非线性关系和高维度数据时能力有限，难以充分捕捉到所有影响光伏输出的变量间复杂的相互作用，导致预测精度受限。
3、且早期的预测模型往往侧重于单个光伏电站的功率预测，忽略了相邻或相距不远的光伏电站之间可能存在的空间相关性。这种相关性来源于共同的气候条件、地理位置以及电网连接等因素，忽视这一点会降低整体预测系统的稳定性和准确性。
4、同时，一些模型在特征选择和处理上较为静态，未能动态适应气象条件的变化，特别是对于快速变化的天气系统(如短时云遮蔽)响应不足，导致预测结果与实际情况偏差较大。面对不同地理环境、不同规模的光伏电站集群，现有的一些预测模型泛化能力不足，需要大量特定场景下的数据重新训练和调整，限制了其在实际应用中的广泛推广。
5、此外，部分预测系统更新频率低，无法实现对即时气象数据的快速响应和调整，特别是在极端或快速变化的天气条件下，实时预测能
6、因此，如何设计一种能够综合考虑时空特征、动态适应气象变化、具有较强泛化能力和实时预测能力的光伏电站集群功率预测方法，提升预测精度和实用性，优化能源配置和调度效率是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于时空相关性的光伏电站集群功率预测方法，能够在空间维度上提取各个电站之间的功率空间特征，在时间维度上提取历史功率数据的时序特征，综合时空相关性提高光伏集群功率预测的准确性，提高光伏新能源的利用效率。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于时空相关性的光伏电站集群功率预测方法，包括以下步骤：
4、s1、对数值天气预报中的气象特征和光伏电站输出功率进行相关性分析，确定影响光伏功率预测的特征变量；
5、s2、定义光伏电站中的每个光伏站点为一个节点，基于所述特征变量和光伏电站输出功率计算每个节点之间的相似性，构建邻接矩阵；
6、s3、将所述邻接矩阵输入优化后的gat-transformer模型，获得光伏电站集群功率预测结果；所述gat-transformer模型包括：gat模块和transformer模块。
7、其中，所述s1中，特征变量为辐照度参数，包括：水平面太阳辐照度、垂直面太阳辐照度和散射辐照度。
8、进一步的，所述s2中，邻接矩阵中的元素通过皮尔逊相关系数确定。
9、进一步的，所述s3，包括：
10、s31、基于所述邻接矩阵，通过gat模块进行节点的空间特征信息提取；
11、s32、通过transformer模块对所述空间特征信息进行降维操作，并结合多头注意力机制和位置编码，对所述空间特征信息进行时序特征和长程依赖关系提取；
12、s33、利用transformer模块中前馈神经网络输出层，对所述时序特征和长程依赖关系进行处理，映射至与目标输出相匹配的维度和格式，输出光伏电站集群未来功率输出值。
13、进一步的，所述s31，包括：
14、s311、通过gat模块图注意力层中的线性变化层，对所述邻接矩阵进行线性转换；所述线性变化层为：
15、hi＝w·xi
16、其中，hi为节点i经过线性层线性变化后的输入特征向量，w为权重矩阵，xi为节点i的输入特征；
17、s312、结合图注意力机制为每个节点分配不同的注意力权重，包括：
18、计算注意力分数：
19、eij＝leakyrelu(at·|hi||hj|)
20、其中，hi、hj分别为节点i、节点j经过线性层线性变化后的输入特征向量，at为注意力向量，leakyrelu为激活函数；
21、对所述注意力分数进行归一化掩码操作，进行注意力权重计算：
22、
23、利用所述注意力权重对邻居节点特征进行加权求和，获得节点空间特征：
24、
25、其中，n(i)为节点i的邻居节点集合，σ为激活函数。
26、进一步的，所述s32中，多头注意力机制能够在不同的表示空间中并行关注输入序列的不同部分，并通过num_heads参数指定注意力头的数量；
27、每个时间步的注意力得分为：
28、
29、其中，(q,k,v)为对输入序列通过线性变换后生成的矩阵，q为查询向量，k为键向量，v为值向量；dk为键向量的维度，kt为键向量的转置向量。
30、进一步的，所述s32中，位置编码用于引入序列的顺序信息，将位置编码生成的位置编码向量与输入向量相加，使模型能够识别不同位置的元素；
31、位置编码为：
32、
33、其中，pos为位置索引，表示序列中的位置；i为维度索引，表示位置编码向量的第i个维度；dmodel为transformer模型的隐藏状态维度。
34、进一步的，所述s32中，前馈神经网络输出层为多层感知机网络，表示为：
35、ffn(x)＝max(0,xw1+b1)w2+b2
36、其中，w1和w2为权重矩阵，b1和b2为偏置，max(0,：)为值调用relu激活函数。
37、进一步的，所述s3中，gat-transformer模型优化，包括：
38、基于训练数据集进行前向传播，依次经过gat模块和transformer模块输出预测值，并定义损失函数；
39、进行反向传播，计算损失函数的梯度，进行模型参数更新；
40、对更新后的模型采用adam优化器和余弦退火策略进行模型参数调整，获得优化后的gat-transformer模型。
41、进一步的，所述损失函数为复合损失函数：
42、loss＝mse+α·r(ω)
43、
44、其中，mse为均方误差，r(ω)为正则项，α为正则化强度超参数；yi为第i个样本的真实值，为第i个样本的预测值，n为样本总数。
45、经由上述的技术方案可知，与现有技术相比，本专利技术技术方案存在以下
46、有益效果：
47、1、该方法结合了时间序列分析(transfor本文档来自技高网...
【技术保护点】
1.一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述S1中，特征变量为辐照度参数，包括：水平面太阳辐照度、垂直面太阳辐照度和散射辐照度。
3.根据权利要求1所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述S2中，邻接矩阵中的元素通过皮尔逊相关系数确定。
4.根据权利要求1所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述S3，包括：
5.根据权利要求4所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述S31，包括：
6.根据权利要求5所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述S32中，多头注意力机制能够在不同的表示空间中并行关注输入序列的不同部分，并通过num_heads参数指定注意力头的数量；
7.根据权利要求5所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述S32中，位置编码用于引入序列的顺序信
8.根据权利要求5所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述S32中，前馈神经网络输出层为多层感知机网络，表示为：
9.根据权利要求1所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述S3中，GAT-Transformer模型优化，包括：
10.根据权利要求9所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述损失函数为复合损失函数：
...【技术特征摘要】
1.一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述s1中，特征变量为辐照度参数，包括：水平面太阳辐照度、垂直面太阳辐照度和散射辐照度。
3.根据权利要求1所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述s2中，邻接矩阵中的元素通过皮尔逊相关系数确定。
4.根据权利要求1所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述s3，包括：
5.根据权利要求4所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述s31，包括：
6.根据权利要求5所述的一种基于时空相关性的光伏电站集群功率预测方法，其特征在于，所述s32中，多头注意力...
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。