【技术实现步骤摘要】
本专利技术涉及光伏电站短期预测，特别是一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法。
技术介绍
1、光伏发电是太阳能的关键利用方式，对能源和环境保护作出贡献，但其功率波动性给电网稳定和经济运行带来挑战。其中短期内精确预测光伏功率尤为关键，它直接影响电网的实时调度与能源调配，是确保能源转型和电力系统经济高效运行的重要环节。
2、目前现有的光伏电站短期预测方法主要是基于数值天气预报的短期预测模型，包括传统统计方法和人工智能算法，支持向量机等机器学习方法。一般情况下单个光伏电站仅配备一个数值天气预报，在遭遇预报源数据缺失的情况下，其短期预测精度会大幅降低。此外，天气条件的多变性要求预报数据必须是多维度的和高频更新的，单一源的数据在面对局部气象事件或突发变化时可能响应不足，因而预测的可靠性会大打折扣。并且传统预测方法预测模型结构简单，单一深度学习网络模型难以从剧烈的波动数据中学习太多有用信息，忽略了多种气象参数之间复杂的相互关系，导致预测精度受限，无法有效应对气候变化带来的不确定性。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，解决现有场站单一预报源数据质量低造成光伏功率预测效果较差的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，包括以下步骤：
3、s10、采集目标光伏电站各
4、s20、将发电单元1、2、…、n以及气象要素1、2、…、m均看作节点，将全部n+m个节点两两相连形成复杂网络；
5、s30、对复杂网络内任意2节点之间的边，采用因果分析方法确定其方向，采用互信息分析方法确定其权重，形成有向加权复杂网络；
6、s40、取各节点对应的历史1年以上数据，采用注意力机制模型动态更新不同时刻下的有向加权复杂网络，形成有向加权动态复杂网络；
7、s50、基于历史有向加权动态复杂网络数据建立并训练图神经网络预测模型，并通过输入各节点实时数据实现光伏功率短期预测。
8、优选的，所述步骤s10包括以下步骤：
9、s101、获取多种气象预报源中的多种气象要素预报数据，获取场站实时和历史光伏功率数据；
10、s102，对采集到的数据进行处理，采用数据清洗的方法筛选掉数据中异常值，采用归一化预处理方法统一不同数据源的数据格式和范围。
11、优选的，所述步骤s102中，对每个源的数值天气预报数据和历史光伏功率序列数据进行异常数据剔除，若某个预报源中某天预报值缺失时长超过4小时则对此日数据进行删除处理，反之则使用线性插值法进行填充；同时对于不同天气预报源中时间尺度不同统一的情况则使用样条插值法进行填充，保证每个源每种气象参数和实测功率数据时间尺度均为15min；为消除各数据量纲差异，需要对预报数据和功率数据按照以下公式进行归一化处理，将数据保持在0-1之间：
12、；
13、其中和为原始数据和归一化后的数据，和为所在样本中的最大值和最小值。
14、优选的，所述步骤s30，通过步骤s20中得到的复杂网络，首先确定网络中节点之间边的方向，采用格兰杰因果关系检验，考虑网络中任意两个节点，发电单元i和气象要素j，构建向量自回归（var）模型：
15、；
16、其中，和分别是节点i和j在时间t的值，是滞后阶数，、、是系数，是误差项；
17、统计检验显示系数显著，表明对有格兰杰因果性，即从指向有一条有向边；
18、在加权网络中，权值体现了节点之间联系的强弱，因此，使用互信息分析来确定边的权重，对于节点i和j，计算互信息：
19、最大互信息系数的计算，
20、；
21、其中，和表示两个随机变量，表示变量和的联合分布概率，、分别表示变量和的概率。
22、互信息值作为边的权重，反映节点间信息交换的程度，由互信息结果构建权重矩阵，权重矩阵中的元素根据互信息值确定，表示节点i和j之间边的权重。
23、优选的，所述步骤s40包括以下步骤：
24、取各节点对应的历史1年以上数据作训练，建立以有向加权复杂网络数据为输入，以场站历史光伏功率数据为输出的图神经网络预测模型，将输出的光伏功率预测结果进行反归一化处理，得到目标场站光伏功率预测结果；
25、建立以有向加权复杂网络结构数据为输入，以未来时刻光伏功率为输出建立图神经网络预测模型；取目标电站各节点对应的历史1年以上数据序列按照7:3的比例划分为训练集和测试集，在训练集上以s30得到的有向加权复杂网络中各节点历史3天的时间序列数据为作为输入，未来7天目标场站光伏功率数据为输出，对基于神经网络的短期光伏功率预测模型设置初始化参数并进行训练，预测模型共有四层网络，包括图学习层，两个图卷积层，一个输出层，最后将输出的光伏功率预测结果进行反归一化处理，得到目标场站光伏功率最终短期预测结果，其中反归一化处理方式如下式所示：
26、。
27、本专利技术提供一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，具有以下有益效果：
28、（1）本专利技术的光伏电站短期预测方法即便在某一数值天气预报源数据缺失的情况下，也能有效减少对短期预测结果的影响，并考虑了多种天气预报源准确性对目标场站光伏功率预测的影响；
29、（2）本专利技术通过引入复杂网络理论和图表征技术，分析了多种气象要素间的关联性，有效捕捉了多源气象数据中的深层次关系，有利于预测模型的训练，提升预测精度。
本文档来自技高网...【技术保护点】
1.一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，其特征在于，所述步骤S10包括以下步骤：
3.根据权利要求2所述一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，其特征在于，所述步骤S102中，对每个源的数值天气预报数据和历史光伏功率序列数据进行异常数据剔除，若某个预报源中某天预报值缺失时长超过4小时则对此日数据进行删除处理，反之则使用线性插值法进行填充；同时对于不同天气预报源中时间尺度不同统一的情况则使用样条插值法进行填充，保证每个源每种气象参数和实测功率数据时间尺度均为15min；为消除各数据量纲差异，需要对预报数据和功率数据按照以下公式进行归一化处理，将数据保持在0-1之间：
4.根据权利要求根据权利要求1所述一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，其特征在于，所述步骤S30，通过步骤S20中得到的复杂网络，首先确定网络中节点之间边的方向，采用格兰杰因果
5.根据权利要求1所述一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，其特征在于，所述步骤S40包括以下步骤：
...【技术特征摘要】
1.一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，其特征在于，所述步骤s10包括以下步骤：
3.根据权利要求2所述一种基于多气象参数有向加权动态复杂网络化表征的光伏功率短期预测方法，其特征在于，所述步骤s102中，对每个源的数值天气预报数据和历史光伏功率序列数据进行异常数据剔除，若某个预报源中某天预报值缺失时长超过4小时则对此日数据进行删除处理，反之则使用线性插值法进行填充；同时对于不同天气预报源中时间尺度不同统一的情况则使用样条插值法进行...
【专利技术属性】
技术研发人员：孙勇，甄钊，苏营，王飞，吴海飞，米增强，
申请(专利权)人：中国长江三峡集团有限公司，
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。